Linked Open Data im Bereich Sensoren - es gibt schon einige Standards dafür, die wurden aber zum Teil vor Jahren in der Wissenschaft entwickelt und jetzt erst so langsam von Praktikern entdeckt. Vortrag im Rahmen des vom TTN Mitteldeutschland ( https://iot-usergroup.de/usergruppen/wir-sind-ttn-mitteldeutschland/ ) organisierten TheThingsTechTalk ( https://iot-usergroup.de/allgemein/einladung-zum-naechsten-thethingstechtalk-am-24-mai-2022/ ) am 24. Mai 2022 ( Nachbericht der Veranstaltung: https://iot-usergroup.de/allgemein/bericht-ueber-den-thethingstechtalk-vom-24-05-2022/ ) Mitschnitt des Vortrags auch auf Youtube: https://www.youtube.com/watch?v=5RiSONtoLW8

1. FAIRe Sensordaten
Mehr Einblick mit sprechenden APIs

2. 2
Die FAIR-Prinzipien

3. 3
Findable (Auffindbarkeit)
●
Global eindeutiger Identifizierer
●
Metadaten (Kontext für richtige Interpretation)
●
Durchsuchbarkeit / Indizierung
https://blogs.tib.eu/wp/tib/2017/09/12/die-fair-data-prinzipien-fuer-forschungsdaten/

4. 4
Accessible (Zugänglichkeit)
●
Freies Kontaktprotokoll (http(s))
●
Transparenz über Zugangsvoraussetzungen (auch Lizenzen)
●
ggf. Rollen- und Rechte-Management (z.B. Oauth2)
●
Metadaten bleiben erhalten, auch wenn die Daten weg sind
https://blogs.tib.eu/wp/tib/2017/09/12/die-fair-data-prinzipien-fuer-forschungsdaten/

5. 5
Interoperable (Interoperabilität)
●
Formale, zugängliche, gemeinsam genutzte und breit
anwendbare Sprache für Wissensrepräsentation (RDF, OWL,
JSON-LD)
●
Sprache / Ontologien folgen selbst den FAIR-Prinzipien
●
Qualifizierte Referenzen
https://blogs.tib.eu/wp/tib/2017/09/12/die-fair-data-prinzipien-fuer-forschungsdaten/

6. 6
Reusable (Wiederverwendbarkeit)
●
Ordnungsgemäßes Zitieren ermöglichen
●
Menschen- und Maschinen-Lesbar
●
Präzise, relevante Attribute zur detaillierten Beschreibung
●
Zugreifbare Nutzungslizenz
●
Detaillierte Provienzinformationen (Dokumentation von
Nachverarbeitung / Aggregation)
●
Standards zur Archivierung beachtet
https://blogs.tib.eu/wp/tib/2017/09/12/die-fair-data-prinzipien-fuer-forschungsdaten/

7. 7
Einflussfaktoren
●
Einflussfaktoren für die Bewertung / Nachverarbeitung von Sensordaten:
– Standort
●
Höhe
– Umwelt
●
Temperatur
●
Luftfeuchte
– Sensormessgerät (Typ, Alter, Messverfahren)
– plausible Wertebereiche nach Kontext
– Aggregierbarkeit / Verschneidbarkeit (Nominal-, Ordinal-, Kardinalskala) (Mittelwerte, Gewichtung)
– Häufigkeit und Qualität der Messungen (Varianz, Ausreißer, Glättung, Interpolation)
– Veränderungen während der Messung
●
Sensor-Gerät ausgetauscht
– Andere externe Faktoren, z.B. im Kontext von Verkehrszählung:
●
Schulferien
●
Baustellen

8. 8
JSON-LD
https://json-ld.org/
https://github.com/opengeospatial
/sensorthings/issues/137

9. 9
NGSI-LD
https://de.wikipedia.org/wiki/NGSI-LD
https://ngsi-ld-tutorials.readthedocs.io/en/latest/
Ein graphbasiertes Kontextinformationsmodell
und eine Programmierschnittstelle
https://www.etsi.org/images/files/ETSIWhite
Papers/ETSI_WP_42_NGSI_LD.pdf

10. 10
NGSI-LD
https://swagger.lab.fiware.org NSGI-LD Entities

11. 11
Smart data models
https://github.com/smart-data-models
https://smartdatamodels.org
https://smartdatamodels.org/index.php/
category/smart-water/
https://smart-data-models.github.io/dataModel.WaterQuality/WaterQuality
Observed/examples/example-geojsonfeature.json

12. 12
OGC SensorThingsAPI (STA)
https://www.w3.org/2017/sdwig/talks/ogc-sensorthings-api.pdf
https://en.wikipedia.org/wiki/SensorThings_API

13. 13
FROST Server
https://www.iosb.fraunhofer.de/en/projects-and-products/frost-server.html
Implementierung der OGC SensorThings API
https://www.masterportal.org/files/masterportal/downloads/2021_06%20Fossgis%20-%2
0Sensordaten%20Backend%20bis%20Masterportal.pdf
https://github.com/FraunhoferIOSB/frost-sensorthings-datasource

14. 14
API4INSPIRE
●
SensorThings API via
FROST-Server + JSON-LD
aus WFS via LD-Proxy
●
3 Datenquellen
– Airy Austria: Luftqualitätsdaten
aus Österreich
– Urbane Datenplattform
Hamburg: viele Sensordaten
(z.B. E-Roller)
– Wasserqualitätsdaten aus
deutsch-französischem
Grenzgebiet
https://datacoveeu.github.io/API4INSPIRE/

15. 15
Web of Things (WoT) Thing Description (TD)
https://www.ietf.org/proceedings/interim-2017-t2trg-02/
slides/slides-interim-2017-t2trg-02-sessa-23-wot-td-00.
pdf
https://www.w3.org/WoT/

16. 16
Semantic Sensor Network (SSN) Ontology
https://www.w3.org/TR/vocab-ssn/
https://w3c.github.io/sdw/ssn/
https://thereaderwiki.com/en/Semantic_Sensor_Web_Advanced

17. 17
SPARQL
https://de.wikipedia.org/wiki/SPARQL
http://cgi.di.uoa.gr/~pms509/lectures/DiscoveringEarthObservationData.pdf
https://eoweb.dlr.de/guestegp/productDetails/f4adec97-78c7-4639-845f-b8de13347c31
https://eoweb.dlr.de/guestegp/main
https://www.ogc.org/standards/geosparql/

18. 18
GraphQL
https://www.graphile.org/postgraphile/
https://graphql.org
https://www.hypergraphql.org
https://comunica.dev
https://dev.to/stewartjarod/graphql-for-con
sumer-iot-applications-531a

19. 19
Sensordatenfusion
https://de.wikipedia.org/wiki/Sensordatenfusion

20. 20
Fazit
●
einige (konkurrierende) Standards (für Datenmodelle /
Ontologien, aber auch APIs und Referenzarchitekturen)
●
Top-Down vs. Bottom-Up: Vokabular lieber schmal halten,
Freedom from choice
●
Zielgruppe(n) der API kennen (Geräte-nah vs. Aggregation auf
KPIs) (BI-mäßiges drilldown (Zeiträume, Zustände))
●
Förderierte statt zentrierte Systeme (selbst beschreibende
Quellen statt Kataloge)
●
Nutze den Knowledge Graph

21. 21
Vielen Dank