Collaborative Immersive Analytics for Meteorological and Climatological Data
Immersive Analytics Collaborative sur des données météorologiques et climatologiques
Résumé
The explosion of data in recent decades has challenged existing data analysis processes tasked with uncovering patterns and extracting valuable insights in near real time. The complexity of data due to its heterogeneity, quantity, quality or the lack thereof, as well as the speed at which it is generated, places significant challenges on data analytics pipeline. This pipeline encompasses tasks such as data acquisition, storage, management, transfer, querying, visualisation, update, sharing, and the creation of insights. Given that decision-making based on big data analysis is frequently the outcome of collaborative endeavours, the data analytics and decision-making infrastructure must be collaborative. This means enabling users to communicate, interact with collaborators, and effectively coordinate their activities. The research focus of this Ph.D. thesis is to provide a framework that facilitates collaborative visual analytics using immersive technologies, assisting users with varying expertise to visualise, interact with, and analyse data. I aim to investigate how new immersive interaction and display technologies can be used to facilitate data exploration, analytics reasoning, and decision-making in visual analytics. The main contribution of this dissertation is to propose and explore novel interaction techniques in a Collaborative Immersive Analytics framework supporting visual analytics with human in the loop. My dissertation explores new techniques of selection and data integration whose aim is to speed up the data analytics pipeline, especially for interacting with dense data point cloud in Head-Mounted-Display (HMD)-based Augmented Reality (AR). My research also highlights a novel approach of automatic spatial partition of physical space in co-located AR. Moreover, in the common effort of fighting against climate change and global warming, my work focuses on data analytics for climatology and meteorology, and to a great extent on complex storm and cyclone datasets from real weather observations and predicted simulation model projections. Indeed, cyclone climate disasters occur each year globally, causing widespread devastation including human casualties, gross infrastructural damage, economic and environmental setbacks. This project will contribute to current urgent efforts to minimise storm and cyclone damage internationally, by developing techniques that allow climate researchers and key stakeholders to better access and understand available data. In more detail, I first proposed and studied a solution to improve the selection of data points. The proposed interaction technique was based on expanding data points to improve users' selection when using HMD-based AR. Second, I explored the Ontology-and-Linked-Data-based approach to integrate different data sources that allows the users to perform queries and filtering of data during the interaction and to enhance their performance in the analytics process of meteorological datasets. A user study was conducted to show the validity of this proposed approach. Finally, I present a technique that allows the users to automatically partition the shared physical workspace into several sub-spaces based on the available space and the position of the users in co-located AR using HMDs. I studied the effect of this physical space partitioning technique in the collaborative context of storm data analysis. In addition, the impact of the private and public aspects of these co-located collaborative spaces was also evaluated.
L'explosion des données au cours des dernières décennies a remis en question les processus d'analyse de données existants, visant à découvrir des connaissances et à extraire des informations importantes en quasi temps réel. La complexité des données, due à leur hétérogénéité, leur quantité, leur qualité variable, et la vitesse à laquelle elles sont générées, pose des défis importants pour le pipeline d'analyse de données. Ce pipeline comprend des tâches telles que l'acquisition, le stockage, la gestion, le transfert, la requête, la visualisation, la mise à jour, le partage et la création de connaissances. La prise de décision basée sur l'analyse des données massives étant souvent collaborative, l'infrastructure doit permettre la communication, l'interaction avec des collaborateurs, et la coordination des activités. L'objectif de cette thèse est de fournir un cadre facilitant l'analytique collaborative avec des technologies immersives, aidant des utilisateurs de différents niveaux d'expertise à visualiser, interagir avec et analyser les données. L'étude explore comment les nouvelles technologies d'interaction et d'affichage immersives peuvent être utilisées pour l'exploration des données, le raisonnement analytique et la prise de décision dans l'analytique visuelle. La contribution principale est la proposition et l'exploration de nouvelles techniques d'interaction dans un cadre d'Analytique Immersive Collaborative avec l'humain dans la boucle. La thèse examine des techniques de sélection et d'intégration des données visant à accélérer le pipeline d'analyse de données, notamment pour interagir avec des nuages de points de données denses en Réalité Augmentée (RA) via des casques. Elle présente aussi une nouvelle approche de partition automatique de l'espace physique en RA co-localisée. De plus, la recherche se concentre sur l'analyse des données climatologiques et météorologiques, et sur des ensembles de données complexes de tempêtes et de cyclones provenant d'observations réelles et de modèles de simulation. Les catastrophes climatiques liées aux cyclones causent des dévastations chaque année, incluant des pertes humaines, des dommages infrastructurels et des revers économiques et environnementaux. Ce projet contribue aux efforts pour minimiser les dégâts causés par les tempêtes et cyclones en développant des techniques permettant aux chercheurs et parties prenantes de mieux accéder aux données disponibles et de les comprendre. Plus en détail, la recherche propose et étudie une solution pour améliorer la sélection des points de données. La technique d'interaction, basée sur l'expansion des points de données, améliore la sélection en utilisant la RA via des casques. L'approche basée sur l'ontologie et les données liées intègre différentes sources de données, permettant des requêtes et filtrages pendant l'interaction et améliorant les performances analytiques des ensembles de données météorologiques. Une étude utilisateur valide cette approche. Enfin, une technique permet aux utilisateurs de partitionner automatiquement l'espace de travail physique en plusieurs sous-espaces selon l'espace disponible et la position des utilisateurs en RA co-localisée. Cette technique de partitionnement de l'espace physique a été étudiée dans le contexte collaboratif de l'analyse des données de tempête, évaluant l'impact des aspects privés et publics de ces espaces collaboratifs co-localisés.
| Origine | Version validée par le jury (STAR) |
|---|