Plan de gestion de données de l'infrastructure nationale AnaEE France

1/6 PLAN DE GESTION DES DONNEES DE L’INFRASTRUCTURE ANAEE FRANCE (ANR-11-INBS-0001) Version du 24 février 2021 Avant-propos Le Plan de Gestion de Données(PGD) définit l’organisation et les moyens mobilisés pour la mise en œuvre de la politique de gestion et valorisation des données* 1 de l’infrastructure AnaEE France. Il porte sur l’organisation générale des systèmes d’information et des données et vient compléter et fédérer les PGD des plateformes constitutives d’AnaEE France en tant qu’infrastructure distribuée. Le PGD AnaEE France est construit sur le ‘modèle PGD de ANR’ et est structuré en ‘sous-PGD’ correspondants à des modalités d’organisation et de gestion spécifiques imposées par les différences de nature de données. Le PGD AnaEE France est ainsi constitué de deux volets, l’un consacré aux jeux de données, l’autre aux logiciels. Le présent document ne porte que sur les données. Plan de gestion de données créé à l'aide de DMP OPIDoR Créateur du PGD : Christian Pichot Affiliation du créateur principal : INRAE - Institut national de recherche pour l'agriculture l'alimentation et l'environnement Modèle du PGD : ANR - Modèle de PGD (français) Dernière modification du PGD : 14/02/2021 Financeur : ANR-11-INBS-0001 AnaEE France Chercheur Principal : Christian Pichot, Jean-François LE GALLIARD, André CHANZY Contact pour les Données : Christian Pichot 1 *« ...enregistrements factuels (chiffres, textes, images, son, vidéo…) utilisés comme sources primaires pour la recherche et qui sont habituellement acceptés par la communauté scientifique comme étant nécessaires pour valider les résultats de la recherche » 2/6 ANAEE FRANCE Produit de recherche : jeu de données, logiciel, workflow, échantillon, protocole. 1. DESCRIPTION DES DONNEES ET COLLECTE OU REUTILISATION DE DONNEES EXISTANTES 1a. Comment de nouvelles données seront-elles recueillies ou produites et/ou comment des données préexistantes seront-elles réutilisées ? L’Infrastructure de Recherche AnaEE France (https://www.anaee-france.fr/) offre des services relatifs à l’expérimentation sur les écosystèmes continentaux terrestres et aquatiques ainsi que des services d’analyse du fonctionnement et de la biodiversité des écosystèmes. Ces services sont portés par i) des plateformes expérimentales en conditions « enclosed » (par exemple, les Ecotrons, des mésocosmes aquatiques) ou « open air » (dispositifs expérimentaux installés sur des parcelles en écosystème naturel dans des prairies, des forêts, etc.), ii) des plateformes analytiques mobiles ou des plateformes analytiques de laboratoire et iii) des systèmes d’information de gestion des données/métadonnées. Au travers des services proposés pour la gestion des données (services spécifiques à la plateforme ou services transversaux au niveau de l’infrastructure nationale), les deux niveaux opérationnels d’AnaEE France (plateformes et infrastructure nationale) jouent des rôles spécifiques et complémentaires. Les éléments du PGD sont ci-après décrits en identifiant ces 2 niveaux. Au niveau de chaque plateforme Les données sont acquises au niveau des plateformes expérimentales soit directement par ces plateformes soit par les utilisateurs des services (données utilisateurs, DU). Parmi les données acquises par les plateformes, on distingue les données dites «de base » (DB) caractérisant l'environnement technique ou naturel de la plateforme, de celles spécifiques à l’expérience collectées par la plateforme (DP) pour le compte de l’utilisateur. Une partie des données produites par les plateformes d’AnaEE France correspond à des séries de long terme. Données nouvelles et anciennes ont vocation à être gérées et publiées dans un même contexte. Les données sont initialement gérées dans les Systèmes d’Information (SI) propres aux plateformes. Une partie de ces SI repose sur un modèle générique développé pour les dispositifs expérimentaux à long terme « open air », notamment par le SI EcoInformatique ORE (Observatoires de Recherche sur l’Environnement). Une autre partie reposera sur un modèle générique développé dans le cadre du projet PIA AnaEE France pour des expérimentations de courte durée (le SI ISIA, pour Information System for Infrastructure Administration). Au niveau de l’infrastructure nationale L’IR AnaEE France développe, pour les plateformes, des services transversaux d’harmonisation des données au travers de pipelines et référentiels assurant l’annotation sémantique des données/métadonnées et leur publication. L’IR développe également un service transversal de gestion des demandes d’utilisation des services des plateformes à façon (« dépôt de projets ») au travers de l’application PPA (Platform Project Administration) dans le SI ISIA. 1b. Quelles données (types, formats et volumes par ex.) seront collectées ou produites ? Les données produites sont de types, formats et volumes très variables selon les plateformes. Ces caractéristiques sont sans lien avec la typologie proposée (DB, DP et DU). Les plateformes disposent ou disposeront elles-mêmes d’un PGD précisant ces caractéristiques. Globalement, les données recouvrent les types suivants : données de capteurs automatiques ou semi-automatiques, données d’actionneurs et d’éléments techniques, données acquises manuellement notamment des échantillons, données d’instruments pour les plateformes d’analyse et pour certains projets, données de génomique environnementale et de bio-informatique, ou données d’images. Selon les traitements réalisés les données sont produites aux niveaux L0 (brutes), L1 (mise à l’échelle), L2 (calibrées, filtrées) et L3 (élaborées). Les volumes annuels produits actuellement (2020) sont : - de quelques dizaines de Go pour les plateformes open air, - de quelques To, pour les plateformes en condition enclosed contrôlées et semi-contrôlées - de quelques dizaines de To pour les plateformes analytiques, 3/6 2. DOCUMENTATION ET QUALITE DES DONNEES 2a. Quelles métadonnées et quelle documentation (par exemple méthodologie de collecte et mode d'organisation des données) accompagneront les données ? Au niveau de chaque plateforme Les modalités d’acquisition des données sont définies et mises en œuvre par les plateformes. Les métadonnées collectées au niveau des plateformes sont de deux types : i) pour porter à connaissance et ii) pour exploitation. Elles peuvent être utilisées au niveau de la plateforme mais sont aussi remobilisées par le workflow de génération et de publication des données proposé au niveau de l’infrastructure pour les données produites par les plateformes ou utilisateurs externes. Le service de dépôt de projets constitue un premier lieu de récolte de métadonnées couvrant, notamment, le titre et acronyme du projet, les services AnaEE France mobilisés, le descriptif du projet de recherche, le résumé du projet, l’écosystème concerné, les variables mesurées, les facteurs manipulés, les dates d’exécution, le responsable du projet et éventuellement des informations additionnelles, comme les publications du consortium. Les données et métadonnées sont initialement gérées au sein des SI propres aux plateformes. Ces SI reposent sur un modèle générique déjà développé pour les dispositifs expérimentaux « open air » à long terme (SI EcoInformatique ORE) et en cours de développement pour les dispositifs à façon (SI ISIA-EDEM) Au niveau de l’infrastructure nationale Les pipelines sémantiques remobilisent les données et métadonnées en provenance des plateformes et génèrent des métadonnées aux formats DCAT et ISO19139 ainsi que des données au format NetCDF. D’autres formats seront proposés à terme. Ces générations s’appuient sur des référentiels de vocabulaires (dont le thésaurus AnaeeThes (http://agroportal.lirmm.fr/ontologies/ANAEETHES) et une ontologie étendue de l’ontologie OBOE (doi: 10.1016/j.ecoinf.2007.05.004). Les informations traitées par annotation sémantique couvrent la description des données observées, la description du dispositif expérimental d’acquisition, l’identifiant du jeu de données et les conditions d’utilisation (licence). Des informations complémentaires et portant sur le périmètre dit ‘de provenance’ sont en cours d’ajout dans le cadre d’une action conduite dans le projet ENVRI-FAIR (2019-2022). Elles porteront essentiellement sur les « acteurs » de l’acquisition et du traitement des données (capteurs, logiciels…). 2b. Quelles mesures de contrôle de la qualité des données seront mises en œuvre ? Au niveau de chaque plateforme Les plateformes expérimentales conduisent les contrôles qualité sur les données de base et élaborées au niveau de la plateforme. Les systèmes d’information de gestion de ces données assurent un second niveau de contrôle notamment sur le format des données. Au niveau de l’infrastructure nationale Le traitement des données réalisé par les pipelines génériques mis en place par l’infrastructure pour l’annotation (COBY) et la génération et publication (SEMDATA) des données apportent un troisième niveau d’élévation (plus que de contrôle) de la qualité en apportant l’interopérabilité sémantique. Enfin, l’utilisation d’un service ad-hoc pour le dépôt de projets (SI ISIA-PPA) constitue un facteur de qualité des métadonnées de découverte. 3. STOCKAGE ET SAUVEGARDE PENDANT LE PROCESSUS DE RECHERCHE 3a. Comment les données et les métadonnées seront-elles stockées et sauvegardées tout au long du processus de recherche ? Au niveau de chaque plateforme Les données sont initialement gérées dans les SI propres aux plateformes. Ces systèmes reposent sur un modèle générique déjà développé pour les dispositifs expérimentaux « open air » des sites d’expérimentation à long terme (SI EcoInformatique ORE) et en cours de développement pour les dispositifs à façon (SI ISIA-EDEM). Les plateformes analytiques disposent de SI spécifiques. Les modalités de stockage des données produites varient selon les plateformes et sont spécifiées dans les chartes d’utilisation. De manière générale, elles sont ou seront prises en charge, sur le long terme, par les services « base de données » (BDD) INRAE et CNRS pour les données issues des plateformes d’expérimentation. Elles sont gérées localement sur le moyen terme par les plateformes analytiques. Au niveau de l’infrastructure nationale Les services transversaux d’annotation, de génération et de publication de l’infrastructure nationale produisent des jeux de données et de métadonnées. Les métadonnées sont gérées par l’infrastructure pour mise à disposition via des portails. Elles sont portées par des BDD graphes pour les métadonnées RDF et par des BDD relationnelles pour les métadonnées au format ISO19139. Les jeux de données publiés dans un entrepôt, par exemple le Dataverse AnaEE France INRAE, y sont de fait stockés pour une durée dépendant des services proposés par cet entrepôt. Pour autant, AnaEE France ne considère pas cet hébergement comme modalité de stockage sur le long terme et encore moins 4/6 d’archivage. Les services de stockage long terme restent associés aux SI de l’infrastructure, SI locaux pour les données des plateformes et SI transversaux pour les données métadonnées produites par les pipelines. 3b. Comment la sécurité des données et la protection des données sensibles seront-elles assurées tout au long du processus de recherche ? Sécurisation des données Après collecte et curation, les données sont gérées dans des systèmes d’information dont la nature et la mise en œuvre permet d’assurer sécurité et confidentialité lorsque nécessaire. Un plan de sécurisation des données doit être formalisé pour chacune des plateformes et référencé dans le PGD de la plateforme. En ce qui concerne les données associées aux SI transversaux : i) les métadonnées AnaEE France au format ISO19139 sont gérées dans une base de données relationnelle hébergée et sauvegardée sur les infrastructures INRAE. Les mots de passe des comptes personnels y sont cryptés ; ii) les données associées aux pipelines (COBY et SEMDATA pour l’annotation sémantique des données/métadonnées et leur publication) sont gérées dans une BDD relationnelle (mots de passe cryptés) et une BDD graphe exposée en lecture seule ; iii) les données des référentiels sémantiques (thésaurus et ontologie) sont gérées via des logiciels dédiés (Vocbench et Webprotege) avec cryptage des mots de passe, puis publiées en libre accès ; iv) les informations associées à la gestion des projets d’utilisation des plateformes (ISIA-PPA) sont gérées dans une base de données relationnelle hébergée et sauvegardée sur les infrastructures du CNRS. Données sensibles (hors compte utilisateur). D’une manière générale, les données produites par les plateformes AnaEE France ne sont qu’exceptionnellement ‘sensibles’ ou explicitement ‘à caractère personnel’. L’identification de tels cas est sous la responsabilité des plateformes, et s’opère via une assistance de « collectif données » d’AnaEE France en prenant appui sur l’organisation et les moyens mis en place au sein des organismes tutelles des plateformes, en particulier sur le DPD (délégué à la protection des données) de la tutelle propriétaire de la plateforme. 4. EXIGENCES LEGALES ET ETHIQUES, CODES DE CONDUITE 4a. Si des données à caractère personnel sont traitées, comment le respect des dispositions de la législation sur les données à caractère personnel et sur la sécurité des données sera-t-il assuré ? D’une manière générale, les données produites par les plateformes AnaEE France ne sont qu’exceptionnellement ‘à caractère personnel’. L’identification de tels cas est sous la responsabilité des plateformes et s’opère via une assistance de « collectif données » d’AnaEE France en prenant appui sur l’organisation et les moyens mis en place au sein des organismes tutelles des plateformes, en particulier sur le DPD (délégué à la protection des données) de la tutelle propriétaire de la plateforme. 4b. Comment les autres questions juridiques, comme la titularité ou les droits de propriété intellectuelle sur les données, seront-elles abordées ? Quelle est la législation applicable en la matière ? Les données produites par AnaEE France sont soumises à la réglementation française et européenne relative à l’Open Data. Cette réglementation s’appuie notamment sur : i) la directive PSI (Directive 2013/37/UE du Parlement européen et du Conseil du 26 juin 2013 modifiant la directive 2003/98/CE concernant la réutilisation des informations du secteur public) et sa transposition en droit national ; ii) la directive INSPIRE (directive 2007/2/CE du Parlement européen et du Conseil du 14 mars 2007 établissant une infrastructure d'information géographique dans la Communauté européenne) et sa transposition en droit national ; iii) le code des relations entre le public et l’administration ; iv) la loi pour une République numérique n°2016-1321 du 7 octobre 2016 ; v) la loi n° 2015-1779 du 28 décembre 2015 relative à la gratuité et aux modalités de la réutilisation des informations du secteur public ; vi) le Décret n° 2017-638 du 27 avril 2017 relatif aux licences de réutilisation à titre gratuit des informations publiques et aux modalités de leur homologation. La très grande majorité des données produites est obtenue sur fonds majoritairement publics et a vocation à être mise en accès libre et gratuit (sauf exception données sensibles, sécurité, personnelles…). Les données produites grâce à des financements majoritairement privés font l’objet de dispositions particulières fixées entre les utilisateurs et les responsables de la plateforme dans un contrat de prestation. 4c. Comment les éventuelles questions éthiques seront-elles prises en compte, les codes déontologiques respectés ? Les données produites par AnaEE France ne donnent lieu qu’à très peu de questions éthiques. Il n’existe pas de procédure spécifique formalisée au niveau de l’infrastructure sur ce point. Chaque plateforme est en charge d’identifier 5/6 de tels cas en concertation avec le « collectif données » d’AnaEE France et en cohérence avec les pratiques déontologiques ayant cours dans les instituts (ex : https://www.inrae.fr/deontologie-integrite-scientifique-ethiqueprojets-recherche). Les pratiques éthiques et déontologiques doivent se conformer au cadre législatif sur (1) l’expérimentation animale et l’éthique associée, (2) la protection de la nature, (3) les utilisations des OGMS, et (4) la collecte de ressources génétiques (APA). 5. PARTAGE DES DONNEES ET CONSERVATION A LONG TERME 5a. Comment et quand les données seront-elles partagées ? Y-a-t-il des restrictions au partage des données ou des raisons de définir un embargo ? La très grande majorité des données produites est obtenue sur fonds majoritairement publics et a vocation à être mise en accès libre et gratuit (sauf exception données sensibles, sécurité, personnelles…). Cette publication intervient lorsque les données sont dites ‘achevées’, c’est à dire curées et annotées afin d’être correctement réutilisables (pratiques FAIR). Le délai entre la collecte des données et leur publication correspond à une phase de validation et mise en forme et non pas à un embargo. Le document de « politique des données » d’AnaEE France prévoit néanmoins la possibilité de retarder cette ouverture pour des motifs légitimes prédéfinis par la plateforme. Cet embargo exceptionnel ne pourra pas excéder 2 années à partir de la fin du projet de recherche. En amont de leur publication, les données sont gérées dans les SI des plateformes et rendues potentiellement accessibles selon des modalités particulières établies par les plateformes et les responsables des projets ayant sollicité les services de ces plateformes. Ces modalités sont précisées dans la charte de la plateforme. Elles permettent de développer dès que possible les collaborations et valorisation de données au sein de la communauté scientifique. 5b. Comment les données à conserver seront-elles sélectionnées et où seront-elles préservées sur le long terme (par ex. un entrepôt de données ou une archive) ? Au niveau de chaque plateforme Les données sont initialement gérées dans les SI propres aux plateformes. Les modalités de stockage des données produites varient selon les plateformes et sont spécifiées dans les PGD et chartes d’utilisation des services. De manière générale, elles sont ou seront prises en charge, sur le long terme, par les services BDD de INRAE ou du CNRS pour les données d’expérimentation. Les données produites par les plateformes analytiques ne sont généralement stockées que sur du court moyen terme et sont remises directement aux utilisateurs du service. Une partie de ces données issues des analyses et les métadonnées décrivant le contexte de prélèvement des échantillons analysés peuvent être stockées par les plateformes afin de construire un référentiel et ainsi offrir un service d’interprétation des données. La préservation de ces référentiels sera faite en utilisant les ressources d’archivage institutionnelles. Au niveau de l’infrastructure nationale L’infrastructure offre un service d’annotation et de publication de jeux de données dont le périmètre est défini sur des critères de type d’écosystème, plateforme ou site expérimental, variable observée, plage temporelle, etc... Les jeux de données sont publiés dans un entrepôt (ex : dataverse AnaEE France) et stockés pour une durée dépendant des services proposés par cet entrepôt. Pour autant, AnaEE France ne considère pas cet hébergement comme modalité de stockage sur le long terme et encore moins d’archivage. Ces services restent associés aux SI de l’infrastructure : SI locaux et SI transversaux. Les modalités d’archivage sur le très long terme ne sont aujourd’hui (2020) qu’incomplètement formalisées. 5c. Quelles méthodes ou quels outils logiciels seront nécessaires pour accéder et utiliser les données ? Les données ‘non achevées’ sont gérées au sein des SI des plateformes et sont accessibles sur demande d’ouverture de compte et pour des périmètres de données (ex : portails des SI des sites d’expérimentation « open air » : https://siola.inra.fr/, https://si-acbb.inra.fr/, https://si-pro.fr/, https://si-foret-ecofor.fr/). Les données ‘achevées’ sont publiées dans des entrepôts libre d’accès. Un entrepôt AnaEE France (https://data.inrae.fr/dataverse/anaee-france) mis en production en 2021 est d’ores et déjà proposé à l’ensemble des plateformes. Des données ont été éventuellement antérieurement publiées sur d’autres entrepôts (ex https://data.inrae.fr/dataverse/data-ola). Les données sont proposées en formats ‘classiques’ (csv, NetCDF..). Leur utilisation ne requiert pas d’outils particuliers. 5d. Comment l'attribution d'un identifiant unique et pérenne (comme le DOI) sera-t-elle assurée pour chaque jeu de données ? Seules les données achevées et publiées disposent d’un identifiant et celui-ci est attribué lors de la publication. Le service transversal d’annotation et publication de jeux de données proposé par l’infrastructure couvre notamment cette fonctionnalité par l’attribution d’un DOI. Certains jeux de données associés à des publications scientifiques sont identifiés selon les modalités proposées par la revue scientifique de cette publication. 6/6 6. RESPONSABILITES ET RESSOURCES EN MATIERE DE GESTION DES DONNEES 6a. Qui (par exemple rôle, position et institution de rattachement) sera responsable de la gestion des données (c'està-dire le gestionnaire des données) ? Au niveau de chaque plateforme Les données sont initialement gérées dans les SI propres aux plateformes. Le responsable scientifique et technique de la plateforme est responsable des données et prend en charge directement leur gestion ou la délègue à un service SI transversal tel qu’il existe déjà pour les données des plateformes « open air ». Au niveau de l’infrastructure nationale Les données/métadonnées produites au niveau de l’infrastructure grâce aux services transversaux sont quant à elles sous la responsabilité du Data Chief Officer et du collectif données et SI (Datastewardship center) d’AnaEE France. 6b. Quelles seront les ressources (budget et temps alloués) dédiées à la gestion des données permettant de s'assurer que les données seront FAIR (Facile à trouver, Accessible, Interopérable, Réutilisable) ? Au niveau de chaque plateforme La gestion locale des données réalisée au niveau des SI des plateformes repose sur les ressources matérielles et humaines fournies par les instituts porteurs de ces plateformes. L’engagement des instituts dans l’infrastructure AnaEE France s’accompagne de la fourniture des moyens techniques et humains nécessaires à la bonne exécution des services. Au niveau de l’infrastructure nationale Les services transversaux « SI et données» proposés par AnaEE France reposent sur : i) la mobilisation des actions transversales « SI et données » portées par les instituts (SI génériques). Les moyens humains et matériels apportés sont alors de même nature que ceux identifiés au niveau de chaque plateforme ; - le développement de ressources AnaEE France collectives (gestion de projets, référentiels et pipelines sémantiques). Les moyens humains et matériels mobilisés relèvent d’une part d’une contribution des ressources des instituts et d’autre part de ressources apportées par AnaEE France au travers de financements nationaux (ANR, AllEnvi) et internationaux (projets européens dont ceux portés par le collectif d’infrastructures ENVRI).