Crowdsourcing, citizen science, and (many) other buzz words

As I’m currently working on a article about the development of crowdsourcing projects, I found dozen of buzz words about similar concepts in the field of participatory/citizen science. Here’s my list of these buzz words: crowdsourcing, crowdsensing, crowd science, citizen science, citizen sensing, community-based monitoring, community-based management, open science, participatory science, participatory sensing, user-generated content, volunteered geographic information, and how they are related to each other…

EDIT SEPT. 2017:

The paper is out now: Minet, J., Curnel, Y., Gobin, A., Goffart, J. P., Mélard, F., Tychon, B., Wellens, J. & Defourny, P. (2017). Crowdsourcing for agricultural applications: A review of uses and opportunities for a farmsourcing approach. Computers and Electronics in Agriculture, 142, 126-138.


Let’s start by crowdsourcing

The first definition ever of crowdsourcing was made in Wired by J. Howe (2006), who first coined crowdsourcing as “the act of a company or institution taking a function once performed by employees and outsourcing it to an undefined (and generally large) network of people in the form of an open call”.

Still, “crowdsourcing is an ill-defined but common term” (Wiggins & Crowston, 2011) and dozens of other definitions were made after the one of J. Howe. The outsourcing of tasks by crowdsourcing can be envisaged as an alternative to the traditional labour executed by professional workers, as defined by Schenk & Guittard (2011): “Crowd sourcing represents the act of taking a job traditionally performed by a designated agent (usually an employee) and outsourcing it to an undefined, and generally large group of people in the form of an open call”, or for tackling tasks that computer intelligence struggles to complete, as in the definition of Rahman et al. (2015): “a network of humans can be used to solve challenging and computationally expensive problems that machine intelligence cannot accurately solve”.

From crowdsourcing to citizen sensing and community-based monitoring

The concept now expands from the outsourcing of tasks to the collection of data by volunteers and/or mobile devices, as stated by Muller et al. (2015): “Crowdsourcing is traditionally defined as obtaining data or information by enlisting the services of a (potentially large) number of people. However, due to recent innovations, this definition can now be expanded to include ‘and/or from a range of public sensors, typically connected via the Internet.’” … that is related to the concept of citizen sensing, as developed in Boulos et al. (2011), which is about the collection of data or information by volunteers. Mobile crowdsensing was also used (Ganti et al. 2011), with a similar meaning of citizen sensing. A term largely related to the one of participatory sensing, coined by Burke et al. (2006), focused on the use of mobile devices for collecting data: “Participatory sensing will task deployed mobile devices to form interactive, participatory sensor networks that enable public and professional users to gather, analyze and share local knowledge.”

Yet, the action of collaboratively collecting data did exist well before the invention of the crowdsourcing term (and of mobile phones), as portrayed in the paper done by Conrad & Hichley (2011), who reviewed projects based on community-based monitoring or community-based management of the environment involving citizen volunteers in environmental conservation projects.

Internet-based platforms

These projects are now mostly based on internet platforms, which is related to the concept of user-generated content platforms, from which Wikipedia is the outstanding example. In the field of (neo)geography, a specific term was also coined to describe the development of online collaborative mapping platforms (e.g., OpenStreetMap, Wikimapia): volunteered geographic information (Goodchild, 2007).

The global picture: citizen science

Finally, the more embracing concept of citizen science can be linked to crowdsourcing, as stated by Wiggins & Crowston (2011): “Citizen science projects that are entirely mediated by information and communication technologies (ICTs) are often considered a form of crowdsourcing applied to science.” Franzoni & Sauermann remarkably discussed these concepts in a broader perspective for the scientific research in their paper entitled “Crowd science: The organization of scientific research in open collaborative projects” (2014) and further distinguished between crowdsourcing and crowd science, the latter term describing research projects which are not only open to participation (as in crowdsourcing projects) but also imply the openness of intermediate inputs and results (as in open science projects). Yet, these “new” ways of doing science are also related to the longer-standing concept of participatory science. 


Boulos, M. N. K.; Resch, B.; Crowley, D. N.; Breslin, J. G.; Sohn, G.; Burtner, R.; Pike, W. A.; Jezierski, E. & Chuang, K.-Y. S. (2011), ‘Crowdsourcing, citizen sensing and sensor web technologies for public and environmental health surveillance and crisis management: trends, OGC standards and application examples’, International journal of health geographics 10(1), 1.

Burke, J. A.; Estrin, D.; Hansen, M.; Parker, A.; Ramanathan, N.; Reddy, S. & Srivastava, M. B. (2006), ‘Participatory sensing’, Center for Embedded Network Sensing.

Conrad, C. C. & Hilchey, K. G. (2011), ‘A review of citizen science and community-based environmental monitoring: issues and opportunities’, Environmental monitoring and assessment 176(1-4), 273–291.

Franzoni, C. & Sauermann, H. (2014), ‘Crowd science: The organization of scientific research in open collaborative projects’, Research Policy 43(1), 1–20.

Ganti, R. K., Ye, F., & Lei, H. (2011). Mobile crowdsensing: current state and future challenges. IEEE Communications Magazine, 49(11).

Goodchild, M. F. (2007), ‘Citizens as sensors: the world of volunteered geography’, GeoJournal 69(4), 211–221.

Howe, J. (2006), ‘The rise of crowdsourcing’, Wired magazine 14(6), 1–4.

Muller, C.; Chapman, L.; Johnston, S.; Kidd, C.; Illingworth, S.; Foody, G.; Overeem, A. & Leigh, R. (2015), ‘Crowdsourcing for climate and atmospheric sciences: current status and future potential’, International Journal of Climatology 35(11), 3185–3203.

Rahman, M.; Blackwell, B.; Banerjee, N. & Saraswat, D. (2015), ‘Smartphone-based hierarchical crowdsourcing for weed identification’, Computers and Electronics in Agriculture 113, 14–23.

Schenk, E. & Guittard, C. (2011), ‘Towards a characterization of crowdsourcing practices’, Journal of Innovation Economics & Management(1), 93–107.

Wiggins, A. & Crowston, K. (2011), From conservation to crowdsourcing: A typology of citizen science, in ‘System Sciences (HICSS), 2011 44th Hawaii international conference on’, pp. 1–10.



Note: You may use this text for your own work, but please respect the terms of the Creative Commons license By Sa:

Creative Commons License
Crowdsourcing, citizen science, and (many) other buzz words, by Julien Minet,, May 2016, is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.




Un mapathon Missing Maps le samedi 16 avril!

Ce samedi 16 avril, je participerai à un mapathon interuniversitaire en Belgique, qui a lieu dans 7 universités du pays. Je serai à l’UNamur. Ci-dessous un texte de présentation de la journée. Au plaisir de vous y voir!


Où trouver une carte du Swaziland détaillée avec chaque habitation ? 

Imaginez un pays avec peu d’infrastructures, des services publics sous-financés, et … une maladie mortelle. Imaginez encore que vous puissiez contribuer à éradiquer la malaria dans ce pays. Il est possible de le faire seulement en pouvant situer chaque habitation du pays. Comment et où trouver cette information? 

Auparavant, de grosses sommes d’argent auraient été dépensées dans la collecte de telles informations. Des informations qui n’auraient jamais été mises à jour. Mais ce temps est révolu! Des ONGs avec des idées brillantes ont trouvé une communauté avec des idées toutes aussi brillantes. Cette communauté, c’est OpenStreetMap. Démarrée à Londres il y a à peine 10 ans par un type qui a eu l’idée folle de commencer une carte collaborative du monde entier avec un accès libre aux données.  Certains pays comme l’Allemagne ont rapidement été cartographiés par les passionnés de la communauté  OpenStreetMap. D’autres endroits du globe, comme lors du terrible tremblement de terre de Haïti en 2010, ont pu être cartographié extrêmement rapidement grâce à la réactivité de la communauté. 

Afin de coordonner les efforts de cartographie faits lors des urgences humanitaires par des centaines de milliers de volontaires, l’association Humanitarian OpenStreetMap Team (HOT) a été créée. Mais des cartes sont également nécessaires avant que les catastrophes ne surviennent. C’est ici que débute le projet Missing Maps. Le but est de cartographier toutes les zones vulnérables du globe avec autant de détails que nécessaire. C’est un projet en pleine expansion qui s’est propagé jusqu’en Belgique, par le biais du comité belge interuniversitaire de géographie. Le samedi 16 avril, des personnes de 7 universités de chaque région du pays (Flandre, Wallonie, Bruxelles) se rassembleront pour un “mapathon” OpenStreetMap afin de contribuer à créer une carte dont on a besoin pour éradiquer la malaria au Swaziland. 

OpenStreetMap fonctionne un peu comme Wikipedia: des volontaires y contribuent avec ce qu’ils peuvent, quand ils le peuvent. D’habitude, les contributeurs d’OpenStreetMap cartographient leur quartier, leur région, etc.  Lors de ce mapathon, vous n’aurez pas besoin de connaître le Swaziland comme votre poche! Nous cartographierons des habitations et des routes sur base d’images satellites. Plus tard, des équipes locales pourront compléter la carte avec plus d’informations détaillées. Même si vous n’avez jamais fait de la cartographie, en moins d’une demi-heure, vous serez capable de faire apparaître des habitations et des routes sur la carte. Dès que vous cliquerez sur “Sauvez vos modifications”, vos habitations apparaîtront sur des centaines de cartes à travers le monde. Et, en particulier, dans les cartes qu’utilisent des ONGs comme Médecins Sans Frontières pour planifier leurs opérations. 

Venez le samedi 16 avril. Nous ne changerons peut-être pas le monde, mais nous contriburons probablement à changer la vie de nombreuse personnes. Allez-y! Et inscrivez-vous pour cette journée de cartographie à


Connaitre la taille des arbres des forêts wallonnes avec ForEstimator

Suite à cet article paru dans Forêt.Nature, voici un test du plugin QGIS ForEstimator développé par Gembloux AgroBioTech dans la commune de Habay. Ce plugin a pour but de donner la hauteur des peuplements forestiers en Wallonie sur base d’un relevé LIDAR effectué sur l’ensemble du territoire wallon ces dernières années. J’ai testé ce plugin sur la commune de Habay.

0) Installer le plugin sous Windows ou Ubuntu.

Le seul lien de téléchargement du plugin est ici: c’est un fichier .exe, qui n’est donc pas le plugin. Pour Windows, télécharger et exécuter ce fichier.
Pour Ubuntu, je l’ai d’abord installé sous un ordinateur Windows avec QGIS installé. Pour l’utiliser sur mon Ubuntu adoré, j’ai récupéré le dossier de plugin était installé sous Windows sous
 et je l’ai copié simplement dans le répertoire des données d’applications de QGIS sous ubuntu qui se trouve sous

1) Récupérer les imites de la commune d’Habay de la base de données OpenStreetMap avec overpass-turbo:

Pour me focaliser sur la commune de Habay, j’ai téléchargé la limite communale à partir des données d’OpenStreetMap avec une requête sur
 out body;
 out skel qt;
 Changer le nom de la commune à la place de “Habay” pour essayer une autre commune. J’enregistre le résultat de cette requête sous format geojson. Ensuite j’importe ce fichier geojson dans QGIS. Pour l’utilisation de ForEstimator, je convertis ce fichier geojson en format shapefile (SHP), en sélectionnant bien le système de coordonnées propre à la Belgique, le Lambert Belge 1972 (EPSG:31370).

2) Création d’une grille régulière sur la commune

Une limitation du plugin ForEstimator, c’est qu’il faut avoir un fichier des limites de parcelles où l’on veut connaître la hauteur dominante des arbres. J’ai donc créé une grille régulière sur l’espace de la commune. Pour cela, j’utilise l’outil “Vector Grid” de QGIS: Menu Vector > Research tools > Vector grid …
On choisit l’étendue de la grille en sélectionnant la couche de la commune d’Habay. La résolution de la grille (taille des “pixels”) se choisit avec les paramètres X et Y. Je choisis de les fixer à 100 m, ce qui donne des parcelles de 1 ha, ce qui n’est pas très loin de la taille moyenne de parcelles forestières.
La grille est ensuite clippée sur les frontières de la commune pour se focaliser sur la commune. (Vector > Geoprocessing tools > Clip).

3) ForEstimator

 Enfin, il suffit de faire tourner ForEstimator, qui se trouve dans le menu “Plugins”. On ouvre le plugin, on sélectionne la couche de la grille régulière créée et c’est parti! Je n’ai pas utilisé les autres options du plugin (choix d’espèces et année de plantation) qui sont expliquées dans l’article.
Voilà le résultat sous format de screenshot QGIS, avec une symbologie qui montre la hauteur dominante du peuplement en fonction de l’intensité de vert:
Et le peuplement le plus grand de la commune d’Habay est… un peuplement d’épicéa, le long de la route Anlier-Habay (au milieu de l’image, un peu à droite), avec une hauteur dominante de 42m, ce qui parait un peu exagéré.

GoogleMaps disponible offline

Vu dans le journal Metro cette semaine: Google Maps sera désormais accessible sans connexion internet sur les appareils mobiles.

Et on semble ignorer que, depuis 5 années, une application mobile propose des cartes disponibles offline dans le monde entier, avec des fonctions de navigation assistées, des informations sur les commerces et autres services (heures d’ouvertures, téléphone, site web…). Cette application, c’est OSMAnd, basée bien sûr sur OpenStreetMap. Mais pour le grand public, Google est encore présenté comme à la pointe de l’innovation…

FOSS4G-be: OpenStreetMap pour la cartographie de l’occupation du sol

Ici la présentation que j’ai faite au FOSS4G-be à Bruxelles ce jeudi 29 octobre, sur le potentiel d’OpenStreetMap dans la cartographie des forêts, avec un cas d’étude sur la province de Luxembourg.

Avis aux intéressé(e)s: Je pense qu’OSM a atteint un beau potentiel en termes de recherche et d’applications. Contactez-moi si vous êtes intéressé pour monter des projets de recherche ou développer des applications dans ce cadre! Certaines perspectives/idées à creuser sont données à la fin de la présentation…

Une carte des commerces & services locaux basée sur OpenStreetMap

Il y a moyen de bien s’amuser avec OpenStreetMap…

Cela faisait un petit temps que je voulais faire une carte des services et commerces à partir des données d’OpenStreetMap (OSM). Le but est de fournir une carte à destination des habitants d’un village, d’une commune ou d’une ville, sous une version web, de tous les commerces et services disponibles, avec leur coordonnées (téléphone, site internet) et les heures d’ouvertures. Après quelques soirées et trajets en train, voilà le résultat:

ou ici en plein écran.

Comment c’est fait ?

1) on récupère des données de commerces & services d’OSM avec le site web

2) on fourre tout ça dans une (belle) carte dynamique construite avec OpenLayers

3) on rajoute une liste à droite construite avec jquery.

Détaillons un peu:

La première étape consiste à récupérer les informations sur les commerces et services à partir d’OSM. Pour cela, nous faisons une requête sur le site, puis le résultat de la requête est enregistré au format geojson, un format de données géographiques. Les informations reprises seront tous les éléments taggés comme “shop” et “amenity”, qui rassemblent la plupart des commerces et des services dans la terminologie d’OSM. Plusieurs exemples de requêtes pour overpass-turbo existent sur le site, sous l’onglet “Charger”. Mais plusieurs formulations de requêtes sont possibles pour notre application:

1) Requête en fonction du nom de l’endroit

Par exemple, on va chercher tous les éléments en fonction du nom de l’endroit, ce qui pose évidemment problème s’il existe plusieurs endroits avec le même nom. Notez que tous les éléments « shop » et « amenity » sont cherché aussi bien en tant que points (« nodes »), surfaces (« ways ») que relations.

<osm-script output="json" timeout="25">
<!-- fetch area “Habay” to search in -->
<id-query {{nominatimArea:Habay}} into="area"/>
<!-- gather results -->
<!-- query part for: “shop” -->
<query type="node">
<has-kv k="shop"/>
<area-query from="area"/>
<query type="way">
<has-kv k="shop"/>
<area-query from="area"/>
<query type="relation">
<has-kv k="shop"/>
<area-query from="area"/>
<!-- print results -->
<print mode="body"/>
<recurse type="down"/>
<print mode="skeleton" order="quadtile"/>

2) Requête en fonction d’une étendue définie sur la carte

Assez simple, il suffit de se déplacer sur la carte d’overpass-turbo, et de lancer la requête sur l’étendue affichée. Par contre, si on veut se restreindre à une ville et pas une autre, alors que ces deux villes sont imbriquées ou côte-à-côte, la requête donnera des résultats mélangés.

<osm-script output="json" timeout="25">
<!-- gather results -->
<!-- query part for: “shop” -->
<query type="node">
<has-kv k="shop"/>
<bbox-query {{bbox}}/>
<!-- print results -->
<print mode="body"/>
<recurse type="down"/>
<print mode="skeleton" order="quadtile"/>


Deuxième étape, afficher ces données dans une carte dynamique. J’ai choisi la librairie OpenLayers, qui reste la plus flexible pour ce genre d’applications. J’ai aussi essayé avec Leaflet, mais certaines limitations demanderait de chercher un peu plus avec cette librairie. Le code source se trouve ici. Rien de bien complexe dans cette carte de base, qui se contente de charger le fichier geojson issu de notre requête sur overpass-turbo, de l’afficher avec des icônes différentes suivant ses propriétés, et de faire ouvrir des popups avec les informations sur ces icônes. Toutes ces informations du popup sont tirées du fichier geojson que nous avons exporté depuis OpenStreetMap. L’exactitude, la précision et la mise à jour de ces informations dépend donc des contributeurs OpenStreetMap du lieu.Une petite manipulation tout de même : si le fichier geojson contient des polygones (représentant le bâtiment du commerce) plutôt que des points, il faut tout d’abord transformer ces polygones en points, ce qui se fait très facilement sous QGIS par exemple, avec la fonction « Polygon Centroid ». Les polygones (bâtiments) sont alors remplacés par des points en conservant toutes les informations de l’objet.

Le fond cartographique choisi est celui d’OpenCycleMap. Pour cette carte, j’ai utilisé la collection d’icônes de, qui propose des centaines d’icônes sous différents formes et à la couleur au choix.


Dernière étape, créer une liste des éléments affichés sur la carte. Le même fichier geojson sert à afficher les points sur la carte, à générer les popups et à construire la liste à gauche de la carte. Le fichier geojson est lu ici par une fonction de base de la librairie en jquery. Pour chaque élément du fichier geojson qui correspond à une catégorie, le nom du lieu et son icône correspondante (selon sa catégorie) est affichée.


Keep It Safe and Simple. La méthodologie pour créer cette carte n’est pas très alambiquée, et même si le code en javascript pourrait certainement être simplifié, il reste compréhensible. Le lien dynamique avec OpenStreetMap (actualisation automatique de la carte en même temps qu’OpenStreetMap) n’a pas été fait, ce qui permet de garder un contrôle sur la carte finale. La carte est plutôt adaptée à un petit territoire (village, quartier), car un grand nombre d’éléments à afficher nécessiterait une gestion de clustering des symboles et une gestion de la liste. Par contre, la méthodologie a une portée globale, c’est-à-dire qu’elle peut être appliquée dans n’importe quel endroit du monde pour autant qu’OpenStreetMap soit suffisamment développé dans la localité. Sinon, c’est l’occasion d’y contribuer !

Cours de webmapping

En automne dernier, j’ai préparé un cours d’introduction au webmapping, dans une partie de cours donné à l’ULg – Arlon Campus Environnement. Il y a une première partie d’introduction, avec quelques éléments de cartographie et de sémiologie, puis deux tutoriels / exemples avec OpenLayers et MapServer et enfin une dernière partie sur OpenStreetMap.

Tout est accessible sur un site dédié: Il y a les deux tutoriels à suivre et les présentations du cours, en odp et pdf, sous licence Creative Commons By-Nc-Sa!

Geofabrik: des données OpenStreetMap en shapefiles

Il y a quelques jours, je cherchais des données géographiques pour faire rapidement un fond cartographique à cheval sur la Belgique, la France et le Luxembourg. S’il est relativement facile de trouver des shapefiles par pays sur des sites comme DIVA-GIS, c’est plus difficile de trouver des shapefiles trans-frontières, avec les mêmes attributs et sur lesquels la même symbologie peut ếtre appliquée.

D’où l’idée de passer par OpenStreetMap, qui devient sans doute la base de données géographiques vectorielles la plus complète et la plus accessible du monde! Une rapide recherche me fait tomber sur le site de Geofabrik, une entreprise qui propose des shapefiles issus d’OpenStreetMap par pays ou sous-régions. Et hop, on télécharge des shapefiles du monde entier qui sont toujours avec les mêmes attributs en un rien de temps! Il y a certainement moyen d’exporter les données d’OpenStreetMap par d’autres moyen ou de directement les importer dans ArcGIS ou QGIS, mais la solution de Geofabrik est simple et rapide!

Après une sélection des données affichées (par ex., seules les autoroutes et les grand-routes sont affichées parmi les voiries), voilà ce que cela donne avec QGIS:


Il reste des imperfections dans les données OpenStreetMap dans cette carte, comme des routes non complètes (par ex. en Ardenne Française), des données manquantes ou incorrectes. Néanmoins, dans d’autres régions du monde, OpenStreetMap est la meilleure source de données géographique existantes en terme de complétude et surtout d’actualisation.

Le plugin OpenLayers dans QGIS

Un des avantages des logiciels open-source sur les logiciels propriétaires, c’est la possibilité de personnaliser son programme avec des plugins développés par la communauté, comme par ex. avec Firefox et ses nombreux plugins. Pour QGIS, le projet opensource le plus avancé en matière de SIG, un plugin à retenir est le plugin OpenLayers, qui permet d’afficher les données de plusieurs sources de données propriétaires et libres (GoogleMaps, BingMaps, OpenStreetMap,…) dans QGIS.

Une capture d’écran ci-dessous avec BingMaps comme exemple:


Pour installer ce plugin, il faut d’abord activer les plugins 3rd party. Voilà la marche à suivre pour QGIS 1.7, en version anglaise:

  1. Aller dans “Plugins”>”Fetch Python plugins…”
  2. Dans la boîte de dialogue qui s’affiche, aller dans le 2ème onglet: “Repositories” et cliquer sur “Add 3rd party repositories”
  3. Retourner dans le premier onglet “plugins” et taper OpenLayers dans la barre de recherche
  4. Cliquer sur OpenLayers plugin pour l’installer

Ensuite, pour afficher les couches comme GoogleMaps, BingMaps et OpenStreetMap, aller dans “Plugins” et “OpenLayers plugin” devrait apparaitre en bas, laissant apparaître une bonne dizaine de couches à afficher (Yahoo maps étant proposés mais ne fonctionnant plus…)

Enfin, si le plugin est introuvable, et pour voir son code-source, on peut toujours le trouver sous

A ma connaissance, impossible d’afficher ces couches GoogleMaps, BingMaps et OpenStreetMap aussi simplement dans ArcGIS!