Im Tandem – ein smarter Ansatz für Data Stewardship

Sabina und Lukas, ihr arbeitet zurzeit als Datenarchiv-Managerin und Data Scientist. Was sind eure Aufgaben?

SK: Als Datenarchiv-Managerin f¨¹hre ich alle neuen Gruppenmitglieder ? von Bachelor-Studierenden zu Postdocs ? in die Standards unseres Datenmanagements ein. Dabei geht es um Themen wie die externe Seite FAIR-Prinzipien, unsere Variablennamen-Konvention, die Dokumentation von Metadaten, unsere Data Policy, etc.. Zu Beginn ihrer T?tigkeit unterzeichnen neue Gruppenmitglieder ein ?Research Data Access and Use Agreement?. Bei Abschluss eines Projekts treffe ich mich mit dem/r Datenautor:in, um die Aufbereitung der Daten f¨¹r die Langzeitarchivierung zu besprechen. Nach Eingabe der Daten kontrolliere ich die projektbasierten Datens?tze auf Vollst?ndigkeit, passe sie n?tigenfalls bez¨¹glich Formaten und Codierung an und transferiere sie mit den dazugeh?renden Metadaten und der entsprechenden Nutzungslizenz ins Langzeit-Datenarchiv der ETH-Bibliothek. Da ich manchmal sehr grosse Datenmengen eines Projekts ins ETH Data Archive ¨¹bertragen m?chte, nutzen wir dazu in Zusammenarbeit mit der ETH-Bibliothek einen gesonderten ?Batch Processing Ingest?. Die Daten werden sp?ter mit der Research Collection verkn¨¹pft und k?nnen dort gefunden und ¨C falls Open Access ¨C heruntergeladen werden.

LH: Als Data Scientist decke ich in unserem Team ein breites Spektrum an Aufgaben ab, das sowohl technische Datenverarbeitung als auch wissenschaftliche Analysen umfasst. Mein Schwerpunkt liegt auf der Berechnung des Gasaustauschs zwischen Biosph?re und Atmosph?re. Dazu geh?ren die sorgf?ltige Qualit?tskontrolle, Korrektur und Vervollst?ndigung von Daten, um l¨¹ckenlose Langzeitdatens?tze zu erstellen. Diese Datens?tze, die an einigen unserer Messstationen im Swiss FluxNet bereits mehrere Jahrzehnte umfassen, stellen wir ¨¹ber Plattformen wie die ETH Research Collection und externe Seite FLUXNET offen zur Verf¨¹gung.

Um die Daten unserer Messstationen effizienter zu ¨¹berwachen, habe ich vor einigen Jahren eine Datenbank (externe Seite InfluxDB) implementiert, in die t?glich neue Messwerte einfliessen. Ausserdem unterst¨¹tze ich Studierende und Postdocs bei der Aufbereitung und Interpretation ihrer ?kosystemdaten, um die erfolgreiche Umsetzung ihrer Forschungsprojekte zu unterst¨¹tzen.

Welche Herausforderungen seht ihr bei euren Aufgaben bez¨¹glich Datenmanagement?

SK: Eine mangelnde Dokumentation w?hrend der Datenerhebung kann dazu f¨¹hren, dass wichtige Metadaten f¨¹r eine sp?tere Nutzung durch andere Forschende fehlen. Zum Beispiel k?nnen bei der Erhebung von Proben im Feld in Zukunft keine Folgeerhebungen an genau denselben Standorten gemacht werden, wenn eine geografische Verortung (GIS) fehlt. Oft merkt man erst, wo Handlungs- oder Aufkl?rungsbedarf besteht, wenn Probleme auftreten. K¨¹rzlich diskutierten wir in der Gruppe sinnvolle Unique Sample IDs f¨¹r von Hand erhobene Daten.

LH: Eine Herausforderung ist die Definition und Dokumentation transparenter und nachvollziehbarer Aufbereitungskriterien, was aufgrund der Vielfalt unserer Messdaten oft komplex ist. In der Datenverarbeitung unterscheiden wir daher grundlegend zwischen Rohdaten und prozessierten Daten. Dabei sind Rohdaten die urspr¨¹nglichen, unver?nderten Daten, die direkt von Messinstrumenten im Feld erfasst werden. Sie stellen die Basis f¨¹r alle weiteren Verarbeitungsschritte dar. Prozessierte Daten entstehen durch die Bearbeitung der Rohdaten. Dabei k?nnen beispielsweise fehlerhafte Messwerte aufgrund definierter Kriterien entfernt oder Daten transformiert werden. Um die Transparenz zu erh?hen, dokumentieren wir seit einigen Jahren die Datenaufbereitung in externe Seite Jupyter Notebooks. Diese enthalten sowohl den verwendeten Programmcode als auch visuelle Darstellungen der Datenverarbeitungsschritte. Dadurch ist es jederzeit m?glich, die Entstehung der Datens?tze schnell und einfach zu ¨¹berpr¨¹fen.

Eine weitere Herausforderung ist die Wahl eines geeigneten Datenformats zur Speicherung der Daten. Wir legen Wert auf einen einfachen und direkten Zugriff auf unsere Datens?tze. Daher speichern wir Rohdaten und Ergebnisse in allgemein lesbaren Textdateien (CSV, gepackt als ZIP). F¨¹r die eigentliche Datenverarbeitung nutzen wir zus?tzlich Formate wie Apache Parquet, die eine hohe Verarbeitungsgeschwindigkeit f¨¹r grosse Datenmengen erm?glichen.

Welche M?glichkeiten seht ihr im Zusammenhang mit eurer Rolle als Data Stewards, sich auch ¨¹ber Forschungseinheiten hinweg auszutauschen? Was ergab sich bisher?

SK: Die M?glichkeiten f¨¹r einen Austausch ergaben sich bei mir bisher aufgrund von Anfragen: So stellte ich unser Datenmanagement z. B. den Mitgliedern einer anderen Professur am Departement und einem Gastprofessor vor. Beide haben geh?rt, dass wir ein etabliertes Datenmanagement haben. K¨¹rzlich erhielten wir auch eine Anfrage von einer Professorin am Karlsruher Institut f¨¹r Technologie, eine ehemalige Doktorandin der Gruppe Graslandwissenschaften, die ihre Forschungsgruppe f¨¹r das Thema r¨¹sten m?chte.

LH: Durch die enge Einbindung der Gruppe in internationale Forschungsprojekte wie externe Seite ICOS kommt es zu zahlreichen Kooperationen. Wir stellen unsere Daten generell offen unter einer grossz¨¹gigen Creative-Commons-Lizenz zur Verf¨¹gung.

Dadurch kommt es zu zahlreichen Anfragen entweder zu den Daten selbst oder bez¨¹glich Input zu wissenschaftlichen Publikationen. Oft wird auch angefragt, ob zus?tzliche Daten verf¨¹gbar sind, die wir dann nach M?glichkeit nachliefern. Es ist mir ein Anliegen, die Nutzung unserer offenen Daten zu unterst¨¹tzen, daher versuche ich eingehenden Anfragen m?glichst zeitnah nachzukommen.

Welches Potenzial seht ihr darin, Data Stewardship als geteilte Aufgabe wahrzunehmen, so wie ihr es bei Grassland Sciences lebt?

SK: Wir haben bei uns unterschiedliche Forschungsschwerpunkte, entsprechend variieren auch die Anforderungen ans Datenmanagement. Zusammen decken wir aber die unterschiedlichen Aspekte des Datenmanagements gut ab. Zum einen gibt es die SwissFluxNet-Messstationen mit den langj?hrigen Dauermessungen von Treibhausgasfl¨¹ssen und Messreihen von verschiedenen Meteo-Variablen. Die Messreihen werden von verschiedenen Stations-Verantwortlichen prozessiert und kontrolliert. Lukas implementierte hier alle Abl?ufe und kontrolliert und koordiniert z. B. das Einhalten der Standards, das ?berspielen der Daten in internationale Datenbanken. Da ist sowohl disziplinspezifisches Know-How wie auch IT-Affinit?t gefragt, was Lukas zum Gl¨¹ck beides abdecken kann. Zum anderen gibt es Projekte im Bereich Pflanzen- und ?kosystemphysiologie und zur funktionellen Pflanzendiversit?t, bei denen w?hrend Feld-Kampagnen einzelne Datens?tze generiert werden. Die Archivierung dieser Datens?tze ist eine administrative Angelegenheit. Das ist dann mein Part, diese ins ETH Data Archive zu ¨¹berf¨¹hren und zu schauen, dass die Dokumentation (z. B. Feldb¨¹cher) komplett ist.

LH: Sabina beschreibt unsere gelungene Arbeitsteilung schon sehr treffend. Ich ¨¹berwache und betreue die Arbeitsschritte bis zu den finalen Datens?tzen. Zusammen mit unserem Team k¨¹mmere ich mich um die regelm?ssige Daten¨¹berpr¨¹fung aktueller Messdaten. Hier ist unsere Datenbank hilfreich, die historische und aktuelle Daten kombiniert und Datenabbildungen erstellt. Ich denke dies ist eine wichtige Unterscheidung mit Hinblick auf Data Stewardship: einerseits gibt es aktuelle, kontinuierlich aktualisierte Daten, die wir ¨¹ber die Datenbank in einen historischen Kontext zueinander setzen und vor der Weiterverarbeitung ¨¹berpr¨¹fen, andererseits gibt es die archivierten Langzeitdaten als Endprodukte. Diese Unterscheidung erm?glicht einen optimierten Arbeitsablauf zwischen mir und Sabina, mit klarer Aufgabenteilung und Verantwortlichkeiten. Beide Aspekte werden so angemessen ber¨¹cksichtigt.

Wie geht ihr vor, um das Datenmanagement in der Gruppe Grassland Sciences zu verbessern?

SK: Wie beschrieben sind wir, denke ich, insgesamt schon ganz gut aufgestellt ¨C auch dadurch, dass wir Data Stewardship schon als geteilte Aufgabe leben und umsetzen.

Durch eine Einf¨¹hrung ins Datenmanagement bereits zu Beginn eines Forschungsprojekts sensibilisieren wir die jungen Forschenden daf¨¹r und thematisieren auch die Verantwortung in den weiteren Schritten der Forschung, z. B. zum richtigen Zitieren von Datenquellen.

LH: Wir haben regelm?ssige Treffen, meist monatlich, um uns zu Methoden (z. B. Berechnung, Verarbeitung, Variablenbenennung) auszutauschen oder abzustimmen, und um gemeinsam neueste Daten durchzugehen. Die bereits vorhandene Erfahrung innerhalb der Gruppe wird an neue Gruppenmitglieder weitergegeben. Das ist zun?chst zeitintensiv, doch langfristig f¨¹hrt es zu einer deutlichen Effizienzsteigerung in der t?glichen Arbeit. Zudem diskutieren wir Daten-Themen auf jedem Gruppen-Retreat. Durch meine feste Anstellung kann ich versuchen dazu beizutragen, die Kontinuit?t, Konsistenz und dom?nenspezifisches Wissen innerhalb der Gruppe so weit wie m?glich zu erhalten und weiterzuentwickeln. Das ist aus meiner Sicht enorm wertvoll und erm?glicht uns, Data Stewardship nachhaltig in unserer Forschungsgruppe zu verankern.