Vom Feld zur Cloud eine kollaborative Online-Plattform zur Verwaltung hydrologischer Observatorien Philipp Kraft, David Windhorst, Lutz Breuer

Projektbezogene Aufnahme Problemfeld Langfristige Nutzung Projektbezogene Aufnahme

Datenhaltung Einfach Komplex Strukturiert Flexibel Langfristig Schnell Vernetzt Langfristig Strukturiert Schnell Flexibel

Vom Feld zur Abschlussarbeit Projektbezogen Wechselnde Methoden Wechselnde Bearbeiter Kurzfristige Ziele „Kein Blick fürs ganze“ Excel Tabellen Messung und Analyse gemischt Metadaten im Kopf der Bearbeiter

Unstrukturierte Datenhaltung Vorteile: Einfach Flexibel Alle Datentypen unterstützt Nachteile: Nicht zu durchsuchen Unübersichtliche Qualitätskontrolle

Strukturierte Datenhaltung Vorteile: Strukturiert Metadaten Qualitätskontrolle Austauschbar Nachteile Umständlich Unflexibel Teuer CUAHSI Community Observations Data Model (ODM) Version 1.1 Design Specifications

Vom Feld zur Datenbank mit Qualitätsproblemen

Vom Feld bis fast in die Datenbank Messen Kontrollieren Importieren

Von der Aktion zum Artefakt

Von der Datenbank zur Community

Was brauchen wir auf dem Weg vom Feld zur Cloud? Struktur & Metadaten Alles sofort in der Datenbank Handmessung, Sensor, Logger, Laborergebnisse Plug-In‘s für diverse Datenquellen Online Qualitäts-Management Daten bleiben änderbar Online Analyse Speicherung von sonstigen Aktionen Standardisierte Schnittstelle zur Welt

ODMF Observatory Data Management Framework Freie Software https://github.com/jlu-ilr-hydro/odmf Geschrieben in Python 3 & postgreSQL Dokumentation im Aufbau: https://jlu-ilr- hydro.github.io/odmf/build/html/index.html

ODMF Struktur Metadaten Management-Daten

ODMF –Import Plug-In‘s Automatischer Import von CSV-Dateien Automatischer Import von XML –Dateien Import von Laborgeräten Import von Loggern Import von manuellen Messungen

ODMF – Online QM Manuelles Markieren von Fehlern Lineare Sensor Kalibrierung mit Hilfe von Vergleichs-Messungen

Der virtuelle Tritt in den Hintern E-Mail um 5:00

Finden

Analyse

Sehen

Ableiten

Teilen

Schwingbach NASA‘s GLDAS NASA‘s GLDAS

Einsatz West Kenia: Süd Ecuador Mittelhessen 25M Werte 160M Werte 37 Größen 59 Größen 33 Größen

Zusammenfassung If you love your data, set them free Verfügbare geteilte Daten ermöglichen neue Formen der Wissensgewinnung Daten müssen schnell in eine Datenbank, sonst werden sie schlecht CUAHSI‘s WaterML ist standardisiert Öffentliches digitales Feldbuch wichtig ODMF für freie Verwendung If you love your data, set them free Few things grow by sharing: love, knowledge and data