Bei den FAIRagro Data Quality Tools handelt es sich um eine Palette von eigenständigen Tools, die – jedes für sich – einen spezifischen Bedarf der Datenqualität in einer bestimmten Phase des Datenlebenszyklus abdecken. Die Tools sind selektiv verknüpft und informieren sich gegenseitig, wo dies einen Mehrwert für den Forschenden darstellt – sie müssen aber nicht alle miteinander verbunden sein. Das Set an Tools wird workflow-orientiert entwickelt, sodass die Nutzenden nicht in isolierten Tools arbeiten, sondern in Workflows – und die Ergebnisse entsprechend interoperabel und strukturiert sind.
Die FAIRagro Data Quality Services: ein Portfolio unabhängiger Tools mit interoperablen Workflows und lebenszyklusorientiertem Qualitätssupport – mit dem FAIRagro-Portal als gemeinsamem Einstiegspunkt zur Navigation und Orientierung.
BonaRes DQ-Kit
Das BonaRes DQ-Kit ist insbesondere für Nutzende (Datenerstellende und -nutzende, Datenverwaltende, Anbieter von Schnittstellen) mit begrenzten Programmierkenntnissen entwickelt worden. Schwerpunkte sind die intrinsische (deskriptive Statistik, Vollständigkeit, Konsistenz) sowie die kontextbezogene (Aktualität) Datenqualität. Es erlaubt das Hochladen tabellarischer Daten im .csv-Format und gibt einen DQ-Bericht aus.
FAIR Assessment Toolkit
Dieses Toolkit dient Forschenden im Bereich der Agrarwissenschaften sowie Datenmanagern mit Fokus auf DQ zur Generierung eines einzigen maschinenlesbaren Ergebnisses durch die Kombination vorhandener automatisierter FAIR-Bewertungstools. Insbesondere die FAIR-Konformität von Publikationen kann so gewährleistet werden. Das browserbasierte Tool akzeptiert DOIs als Eingabe und gibt die Ergebisse in machinenlesbaren Formaten (json, ttl etc.) aus.
Metadata Set
Das Publication Metadata Set ist der Leitfaden für die optimale Nutzung von schema.org als Standard für Metadaten. Betreibern von RDIs und Forschenden mit Schwerpunkt auf Datenqualität wird die Optimierung der Qualität von Metadaten und die Harmonisierung zwischen einzelnen RDIs ermöglicht – und somit die Verbesserung der Suche im FAIRagro Search Hub.
Data Fitness Explorer
Der Data Fitness Explorer automatisiert auf Grundlage der ISO 19157 die Extraktion von „fitness for purpose“ Regeln für DQ aus wissenschaftlichen Artikeln und macht diese Anforderungen explizit und maschinenlesbar. Er richtet sich an Data Stewards, Fachwissenschaftler, Infrastrukturanbieter – unda alle, die mit FAIRen Datenpraktiken zu tun haben. Die interaktive Webanwendung ist KI gestützt und lässt als Eingabeformate wissenschaftliche Artikel in PDF, TXT und MD zu – ausgegeben wird strukturiertes JSON sowie Ecxel- und HTML-Tabellen.
Standards Inventory
Dieser FAIRagro Service hilft Forschenden im Bereich der Agrarwissenschaften sowie Data Stewards dabei, geeignete Standards für ihre Daten zu identifizieren und anzuwenden. Mit dieser Sammlung von Datenstandards wird die Heterogenität von Metadaten in Datensätzen deutlich verringert – durch die Verwendung gemeinsamer Vokabulare und Ontologien. Es handelt sich um ein browserbasiertes, durchsuchbares Verzeichnis.
DQ4Agri
DQ4Agri hilft bereits vor Ort während der Datenerhebung bei der Datenqualitätsanalyse (und kann auch für bestehende Datensätze eingesetzt werden). Insbesondere Feldforscher der Agrosystemwissenschaften können schon im Feld ihre erhobenen Daten auf intrinsische Datenqualität (bspw. deskriptive Statistik oder „Ausreißer“) prüfen. Es handelt sich um eine browserbasierte Software, in die Messdaten wie etwa Zeitreihen eingegeben werden und von der Statistiken, Zusammenfassungen und Kennzahlen als visuelle Darstellungen und als XML ausgegeben wird. Alles weitere erklärt Sven Gedicke (TA 3) in unserem Interview.
AgriMatch
Deep Learning und die Harmonisierung von Verwaltungsdaten ermöglichen immer mehr und unfangreichere Datensätze mit Polygonen landwirtschaftlicher Anbauflächen – mit unterschiedlicher Qualität und Detaillierungsgrad. AgriMatch stellt einen Abgleichalgorithmus zur Verfügung, um durch die Fusion dieser Daten Synergien zwischen den verschiedenen Quellen zu schaffen und die Qualität der Modellausgaben zu bewerten. Zum Artikel: 10.1080/17538947.2026.2632420
TrialHarvest-AI
TrialHarvest-AI unterstützt Data Stewards sowie Entwickler und Anbieter von Forschungsdateninfrastrukturen bei der automatierten (AI-gestützten) Extraktion hochwertiger, standardisierter Metadaten aus der Fachliteratur für landwirtschaftliche Forschung, insbesondere im Feld langzeitbasierter Experimente (LTEs). So wird der Arbeitsaufwand im Gegensatz zur manuellen Metadatenerfassung erheblich reduziert – und gleichzeitig deren Qualität und FAIR-Konformität verbessert: auf dem Weg zu klimafreundlicher Landwirtschaft, zur zuverlässigen Modellierung von Erträgen und politischer Entscheidungsfindung.
