Data Science Trajectories zur Exploration multimodaler Daten im Management von städtischen Grünflächen
- Beschreibung
Ziel des Projekts ist herauszufinden, inwieweit strategische und operativen Entscheidungen für die Bewässerung städtischer Grünflächen durch die Kombination verschiedener Datenquellen informiert werden können. Bei Grünflächen liegt der Fokus auf Bäumen. Datenquellen sind bspw. Bodensensorik und Fernerkundungsdaten.
Methodisch orientiert sich das Projekt primär an Data Science Trajectories (Martínez-Plumed et al. 2019) und wird voraussichtlich die folgenden Aktivitäten beinhalten: Goal Exploration, Data Source Exploration, Domain/Business Understanding, Data Preparation, Modelling, Evaluation, Product Exploration.
Die Daten werden vom Betreuer und/oder Kooperationspartnern bereitgestellt. Rechenleistung für komplexere Modelle kann vom KIM und/oder über Landes-Services bezogen werden. Ein Einstieg in das Domänenverständnis für die Goal Exploration bietet der Artikel Gimpel et al. (2026), in die Satellitenbasierte-Fernerkundung der Abschlussbericht des Projekts ForDroughtDet (2021; insb. Arbeitspaket AP8).
Das Projekt beinhaltet auch Literaturarbeit, ist aber primär auf Data Science ausgelegt. Es fokussiert die Verknüpfung und Analyse von Zeitreihen in Sensor- und Bilddaten. Teilnehmer:innen brauchen Vorwissen in Data Science inkl. der Fähigkeit Skripte für Datenaufbereitung und -Analyse zu entwickeln (bspw. in Python oder R), Wissbegierde und Lernbereitschaft. Die Projektergebnisse sollen in einem Bericht im Stil eines wissenschaftlichen Papers und in einem Poster zusammengefasst werden.
Einstiegsliteratur
- ForDroughtDet (2021). Gemeinsamer Abschluss-Bericht zu dem Verbund-Vorhaben Einsatz von Fernerkundung zur frühzeitigen Erkennung von Trockenstress auf gefährdeten Waldstandorten. TU München u.a., Freising.
- Gimpel, H., Rebholz, D., Schnaak, F. (2026). Rooting for Sustainable Smart Cities: Designing Smart Irrigation for Urban Green Spaces. Erscheint in Electronic Markets.
- Martínez-Plumed, F., Contreras-Ochando, L., Ferri, C., Hernández-Orallo, J., Kull, M., Lachiche, N., ... & Flach, P. (2019). CRISP-DM twenty years later: From data mining processes to data science trajectories. IEEE Transactions on Knowledge and Data Engineering, 33(8), 3048-3061.
- Beschreibung des interdisziplinären Teils des Projekts
- Das Projekt ist interdisziplinär an der Schnittstelle zwischen Management, Wirtschaftsinformatik, Data Science und Arboristik.
- Projektzeitraum
- Wintersemester 2026/2027
- Bewerbungszeitraum
- 05. bis 13.08.2026
- Durchführung
- nach Absprache
- Details zu Projektzeitraum und Durchführung
Die Durchführung ist für den Zeitraum Mitte September bis Mitte Dezember 2026 angedacht. Details werden in Absprache zwischen Studierenden und Betreuer geklärt.
- Studienfach
- Digital Business Management
- Betreuende
- Prof.Dr. Henner Gimpel
- Institut
- Institut für Marketing & Management (570) (Digitales Management (570G))
- Sprache
- deutsch/englisch
- Teilnehmendenanzahl
- min. 1, max. 5
- Arbeitsaufwand
-
ca. 180 Stunden pro Teilnehmende:r
| 6
ECTS-Punkte
Arbeitsaufwand (Stunden und ggf. ECTS) sind ungefähre Angaben. Die tatsächlich vergebenen ECTS-Punkte ergeben sich aus der tatsächlich geleisteten Arbeit.
- Für dieses Projekt ist kein Motivationsschreiben des Studierenden erforderlich
- Projektart
- empirisch
- Lernziele
-
Die Teilnehmende lernen in diesem Projekt:
Ein Data Science Projekt planen und durchführen.
Verfahren der Bild- und Zeitreihenanalyse identifizieren, umsetzen und evaluieren.
Designentscheidungen treffen und begründen.
Eine wissenschaftliche Arbeit verfassen.
- Anmerkungen für Studierende
- Schlagworte
- Data Science, Twin Transformation, Smart Sustainability, Pflanzen, Methoden, Datenanalyse, Nachhaltigkeit