FAIRagro: Ein Konsortium in der Nationalen Forschungsdateninfrastruktur (NFDI) für Forschungsdaten in der Agrosystemforschung

Die Landwirtschaft steht vor enormen Herausforderungen von großer gesellschaftlicher Relevanz, wie z. B. dem Klimawandel mit Zunahme von Extremereignissen wie Dürre- und Hitzeperioden, der zunehmenden Verknappung und Degradierung natürlicher Ressourcen, dem beschleunigten Verlust der biologischen Vielfalt bis hin zur wachsenden Ernährungsunsicherheit und zunehmenden Herausforderungen im ländlichen Raum. Angesichts dieser Herausforderungen wurde die Umgestaltung der Landwirtschaft zur Erreichung der UN-Nachhaltigkeitsziele [1] in verschiedenen hochrangigen politischen Dokumenten hervorgehoben, z. B. in der Farm-to-Fork-Strategie des Europäischen Green Deal [2] und im Abschlussbericht der Nationalen Kommission zur Zukunft der Landwirtschaft [3]. Um gesellschaftlich tragfähige und wirksame Lösungen für diese Herausforderungen zu finden, sind integrierte Systemansätze erforderlich, die Kompromisse und Synergien zwischen Zielen, Interessengruppen, Regionen und Sektoren ausdrücklich berücksichtigen.

In Europa und Deutschland werden etwa 50 % der Fläche für den Anbau von Pflanzen zur Erzeugung von Nahrungs- und Futtermitteln sowie Rohstoffen landwirtschaftlich genutzt. Gleichzeitig wird die Notwendigkeit, die Widerstandsfähigkeit und Nachhaltigkeit der Pflanzenproduktion zu verbessern und die negativen Auswirkungen auf Ökosysteme und Umwelt zu verringern, auch von Öffentlichkeit und Politik widergespiegelt. Spezifische Maßnahmen zur Verringerung des Pestizid- und Düngemitteleinsatzes, Ausbau des ökologischen Landbaus, Kohlenstoffsequestrierung im Boden, Verbesserung der biologischen Vielfalt und Ökosystemleistungen in Agrarlandschaften müssen jedoch weiterentwickelt und umgesetzt werden. Die Entwicklung praktikabler Lösungen für diese Ziele erfordert einen agrosystemischen Ansatz, der eine Vielzahl an Disziplinen (z. B. Genetik, Züchtung, Pflanzen‑, Boden- und Geowissenschaften) umfasst, und der Wechselwirkungen mit anderen Bereichen der Agrarwissenschaften (z. B. Tierwissenschaften, Molekularbiologie, Ökologie, Agrarökonomie, Sozial- und Kulturwissenschaften und Ernährungswissenschaften) und darüber hinaus berücksichtigt (Abb. 1).

In der Agrosystemforschung leiten sich eine Reihe zentraler Anforderungen für das Forschungsdatenmanagement sowie der Datenbereitstellung und -nutzung ab, die in den folgenden drei Beispielen kurz dargestellt werden.

Beispiel 2 „Bodenkunde“: Die Forschung zur Stickstoffdynamik und Kohlenstoffbindung in Böden [4] ist ein wichtiges Element der menschlichen Reaktion auf den Klimawandel. Die Veränderung des Kohlenstoffgehalts im Boden ist ein lang anhaltender Prozess, der nur über Jahrzehnte hinweg gemessen werden kann. Zeitreihen und Altdaten aus landwirtschaftlichen Langzeitfeldversuchen (LTE) zwischen 20 und 180 Jahren sind für die Beantwortung solcher Forschungsfragen von enormer Bedeutung. Allerdings sind Forschungsdaten aus LTE derzeit schwer zu finden, da sie kaum veröffentlicht sind und standardisierte Beschreibungen fehlen. Oftmals finden sich Informationen und Daten über LTEs nur in wissenschaftlichen Publikationen, und wichtige Zusammenhänge zu entsprechenden Boden‑, Klima- oder Umweltdaten fehlen.

Beispiel 3 „Integrierter Pflanzenschutz“: Die Farm-to-Fork-Strategie [2] der Europäischen Kommission zielt darauf ab, den Einsatz und das Risiko von Pflanzenschutzmitteln bis 2030 um 50 % zu reduzieren. Dazu ist eine umfassende und wirksame Umsetzung des integrierten Pflanzenschutzes (IPM) von entscheidender Bedeutung, um massive Ertragseinbußen aufgrund von Schädlingen und Krankheiten zu vermeiden und die Ernährungssicherheit und eine hohe Ressourcennutzungseffizienz zu gewährleisten. Ein verbessertes Forschungsdatenmanagement (FDM) in dieser Disziplin ist dringend erforderlich, um eine effektivere Forschung und Entwicklung für den integrierten Pflanzenschutz zu ermöglichen. Die größten Herausforderungen im FDM hierbei sind (1) Nichteinheitliche Versuchsdesigns bei Ertragsverlustversuchen zum IPM sowie in den Verfahren zur Bewertung von Krankheiten, (2) unzureichende Informationen über das Vorhandensein und die potenzielle Zugänglichkeit von spezifischen IPM-Daten in Deutschland und (3) fehlende integrierte Entscheidungshilfen für den Pflanzenschutz, die potenzielle Ertragsverluste und das Umweltrisiko des Pestizid-Einsatzes berücksichtigen.

Der agrosystemische Forschungsansatz erfordert darüber hinaus die Verwendung von Daten aus angrenzenden Fachgebieten wie den Geowissenschaften oder der Meteorologie. Die Wiederverwendbarkeit von Forschungsdaten über Fachgebietsgrenzen hinweg ist daher eine der Kernanforderungen aus der Agrosystemforschung an eine Nationale Forschungsdateninfrastruktur.

In den letzten zehn Jahren hat die Nutzung von domänenspezifischen Infrastrukturen (z. B. das BonaRes Repositorium für Boden- und Agrarforschungsdaten [6, 7]), institutionellen Repositorien (z. B. GBIS/I [8], e!DAL-PGP [9]) und allgemeinen Publikationsdiensten (z. B. OpenAgrar [10, 11], PUBLISSO Repositorium der Lebenswissenschaften [12]) an Bedeutung gewonnen [13‐16]. Obwohl verschiedene qualitativ hochwertige agrarbezogene Datenrepositorien zur Verfügung stehen, gibt es keinen zentralen Suchdienst und keine Übersicht an verfügbaren Repositorien, um einfach relevante Datensätze aus der Agrosystemforschung zu finden. Die Forschungsdateninfrastrukturen unterstützen meist ein bestimmtes Metadatenschema, allerdings wird die Durchführung von interdisziplinären Analysen durch fehlende Interoperabilität zwischen den Infrastrukturen bzgl. des Informationsaustauschs sowie des maschinenlesbaren Zugangs zu den (Meta‑)Daten erschwert. RESTful Services [17] werden häufig verwendet, implementieren aber heterogene Datenstrukturen und Endpunkt-Authentifizierungs- und Autorisierungsschemata, was die spätere Nutzung der Daten erheblich erschwert. Eine komplette Liste aller einzubindenden Repositorien ist auf der FAIRagro Webseite [18] verfügbar.

Die Vielfalt der Teildisziplinen, Betrachtungsebenen und verarbeiteten Datentypen in der Agrosystemforschung spiegelt sich in der Heterogenität der verwendeten Daten- und Metadatenstandards wider. Mittlerweile kommen zwar auch anerkannte Metadatenstandards auf Basis generischer und erweiterbarer Modelle zum Einsatz (z. B. DataCite [19], Dublin Core [20], DCAT [21], W3C PROV [22] und W3C VoID [23]). Es wurden jedoch auch domänenspezifische Standards geschaffen, die nur unzureichend in Informationsmodelle dieser allgemeineren Standards integrierbar sind.

In den Pflanzenwissenschaften existieren verschiedene Metadatenstandards z. B. die Multi-Crop Passport Descriptors (MCPD), die die Herkunft von genetischen Ressourcen beschreiben [24], und die vom International Consortium for Agricultural Systems Applications (ICASA) entwickelten Standards [25], die überarbeitet [26] und zu MIAPPE (Minimum Information About Plant Phenotyping Experiments) weiterentwickelt wurden [27]. Die Geodatengemeinschaft hat in den letzten Jahren eine Reihe von Metadatenstandards etabliert, z. B. ISO 19115 Geographic information – Metadata, der durch die europäische INSPIRE-Richtlinie (Infrastructure for Spatial Information in Europe) erweitert wurde und zusätzliche Implementierungsregeln enthält, oder das BonaRes-Metadata-Schema [28].

Herkunftsinformationen sind für die Bewertung der Datenqualität und die Verbesserung der Reproduzierbarkeit, Interpretierbarkeit und Bewertung der Gebrauchstauglichkeit von Forschungsdaten unerlässlich. Beobachtungsdaten erfordern z. B. eine Beschreibung der verwendeten Sensoren, für Daten aus Simulationsmodellen sind Informationen zu Eingabedaten, Einstellungen und betrachteten Szenarien erforderlich. Solche Metadaten werden bislang oft nicht bereitgestellt oder sind nur als textuelle Beschreibungen verfügbar. Die Verwendung gemeinsamer kontrollierter Vokabulare, dauerhafter Identifikatoren für Daten, Mitwirkende, Institutionen, Instrumente und Sensoren ist erforderlich, um Provenance-Informationen zu erstellen.

Semantische Ressourcen, die mit oben genannten generischen Standards kompatibel sind und erlauben, Daten z. B. über einheitliche URIs (Uniform Resource Identifier) zu vernetzen, werden in den Agrosystemwissenschaften teilweise bereits verwendet. So enthält der AGROVOC-Thesaurus der FAO (Food and Agriculture Organization of the United Nations) aktuell mehr als 40.000 Konzepte, die unter Nutzung des Simple Knowledge Organization System (SKOS) des W3C beschrieben sind und über verschiedene Dienste bereitgestellt werden [29]. Die zugehörige Agrontology [30] modelliert Zusammenhänge wie Ursache-Wirkungs-Beziehungen oder Pflanze-Produkt-Beziehungen. In Kombination mit entsprechenden Metadatenannotationen können so auch gezielte Abfragen zu möglichen Zusammenhängen zwischen Datensätzen durchgeführt werden. Weitere zum Einsatz kommende Ontologien sind beispielsweise die der OBO Foundry (Agronomy Ontology, Environment Ontology, Plant Ontology, Plant Trait Ontology, Experimental Conditions Ontology, Crop Ontology [31‐34]) sowie Genomik- und Proteomik-Ontologien wie die Gene Ontology oder Protein Ontology [35].

Eine große Herausforderung zur Nachnutzung von Daten stellt aktuell der Mangel an Informationen bzgl. der Qualität veröffentlichter Daten dar. Wissenschaftler müssen oft umfangreiche inhaltliche Prüfungen der Daten vornehmen, um eine Aussage über die Eignung veröffentlichter Daten in ihrem Forschungskontext treffen zu können. Es fehlen Standards zur Beschreibung der Datenqualität unter Beachtung der Anforderungen der Fachdisziplinen, sowie Informationen zur Historie und Provenienz von Daten und Web-Ressourcen [36]. Es werden Standards und Werkzeuge zur kontextbasierten Kuration zur Beschreibung der Datenqualität benötigt, die sich sowohl auf methodische Aspekte der Datenerfassung und -erzeugung als auch auf zusätzliche Informationen über die Eignung und Tauglichkeit der Daten für die weitere Nutzung beziehen [37].

Die GWK (Gemeinsame Wissenschaftskonferenz) hat am 26. November 2018 den Aufbau und die Förderung einer Nationalen Forschungsdateninfrastruktur (NFDI) beschlossen, die von Bund und Ländern in der Zeit von 2019–2028 jährlich mit 90 Mio. € unterstützt wird. Die NFDI bringt verschiedene Akteure durch den Aufbau von Konsortien unterschiedlicher wissenschaftlicher Disziplinen zusammen, um langfristig Datendienste für die gesamte Forschungsgemeinschaften bereitzustellen. Das Ziel der NFDI in Deutschland ist eine nachhaltige, qualitative und systematische Sicherung, Erschließung und Nutzbarmachung von Forschungsdaten für die gesamte Breite der wissenschaftlichen Disziplinen. Als Basis dienen dabei die FAIR-Prinzipien [38], die in vier übergreifenden Kategorien (die insgesamt 15 Prinzipien umfassen) Maßnahmen beschreiben, um Daten auffindbar (Findable), zugänglich (Accessible), interoperabel (Interoperable) und wiederverwendbar (Reusable) zu machen. Schlüsselaspekt der FAIR-Prinzipien ist es, Datensätze durch Annotation und Anreicherung mit spezifischen Metadaten sowohl besser für die Beurteilung durch Menschen als auch für die (semi-)autonome Prozessierung durch Software-Agenten (sogenannte Machine-Actionability) zu erschließen [39]. Damit stellen sie die Leitlinie für das Ziel der NFDI dar, eine Forschungsdateninfrastruktur zu etablieren, die Forschungsdaten domänenübergreifend in bestehende internationale Initiativen und Datenföderationen wie der EOSC (European Open Science Cloud [40, 41]) integriert.

FAIRagro hat das Ziel, eine stärkere Vernetzung der verschiedenen Disziplinen, Skalen und Methoden in der Agrosystemforschung durch ein kollaboratives Forschungsdatenmanagement voranzutreiben. Dabei werden verschiedene FDM Services unter Berücksichtigung aktueller Entwicklung in der NFDI und der internationalen Gemeinschaft für die Agrosystemforschung entwickelt. FAIRagro hat u. a. folgende Ziele:

Das FAIRagro-Konsortium repräsentiert einen großen Teil der Agrosystemforschungsgemeinschaft in Deutschland, einschließlich typischer Datenanbieter und (Nach‑)Nutzer sowie Anbieter wichtiger agrarwissenschaftlicher Forschungsdateninfrastrukturen. Die FAIRagro-Partner repräsentieren ebenfalls Forschungseinrichtungen, Universitäten und Fachhochschulen, Bundes- und Landesforschungsinstitute, Infrastruktureinrichtungen und Berufsverbände im Bereich der Agrosystemforschung (Abb. 2).

In Zusammenarbeit mit Agrosystemforscher:innen und Datenanalyseexpert:innen wurden aktuelle Herausforderungen im FDM identifiziert, die in Form von sechs Use Cases (UC) in FAIRagro adressiert werden. Diese Use Cases umfassen verschiedene Forschungsfragen, Methoden, Disziplinen und Skalen der Agrosystemforschung (Abb. 3).

Zur Bearbeitung dieser Herausforderungen wurden entsprechende Partner in FAIRagro involviert, um gemeinsam im Konsortium Lösungen zu entwickeln. Für eine weitere Einbindung der Community ist ein Onboarding-Prozess zur Integration weiterer Use Cases während der Laufzeit von FAIRagro geplant. Damit werden sowohl weitere Herausforderungen in der Agrosystem-Community adressiert als auch weitere Partner aus den Agrarwissenschaften integriert.

Ein zentraler Service von FAIRagro wird die Vernetzung der existierenden, verteilten Repositorien umfassen, um die Auffindbarkeit und Wiederverwendung der Daten über verteilte Infrastrukturen hinweg zu ermöglichen. Dafür wird eine Middleware-Infrastruktur entwickelt, die harmonisierte, maschinenlesbare Schnittstellen für den (Meta‑)Datenaustausch und einen persistenten Datenzugriff ermöglicht. FAIRagro wird sich bei der Entwicklung der Middleware-Implementierung an etablierten Ansätzen orientieren, z. B. an dem dreistufigen Architekturmuster [42], das eine Struktur mit einer Präsentations-, einer Logik- und einer Datenbankebene vorsieht. Dieses allgemeine Konzept wird mit den NFDI-Research Data Commons (NFDI-RDC) [43], nationalen (Generic Research Data Infrastructure – GeRDI [44]), internationalen Entwicklungen (EOSC [45], ELIXIR [13], GAIA‑X [46]) und neuen, in der RDA entwickelten Empfehlungen abgestimmt und unter Beachtung größtmöglicher Kompatibilität zu etablierten Schnittstellen der jeweiligen Infrastrukturen implementiert. Hierbei wird ein weiterer Schwerpunkt die Integration einer infrastrukturübergreifenden Authentifizierungs- und Authorisierungsinfrastruktur (AAI) sein, um den geschützten Zugang zu Daten und Diensten zu gewährleisten.

Darauf aufbauend werden Inventar- und Suchdienste entwickelt, um einen nutzerfreundlichen Zugang zu den verfügbaren Daten in den verteilten Infrastrukturen zu bieten. Der Inventarisierungsdienst wird einen durchsuchbaren Überblick zu technischen und qualitativen Leistungsindikatoren der verfügbaren Infrastrukturen und Repositories umfassen. Die Suchfunktion wird Metadaten zur Beschreibung dieser Dienste ausnutzen. Darüber hinaus wird ein Datensuchdienst aufgebaut und im zentralen FAIRagro-Portal integriert, der sich auf umfangreiche Metadatenbeschreibungen von Agrosystemdaten stützt und z. B. georäumliche Selektionen und semantische Suchoptionen für Feldversuchsinformationen, genotypische oder phänotypische Merkmale oder Krankheitsinformationen ermöglicht. Weiterhin ist geplant, eine Relevanzbewertung und entsprechende Sortierung gemäß Nutzungs- und Nutzerprofilen zu ermöglichen sowie qualitative und quantitative Aussagen zu FAIR-Konformität und Gebrauchstauglichkeit für bestimmte Anwendungsfälle über verfügbare Forschungsdaten zu integrieren.

Das Bewusstsein, dass die konkreten Handlungsempfehlungen hinter den FAIR-Prinzipien Grundvoraussetzungen für verteilte Datendienste und -Infrastrukturen sind, um das Teilen und die Nutzung von Forschungsdaten auf machbare Art und Weise zu ermöglichen, ist seit der Publikation derselben im Jahr 2016 bei den relevanten Akteuren gestiegen. Nichtsdestotrotz muss in der Agrosystemforschung nach wie vor mit Datenquellen umgegangen werden, die den FAIR-Prinzipien noch nicht in allen Punkten genügen und deren Einbindung bei Nutzung und Verarbeitung aufwendig ist. Im Rahmen des Projekts soll daher auch nochmals zur Bewusstseinsbildung beigetragen werden, indem Fragestellungen, mit denen sich Datenbereitsteller konfrontiert sehen, anhand von typischen Beispiele für die Disziplin der Agrosystemforschung adressiert werden, z. B.: Welche Identifier-Systeme genügen den in den FAIR-Prinzipien formulierten Ansprüchen an Persistenz, Dereferenzierbarkeit usw.? Was ist mit „qualifizierten Referenzen zu weiteren Daten“ gemeint? Was verbirgt sich hinter den in I1 geforderten „Wissensrepräsentationssprachen“? Dabei soll ein Inventar von domänenspezifischen Metadatenschemata, Austauschprotokollen, kontrollierten Vokabularen und Ontologien zusammengestellt werden, einschließlich einer Bewertung hinsichtlich der FAIR-Prinzipien.

Eine wichtige Aufgabe ist die Senkung von Einstiegsbarrieren. Eines der Hauptziele ist daher die Zusammenstellung von Mindestmetadatenelementen und die Entwicklung gemeinsamer Metadatenprofile als konsolidierte und harmonisierte Teilmengen derzeit verwendeter Standards. Diese, sowie begleitende Grundsätze und Handlungshinweise, sollen Datenbereitstellern und Entwicklern Orientierung bieten.

Integrative Forschung zu Agrarsystemen erfordert ein hohes Maß an Datenintegration. Interoperabilität soll dabei auf Basis ontologiebasierter Dienste erreicht werden. Die Semantik der verschiedenen Datentypen, die Dienste bereitstellen, wird dabei beschrieben und neben den eigentlichen Daten und den Endpunkten der Dienste bereitgestellt. Dabei werden bestehende generische Ontologien wie die W3C DCAT-Ontologie oder W3C PROV‑O für Provenance, aber auch vorhandene domänenspezifische Ontologien (z. B. AGROVOC [29], Environment Ontology [47, 48], Pflanzenphänotypen für Modellorganismen (Plant Trait Ontology [32]) und Wild Types (Flora Phenotype Ontology [49]) oder Crop Ontology [33]) wiederverwendet und bei Bedarf auf der Grundlage der in der Agrarsystem-Community formulierten Anforderungen erweitert, sodass grundsätzliche Vorgehensweisen und Best Practices der Datenbeschreibung sowie Standards zu einem integralen Bestandteil der FDM-Workflows in der Agrosystemforschung werden. Außerdem werden Alignments zwischen Vokabularen und Ontologien bereitgestellt. Auf diesem Weg sollen Daten aus verschiedenen Infrastrukturen gemeinsam und übergreifend nutzbar werden.

Neben Ontologien mit einem hohen Grad an Formalisierung wurden insbesondere im Umfeld von Webcrawlern und Suchmaschinen leichtgewichtige Metadatenschemas und -standards zur Annotation von Ressourcen, wie z. B. schema.org entwickelt, die Indexierung vereinfachen und Auffindbarkeit unterstützen sollen. Durch eine breitere Nutzung solcher Standards in den Repositorien soll die Aufnahme und Verarbeitbarkeit von Daten in Suchmaschinen verbessert werden. Um diese Ansätze zu unterstützen, werden entsprechende Leitlinien zur Nutzung sowie gegebenenfalls Erweiterungen für schema.org sowie die Spezifikationen der fachspezifischeren Initiative bioschemas.org erarbeitet.

Geprüfte Datenqualität ist eine Voraussetzung für die wissenschaftliche Nachnutzbarkeit von Daten. Für die Agrosystemforschung relevante Daten sind durch ihre Heterogenität und unterschiedlichen Qualitäten gekennzeichnet. Informationen über die Datenqualität sind unerlässlich für die Kombination von Daten aus verschiedenen Quellen (z. B. räumlichen, spektralen und zeitlichen Daten), insbesondere für den erfolgreichen Einsatz multimodaler Datenanalysen und maschineller Lernverfahren. Unsicherheiten in Bezug auf die vorliegende Aggregationsebene und deren skalenspezifische Genauigkeit, die Vollständigkeit und Attributierung von Phänotypisierungs- und Altdaten ebenso wie die Plausibilität von Daten aus landwirtschaftlichen Langzeitfeldexperimenten verhindern die Nachnutzung.

Datenqualität muss standardisiert überprüft, kuratiert und derart dokumentiert werden, dass diese Informationen für Nachnutzer sinnvoll bereitstehen. Es fehlen jedoch Kriterien, die helfen, Datenqualität umfassend zu bewerten und Daten entsprechend den Anforderungen der jeweiligen Fragestellung zu selektieren. Aufbauend auf bestehenden typischen Datensätzen aus der Agrosystemforschung werden Datenqualitätsmetriken unter besonderer Berücksichtigung des „Data-Fitness-for-Use“-Ansatzes identifiziert, strukturiert und zugänglich gemacht. Da nicht alle Qualitätsfragen automatisiert gelöst werden können, werden die Algorithmen durch Schnittstellen ergänzt, die es Menschen ermöglichen, Datensätze anhand geeigneter Visualisierungen zu überprüfen. Am Ende wird es eine nutzerfreundliche Anwendung geben, mit der Autoren vor der eigentlichen Nachnutzung von Daten deren Eignung bewerten können. Data Stewards und Datenkuratoren werden mit einer Kurationscheckliste bei der Datenveröffentlichung unterstützt. Datensätze, die die festgelegten Datenkuratierungsverfahren (einschließlich automatisierter Schritte und Überprüfung durch Experten) durchlaufen haben, werden mit entsprechenden Qualitätsnachweisen versehen. Jegliche ergänzenden Informationen zur Datenqualität und „Data-Fitness-for-Use“ werden als „FAIRagro-Qualitäts-Metadaten-Deskriptoren“ in den Metadaten ergänzt und damit suchbar.

Die Umsetzung der FAIR-Prinzipien, insbesondere die eigenständige Exploration und Prozessierung von Daten durch Software-Agenten, erfordert über den Aufbereitungsprozess der Datensätze (entsprechend der GO-FAIR-Initiative: FAIRification [50]) hinaus deren Integration in ein unterstützendes Infrastrukturnetzwerk, das unter anderem Services für Identifikatoren zur dauerhaften und persistenten Referenzierung der Daten (Persistent Identifiers/PIDs), Registrierungsdatenbanken für verwendete Datentypen und Terminologiedienste für eingebundene semantische Artefakte wie kontrollierte Vokabulare, Thesauri, Ontologien sowie entsprechende Terminologie Mappings bereitstellt [51].

Aufbauend auf Ergebnissen der Research Data Alliance [52] wird FAIRagro Dateninteroperabilität und Nachnutzbarkeit auf der Basis sogenannter FAIR Digital Objects (FDOs) realisieren [53, 54]. FAIR Digital Objects stellen digitale Container dar, die basierend auf einem grundlegenden Modellkonzept (Abb. 4) verteilte Ressourcen (Primärdaten, Lizenzen, Workflows, Medien wie Bilder) in einen neuen komplexen Datentyp integrieren. Ermöglicht werden hierdurch die Kapselung von Datenressourcen, Abbildung von Relationen zwischen diesen Daten sowie Operationen auf das digitale Objekt. So können beispielsweise im Rahmen von Hochdurchsatz-Phänotypisierung in der Pflanzenzüchtung [55] unterschiedliche materielle und digitale Samples wie erfasste Bilddaten, Genomdaten und Spektralmessungen der biochemischen Eigenschaften der Pflanzen und Messungen von Umweltparametern (Boden, Feuchtigkeit, Stickstoffgehalt) zu einem neuen digitalen Objekt gebunden werden, um die quantitative Ausprägung von Merkmalen (Quantitative Trait) basierend auf Genom-Umwelt-Interaktion zu repräsentieren.

Im Rahmen konkreter Implementationen entwickelt eine Fach-Community spezifische Versionen des konzeptuellen FDO-Modells, sogenannte FDO-Typen, wobei die Ressourcen-Schicht jeweils entsprechend den fachspezifischen Anforderungen modelliert wird. Die Schichten für Resolving, Bindung und Kapselung sowie die Semantik für automatisierte Operationen folgen einem von der FDO-Community [56] standardisierten Aufbau, der die Interoperabilität von Instanzen unterschiedlicher FDO-Typen in einem geteilten Datenraum ermöglicht. Die mit dem Ansatz verbundene Vision ist die Transformation der gegenwärtig durch Datensilos geprägten Forschungsdatenlandschaft hin zu einer domänenübergreifenden, durch weitgehende Einbindung von Software-Agenten für Discovery und Analyse charakterisierten „Integrated Virtual Data Collection“ [57].

FAIRagro hat bereits im Vorfeld der Konzeption und Entwicklung der beschriebenen Infrastruktur die Bedarfe der Community eingeholt, um zielgerichtet planen zu können. Dazu wurde eine großangelegte Umfrage im Jahr 2020 durchgeführt [5, 58]. Ergänzt wird die Bedarfserhebung laufend durch weitere Umfragen [59] und Workshops, auf denen Vorschläge direkt mit der Community diskutiert werden [60].

Erster Anlaufpunkt für Suchende wird das FAIRagro-Portal sein, in welchem nicht nur Handouts und Dokumentationen bereitgestellt werden (First-Level-Support), sondern auch der Kontakt zum Data Steward Service Center (Second-Level-Support) hergestellt wird. Bei tiefergehenden Fragen zur Nutzung der FAIRagro-Infrastruktur und Services wird der Kontakt zu den jeweiligen Entwicklern hergestellt (Third-Level-Support).

In FAIRagro wird ein umfassendes Trainings- und Ausbildungsprogramm etabliert, um Wissenschaftler aller Karrierestufen mit Wissen zum FDM zu versorgen und einen kulturellen Wandel hin zu mehr Datenveröffentlichung und Nutzung einzuleiten [61]. Alle entstehenden Trainingsmaterialien und Schulungskonzepte werden als Open Educational Resources (OER) zur Verfügung gestellt. Trainings aber auch Erfahrungen im agrarwissenschaftlichen FDM werden im Bereich der NFDI abgestimmt und geteilt. Bereits jetzt ist ein entsprechender Austausch und ein Netzwerk mit NFDI4Earth [62], NFDI4Biodiversity [63] und NFDI4Health [64] formalisiert und wird durch Veranstaltungen wie Workshops gelebt.