In der ersten Einheit „Maschinelles Sehen: Wolf oder Hund?“ lernten sie, wie ein Klassifikationsmodell im Bereich Machine Learning funktioniert. Anhand der Unterscheidung hundeartiger Tiere wurde deutlich, warum Trainingsdaten entscheidend sind und welche Herausforderungen entstehen, wenn sich Objekte stark ähneln. Die angeregte Diskussion zeigte das große Interesse der Schüler:innen am Thema Machine Learning.
Die zweite Einheit „GIS: Rückzugsräume für Wölfe im Schwarzwald“ widmete sich Geographischen Informationssystemen (GIS). Hier kombinierten die Teilnehmenden verschiedene Kriterien – etwa Abstand zu Siedlungen, Nähe zu Straßen oder geeignete Habitattypen –, um potenzielle Rückzugsräume zu kartieren und diese mit dokumentierten Sichtungen zu evaluieren.
In der Verbindung von Machine Learning und GIS wurde die große Spannweite von Geodata Science greifbar. Täglich entstehen enorme Datenmengen, rund 80 % davon mit Raumbezug. Doch bislang werden nur bei etwa 10 % dieser Daten die geographischen Koordinaten für Analysen mitgenutzt.
Angeleitet wurden die Einheiten von den Studierenden Robin Steil, Kathrin Elbs, Sophia Schleich und von Mitarbeiter Felipe Vásquez. Sie sorgten für spannende Einblicke in ein Fachgebiet mit großem Zukunftspotential und boten den Schüler:innen so wertvolle Orientierung für ein zukünftiges Studium.