Wie Geodaten römische Gutshöfe in der Nordwestschweiz sichtbar machen, Hochschule für Architektur, Bau und Geomatik FHNW

Vor diesem Hintergrund untersuchen zwei Zertifikatsarbeiten im CASSpatialData Analytics, wie sich mithilfe räumlicher Datenanalyse geeignete Standorte für römische Gutshöfe rekonstruieren und prognostizieren lassen. Dabei kommen sowohl klassische GIS-Methoden als auch datengetriebene Ansätze zum Einsatz, um Standortfaktoren besser zu verstehen und für die archäologische Praxis nutzbar zu machen.

Wo könnten bislang unentdeckte römische Gutshöfe liegen?

Dieser Frage gingen Stefan Fluck und Jan von Wartburg nach. Ziel ihrer Arbeit war die Erstellung einer sogenannten Potenzialkarte, die Gebiete mit hoher Wahrscheinlichkeit für bislang unbekannte Fundstellen identifiziert und so die Planung von Rettungsgrabungen unterstützt.

Als Datengrundlage dienten rund 500 bekannte Fundstellen aus mehreren Kantonen sowie verschiedene Umwelt- und Geodaten, darunter Bodenbeschaffenheit, Topografie, Gewässer, Verkehrswege und Sonneneinstrahlung. Diese wurden in drei Modellansätzen verarbeitet: eineexpertenbasierteAnalyse sowie zwei datengetriebene Verfahren.

Die Ergebnisse zeigen, dass datengetriebene Modelle eine höhere Trefferquote bei der Identifikation potenzieller Fundorte erreichen. Gleichzeitig wird deutlich, dass auch expertenbasierte Ansätze eine solide Grundlage liefern können. Für zukünftige Analysen empfiehlt sich insbesondere die Einbeziehung weiterer Einflussfaktoren.

Welche Faktoren bestimmten die Standortwahl römischer Gutshöfe?

Mit dieser Frage beschäftigten sich Sabri Dzakoski und Carlos Pinto anhand von Daten aus dem Kanton Aargau. Ausgangspunkt war die Hypothese, dass die Verteilung der villae rusticae systematisch durch Umwelt- und Infrastrukturbedingungen geprägt ist.

Für die Analyse wurden archäologische Funddaten mit Geodaten zu Topografie, Gewässern, Böden und historischen Verkehrswegen kombiniert und aufbereitet. Zum Einsatz kamen ein regelbasiertes Scoring-Modell sowie ein ergänzendes maschinelles Lernverfahren.

Beide Ansätze zeigen konsistente räumliche Muster: Besonders relevant für die Standortwahl waren die Nähe zu Gewässern, fruchtbare Böden, mässige Hangneigungen sowie eine gute Erreichbarkeit über Verkehrswege. Die Ergebnisse bestätigen damit die zentrale Rolle geografischer Faktoren für die römische Siedlungsstruktur.

Die gezeigten Arbeiten machen deutlich, welches Potenzial in der Analyse von Geodaten steckt – von der Archäologie bis zur Raumplanung. Im CAS Spatial Data Analytics lernst du, solche Methoden selbst anzuwenden und in deinem beruflichen Kontext einzusetzen.

Nutze die Chance, deine Datenkompetenz mit dem CAS Spatial Data Analytics auf das nächste Level zu heben! Die Weiterbildung bietet nicht nur die Möglichkeit, theoretisches Wissen zu erwerben, sondern auch die Anwendung von Geodaten in der eigenen beruflichen Praxis zu erlernen. Sie befähigt die Teilnehmenden, den wachsenden Anforderungen an die Integration von Geodaten in Unternehmensprozesse gerecht zu werden und dabei die digitale Zukunft ihrer Branche aktiv mitzugestalten.