Datos mediados por GBIF

Diapositiva 1 - ¿Cómo se comparten los datos en GBIF.org?

Una cosa a tener en cuenta es que los publicadores de datos en GBIF poseen y mantienen sus datos, y luego los comparten con GBIF.

Diapositiva 2 - Publicación de datos

El funcionamiento es el siguiente: contamos con un conjunto de datos que pertenece a una organización. Dicha organización debe tener el endoso por un nodo de GBIF, que puede ser un nodo nacional o cualquier otro nodo participante, para poder compartir datos con GBIF.

Esos datos deben alojarse en algún lugar de una instalación, por ejemplo, en el Integrated Publishing Toolkit (IPT) integrado que proporciona GBIF.

Así que los conjuntos de datos se alojan allí, y luego pueden publicarse en GBIF y compartirse con usted.

Diapositiva 3 - Los datos compartidos en GBIF son heterogéneos

Otro aspecto a tener en cuenta es que los datos en GBIF son bastante heterogéneos. Estas organizaciones que comparten datos con GBIF provienen de fuentes muy diversas, y se trata de un proceso respaldado por la comunidad, como ya mencioné, donde los nodos avalan a las organizaciones que publican los datos, y estas pueden ser desde universidades y museos hasta agencias gubernamentales, etcétera.

Por lo tanto, lo que comparten puede provenir de proyectos de investigación o esfuerzos de monitoreo, datos de ciencia ciudadana o recopilaciones.

También hay que tener en cuenta que esos datos no están disponibles en tiempo real en GBIF.

Puedes tener datos que formen parte de un esfuerzo conjunto de una colección, una colección de museo que podría estar digitalizando sus datos de hace 50 o 70 años, y al día siguiente, están disponibles en GBIF.

Diapositiva 4 - Acceso y descarga de datos

Para que vea cómo se ve una búsqueda agregada para Ud. como usuario, si entra y quiere ver una especie, en este caso, la mariposa punta naranja. Si, como la mayoría de nuestros usuarios, entra a nuestro portal y busca la especie, lo primero que encontrará es la página de la especie.

Eso te mostrará una descripción general de la especie y la distribución de su presencia en GBIF. Sin embargo, normalmente tendría que ir a la página de registro de presencia, donde aplicaría filtros adicionales.

En este caso, me refiero a que solo quiero registros del período comprendido entre 2020 y 2022, creo. Y también es imprescindible que sean del continente europeo.

Así que he acotado mi búsqueda y hago clic en descargar, donde tengo que elegir diferentes opciones. En este caso, elijo la opción sencilla.

Pero también puede ver otra información, como problemas conocidos con los datos, que quizás debería consultar si quiere aplicar filtros adicionales a su descarga, si no quiere que se incluyan esos datos.

En su perfil de usuario de GBIF, podrá ver todas las descargas que haya realizado.

En este caso, les muestro el que acabo de crear, los filtros. Pero también verán que 927 conjuntos de datos contribuyeron a esta búsqueda agregada.

Así pues, diversas fuentes aportaron datos. Esto es importante porque influye en el contenido de los datos que descargue.

Diapositiva 5 - Revisión de una descarga

Este es un ejemplo de la descarga simple que acabo de crear, donde hay menos campos y columnas disponibles. Pero si descarga el archivo completo de Darwin Core, tendrá muchos campos para buscar. Sin embargo, notará que algunos de estos campos parecen estar vacíos, sin ningún valor. Pero como puede ver, tal como se lo muestro ahora, sí hay información de localidad compartida por algunos publicadores.

Esto significa que algunos publicadores podrían estar compartiendo datos, mientras que otros no. Y eso puede ser relevante para su análisis.

Por ejemplo, el recuento de individuos (individualCount), que puede dar una idea de la abundancia de la especie, puede que no lo incluyan algunos publicadores, pero sí otros.

Y como ya mencioné, si tiene la descarga completa del archivo Darwin Core, que tiene muchas más columnas, verá un conjunto de datos mucho más fragmentado, lo cual es importante para el procesamiento posterior de sus datos.

Diapositiva 6 - ¿En qué medida hay contenido en los campos que descarga?

Si analizamos con más detalle el contenido que puede esperar de los datos que descargue en GBIF, le daré algunas ideas generales sobre algunos de los campos que podría descargar.

El ID de GBIF, que aplicamos al registro compartido con GBIF, siempre es del 100 %. Siempre se obtienen todos los ID de GBIF para sus datos. Sin embargo, si busca información sobre el hábitat, al revisar todos los registros de biodiversidad en GBIF, solo alrededor del 7 % contiene datos en ese campo.

Los recuentos individuales (individualCount) son bastante altos, al igual que los estados y provincias (statePrvince), pero tenga en cuenta que esto se debe a las aves. El mayor grupo de datos que tenemos en GBIF proviene de las aves, por lo que realmente aumentan la cantidad de datos disponibles. Por lo tanto, puede variar bastante según el grupo.

Por lo tanto, si busca insectos, es posible que descubra que el porcentaje de valores que están realmente cubiertos es bastante bajo.

Con nombre científico (scientificName), está bastante bien.

En cuanto a la profundidad, si lo que se busca son datos sobre sucesos marinos, muy pocos publicadores comparten esa información.

Lo mismo ocurre con la elevación, y la etapa de la vida (lifeStage) es sólo del 9%.

La mayoría de nuestros publicadores proporcionan algún tipo de dato temporal, pero podría ser sólo en forma de año.

Así que tenlo en cuenta cuando uses tus datos.

Diapositiva 7 - Estándares de datos

Así que voy a hablar un poco sobre los estándares de datos que están detrás de lo que ves en GBIF. Como habrán notado, las columnas tienen nombres bastante específicos. Estos nombres y campos están definidos por estándares de datos, que son mantenidos por una comunidad global de biodiversidad.

Diapositiva 8 - Archivos de Darwin Core (DwC-A)

Así que la mayoría de los datos compartidos con GBIF suelen estar dentro de un archivo Darwin Core, como también he mencionado antes. Y los publicadores que comparten datos con GBIF tienen que mapear sus datos a este estándar Darwin Core.

Lo mantiene el Biodiversity Information Standards, también llamado TDWG.

Y esos estándares de datos definen el nombre del campo, como he mencionado, y a veces también definen el contenido del valor que podría ser como un vocabulario controlado o algún tipo de valor normalizado que la gente debe utilizar cuando comparten sus datos.

Digamos que usted es un publicador, que es completamente nuevo en los estándares de datos y en la publicación en GBIF. Puede que tenga una hoja de cálculo con un nombre, un recuento de cuántas especies ha visto y algunas notas generales sobre lo que ha encontrado.

Esos campos tienen que llamarse nombre científico (scientificName) para el nombre, por ejemplo, recuento individual (individualCount) para los recuentos, y para las notas, puede que quiera ponerlas en observaciones de registro (occurrenceRemarks) o en observaciones de evento (eventRemarks).

La cuestión es que tiene campos específicos para capturar información específica.

Diapositiva 9 - Campos disponibles

Ahora, los campos disponibles para compartir en GBIF, dependen de la clase de conjunto de datos.

Como he mencionado, tiene registros biológicos (occurrences). Esos registros biológicos son un tipo de clase de conjunto de datos en GBIF.

El más sencillo es el conjunto de metadatos, que en realidad no contiene ningún dato. Es sólo una descripción del conjunto de datos. Podría ser la descripción de una colección o la descripción de un estudio de campo, pero en el que aún no se han podido digitalizar los datos.

También tenemos los conjuntos de datos de listados taxonómicos (checklist), que son una lista de nombres de taxones. Podría incluirse más información, pero en general se trata de compartir los nombres científicos de una zona determinada o dentro de un ámbito específico diferente.

Y luego están los registros biológicos (occurrences), que ya he mencionado antes, que son las pruebas de la presencia de una especie o un taxón en una fecha y un lugar determinados.

Ahora, el último tipo de clase de conjunto de datos que tenemos son los eventos de muestreo (event), que tienen un poco más de información porque normalmente la gente tiene que compartir el esfuerzo de muestreo y el protocolo, y puede permitir a los usuarios evaluar la composición de la comunidad y la abundancia de especies.

Diapositiva 10 - Núcleos del conjunto de datos

Ahora bien, esas clases de conjuntos de datos son tablas principales. Por lo tanto, si tiene una tabla de conjunto de datos que sea una tabla de taxones, registros biológicos, o eventos, esas tablas tienen un conjunto específico de campos que puede compartir. Pero es posible que desee compartir aún más información.

Por ejemplo, si tiene un conjunto de datos de eventos, puede que desee compartir registros biológicos individuales.

Si realizó un BioBlitz desde el comienzo del sábado hasta el final del mismo, pero dentro de ese lapso, encontró esa mariposa o ese escarabajo en un momento específico.

Es un registro biológico dentro del evento del BioBlitz.

O tal vez tengas material multimedia asociado. Tomaste fotos de los diferentes insectos que encontraste durante ese tiempo, o incluso tomaste muestras de ADN, y luego realizaste identificaciones basadas en el ADN.

Y podría tener un núcleo de taxones o un listado taxonómico, como ya he mencionado, donde tiene la distribución de las especies cubiertas.

Diapositiva 11 - ¿Faltan campos?

Tenemos muchos campos disponibles en GBIF por los que puede filtrar y limitar su búsqueda. Pero en algunos casos, es posible que no encuentre los campos que necesita para su análisis.

Si alguna vez necesitara un campo de este tipo, la forma correcta de conseguirlo, bueno, al menos de iniciar la discusión sobre cómo incorporar ese campo a GBIF, sería pasar por TDWG y el estándar Darwin Core.

Se pueden proponer nuevos términos y cambios para Darwin Core, pero hay que tener en cuenta que cambiar las normas sobre datos es un proceso impulsado por la comunidad que requiere mucho compromiso y paciencia, porque hay que debatirlo con los compañeros y encontrar un terreno común para añadir esos datos. Así que hay que considerar si el término ya existe pero requeriría una actualización, dónde sería mejor colocar el nuevo término. ¿Es específico de un taxón? ¿Es específico de un registro biológico o de un evento? ¿Tiene que ver con la ubicación?

Y también hay que pensar si el término es más adecuado en una extensión o en una de las tablas principales.

Puede que mucha gente no esté al tanto de las extensiones de estas tablas principales, pero hay muchas extensiones ahí fuera para servir a la comunidad que quiere compartir o utilizar datos.

Así que familiarícese con ellos antes de proponer o cambiar términos.

Diapositiva 12 - Metadatos del conjunto de datos

Una última cosa que tengo que mencionar sobre las normas de datos es que también hay una norma de datos llamada EML o Ecological Metadata Language (Lenguaje de Metadatos Ecológicos) que los publicadores utilizan para compartir información sobre el recurso del conjunto de datos en el que tienen todos sus datos. Es decir, por ejemplo, quiénes fueron las personas que participaron en el mantenimiento y la recopilación de los datos, el ámbito espacial y temporal general del conjunto de datos, el ámbito taxonómico del conjunto de datos y cualquier información específica sobre financiación y proyectos, así como los métodos y el diseño.

Así que esa es otro estándar, que no forma parte de la norma TDWG, a la que quizás también quieras echar un vistazo.