Seguimiento de la biodiversidad en la era del Big Data

“Digital data are accumulating at unprecedented rates. These

contain a lot of information about the natural world, some of which

can be used to answer key ecological questions.”

(Jarić et al. 2020)

Introducción

La diversidad biológica o biodiversidad es de vital importancia

para la persistencia de los ecosistemas terrestres, ya que constituye

el pilar que da estabilidad funcional a los sistemas naturales y pro-

porciona una gran variedad de servicios ecosistémicos esenciales

para el bienestar humano. Pero, ¿cuál es el estado actual de la bio-

diversidad? ¿Cómo estamos progresando con respecto a los obje-

tivos de conservación establecidos para limitar o reducir la extinción

de especies? ¿Cuáles son las principales presiones y amenazas

para la biodiversidad derivadas del Cambio Global? Estas preguntas

sólo pueden responderse si existe un conocimiento sólido sobre el

estado y tendencias de aspectos esenciales que gobiernan los pa-

trones y procesos de la biodiversidad a escalas espacio-temporales

complementarias (

Kühl et al. 2020). Este conocimiento es crucial

para desarrollar políticas de conservación eficaces y una gestión

medioambiental que revierta las tendencias de muchas poblaciones

y comunidades actualmente en declive (

IPBES 2019). Por este mo-

tivo, disponer de documentación exhaustiva derivada de programas

de seguimiento de la distribución, estructura y funcionamiento de la

biodiversidad, así como los efectos del Cambio Global sobre su con-

servación, son esenciales para alcanzar los objetivos de muchos re-

glamentos internacionales. Entre estas disposiciones destacan los

objetivos estratégicos de las metas de Aichi, definidas para evaluar

el progreso hacia los objetivos del Convenio sobre la Diversidad Bio-

lógica (

CBD 2014). En concreto, el objetivo B: “Reducir las presiones

directas sobre la biodiversidad y promover su uso sostenible’’ y C:

‘’Mejorar la situación de la biodiversidad salvaguardando los eco-

sistemas, las especies y la diversidad genética’’, requieren un se-

guimiento exhaustivo del estado y tendencias de la biodiversidad.

Igualmente, la Agenda 2030 para los Objetivos de Desarrollo Sos-

tenible, concretamente el ODS 14 ‘’La vida bajo el agua’’ y el ODS

15 ‘’La vida en la tierra’’, exigen un amplio esfuerzo para medir el

progreso hacia el uso sostenible de los recursos naturales y la con-

servación de la biodiversidad en el agua y en la tierra (

UN 2015).

Dada la importancia de los datos para dar respuesta a estos

desafíos, la Ecología, como otras ramas de la Biología y Ciencias

de la Tierra, se ha hecho eco del fenómeno denominado “Big Data”

o “Data Science”. El volumen mundial de datos se ha multiplicado

nueve veces en los últimos años y continúa creciendo de forma ex-

ponencial (

Farley et al. 2018), lo que confirma el establecimiento y

continuidad futuros de este paradigma que brinda nuevas oportu-

nidades, pero también retos, ya que requiere de nuevas herramien-

tas, técnicas, formas de trabajo y marcos teóricos (

Kitchin 2014).

Una mayoría de autores acepta el término Big Data, que em-

pezó a usarse décadas recientes en el ámbito del comercio elec-

trónico cuando las empresas privadas buscaban nuevas formas de

desarrollar y controlar grandes cantidades de datos, principalmente

para mejorar su rendimiento (

McAfee y Brynjolfsson 2012; Kitchin

2014

). El término se ha extendido después a muy diversos ámbitos,

desde la política a la industria, y a diferentes ramas científicas, ge-

nerando la necesidad de una definición universal del mismo. Aun-

que esta definición es compleja y varía entre disciplinas, sí existe

un consenso general sobre los elementos clave que caracterizan

al Big Data. En términos generales, se define como la capacidad

de gestionar y analizar datos, que a su vez deben caracterizarse a

través de las denominadas 4Vs: volumen, velocidad, variedad y ve-

racidad (

Farley et al. 2018; Musvuugwa et al. 2021). El volumen se

refiere a la gran cantidad de datos recopilados; la velocidad a la

tasa con que se recopilan; la variedad alude a su estructura o he-

terogeneidad y la veracidad indica su fiabilidad. En el contexto de

este estudio, relacionado con el seguimiento de la biodiversidad, el

Big Data se ha definido como una “herramienta tecno-política para

gestionar la distribución de las especies y comunidades biológicas”,

y como “la acumulación intensiva de información digitalizada de la

distribución espacial y temporal de especies y comunidades” (

De-

victor y Bensaude-Vincent 2016

). En esta monografía nos referimos

a Big Data como un concepto amplio que considera la capacidad

de gestionar y analizar una gran cantidad de datos espacio-tempo-

rales y heterogéneos sobre seguimiento de la biodiversidad, flexi-

bilizando así las características de volumen y velocidad.

aeet

ASOCIACIÓN ESPAÑOLA

DE ECOLOGÍA TERRESTRE

cosistemas 31(3):2450 [Septiembre-Diciembre 2022]

ttps://doi.org/10.7818/ECOS.2450

MONOGRÁFICO: Seguimiento de la Biodiversidad en la Era del Big Data

Editores: Laura Hernández Mateo, Jose M. Álvarez-Martínez, Cristina Gómez

Almaraz, Rut Sánchez de Dios y Borja Jiménez Alfaro

EDITORIAL

ecosistemas

REVISTA CIENTÍFICA DE ECOLOGÍA Y MEDIO AMBIENTE

ISSN 1697-2473

Open access / CC BY-NC 4.0

disponible en www.revistaecosistemas.net

(1) ICIFOR, Institute of Forest Research (INIA, CSIC). Ctra. La Coruña, Km. 7.5, ES-28040, Madrid, España.

(2) Departamento de Biodiversidad, Ecología y Evolución. Universidad Complutense de Madrid. C/ José Antonio Novais, 12. ES-28040 Madrid, España.

(3) Instituto de Hidráulica Ambiental de la Universidad de Cantabria "IHCantabria". C/ Isabel Torres, 15, ES-39011 Santander, Cantabria, España.

(4) IuFOR-EiFAB, Universidad de Valladolid (UVa) Av. de Madrid, 503, ES-34004 Palencia, España.

(5) Department of Geography and Environment, School of Geoscience, University of Aberdeen, King's College, Aberdeen, AB24 3FX, Scotland, UK.

(6) Vegetation & Biodiversity Lab. Biodiversity Research Institute (IMIB). Universidad de Oviedo. C/ Gonzalo Gutiérrez Quirós s/n E-33600 Mieres, Spain.

(7) Escuela de Ingeniería Agraria y Forestal. Universidad de León. Av. Astorga, 15, 24401 Ponferrada, León, España.

* Autor de correspondencia: L.Hernández [hernandez.laura@inia.csic.es]

> Recibido el 12 de septiembre de 2022 - Aceptado el 16 de septiembre de 2022

Laura Hernández

,2,

* , Jose M. Álvarez-Martínez

, Cristina Gómez Almaraz

, Rut Sánchez de Dios

, Borja

Jiménez Alfaro

, Flor Álvarez-Taboada

Como citar: Hernandez, L., Álvarez-Martínez, J. M., Gómez, C., Sánchez de Dios, R., Jímenez Alfaro, B., Álvarez-Taboada, F. 2022. Seguimiento de la

biodiversidad en la era del Big Data. Ecosistemas 31(3): 2450. https://doi.org/10.7818/ECOS.2450

Pronosticado por Jay Grey como el cuarto paradigma de la

ciencia (

Hey et al. 2009), la aparición del Big Data, Data Science,

o, e-Science, como nueva disciplina, más allá de la ciencia teórica,

la experimental y la de simulación computacional, ha dado lugar

también a un interesante debate científico. A raíz de la aparición y

consolidación de la disciplina,

Anderson (2008) la presentó como

el fin de la ciencia teórica y promovió una intensa discusión com-

parativa sobre la investigación de datos versus la investigación a

través de hipótesis. En el campo del estudio de la biodiversidad

se ha discutido ampliamente sobre el impacto epistemológico de

la cuantificación sistemática de la naturaleza con la acumulación

de grandes conjuntos de datos.

Devictor y Bensaude-Vincent

(2016)

lo definen como la “datificación de la biodiversidad”. Señala

su raíz en la búsqueda de biodiversidad global promovida para fun-

damentar la política medioambiental con una sólida base empírica

con plataformas como

GBIF (Global Biodiversity Information Faci-

lity). Sin embargo, en concordancia con otros autores como

Bow-

ker (2000)

, se advierte que en ocasiones los registros son

transformados en datos digitales en un proceso que cambia su sig-

nificado. Según estos autores, la creación de bases de datos glo-

bales empieza a ser un fin en sí mismo, y en esa “datificación’’,

promoviendo la uniformidad y compatibilidad, las especies y co-

munidades pierden su contexto y se crean nichos artificiales des-

vinculados de las realidades biofísicas de los organismos. Sin

embargo, otros autores como

Succi y Coveney (2019) sugieren

que la capacidad de reconocimiento de patrones de análisis del

Big Data proporciona una oportunidad para solventar obstáculos

como, por ejemplo, el análisis de la no linealidad o el caos, fre-

cuentes en la naturaleza, y que limitan, en ocasiones, el avance

del conocimiento de muchos de sus complejos sistemas.

Lo cierto es que en este marco del Big Data y con la actual ca-

pacidad de generación, almacenamiento y procesado de datos, la

ecología está evolucionando rápidamente hacia una ciencia de

“datos intensivos”, de acceso abierto, más colaborativa e interdisci-

plinar. La necesidad de integrar y analizar cantidades masivas de

datos ha dado pie incluso a una nueva rama científica, la ecoinfor-

mática o bioinformática (

Michener y Jones 2012). El número de pu-

blicaciones científicas donde conceptos como biodiversidad y Big

Data coinciden se ha sextuplicado en los últimos 10 años (ver

Fig.1). Y en la actualidad, la publicación de artículos de datos o

“data papers” con el objetivo de fomentar la preservación, accesibi-

lidad y reutilización de los datos usados en investigación (

Pérez-

Luque y Ros-Candeira 2019

), es cada vez más frecuente en todas

las áreas de conocimiento y grupos editoriales (ver caso de Ecosis-

temas,

Puerta-Piñeiro et al. 2020). Un ejemplo en este número es

el artículo de datos sobre mamíferos marinos de la región suban-

tártica de Chile de Sánchez-Jardón et al. (2022a). Sin embargo, muy

relacionado con las características intrínsecas del Big Data, su apli-

cación en ecología presenta aún grandes retos y hay actualmente

una interesante discusión sobre su aplicabilidad a escalas relacio-

nadas con la gestión de espacios y especies (

Farley et al. 2018;

Bayraktarov et al. 2019; Kühl et al. 2020). Estos desafíos están re-

lacionados con la capacidad de gestión de grandes volúmenes de

datos, problemas de comparabilidad e integridad debidos a la alta

heterogeneidad y carácter multi-escala de la información, diferentes

metodologías de recopilación y procesado de datos, la incompleta

cobertura taxonómica y espacial, y, el bajo nivel de conocimiento

técnico en Big Data de muchos científicos y gestores, entre otros

aspectos. Algunas de las soluciones incluyen el desarrollo de plata-

formas de intercambio de datos y código abierto a diferentes esca-

las, computación de alta velocidad en la nube para el análisis de

gran volumen de datos, procesos de armonización en la toma o de

manejo de datos y la aplicación de modelos estadísticos flexibles

que sean capaces de manejar datos heterogéneos y fuentes de in-

certidumbre variables, todo ello integrado en campañas de forma-

ción y sensibilización que permitan acercar a la comunidad científica

y gestora al mundo del Big Data aplicado al seguimiento de la bio-

diversidad (

Pereira y Cooper 2006; Callaghan et al. 2019).

En este contexto, esta revisión trata de dar una visión general

de las fuentes de información disponibles en la actualidad para el

estudio de la biodiversidad usando Big Data, así como de la inten-

sidad, extensión y temporalidad que abarcan, y los ecosistemas y

formas de vida, mejor o peor representados. El objetivo último ha

consistido en hacer una valoración del estado actual de conoci-

miento y uso del Big Data para el seguimiento de la biodiversidad

de ecosistemas terrestres, así como de sus retos y oportunidades.

Hernandez et al. 2022

Ecosistemas 31(3): 2450

Figura 1. Evolución del número de publicaciones por año donde convergen conceptos como biodiversidad y Big Data e hitos relacionados (Fuente:

Web

of Science

, junio 2022).

Figure 1. Evolution of the number of publications per year where concepts such as biodiversity and Big Data converge. Historical milestones are indicated

(Source: Web of Science, June 2022).

Datos sobre biodiversidad y nuevos sistemas

emergentes de Big data

En un contexto histórico, la “datificación” de la biodiversidad,

como lo definen

Devictor y Bensaude-Vincent (2016), surge por la

necesidad de dar respuesta a problemas globales, en concurrencia

con una fuerte corriente de concienciación medioambiental, que fue-

ron el fruto de grandes hitos como la Cumbre de Río de 1992 y el

Convenio sobre Diversidad Biológica de 1993. Estos instrumentos

internacionales, a través de los objetivos de la Agenda 21, actual-

mente muchos de ellos comprendidos en los ODS (

UN 2015), pre-

tenden avanzar hacia un desarrollo sostenible, frenando la pérdida

de biodiversidad mediante la evidencia científica. Así, en 1999 se

crea la GBIF, una organización intergubernamental financiada por

la OCDE (Organización para la Cooperación y el Desarrollo Econó-

mico), cuyo objetivo es proporcionar acceso abierto a los datos

sobre la biodiversidad mundial. A partir de esta iniciativa, otros hitos

importantes como el acceso abierto y gratuito a gran cantidad de

datos de sensores remotos (

Landsat en 2008, Copernicus en 2014)

o la corriente de Open Data Science, que también fue promovido

por la OCDE (

OCDE 2007) y que se empieza a promover en ecolo-

gía a partir de esos mismos años (Reichman et al. 2011), han con-

tribuido al incremento exponencial del uso del Big Data en el

seguimiento de la biodiversidad en las últimas décadas (

Fig.1).

Como muchas otras ramas de la ciencia, el seguimiento y es-

tudio de la biodiversidad necesita datos, que tras una serie de pro-

cesos se conviertan en información y conocimiento. Este proceso

es designado por varios autores como el ciclo de vida de los datos

(

Michener y Jones 2012). Según identifican estos mismos autores,

en ciencia experimental este ciclo comienza con la planificación de

la toma de datos, seguido del resto de etapas clave (recopilación,

preservación, control de calidad, creación y gestión de metadatos,

integración, análisis y difusión). En cambio, en el marco del Big data

o Data Science, el ciclo comienza normalmente con la gestión e in-

tegración de diferentes bases de datos.

La información necesaria para hacer seguimiento de la biodi-

versidad es muy heterogénea. Esta información puede organizarse

en sistemas de datos o mediciones recopiladas por comunidades

de investigadores o técnicos de diferentes disciplinas. Cada comu-

nidad puede presentar diferentes sistemas de información, forma-

tos, así como diferentes niveles de experiencia e inversión histórica

en series de datos. El primer reto para el seguimiento de la biodi-

versidad es comprender y abarcar toda esta heterogeneidad (

Far-

ley et al. 2018). A esta variedad del flujo de información hay que

añadir las características que presentan algunos sistemas emer-

gentes en esta disciplina como son el volumen, la veracidad y la

velocidad (

Fig 2).

Así, en Ecología podemos identificar en la actualidad, entre

otros, los siguientes sistemas de información: a) series temporales

de datos de programas de observación remota; b) la agregación

de datos de campo o experimentales locales o regionales (dendro-

ecología, fisiología, fenología, censos); c) las redes a largo plazo

de datos de campo nacionales o internacionales; d) redes de sen-

sores automatizados (fenología, foto-trampeo, meteorológicas), y,

e) iniciativas de Ciencia Ciudadana. Conjuntamente, toda esta in-

formación está amplificando la escala espacio-temporal de las

cuestiones relacionadas con el seguimiento de la biodiversidad (

Pe-

reira y Cooper 2006

) y su gestión (Callaghan et al. 2021) (Fig. 2).

A continuación presentamos brevemente estos sistemas de infor-

mación identificados.

Hernandez et al. 2022

Ecosistemas 31(3): 2450

Figura 2. Ejemplo de algunos sistemas de recolección de datos sobre biodiversidad utilizados en ecología y que presentan características de Big Data.

Sensores remotos (gran Volumen de datos); Ciencia Ciudadana (Veracidad), donde se recogen datos por parte de personas con diferentes grados de ex-

periencia; Sensores a tiempo real (Velocidad) que pueden suministrar datos continuos a baja latencia y alta velocidad; Observaciones de campo y expe-

rimentos (Variedad) por parte de los científicos, en una amplia variedad de mediciones, sistemas, formatos y escalas. (Modificado de

Farley et al. 2018)

(Ilustraciones diseñadas por Freepik).

Figure 2. Example of data collection systems on biodiversity used in ecology that present characteristics of Big data. Remote Sensing (Volume); Citizen

Science (Veracity), where data is collected by people with different degrees of experience; Real-time sensors (Speed) that can deliver continuous data at

low latency and high speed; Field observations and experiments (Variety) by scientists, in a wide variety of measurements, systems, formats and scales.

(Modified from

Farley et al. 2018) (Illustrations designed by Freepik).

Series temporales de datos de observación remota

Los sensores remotos sobre plataformas satelitales, aviones,

o drones, adquieren gran cantidad de datos de forma continua y

con variedad de resoluciones espaciales, espectrales y tempora-

les. Los datos espectrales procesados proporcionan información

de aspectos relacionados con la biodiversidad como son la cober-

tura arbórea, el verdor, el contenido de clorofila del océano, la pro-

ductividad primaria neta o la extensión del hábitat (

Turner et al.

2003

). Este monográfico cuenta con ejemplos del uso de datos es-

pectrales de diversos tipos de sensores remotos para la detección

y seguimiento de flora invasora (

Vázquez de la Cueva et al. 2022)

o para la caracterización y seguimiento de diferentes tipos de ve-

getación (

López Trullén et al. 2022). Actualmente las tecnologías

de observación remota ofrecen una gran oportunidad para el se-

guimiento de la biodiversidad, dado que los programas internacio-

nales de Observación de la Tierra, como el europeo

Copernicus

con los satélites Sentinel, o los estadounidenses Landsat y MODIS,

proporcionan enormes cantidades de datos (del orden de petaby-

tes) accesibles de forma gratuita para todos los usuarios. Además,

cada vez más estos programas proporcionan estándares de pro-

cesamiento para facilitar su uso (

Zhu 2019). Los datos adquiridos

de forma regular y frecuente, y procesados de forma correcta y

comparable, permiten explorar características de la cubierta terres-

tre con frecuencia temporal a la carta, desde unos pocos días a va-

rios años, facilitando el conocimiento de los procesos de cambio a

distintas escalas temporales (

Gómez et al. 2016; Xu et al. 2022).

Mientras que los datos ópticos y LiDAR se usan de forma genera-

lizada en el seguimiento de diferentes aspectos de la biodiversidad

(

Álvarez-Martínez et al. 2018), los datos radar o hiperespectrales

ofrecen nuevos retos y oportunidades todavía por explorar (Gómez

et al. 2019). Uno de los actuales retos para un seguimiento más

completo de la biodiversidad es la integración de estos datos es-

pacialmente continuos con otros datos ecológicos más precisos a

nivel taxonómico (

Schimel et al. 2013; Pereira y Cooper 2006).

Datos de campo experimentales a escala local y regional

Tradicionalmente, los datos recogidos sobre biodiversidad han

tenido como objeto medir los patrones y procesos que gobiernan

la distribución y estructura de especies y comunidades en el espa-

cio y el tiempo (

Farley et al. 2018). Se han recogido de forma local

o regional sin estandarización y en muchas ocasiones se trata de

observaciones limitadas sin continuidad temporal. A menudo, los

datos se han ido recogiendo en hojas de cálculo, pequeñas bases

de datos locales y desagregadas con poca o ninguna interoperabi-

lidad, o se presentaban en volúmenes y listas de presencia y abun-

dancia de individuos (censos de flora o fauna) (

Musvuugwa et al.

2021

). Este es el caso también de gran cantidad de información

sobre biodiversidad de las colecciones históricas de museos y her-

barios. Sin embargo, en las últimas décadas se está produciendo

un cambio progresivo hacia la recopilación digital de los datos de

estos métodos tradicionales. Actualmente, los datos se generan y

recogen a través de instrumentos automatizados como “tabletas”

u ordenadores de campo que hacen más fácil la digitalización e in-

teroperabilidad con el fin de agregar información a gran escala.

Además, muchos datos estáticos de museos se están digitalizando

(ver ejemplo de

iDigBio), facilitando así el acceso a datos contem-

poráneos e históricos, lo que resulta clave para el estudio de la di-

námica y conservación de la biodiversidad a largo plazo (Page et

al. 2015

). Esta digitalización de colecciones históricas e iniciativas

de Ciencia abierta (Riechman et al. 2011) están generando millones

de datos de presencia y otras variables de especímenes con dife-

rentes niveles taxonómicos. En este sentido, plataformas y reposi-

torios de datos globales (GBIF, Data One, Neotoma (paleoecology),

GenBank) o específicas (TRY (plant trait database), DEN (Dendro-

Ecological Network), NPN (phenology), ESDB (soils), Global Plants

(digitized plant specimens), DoPi (pollinators), WORMS (marine

species),

GLORIA (alpine plant species), the Global Vegetation Pro-

ject) están jugando un papel importante para la agregación y ac-

ceso a esta información. Los mayores desafíos que presentan

estos sistemas de información, además del volumen, son la vera-

cidad y la variedad de los datos ya que sus registros dependen de

identificaciones taxonómicas y espacio-temporales recogidas por

redes dispersas en todo el mundo, en muchas ocasiones desco-

nectadas a nivel nomenclatural (

Farley et al. 2018) o con unidades

de medida de referencia diferentes.

Redes a largo plazo de datos nacionales e internacionales

Las redes de seguimiento a largo plazo proporcionan observa-

ciones y datos experimentales, en algunos casos, en ecosistemas

o lugares específicos. Algunas de las más conocidas son, en Eu-

ropa, la Red de Investigación Ecológica a Largo Plazo (

LTER), y

en USA la Red Nacional de Observatorios Ecológicos (

NEON) y los

Observatorios de Zonas Críticas (CZO), entre otras. Estas redes

cubren el seguimiento de diferentes formas de vida y variables am-

bientales en ecosistemas como bosques, matorrales, pastizales,

desiertos, tundra, sistemas acuáticos y entornos urbanos. Com-

prenden muchos tipos de sensores y mediciones, por lo que la va-

riedad de datos es una de sus principales características y retos

para su uso. Por ejemplo, en LTER hasta hace poco cada nodo o

zona de monitoreo tenía sus propios protocolos de toma de datos,

lo que ha dificultado los análisis ecológicos a gran escala. En

NEON y CZO, de más reciente creación, este problema no existe.

En el caso específico de los bosques existen también dos fuen-

tes relevantes de información a largo plazo: la red europea de se-

guimiento de daños en bosques (

ICP Forests) y los inventarios

forestales nacionales (IFNs). ICP Forest, activa desde hace más

de tres décadas en Europa, es la única red paneuropea existente

que hace un seguimiento del estado de los bosques utilizando in-

dicadores comunes y métodos armonizados para la recolección de

datos (ver ejemplo en este número del uso de esta red para el se-

guimiento de la defoliación a escala nacional en

Adame et al.

(2022)). El objetivo de la red es recabar información sobre la salud

de los bosques europeos y los factores abióticos y bióticos involu-

crados en la dinámica de los mismos. Por otro lado, los IFNs son

las principales fuentes de información sobre los bosques a gran es-

cala, y generan millones de datos sobre la composición, estructura,

dinámica y funcionamiento forestal (

Alberdi Asensio 2015). Sus

datos pueden ser usados para hacer un seguimiento del estado de

conservación de diferentes ecosistemas forestales de forma estan-

darizada a escala nacional como proponen

Pescador et al. (2022)

en este monográfico. Sin embargo, a escala internacional son pro-

yectos, en origen independiente, con diversas metodologías de

toma de datos, con diferentes objetivos y que reflejan muy diversos

ecosistemas forestales (

Hernández et al. 2016). Debido a estas pe-

culiaridades es difícil estandarizar los datos para hacer cálculos

comparables. Sin embargo, al ser la fuente de la que se nutren mu-

chas de las estadísticas forestales a escala global a través de dife-

rentes iniciativas como las de la red europea

ENFIN o la FAO, se

ha avanzado en la armonización y comparabilidad de la estimación

de indicadores (

McRoberts et al. 2012). En este número existe una

reseña sobre un libro de acceso libre que describe la reciente cre-

ación de una red de IFNs en la región de Latinoamérica y el Caribe

(

Hernández 2022). El acceso a parte de los datos globales de estas

grandes fuentes de información sobre los bosques es posible me-

diante plataformas como la del

JRC, el GBIF, el LFC, o nuevas in-

fraestructuras de software abierto y “data sharing” como

Github

(Matragkas et al. 2014).

Además de la heterogeneidad en la toma de datos y variedad

de los registros y las dificultades que estas características suponen

para la integración y uso de la información de la mayoría de estas

redes de seguimiento a gran escala, otros dos retos importantes

en estos sistemas de información son la velocidad y la accesibili-

dad. Como discuten

Farley et al. (2018), dado el impacto econó-

mico que puede tener los efectos del Cambio Global en la

biodiversidad, hay una fuerte presión para que la velocidad en el

seguimiento y el análisis sea mayor. Para que el conocimiento eco-

lógico sea útil, debe obtenerse a tiempo. Respecto a la accesibili-

dad, aunque la tendencia actual es hacer el acceso en línea gratuito

Hernandez et al. 2022

Ecosistemas 31(3): 2450

y libre a toda la información de estos sistemas de datos, el acceso

a algunos de sus registros es aún restringido (por ejemplo, la loca-

lización exacta de las parcelas) o lento (derivado de unos tiempos

de procesamiento y control de calidad largos y con diferentes polí-

ticas gubernamentales al respecto (

Vidal et al. 2016).

Redes de sensores automatizados sobre biodiversidad

Estas redes de vigilancia automatizada in situ de datos biológi-

cos y ecológicos están aumentando rápidamente su volumen a me-

dida que la tecnología de sensores mejora y disminuyen los costes.

Por ejemplo, la red

Fluxnet de torres de covarianza de flujos de Fou-

cault tiene más de 500 sitios de análisis y 200 variables registradas

durante más de 20 años con resolución subhoraria, con un volumen

de datos brutos del orden de petabytes. Otros sensores cada vez

más frecuentes son los de fototrampeo y seguimiento vía radio o

satélite para registrar comportamiento y movimiento animal, senso-

res de temperatura y composición de agua, micrófonos de sonido,

dendrómetros automáticos, conjuntamente con mediciones más clá-

sicas como las relacionadas con estaciones meteorológicas o hidro-

lógicas. Estas redes automatizadas suelen registrar datos a alta

velocidad y de forma continua, a escala diaria u horaria, por lo que

uno de los retos de los sistemas de información que recogen los

datos es la actualización y mantenimiento de los repositorios y las

vías de acceso a usuarios finales e intermedios. Por otro lado, estas

redes instrumentadas están sujetas a la deriva del sensor, a errores

de calibración y a problemas con el procesamiento automatizado,

lo que genera desafíos de veracidad (

Farley et al. 2018). Estos

datos suelen almacenarse en repositorios nacionales (Agencia Es-

tatal de Meteorología (

AEMET) e internacionales (CRU, WorldClim)

como ocurre, por ejemplo, con los datos meteorológicos. El acceso

a los datos brutos suele ser libre vía web o bajo petición para aque-

llos datos más actualizados y para algunos indicadores y estimacio-

nes específicos sujetos a licencias de uso o propiedad.

Ciencia Ciudadana e iEcology

Los avances en el desarrollo de la tecnología móvil inteligente

y el acceso general y global a internet han hecho posible que las

iniciativas de ciencia ciudadana sean cada vez más utilizadas en

todas las ramas y escalas de la Ecología (

Louv y Fitzpatrick 2012).

Esta nueva corriente consiste en la acumulación, gestión y poste-

rior análisis de datos registrados por el público general, lo que per-

mite la realización de muestreos intensivos basados en datos de

alta resolución a diferentes escalas, con un coste inferior al de los

métodos tradicionales con expertos (

Farley et al. 2018). El des-

arrollo de algunas plataformas de ciencia ciudadana en línea (por

ejemplo,

eBird, plantNet, iNaturalist, Flickr) promueve la participa-

ción de numerosos sectores sociales así como la interacción entre

aficionados y expertos para una mejor identificación y calidad de

los datos georegistrados. De la misma forma, estas plataformas

cuentan con software específico que permite la calibración y per-

feccionamiento de sistemas de aprendizaje automático para la

identificación de especies y comunidades, patrones y procesos

ecológicos de interés. Todas estas características convierten estas

nuevas plataformas de ciencia ciudadana en herramientas versá-

tiles y útiles para el seguimiento de la biodiversidad, y su uso por

aficionados y expertos se incrementa día a día (ver ejemplos sobre

seguimiento de biodiversidad en la Patagonia chilena y la flora

amenazada del Pirineo en

Sánchez-Jardón et al. (2022b) y Pizarro

et al. (2022)

en este número.

Por último, es importante nombrar a la iEcología (definida como

la ecología de Internet), un enfoque de investigación emergente

que trata sobre el estudio de los patrones y procesos ecológicos

utilizando datos en línea generados para otros fines y almacenados

digitalmente (

Jarić et al. 2020). Esta nueva corriente de investiga-

ción aprovecha el flujo de datos generado por las redes sociales

(social media stream) para abordar cuestiones ecológicas y anali-

zar los procesos a distintas escalas espacio-temporales y en diver-

sos contextos, tratando de complementar métodos tradicionales de

obtención de datos.

El uso de estas nuevas fuentes de información presenta aún

grandes desafíos relacionados con el manejo y almacenaje del

gran volumen de datos generados, la velocidad de actualización y

análisis, y sobre todo, aspectos relacionados con la veracidad (ya

que los datos son recopilados por personas con diferentes grados

de experiencia) y posibles sesgos de la población de datos de la

que proviene la información de las diferentes redes sociales ana-

lizadas.

Representatividad de programas de observación

de biodiversidad en tipos de ecosistemas y formas

de vida

En el seguimiento de la biodiversidad es muy frecuente dispo-

ner de bases datos afectadas por diferentes tipos de sesgo, tanto

taxonómico como a nivel de ecosistema, que pueden alterar signi-

ficativamente las conclusiones de nuestros análisis espacio-tem-

porales. Esto se debe a la variabilidad de conocimiento que existe

entre diferentes organismos y ecosistemas debido principalmente

al interés que suscita su estudio, o dicho de otro modo, al grado en

el que son objetivo de la investigación científica (

Troudet et al.

2017

). Se ha demostrado sin embargo que centrarse únicamente

en el estudio de ecosistemas u organismos “carismáticos” no es

suficiente para identificar problemas globales y desarrollar planes

de conservación eficaces y sostenibles, ya que todos los organis-

mos y ecosistemas son esenciales para el funcionamiento global

del sistema Tierra. Así pues, examinar el sesgo taxonómico en el

seguimiento de la biodiversidad y comprender sus causas subya-

centes es fundamental para intentar identificar esos vacíos de co-

nocimiento y encontrar soluciones que permitan hacer un

seguimiento más completo y global a largo plazo (

Domínguez-Lo-

zano 2019

Trabajos previos han definido una sobrerrepresentación de al-

gunos organismos como plantas o vertebrados en bases de datos

globales como GBIF (

Troudet et al. 2017). Nosotros obtenemos un

resultado similar al hacer una búsqueda de artículos indexados en

la Web of Science desde los años 90 sobre diferentes ecosistemas

y organismos en el marco del Big Data y el seguimiento de la bio-

diversidad (

Fig 3). Así, encontramos una sobrerrepresentación de

los ecosistemas terrestres frente a los acuáticos, a pesar de que

los segundos son mucho más extensos a escala global. Dentro de

los terrestres, los bosques son objeto de muchos más estudios

(42%) que los pastizales (15%) o los matorrales (4%) en el marco

de la Data Science. Si hacemos una comparación con los tipos de

hábitats que cubre la Directiva hábitat mediante la Red Natura

2000, cuyo objetivo es un marco para protección de los hábitats

más vulnerables, pero también representativos de Europa (

2008

), observamos que los tipos de ecosistemas que estarían más

infra-estudiados son los de matorral (representa 11% de los hábi-

tats en la RN200) frente a los bosques (35%) o pastizales (13%).

Entre los ecosistemas acuáticos, los ecosistemas de agua dulce

parecen estar más estudiados y entre estos, sobre todo los ligados

a sistemas riparios. En el caso de las diferentes formas de vida u

organismos, nuestra búsqueda corrobora los resultados de

Troudet

et al. (2017)

o Gaiji et al. (2013), siendo mucho mayor el número

de publicaciones centradas en animales, sobre todo aves, y tam-

bién plantas, frente a hongos y otros microorganismos que son

mucho más numerosos a escala global y que pueden ejercer un

papel ecológico clave en muchos sistemas de la Tierra.

Gestión, integración y análisis de programas de

adquisición de datos

Tras la recolección de los datos e información asociada para el

seguimiento de la biodiversidad, uno de los grandes retos de la

Data Science o ciencia del Big Data es la gestión e integración de

grandes bases de datos, que, por último, serán analizadas con el

objetivo final de generar y difundir conocimiento.

Hernandez et al. 2022

Ecosistemas 31(3): 2450

Esta digitalización de datos sobre biodiversidad está generando

grandes volúmenes de información a dos niveles. Por un lado, se

dispone de registros históricos que provienen de la digitalización de

herbarios y museos, y por otro, las series temporales de datos pro-

cedentes de nuevas tecnologías de adquisición de información es-

pacial (por ejemplo, teledetección) y de la nueva corriente de datos

abiertos en muchas ramas científicas (

Matragkas et al. 2014). El ac-

ceso a la información sobre biodiversidad es cada vez mayor, pero

por otro lado se están creando nuevas necesidades para su alma-

cenamiento, procesamiento, gestión y uso. Uno de los mayores des-

afíos en este sentido es la integración y gestión, en una misma

plataforma, de información muy heterogénea y proveniente de dife-

rentes fuentes, donde ha sido clave el desarrollo durante la última

década de las denominadas ciberinfraestructuras (CI). Las CI están

diseñadas para la conservación, el acceso, la conexión y la reutili-

zación de datos científico-técnicos, usualmente de acceso libre (

Far-

ley et al. 2018). Sin embargo, para que estas infraestructuras sean

útiles es muy importante mejorar los protocolos, códigos y normas

sobre estandarización de datos para que su almacenamiento ga-

rantice precisión, coherencia y fiabilidad (

Musvuugwa et al. 2021).

De forma paralela, la información sobre seguimiento de biodi-

versidad está muchas veces dispersa y tiene diversos orígenes.

Por esta razón, para maximizar la usabilidad de los datos ecológi-

cos, la documentación rigurosa de esta información disponible es

clave. Ejemplos de buenas prácticas en este sentido, con protoco-

los estandarizados para la recogida y el almacenamiento de datos

en diferentes ecosistemas, regiones y sistemas de referencia, son

la red europea ICP Forest y la americana NEON. En esta línea, mu-

chas organizaciones están invirtiendo esfuerzo y recursos en los

últimos años para construir una arquitectura abierta para los datos

científicos con estándares comunes de metadatos, semántica y on-

tología. Algunos ejemplos son

DataONE, el W3 (World Wide Web

Consortium

), (ESIPFED) Earth Science Information Partners, el

OGC (

Open Geospatial) y el CSI (International Science Council).

Además, en esta fase es preciso en muchas ocasiones invertir re-

cursos en el pre-procesamiento de la información para eliminar o

reducir el ruido, para reducir dimensiones mediante transformacio-

nes y, por último, para el enriquecimiento mediante la combinación

o enlace con otros conjuntos de datos complementarios (

Fig. 4).

En este monográfico Vega-Gorgojo et al. (2022) nos describen al-

gunos de estos retos y sus soluciones al crear el Explorador Fo-

restal, un navegador web de datos abiertos masivos.

Por otro lado, la computación en la nube y el acceso a una in-

gente capacidad de almacenaje de datos en la actualidad, está

siendo esencial para lidiar con retos como el aumento en la veloci-

dad de generación de datos y, el resultante volumen de información

que almacenar y manejar. La computación y la disponibilidad ge-

neralizada de servicios públicos de computación en la nube a tra-

vés de grandes proveedores como Amazon, Google y Microsoft, u

otras como

Docker han puesto a disposición de los científicos un

importante medio para el almacenaje. La computación en nube pro-

porciona acceso bajo demanda a recursos informáticos flexibles

que en función de las necesidades permite obtener más espacio

de almacenamiento o potencia de cálculo, y que supera la capaci-

dad de cualquier individuo e institución (

Farley et al. 2018). Otras

soluciones programáticas que están surgiendo para facilitar el uso

y el acceso al Big Data es el uso de interfaces de programación de

aplicaciones (API) que hacen posible por ejemplo la disponibilidad

de datos o aplicaciones sin tener que duplicar los mismos en orde-

nadores locales. Un buen ejemplo puede ser

Google Earth Engine

o Collect Earth Online que permite la visualización y análisis en

línea de imágenes de teledetección, o

Lifemapper, que ofrece va-

rias herramientas en línea para poder modelizar la distribución de

la biota terrestre (Fig. 4).

Hernandez et al. 2022

Ecosistemas 31(3): 2450

Figura 3. Esquema de la representatividad de la información sobre biodiversidad en un contexto de Big Data en diferentes tipos de ecosistemas y formas

de vida. Esta representatividad se estima a través de las publicaciones científicas indexadas por los temas señalados en la figura (Biodiversity * Big Data

* ecosystems // * life forms) y recogidas en la

Web of Science (último acceso en junio 2022). Pueden existir solapamientos o ausencias entre tipos. (Ilus-

traciones diseñadas por Freepik).

Figure 3. Diagram of the representativeness of information on biodiversity in a context of Big Data in different types of ecosystems and life forms. This

representativeness is estimated through the scientific publications indexed by the topics indicated in the figure (Biodiversity * Big Data * ecosystems //

* life forms) and collected in the

Web of Science (last accessed June 2022). (Illustrations designed by Freepik).

Con respecto al análisis de los datos, la heterogeneidad y des-

igual veracidad de los mismos, a veces no estructurados, requieren

de enfoques analíticos muy flexibles. Además, el manejo del gran

volumen de información y la velocidad con la que se genera hacen

necesario que estas aproximaciones sean escalables.

Farley et al.

(2018) identifican la estadística bayesiana y las técnicas estadísti-

cas de aprendizaje automático (machine learning, ML) como las

dos aproximaciones de análisis más prometedoras en el marco del

Big Data. Los modelos jerárquicos bayesianos permiten integrar de

forma flexible múltiples capas de complejidad a diferentes escalas

y resoluciones, sus interacciones, e incluso la incertidumbre. Sin

embargo, la necesidad de estimar gran cantidad de parámetros es

a menudo computacionalmente intensiva, limitando la escalabili-

dad, y en muchas ocasiones, la interpretación de resultados (

Farley

et al. 2018

). El aprendizaje automático, sin embargo, suele ser es-

calable, pero tiene la limitación de que tiende únicamente a identi-

ficar patrones, más que a inferir factores subyacentes en los

procesos ecológicos. Este último grupo de aproximaciones, muy

relacionadas con la inteligencia artificial y los algoritmos automáti-

cos, ha dado lugar a un interesante debate (

Anderson 2008; Bow-

ker 2014

) sobre la deducción frente a la inducción o el humano

frente a la máquina. Sin embargo, actualmente la mayoría de los

autores coinciden en que ambas aproximaciones son necesarias y

complementarias (Musvuugwa et al. 2021). No obstante, indepen-

dientemente de la potencia analítica y de la cantidad de informa-

ción, la calidad de los conocimientos que se derivan de cualquier

análisis es una función de la idoneidad del conjunto de datos para

la cuestión de interés y la capacidad de análisis e interpretación de

los resultados. Está más que demostrado que más datos no se tra-

duce necesariamente en más conocimiento (

Bayraktarov et al.

2019). Uno de los grandes desafíos para sacar partido al Big Data,

de hecho, está relacionado con la formación de colaboraciones y

equipos multi-displinares (bio-informáticos, estadísticos, técnicos y

científicos de la biodiversidad) que permitan el manejo, actualiza-

ción y mantenimiento de las ciberplataformas de información, a la

vez que tengan capacidad analítica y conocimiento para interpretar

de forma correcta los resultados, tanto aplicados como teóricos,

sobre el seguimiento de la biodiversidad (

Kühl et al. 2020). Este es

uno de los objetivos de BigBioData, el nuevo grupo de trabajo cre-

ado en la Asociación Española de Ecología Terrestre (AEET) y que

trata de servir de puente para el intercambio de conocimientos y

experiencias entre diferentes profesionales o usuarios intermedios

de la información espacial relacionada con el seguimiento de la Bio-

diversidad y que se describe en la nota de

Hernández et al. 2022

en este número.

Oportunidades y retos generales

Tras esta revisión general del estado actual del seguimiento de

la biodiversidad en la era del Big Data y la información pasamos a

enumerar algunos de los retos y oportunidades identificados.

Oportunidades

El acceso a distintos tipos de datos en el marco de la Big Data•

Science hace posible una investigación integradora sobre la

biodiversidad, que ofrece un punto de partida para evaluar los

efectos del Cambio Global sobre su estructura y función. Con

la infraestructura adecuada, la mejora de los métodos analíticos

y el conocimiento necesario es posible combinar datos a dife-

rentes escalas, desde la biología molecular al dato de campo,

clima o paisaje, que permite un seguimiento más completo en

el espacio y en el tiempo.

El incremento en los últimos años de la capacidad computacio-•

nal y de almacenaje de información en la nube, promueve la

generación de grandes conjuntos de datos sobre biodiversidad

a través de agregación y armonización de registros históricos o

mediante la colección masiva en ciertos campos. Las grandes

plataformas de información suponen una nueva oportunidad

para explorar de forma teórica la biodiversidad y para avanzar

en aspectos técnicos asociados a metodologías de manejo, in-

tegración y análisis de datos masivos.

Del mismo modo, el avance en técnicas flexibles para el análisis•

de diferentes fuentes de información mediante estadística ba-

yesiana, ML e IA, supone nuevas oportunidades que, en siner-

gia con aproximaciones más deductivas, ayudarán a avanzar

en el conocimiento y seguimiento de la biodiversidad global.

Hernandez et al. 2022

Ecosistemas 31(3): 2450

Figura 4. Esquema de algunos de los hitos más importantes en la etapa de gestión y análisis de grandes bases de datos sobre biodiversidad (BDBD).

Figure 4. Summary of some of the most important milestones in the storage, curation and analysis phase of large biodiversity databases (BDBD).

Retos

Características intrínsecas al Big Data como la veracidad, el vo-•

lumen, la variedad o heterogeneidad de los datos y la velocidad

de recopilación de los mismos generan algunos de los mayores

retos de gestión, análisis y generación de conocimiento sobre

el seguimiento de la biodiversidad. Aunque algunas limitaciones

asociadas a la velocidad y volumen de datos están bastante re-

sueltas, estas características dificultan todavía la capacidad de

análisis de datos (por ejemplo, sobreparametrización de mode-

los bayesianos). Además, aunque se están haciendo grandes

avances en los procesos de armonización, estandarización, en-

lace y veracidad en las plataformas que unifican datos de diver-

sas fuentes, aún queda camino por recorrer. Por último, si bien

la información sobre biodiversidad es cada vez más accesible,

en algunos casos el acceso a la totalidad de los datos sólo es

posible bajo registro, petición o prepago.

Dada la existencia de ecosistemas poco representados y listas•

taxonómicas incompletas, es necesario aumentar el esfuerzo

en recopilar información de aquellas formas de vida y hábitats

menos carismáticos pero que ejercen un papel clave en la con-

servación de la biodiversidad. Asimismo, es importante mejorar

la estandarización y verificación de nomenclaturas para facilitar

el correcto uso de la información recopilada y evitar duplicida-

des e inconsistencias.

A pesar del aumento y mayor consistencia durante los últ

imos•

años, las series temporales y

espaciales de datos son incom-

pletas. En la mayor parte de ecosistemas u organismos existe

una mayor cantidad de información a partir de los años 80. De

forma previa a esta fecha hay poca información, normalmente

a escala local o regional, y no sistemática o armonizada. Ade-

más, existe disparidad en la cantidad y calidad de la represen-

tación en distintas regiones del mundo.

Por último, pero no menos importante, en la actualidad, la conti-•

nua y rápida evolución de plataformas y herramientas analísticas

sobre el seguimiento de la biodiversidad dificulta a los usuarios

finales e intermedios mantenerse al día de todos los cambios y

novedades, y de las mejores herramientas disponibles. El uso

efectivo del Big Data requiere de una continua formación en com-

petencias técnicas para sacar partido a los datos, así como de

colaboraciones y equipos de trabajo multidisciplinares.

Conclusiones

El Big Data o Data Science es una herramienta innovadora y

necesaria que permite cumplir objetivos de seguimiento de la bio-

diversidad cada vez más ambiciosos y globales. Con la actual ca-

pacidad de generación, almacenamiento y procesado de datos, las

ramas científicas relacionadas con este seguimiento evolucionan

rápidamente hacia una ciencia de “datos intensivos”, de acceso

abierto, colaborativa e interdisciplinar. Las perspectivas futuras de

esta nueva corriente parecen óptimas, y surgen fórmulas promete-

doras para recabar información y generar conocimiento de forma

colaborativa y bajo coste como la ciencia ciudadana o la i-Ecología.

La necesidad de integrar, mantener, actualizar y analizar cantida-

des masivas de datos ha originado, incluso, una nueva rama cien-

tífica, la ecoinformática o bioinformática.

Sin embargo, aunque la agregación de información de diversas

fuentes en grandes ciberinfraestructuras y la generación masiva de

datos satelitales supone una buena oportunidad para este segui-

miento, no hay que olvidar que se han de seguir tomando datos

bien planificados sobre el terreno para enriquecer, validar y actua-

lizar el conocimiento a largo plazo. Además, se deben incrementar

los esfuerzos en el seguimiento de organismos y ecosistemas poco

representados en la actualidad. Algunos de los retos identificados,

relacionados con la integración y gestión de plataformas de datos

heterogéneos y su análisis posterior, también suponen desafíos y

oportunidades futuros para muchas disciplinas relacionadas con el

seguimiento de la biodiversidad en la era del Big Data.

Contribución de autores

Laura Hernández Mateo: conceptualización, redacción borrador

inicial, edición; Jose Manuel Álvarez Martínez: conceptualización,

redacción, edición; Cristina Gómez: conceptualización, redacción,

edición; Rut Sánchez de Dios: conceptualización, edición; Borja Ji-

menez Alfaro: conceptualización, edición; Flor Álvarez-Taobada:

conceptualización, edición.

Referencias

Alberdi Asensio, I. 2015. Metodología para la estimación de indicadores ar-

monizados a partir de los inventarios forestales nacionales europeos

con especial énfasis en la biodiversidad forestal. Tesis de Doctorado,

Universidad Politécnica de Madrid. ETSI Montes. Madrid, España.

Álvarez-Martínez, J.M., Jiménez-Alfaro, B., Barquín, J., Ondiviela, B., Recio,

M., Silió-Calzada, A., Juanes, J.A. 2018. Modeling the area of occu-

pancy of habitat types with remote sensing. Methods in Ecology and

Evolution 9(3), 580-593.

Adame, P., Alonso, L., Cañellas, I., Hernandez, L., Pasalodos-Tato, M.,

Robla, E., Alberdi, I. 2022. Hacia un seguimiento más completo y armo-

nizado de los daños en los bosques: Aplicación a la defoliación arbórea

en España. Ecosistemas 31(3): 2387.

https://doi.org/10.7818/ECOS.

2387

Anderson, C. 2008. The end of theory: The data deluge makes the scientific

method obsolete. Wired Magazine 16: 7–16.

Bayraktarov, E., Ehmke, G., O’connor, J., Burns, E.L., Nguyen, H.A., McRae,

L., Possingham, H.P., et al. 2019. Do big unstructured biodiversity data

mean more knowledge? Frontiers in Ecology and Evolution 6: 239.

Bowker, G.C. 2000. Biodiversity datadiversity. Social Studies of Science 30:

643–683.

Bowker, G.C. 2014. Big data, big questions| the theory/data thing. Interna-

tional Journal of Communication 8: 5.

Callaghan, C.T., Poore, A.G., Major, R.E., Rowley, J.J., Cornwell, W.K. 2019.

Optimizing future biodiversity sampling by citizen scientists. Proceedings

of the Royal Society B 286(1912): 20191487.

Callaghan, C.T., Poore, A.G., Mesaglio, T., Moles, A.T., Nakagawa, S.,

Roberts, C., Rowley, J.J.,et al., 2021. Three frontiers for the future of bio-

diversity research using citizen science data. BioScience 71(1):55-63.

CBD 2014. Resourcing the Aichi Biodiversity Targets, An Assessment of

Benefits, Investments and Resource needs for Implementing the Strate-

gic Plan for Biodiversity 2011–2020, Second Report of the High-Level

Panel on Global Assessment of Resources for Implementing the Strate-

gic Plan for Biodiversity 2011–2020. Secretariat of the Convention on

Biological Diversity, Montréal, Canada.

Devictor, V., Bensaude-Vincent, B. 2016. From ecological records to big

data: The invention of global biodiversity. History and Philosophy of the

Life Sciences 38: 1–23.

Domínguez Lozano, F. 2019. ¿Qué sabes sobre biodiversidad? Ediciones

Mundi-Prensa, Madrid, España. 497 pp.

European Commission, Directorate-General for Environment, Sundseth, K.

2008. Natura 2000: protecting Europe’s biodiversity, Wegefelt, S.(edi-

tor), Mézard, N.(translator), European Commission. Disponible en:

https://data.europa.eu/doi/10.2779/45963

Farley, S.S., Dawson, A., Goring, S.J., Williams, J.W. 2018. Situating ecol-

ogy as a big-data science: Current advances, challenges, and solutions.

BioScience 68(8): 563-576.

Gaiji, S., Chavan, V., Ariño, A.H., Otegui, J., Hobern, D., Sood, R., Robles,

E. 2013. Content assessment of the primary biodiversity data published

through GBIF network: status, challenges and potentials. Biodiversity

Informatics 8(2) 94-172.

Gómez, C., White, J.C., Wulder, M.A. 2016. Optical remotely sensed time

series data for land cover classification: A review. ISPRS Journal of Pho-

togrammetry and Remote Sensing 116, 55-72.

https://doi.org/10.1016/

j.isprsjprs.2016.03.008

Gómez, C., Alejandro, P., Hermosilla, T., Montes, F., Pascual, C., Ruiz Fer-

nández, L.Á., Valbuena, R. 2019. Remote sensing for the Spanish

forests in the 21st century: A review of advances, needs, and opportu-

nities. Forest Systems 28(1): 1-33.

Hernandez, L. 2022. “Inventarios Forestales Nacionales de América Latina

y el Caribe. Hacia la armonización de la información forestal” de Carla

Ramírez, Iciar Alberdi, Carlos Bahamondez y Joberto Veloso de Fre-

itas (coords.), 2021. Ecosistemas 31(3): 1449.

https://doi.org/10.7818/

ECOS.2449

Hernandez et al. 2022

Ecosistemas 31(3): 2450

Hernández, L., Alberdi, I., McRoberts, R. E., Morales-Hidalgo, D., Redmond,

J., Vidal, C. 2016. Wood resources assessment beyond Europe. En:

Vidal, C., Alberdi, I., Hernández, L., Redmond, J. (eds.), National Forest

Inventories. Assessment of Wood Availability and Use, pp. 105-118.

Springer, Cham, Suiza.

Hernandez, L., Álvarez-Martínez, J.M., Pescador, D.S. 2022. BigBioData,

un nuevo grupo de trabajo en la AEET sobre el seguimiento de la Bio-

diversidad en la era del Big data. Ecosistemas 31(3), 2453.

https://doi.org/10.7818/ECOS.2453

Hey T, Tansley S, Tolle K. 2009. Jim Grey on eScience: A transformed sci-

entific method. En: Hey, T., Tansley, S., Tolle, K. (eds.) The Fourth Par-

adigm: Data-Intensive Scientific Discovery, pp. xvii–xxxi. Microsoft

Research, Redmond, WA 98052, Estados Unidos.

IPBES 2019. Summary for policymakers of the global assessment report on

biodiversity and ecosystem services of the Intergovernmental Science-

Policy Platform on Biodiversity and Ecosystem Services. Díaz, S., Set-

tele, J., Brondízio E.S., Ngo, H.T., Guèze, M., Agard, J., Arneth, A., et

al. (eds.). IPBES secretariat, Bonn, Alemania. 56 pages.

https://www.ipbes.net/sites/default/files/2020-02/ipbes_global_assess-

ment_report_summary_for_policymakers_en.pdf

Jarić, I., Correia, R.A., Brook, B.W., Buettel, J.C., Courchamp, F., Di Minin,

E., Firth, J.A., et al., 2020. iEcology: harnessing large online resources

to generate ecological insights. Trends in Ecology and Evolution 35(7):

630-639.

Kitchin, R. 2014. Big Data, new epistemologies and paradigm shifts. Big

Data and Society 1: 2053951714528481.

Kühl, H.S., Bowler, D.E., Bösch, L., Bruelheide, H., Dauber, J., Eichenberg,

D., Eisenhauer, N., et al. 2020. Effective biodiversity monitoring needs

a culture of integration. One Earth 3(4): pp.462-474.

López Trullén, D., Álvarez-Martínez, J.M., Sánchez Labrador, J.D., Jimé-

nez-Alfaro, B., Pérez-Silos, I., Hernández-Romero, G., Barquín, J. 2022.

Espectrofenología con datos Sentinel 2: definición de curvas de refe-

rencia para la caracterización de ecosistemas forestales. Ecosistemas

31(3): 2411.

https://doi.org/10.7818/ECOS.2411

Louv, R., Fitzpatrick, J.W. 2012. Citizen science: Public participation in en-

vironmental research. Cornell University Press. Ithaca, NY, Estados

Unidos.

Matragkas, N., Williams, J.R., Kolovos, D.S., Paige, R.F. 2014. Analysing

the ‘biodiversity’ of open source ecosystems: the GitHub case. En: MSR

2014: Proceedings of the 11th Working Conference on Mining Software

Repositories, May 2014, pp. 356-359. Association for Computing Ma-

chinery, New York, NY, Estados Unidos.

https://doi.org/10.1145/

2597073.2597119

McAfee, A., Brynjolfsson, E. 2012. Big Data. Harvard Business Review

90(10): 60–68.

McRoberts, R.E., Tomppo, E.O., Schadauer, K., Ståhl, G. 2012. Harmoniz-

ing national forest inventories. Forest Science 58(3): 189-190.

Michener, W.K., Jones, M.B. 2012. Ecoinformatics: supporting ecology as

a data-intensive science. Trends in Ecology and Evolution 27: 85–93.

Musvuugwa, T., Dlomu, M.G., Adebowale, A. 2021. Big Data in Biodiversity

Science: A Framework for Engagement. Technologies 9(3): 60.

OECD 2007. Principles and guidelines for access to research data from pub-

lic funding. OECD París, Francia. Disponible en:

http://www.oecd.org/

dataoecd/9/61/38500813.pdf

Page, L.M., MacFadden, B.J., Fortes, J.A., Soltis, P.S., Riccardi, G. 2015.

Digitization of biodiversity collections reveals biggest data on biodiver-

sity. BioScience 65: 841–842.

Pérez-Luque, A.J., Ros-Candeira, A. 2019. Compartiendo datos en

Ecología: cómo añadir más valor a los datos. Ecosistemas 28(3):150-

159.

https://doi.org/10.7818/ECOS.1838

Pereira, H.M., Cooper, H.D. 2006. Towards the global monitoring of biodi-

versity change. Trends in ecology and evolution 21(3): 123-129.

Pescador, D.S., Vayreda, J., Escudero, A., Lloret, F. 2022. El potencial del

Inventario Forestal Nacional para evaluar el estado de conservación de

los tipos de Hábitat forestales de Interés Comunitario: nuevos retos para

cumplir con las políticas de conservación de la biodiversidad. Ecosiste-

mas 31(3):2384.

https://doi.org/10.7818/ECOS.2384

Pizarro, M., Mugica, A., Quintana-Buil, M., Miranda, H., Gómez, D., Fuentes,

I., Martínez, J., et al. 2022. Aprendiendo de plantas y compartiendo ob-

servaciones con nuevas tecnologías. FLORAPYR y FLORAMON en iN-

aturalist. Ecosistemas 31(3): 2379.

https://doi.org/10.7818/ECOS.2379

Puerta-Piñero, C., Pérez-Luque, A.J., Rodríguez-Echeverría, S. 2020. Eco-

sistemas apuesta por la publicación de artículos de datos (Data Pa-

pers). Ecosistemas 29(3):2118.

https://doi.org/10.7818/ECOS.2118

Reichman, O. J, Jones, M.B., Schildhauer, M.P. 2011. Challenges and op-

portunities of open data in ecology. Science 331(6018): 703-705.

Sánchez-Jardón, L., Ramos, B., Gómez Peral, E., Bunster, C., Acosta-Gallo,

B. 2022a. Integración de datos de biodiversidad para la educación y el

turismo: mamíferos marinos nativos en la región subantártica de Aysén,

Chile. Ecosistemas 31(3): 2410.

https://doi.org/10.7818/ECOS.2410

Sánchez-Jardón, L., Uribe-Paredes, R., Álvarez-Saravia, D., Aldea, C., Rai-

milla, V., Velázquez, E., Millán, S., Águila, J. 2022b. Gestión local de la

información en biodiversidad: fomentando la ciencia participativa en el

sur de Chile. Ecosistemas 31(3): 2385.

https://doi.org/10.7818/

ECOS.2385

Schimel, D. S., Asner, G.P., Moorcroft, P. 2013. Observing changing eco-

logical diversity in the Anthropocene. Frontiers in Ecology and the En-

vironment 11(3): 129-137.

Succi, S., Coveney, P.V. 2019. Big data: The end of the scientific method?

Philosophical Transactions of the Royal Society A 377: 20180145.

Troudet, J., Grandcolas, P., Blin, A., Vignes-Lebbe, R., Legendre, F. 2017.

Taxonomic bias in biodiversity data and societal preferences. Scientific

reports 7(1): 1-14.

Turner, W., Spector, S., Gardiner, N., Fladeland, M., Sterling, E., Steininger,

M. 2003. Remote sensing for biodiversity science and conservation.

Trends in ecology and evolution 18(6): 306-314.

UN 2015. Global Sustainable Development Report. Department of Eco-

nomic and Social Affairs. UNDESA, Nueva York, Estados Unidos.

Vázquez de la Cueva, A., Aulló Maestro, I., Montes Pita, F. 2022. Cartografía

de áreas cubiertas por Acacia dealbata en imágenes multiespectrales

invernales y estivales captadas por dron en la comarca de Verín (Ou-

rense, Galicia, España). Ecosistemas 31(3): 2331.

https://doi.org/

10.7818/ECOS.2331

Vega-Gorgojo, G., Ordóñez, C., Giménez-García, J.M., Bravo, F. 2022. Ex-

plorando datos abiertos forestales masivos con un navegador web. Eco-

sistemas 31(3): 2452. https://doi.org/10.7818/ECOS.2452

Vidal, C., Alberdi, I., Hernández, L., Redmond, J.J. 2016. National Forest

Inventories. Assessment of Wood Availability and Use. Springer, Cham,

Suiza.

https://doi. org/10.1007/978-3-319-44015-6

Xu, L., Herold, M., Tsendbazar, N.E., Masiliūnas, D., Li, L., Lesiv, M., Fritz,

S., Verbesselt, J. 2022. Time series analysis for global land cover

change monitoring: A comparison across sensors. Remote Sensing of

Environment 271, 112905.

https://doi.org/10.1016/j.rse.2022.112905

Zhu, Z. 2019. Science of Landsat Analysis Ready Data. Remote Sensing

11(18), 2166.

https://doi.org/10.3390/rs11182166

Hernandez et al. 2022

Ecosistemas 31(3): 2450