Handling data quality

Los datos pueden filtrarse espacialmente en una búsqueda de ocurrencias de una de las tres maneras siguientes:

Si filtra esos datos con coordenadas, se eliminarán varios problemas geoespaciales asociados al flujo de trabajo de publicación de datos. Estos son:

Los centroides de país son aquellos en los que la observación se fija en el centro del país en lugar de en el lugar donde se observó o registró el taxón. Los centroides de país suelen ser registros a los que se ha asignado retrospectivamente un valor lat-lon basado en una descripción textual del lugar en el que se encontraba el registro original. Los programas de geocodificación utilizan nomenclátores, diccionarios geográficos o directorios utilizados junto con un mapa o atlas, para atribuir coordenadas a los topónimos. Así, si el registro dice simplemente «Brasil», algunos editores utilizarán el centro de Brasil como coordenada del registro. Del mismo modo, si el registro dice simplemente «Texas» o «París», el registro se situará en el centro de esas regiones. Esta es una característica casi exclusiva de los datos de museos (PRESERVED_SPECIMEN), pero también puede ocurrir con otros tipos de registros.

Algunos editores consideran que cero y NULL son equivalentes, por lo que los campos de latitud y longitud vacíos de un registro reciben un valor cero. Como resultado, los registros acaban trazándose a lo largo de las líneas del ecuador y del primer meridiano.

A menudo, querrá estar seguro de que las coordenadas dan una ubicación determinada y no están realmente a miles de kilómetros de donde se observó o recolectó el organismo. Hay dos campos en Darwin Core - coordinate precision y coordinateUncertaintyInMeters - que usted recibe con una descarga SIMPLE CSV. Puede utilizar estos campos para filtrar por «incertidumbre». Sin embargo, estos campos no son utilizados muy a menudo por los editores que consideran que sus registros son bastante seguros (a partir de un GPS) y recomendaríamos no filtrar los valores que faltan.

También hay algunos valores «falsos» de incertidumbre de coordenadas que debe conocer. Estos valores son errores producidos por el software de geocodificación y no representan valores reales de incertidumbre. Estos valores «falsos» son 301, 3036, 999 y 9999. En el caso del valor 301, la incertidumbre es a menudo mucho mayor que 301 y en realidad representa el centroide de un país.

Los conjuntos de datos cuadriculados son un problema conocido en GBIF. Muchos conjuntos de datos tienen puntos espaciados por igual en un patrón regular. Estos conjuntos de datos suelen ser encuestas nacionales sistemáticas o datos extraídos de algún atlas («los llamados diseños de colección rasterizados»). Las ocurrencias georreferenciadas se ajustan a un punto central.

La mayoría de los editores de conjuntos de datos reticulados completarán probablemente una de las siguientes columnas:

Así pues, el filtrado con base en estas columnas puede ser una buena manera de remover conjuntos de datos reticulares. GBIF tiene un API experimental para la identificación de conjuntos de datos que muestran un cierto grado de cuadrículas. Puedes leer más sobre finding gridded datasets en el blog de datos de GBIF.

Por defecto, tanto los registros de presencia como los de ausencia se muestran cuando se buscan registros en GBIF. Los registros de ausencia confirman que una especie no se encontró en una localidad específica cuando se estudió esa zona. Esta información puede ser útil, por ejemplo, para desarrollar modelos de nicho ecológico. Si sólo le interesan los registros de presencia, puede filtrarlos usando el filtro Estado de Ocurrencia.

El término Darwin Core establishmentMeans identifica el proceso por el cual el individuo o individuos biológicos representados en la Ocurrencia se establecieron en el lugar. Como tal, puede servir como una herramienta de filtrado útil para identificar registros que están fuera del área de distribución nativa de una especie, siendo los términos aceptados para este campo nativo, nativoReintroducido, introducido, introducidoColonización asistida, errante o incierto.

Basis of record es un término de Darwin Core que se refiere a la natura específica del registro y se puede referir a una de 6 clases:

La base del registro debe permitir a los usuarios filtrar los individuos de colecciones ex situ, como zoológicos y jardines botánicos o fósiles, así como filtrar los registros en función de si se basan en un espécimen o en una observación, lo que puede facilitar la validación taxonómica.

GBIF tiene muchos registros de museos que pueden ser más antiguos de lo que se desea para algunos estudios.

La duplicación de registros puede ocurrir cuando se hacen varios registros del mismo individuo. Esto puede ocurrir, por ejemplo, cuando un investigador deposita varios especímenes de un árbol individual en herbarios de todo el mundo que luego publican estos datos en GBIF, o cuando un individuo ha sido depositado en una colección de historia natural y el individuo también fue muestreado para su ADN. En este caso, habrá un registro para el espécimen en las colecciones y otro para la secuencia de ADN.

GBIF ha introducido una función de agrupación en su búsqueda avanzada que permite a los usuarios identificar grupos de registros, es decir, registros que parecen proceder de la misma fuente. Esto permite a los usuarios identificar posibles datos duplicados y filtrarlos.