Introducción

La obtención de conocimiento detallado de la riqueza biológica de una región requiere de una inversión importante de tiempo, esfuerzo y recursos económicos (Escobar et al., 2009). Por ejemplo, para estimar la riqueza avifaunística de lugares que son parte del sistema de migración de aves Neártico-Neotropical, es necesario realizar observaciones durante al menos un año para considerar la presencia temporal de especies migratorias. De manera similar, la baja detección de especies elusivas en regiones megadiversas, aún sean residentes permanentes, hace necesaria la realización de monitoreos de largo plazo. Por ejemplo, tres años de monitoreos mensuales de murciélagos con redes de niebla y grabaciones acústicas en el Istmo de Tehuantepec fueron insuficientes para caracterizar a toda la comunidad, ya que algunas especies sólo fueron registradas como cadáveres al pie de aerogeneradores (Cabrera-Cruz et al., 2023).

Las curvas de acumulación de especies, aunadas a estimadores de riqueza, son herramientas que permiten estimar tanto la completitud de inventarios biológicos como el número adicional de especies que se podría esperar encontrar en un área de estudio (Colwell et al., 2004; Magurran, 2004). Con frecuencia, estas herramientas indican que los inventarios están incompletos a pesar de esfuerzos de muestreo importantes. Por ejemplo, monitoreos de aves mensuales durante casi dos años en tres sitios al norte de México arrojaron valores de completitud de 80 % (Castillo-Muñoz & Guzmán-Hernández, 2021). Si bien se puede considerar que un inventario con ese nivel de completitud es representativo de la diversidad avifaunística del área de estudio, también ejemplifica el nivel de esfuerzo necesario para lograr dicha representatividad.

No siempre es posible o necesario realizar un esfuerzo de muestreo intensivo. Diversas circunstancias, como el financiamiento limitado, la dificultad en conseguir permisos o equipo, o condiciones de inseguridad, entre otras, pueden limitar la cantidad de muestreos realizados, o bien pueden conducir a realizar monitoreos durante un periodo menor al deseado (Soares et al., 2023). Alternativamente, puede existir la necesidad de recopilar información existente antes o en lugar de implementar protocolos de trabajo de campo; por ejemplo, los Estudios Previos Prospectivos necesarios para el establecimiento de nuevas Áreas Naturales Protegidas en México (Diario Oficial de la Federación (DOF), 2014), regularmente incluyen listados de especies con presencia potencial en el área de interés que son derivados de búsquedas bibliográficas (e.g. Comisión Nacional de Áreas Naturales Protegidas (CONANP), 2014; CONANP, 2023; Secretaría del Medio Ambiente del Estado de Veracruz (SEDEMA), 2023a). Similarmente, diversas guías e instructivos oficiales para la elaboración de estudios ambientales en México sugieren determinar la presencia potencial de especies en el área de interés sin especificar un esfuerzo de muestreo mínimo (e.g. SEDEMA, 2023b; Secretaría de Medio Ambiente y Recursos Naturales (SEMARNAT), 2002; SEMARNAT, 2017), lo cual puede llevar a la realización de monitoreos limitados que son complementados con información bibliográfica (e.g. Corporación Ambiental de México (CAM), 2009). Estos casos y otros similares implican la realización de búsquedas bibliográficas o de trabajo de campo restringido temporal y/o espacialmente (e.g. pocos muestreos durante un periodo limitado, o muestreos en una porción limitada del área de interés), teniendo como consecuencia una caracterización biótica incompleta o parcial.

Una alternativa para complementar estos métodos es el uso de datos abiertos disponibles en plataformas digitales de biodiversidad. Gracias al esfuerzo de instituciones como la Comisión Nacional para el Conocimiento y Uso de la Biodiversidad (CONABIO) en México y otras similares alrededor del mundo (Urquiza-Haas et al., 2016), actualmente contamos con sistemas de información sobre biodiversidad que recopilan, curan, concentran y ponen a disposición del público información geográfica sobre la ocurrencia de especies, dando pie a la informática de la biodiversidad (Soberón & Peterson, 2004). Adicionalmente, en las últimas décadas han surgido diversas iniciativas de ciencia ciudadana o comunitaria a través de las cuales miembros del público general registran sus observaciones de vida silvestre en páginas de internet o aplicaciones para dispositivos móviles (Urquiza-Haas, 2016). Por ejemplo, la CONABIO coordina la plataforma naturalista (Comisión Nacional para el Conocimiento y Uso de la Biodiversidad (CONABIO), 2020; iNaturalist, 2024a) donde usuarios pueden registrar observaciones y registros fotográficos de animales o plantas y que es parte de la red iNaturalist (iNaturalist, 2024b) así como aVerAves (CONABIO, 2008; CONABIO, 2020), donde observadores de aves registran sus avistamientos alimentando la plataforma de cobertura global eBird (Sullivan et al, 2009). Estas y otras iniciativas de ciencia ciudadana, así como agencias gubernamentales e instituciones educativas y de investigación de múltiples países, comparten su información sobre biodiversidad con la Global Biodiversity Information Facility (GBIF).

GBIF sólo recibe datos de instituciones participantes que han suscrito el compromiso de validar, curar, y organizar su información (Global Biodiversity Information Facility (GBIF), 2024a), además de ponerla en un formato estándar diseñado para promover la compatibilidad entre datos provenientes de distintas fuentes (Wieczorek et al., 2012). El rigor del proceso para contribuir datos a GBIF hacen que sea una fuente confiable de información, aunque ésta siempre debe ser validada por personas expertas (Maldonado et al., 2015). Por otro lado, la cantidad de instituciones que contribuyen a su acervo, así como su distribución alrededor del mundo (2 441 publicadores al 12 de febrero de 2024; GBIF,2024b), hacen de GBIF la mayor colección de registros sobre biodiversidad a nivel global almacenados bajo un formato común (Chandler et al., 2017; Soberón, 2022). Sin embargo, al recibir información de diversas fuentes como museos, colecciones biológicas y datos históricos, GBIF guarda registros de especies fósiles, especies que ya no se encuentran en el área donde fueron originalmente registradas, o simplemente que tienen su nomenclatura taxonómica desactualizada (Maldonado et al., 2015; Jin & Yang, 2020; Zizka et al., 2019). Por tal motivo es necesario realizar una curación de los registros descargados de dicha plataforma (Zizka et al., 2020). Contar con un método estandarizado y semiautomatizado que permita el acceso a datos de GBIF facilitaría la recopilación y uso de información de biodiversidad.

En este trabajo nos preguntamos si la información disponible en GBIF puede complementar inventarios biológicos realizados a través de monitoreos y muestreos en campo. Específicamente, nuestro objetivo fue analizar si datos de ocurrencia de especies descargados de dicha plataforma complementan listados de especies creados con trabajo de campo y reportados en la literatura, utilizando a las Aves como caso de estudio. Para responder esta pregunta, comparamos la complementariedad de listados de especies de aves publicados en artículos arbitrados con aquellos generados con información disponible en GBIF para las mismas áreas de estudio.

Con al menos 1 108 especies de aves, México ocupa el undécimo lugar entre los países con mayor diversidad de esta clase taxonómica (Berlanga et al., 2015; Navarro-Sigüenza, et al. 2014). Además de su riqueza, la facilidad de detección de diversas especies de aves contribuye a la realización de inventarios formales de este grupo taxonómico; por ejemplo, la participación de eBird ha hecho de las aves el grupo más representado en GBIF debido a su popularidad entre la sociedad (Troudet et al., 2017). Por tanto, consideramos que evaluar si los datos de GBIF complementan listados de aves publicados, puede ilustrar el potencial de dicha plataforma para complementar inventarios de taxones menos conspicuos en campo. Por ello, proporcionamos como material suplementario el código de R desarrollado para 1) obtener registros de ocurrencias de especies para cualquier área de interés, accediendo a GBIF, 2) limpiar dichos registros de posibles errores geográficos y de nomenclatura, y 3) generar listados de especies. Este código puede ser adaptado fácilmente para descargar registros de ocurrencias de cualquier lugar y grupo taxonómico.

Materiales y métodos

Realizamos una búsqueda de literatura dirigida para localizar artículos arbitrados que proporcionaran listados de especies de aves generados para áreas de estudio al interior de México. De cada artículo extrajimos la lista de especies reportada por los autores. En casos donde los listados fueron complementados a través de búsquedas de literatura, nos aseguramos de tomar únicamente los registros de especies identificadas a través de trabajo de campo. Además, extrajimos las coordenadas de la o las áreas de estudio de cada artículo; en casos en que las coordenadas no fueron reportadas o que la ubicación resultante no coincidiera con la mostrada en las figuras del área de estudio de los artículos, estimamos las coordenadas usando como guía dichas figuras. Utilizamos las coordenadas extraídas de los artículos, o las estimadas con sus figuras de estudio, para generar polígonos dentro de los cuales buscar ocurrencias de especies en GBIF. La cantidad de pares de coordenadas disponibles o estimadas de los artículos varió entre 1 y 6 (i.e. un sólo punto y un polígono irregular de 6 aristas). Para el caso de áreas de estudio identificadas por un sólo punto y dado que es necesario contar con un área definida para obtener las ocurrencias de especies registradas en su interior, generamos áreas (buffers) cuasi-circulares con un radio de 2.5 km. Para la realización de monitoreos de aves se recomienda la implementación de puntos de conteo separados entre 75-150 m o 250 m dependiendo de si son intensivos o extensivos, o de transectos que deben ser recorridos a una velocidad constante avanzando 100 m o 250 m cada 10 minutos (Ralph et al., 1996). Consideramos que un área circular con radio de 2.5 km es suficiente para establecer un monitoreo de aves tradicional que siga esas prácticas. Para el caso de áreas de estudio definidas por dos pares de coordenadas generamos el polígono rectangular mínimo alrededor del área de estudio (bounding box), ya que este polígono mínimo abarca por definición el área de estudio real. Para áreas de estudio con > 2 pares de coordenadas, generamos el polígono correspondiente para emular de manera más cercana el área donde los autores de esos estudios realizaron sus observaciones. Tanto los polígonos mínimos como aquellos generados para estudios que proporcionaron más de dos pares coordenadas, son representaciones cercanas de las áreas de estudio reales reportadas en los artículos consultados. Por tanto, decidimos no agregar buffers a esos casos, para minimizar el riesgo de descargar de GBIF registros de especies realizados fuera de las áreas de estudio reportadas en los artículos.

Una vez replicadas las áreas de estudio, utilizamos la función ‘occ_download’ del paquete ‘rgbif’ (Chamberlain et al., 2022) en el lenguaje de programación R versión 4.3.0 (R Core Team, 2023), para descargar de GBIF registros de aves al interior del polígono de cada área de estudio. Para esto proporcionamos a la función las coordenadas de cada polígono en formato WKT y especificamos que los registros a buscar 1) deberían ser de Aves, 2) deberían estar georeferenciados, 3) su información geoespacial no debería tener problemas, 4) deberían haber sido realizados después del año 1900, 5) deberían ser de individuos presentes al interior del polígono y 6) no deberían incluir registros fósiles. En el material suplementario se muestra la estructura del código utilizado y la manera en que estos argumentos fueron especificados.

La calidad de los datos disponibles en GBIF varía de acuerdo su fuente de origen en tres dimensiones principales: temporal, espacial, y taxonómica (Jin & Yang, 2020). Por ejemplo, los datos provenientes de una colección biológica depositada en algún museo pueden tener fechas de recolección incorrectas, errores en las coordenadas geográficas, nombres científicos desactualizados, entre otros. Además, debido a que GBIF concentra información de diversas fuentes, es común que existan registros de especies duplicados para una misma región. Por este motivo, revisamos y limpiamos los registros descargados de GBIF utilizando el paquete de R ‘bdc’ (Ribeiro et al., 2022a) siguiendo el protocolo descrito por Ribeiro et al. (2022b).

En resumen, el protocolo de limpieza de datos descargados de GBIF se divide en cuatro grandes pasos (Ribeiro et al., 2022b). En primer lugar, se realiza un prefiltrado para detectar y eliminar registros sin nombre científico, sin coordenadas o con coordenadas erróneas, o de naturaleza que no sea de interés para un listado de especies actuales en el área de estudio (e.g. fósiles), entre otros. En segundo lugar, se realiza una revisión taxonómica para asegurarse de que todos los registros tengan un nombre científico actualizado. Este paso identifica registros cuyos nombres científicos no pudieron ser identificados o actualizados por ‘bdc’; en caso de ocurrir, este tipo de registros los revisamos y cotejamos manualmente con los nombres reconocidos por el listado de aves de Norte y Centro América hasta su 63 ° suplemento (Chesser et al., 2022) y en caso de ser reconocidos por esa autoridad taxonómica los mantuvimos en los listados. Una consideración importante al usar datos de GBIF y otras bases de datos de biodiversidad es que las coordenadas geográficas de los registros de especies pueden ser inexactas (Maldonado et al., 2015). Por ejemplo, registros antiguos pudieron ser referenciados con el nombre de la localidad de observación y no con coordenadas, o bien no existe mayor referencia que el país de registro; el problema surge en que, al ser digitalizados, este tipo de registros pueden recibir las coordenadas del centroide geográfico del país o localidad de registro, o de la institución que alberga o digitalizó la observación (Zizka et al., 2019). Por tanto, el tercer paso consiste en una validación espacial de los registros; por ejemplo, que sus coordenadas no correspondan con la ubicación de museos, colecciones, o alguna otra institución reconocida. El último paso consiste en una validación temporal que identifica registros sin fecha o año de observación; además, es posible especificar la antigüedad de los registros a considerar (e.g. eliminar registros previos a cierto año). Después de aplicar este protocolo a los datos descargados para cada área de estudio, eliminamos registros duplicados, generando así un listado de especies únicas reportadas en cada área.

Desde el año 2002, la nomenclatura taxonómica de las Aves de Norte y Centro América es revisada y actualizada anualmente (American Ornithological Society, 2024). Debido a que los artículos encontrados en nuestra búsqueda fueron publicados a lo largo de tres décadas (1991-2022), sus listados fueron elaborados siguiendo normas taxonómicas distintas. Por tanto, a los listados disponibles en artículos les aplicamos el mismo protocolo de revisión y actualización taxonómica descrito arriba.

La actualización de nomenclatura taxonómica de los datos descargados de GBIF identificó un total de 425 registros de 334 subespecies, resaltando el potencial de la plataforma para proporcionar registros a nivel infraespecífico. En comparación, el mismo método de actualización sugirió tan sólo tres subespecies de entre todas las especies reportadas en los artículos consultados. Para comparar listados usando el mismo nivel taxonómico, eliminamos de los registros de GBIF aquellas subespecies cuyas especies estuvieran incluidas en el mismo listado (e.g. en caso de que un listado generado con datos de GBIF estuviera reportada Sporophila torqueola y S. t. morelleti, sólo dejamos la primera). Además, revisamos si alguna de las subespecies en cada listado generado con GBIF estaba reportada a nivel de especie en los listados de los artículos correspondientes; en caso de ser así, para que la comparación pudiera realizarse a nivel de especie, eliminamos del registro del GBIF el epíteto infraespecífico.

Finalmente, comparamos los listados de especies reportados en cada publicación con los descargados de GBIF (2023) con el índice de disimilitud de Sorensen (β_sor) y sus dos componentes (recambio β_sim y anidamiento β_sne) utilizando la función ‘beta.pair’ del paquete de R ‘betapart’ (Baselga et al., 2022). Elegimos el índice de Sorensen porque tanto éste mismo como sus componentes responden de manera lineal al traslape gradual en la composición de especies de las muestras comparadas, facilitando su interpretación (MacGregor-Fors et al., 2022a).

Resultados

Encontramos 22 artículos arbitrados publicados entre 1991 y 2022 que reportan listados de aves obtenidos a través de trabajo de campo en México (Tabla 1); uno de ellos reportó coordenadas y listados para tres localidades distintas (Mellink, 1991), por lo que obtuvimos un total de 24 listados para igual número de áreas de estudio. Después de limpiar y depurar los listados publicados, el número mínimo y máximo de especies reportadas como registros en campo varió entre 45 y 245. GBIF no contó con registros de aves para tres de las 24 áreas de estudio; por tanto, el menor número de especies disponibles en esa plataforma para las áreas de estudio fue de cero, pero el mayor fue de 435 (Tabla 1).

GBIF documentó la presencia de entre 26-232 especies más que las reportadas en artículos para 14 de las áreas de estudio (Tabla 1 y Fig. 1A), evidenciando el potencial de la plataforma para complementar inventarios avifaunísticos. Por otro lado, los listados publicados en artículos para 10 de las áreas de estudio contuvieron entre 12-114 especies más que las registradas en GBIF (Tabla 1 y Fig. 1A), resaltando el valor de los muestreos en campo para continuar documentando la riqueza biológica de áreas poco exploradas.

Fig. 1
A. Número de especies listadas en artículos y en GBIF para cada área de estudio para las cuáles se pudieron realizar comparaciones. B. Número de especies reportadas en ambas fuentes (compartidas) y suma de especies únicas reportadas entre ambas fuentes, ilustrando la riqueza adicional obtenida al combinar información entre fuentes. El eje Y se corresponde con el código ID en la Tabla 1. / Fig. 1. A. Number of species listed in papers and in GBIF for each study area for which comparisons could be made. B. Number of species reported in both sources (shared) and sum of unique species reported between both sources, illustrating the additional richness obtained when combining information from both sources. Values in the Y axis corresponds with the ID code in Table 1.

El número de especies registradas exclusivamente en los listados de los artículos varió entre 1 y 116, mientras que el número de especies registradas exclusivamente en GBIF, varió entre 0 y 246 (Tabla 1). Puesto de otra manera, los datos de GBIF aportaron hasta 246 especies a los listados reportados en los artículos consultados, mientras que las especies reportadas en publicaciones aportaron hasta 116 especies adicionales a las documentadas en GBIF (Fig. 1B). La cantidad de especies obtenida al combinar información de los artículos y de GBIF incrementó entre 1.6 y 464% comparada con la listada solamente en los artículos (Tabla 1).

El índice de disimilitud de Sorensen (β_sor) para las 21 áreas de estudio para las que GBIF tuvo especies registradas varió entre 0.15 y 1 (Tabla 1), mostrando que siempre hubo diferencias en la composición de especies entre listados. El valor menor de β_sor (= 0.15) se desprendió de la comparación entre los listados con la menor diferencia en su número de especies (124 en el artículo, 112 en GBIF; Tabla 1, ID 21); a pesar del similar número de especies reportadas para esa área en particular, la disimilitud estuvo explicada principalmente por recambio de especies (Fig. 2), mostrando una vez más la complementariedad entre fuentes de información. Por otro lado, el valor mayor de β_sor (= 1) indica que GBIF documentó para un área especies completamente distintas a las reportadas en el artículo. Además, β_sim (recambio) nunca fue 0 indicando que una fuente de información siempre listó especies que no estuvieron reportadas en la otra. De manera similar, β_sne nunca alcanzó un valor de 1, indicando que el anidamiento de especies entre fuentes de información nunca fue total.

Fig. 2
Disimilitud total en la composición de especies (βsor, barras enteras) entre listados publicados y aquellos generados con datos de GBIF. La porción negra y gris de cada barra representa la disimilitud por recambio de especies (βsim) y por anidamiento (βsne) respectivamente. Cada barra corresponde a un área de estudio, el eje Y hacen referencia al código ID en la Tabla 1. / Fig. 2. Total dissimilarity in species composition (βsor, full bars) between published lists and those generated with GBIF data. The black and gray portions of each bar represent dissimilarity by species turnover (βsim) and by nestedness (βsne) respectively. Each bar corresponds to a study area, values in the Y axis refer to the ID code in Table 1.

Discusión

La cantidad de especies reportadas para cada una de las áreas de estudio fue hasta 464 % mayor al combinar la información disponible en los artículos y en GBIF, que al considerar los registros de una sola fuente de información. De hecho, los registros disponibles en GBIF contribuyeron con hasta 246 especies a los listados reportados en los artículos. Por tanto, la información disponible en GBIF puede complementar con un número importante de especies la colectada a través de muestreos y monitoreos en campo.

Utilizar datos disponibles en GBIF para complementar esfuerzos de muestreo permite aprovechar el tiempo, esfuerzo y los recursos invertidos por instituciones nacionales y académicas para recolectar información. Por ejemplo, el costo promedio absorbido por CONABIO para adquirir datos primarios de biodiversidad es de aproximadamente $5 500 dólares americanos por proyecto apoyado (Soberón, 2022) y el costo promedio por digitalizar esa información para hacerla disponible a través plataformas es de $8 (Jiménez et al., 2016). GBIF también reúne datos recolectados por personas físicas. Actualmente, los registros de biodiversidad provenientes de plataformas de ciencia ciudadana representan al menos 60 % de las observaciones disponibles en GBIF (Groom et al., 2017), rebasando la cantidad de información generada a través de esfuerzos académicos formales. Por tal motivo, la información concentrada en GBIF es resultado de la suma de inversiones hechas por múltiples actores, por lo que puede contener registros de especies raras o poco comunes que monitoreos formales realizados por profesionales podrían no registrar (e.g. Zhou et al., 2020; citado por Ding et al., 2022).

Si bien se ha cuestionado la validez o el rigor de observaciones hechas por científicos ciudadanos (Aceves-Bueno et al., 2017), los observadores de aves que contribuyen a plataformas digitales tienen un grado de especialización en sus habilidades de identificación superior al de personas que no contribuyen (Randler, 2021). De hecho, los participantes más activos suelen tener un grado alto de especialización (Rosenblatt et al., 2022). Por tanto, se puede considerar que los registros de aves contenidos en esas plataformas son confiables. Sin embargo, plataformas como iNaturalist introducen incertidumbre a las coordenadas geográficas de registros de especies amenazadas con la finalidad de protegerlas, limitando el uso de esos datos (Contreras-Díaz et al., 2023). Por tanto, los usuarios deben tomar medidas necesarias para incrementar la confianza en los datos descargados desde plataformas digitales, por ejemplo, teniendo conocimiento de sus políticas de manejo de datos y aplicando los filtros necesarios a la información obtenida.

El potencial de los datos en GBIF para complementar esfuerzos de campo variará por grupo taxonómico. Por ejemplo, las aves están híper-representadas en GBIF, mientras que muchos otros grupos taxonómicos como los insectos están severamente sub-representados (Troudet et al., 2017); por tanto, la cantidad de información disponible para complementar esfuerzos de campo es distinta para cada taxón. Por otro lado, para tener una certidumbre alta en la identificación de algunos grupos taxonómicos hecha por científicos ciudadanos a través de registros fotográficos, es necesario el consenso de al menos 5 personas (Swanson et al., 2016). Sin embargo, la plataforma iNaturalist requiere del consenso de tan sólo 2-3 personas para otorgar el “grado académico” a las identificaciones hechas por sus usuarios (iNatHelp, 2024), grado con el cual la observación pasa a ser reportada a GBIF (2012). Posiblemente debido a esto, la identidad de algunos anfibios y reptiles registrados en GBIF a través de iNaturalist es errónea (JLAL, observación personal). Salvo por grupos de especies con apariencia muy parecida entre sí, la identificación de aves en plataformas de ciencia ciudadana es generalmente correcta (Gorleri et al., 2023); por tanto, los registros de fauna no aviar disponibles en GBIF podrían requerir una validación más cuidadosa, especialmente si provienen de plataformas de ciencia ciudadana.

Los datos disponibles en GBIF son útiles e informativos para ciertas tareas, pero no sustituyen los monitoreos formales realizados por profesionales (Danielsen et al., 2005; Kamp et al., 2016). De hecho, nuestros resultados muestran que la complementación de listados es bidireccional: los listados contenidos en los artículos enriquecieron con al menos una y hasta 116 especies los generados con registros de GBIF. Si bien GBIF constituye el mayor repositorio de datos de biodiversidad a nivel global, puede continuar siendo alimentado. A pesar de que las aves son uno de los grupos con más registros en GBIF, algunas de las áreas de estudio consultadas tienen pocos registros o ninguno, ilustrando que quedan zonas que no han sido suficientemente muestreadas (Hughes et al., 2021), o que la información existente no ha llegado a la plataforma. Por ejemplo, diez de los artículos consultados listan especies no documentadas en GBIF para sus áreas de estudio por lo que su información podría ser un gran aporte a la plataforma. De manera similar, observaciones de biodiversidad reportadas en Facebook, que no fue diseñado para recopilar ese tipo de información, contienen registros que complementan la información disponible en GBIF (Chowdhury et al., 2023). Por tal motivo, queremos resaltar la importancia de continuar realizando muestreos de campo cuando la situación lo requiera y los recursos lo permitan, haciendo simultáneamente un llamado a incorporar la información colectada a plataformas de datos abiertos, especialmente la pertenecientes a regiones o grupos taxonómicos subrepresentados (Troudet et al., 2017), para contribuir a subsanar los sesgos geográficos y taxonómicos de la información disponible en GBIF y para que la información arduamente generada enriquezca el acervo de datos abiertos y sea accesible a todo el público.

Los datos que se contribuyen a GBIF no necesitan contener grandes números de registros o de especies. Por ejemplo, el juego de datos “Biodiversidad selecta de los humedales de Laguna de Términos-Pantanos de Centla (Aves)” (Arriaga-Weiss, 2024) reporta únicamente dos especies de aves recolectadas y preservadas en 1998. Estos datos han sido descargados más de 6 000 veces y tienen 30 citas. De manera similar, los datos en GBIF tampoco necesitan provenir de esfuerzos de muestreo prolongados. Por ejemplo, el juego de datos “Mycoblitz 2017-IRBV et Cercle des Mycologues de Montréal” (GBIF, 2022) consiste en 134 ocurrencias de macro hongos colectados durante sólo 3 horas de un sólo día en el Parc des chutes de Saint-Ursule en Quebec, Canadá (Archambault y Sinou, 2017). Este juego de datos ha sido descargado más de 6 000 veces y ha sido citado en 26 ocasiones.

Nuestros resultados demuestran una vez más que combinar datos disponibles en GBIF con los de otras fuentes resulta en inventarios biológicos más completos (de Araujo et al., 2022). Nuestro trabajo no tuvo como objetivo comparar cuál fuente (GBIF o artículos) proporciona inventarios más o menos completos, sino analizar el potencial que los datos en GBIF tienen para complementar inventarios publicados. Por tanto, el uso del año 1900 como umbral a partir del cual descargar registros, tuvo la intención de aprovechar la mayor cantidad de información acumulada en GBIF para cada área de estudio.

El proceso de generación de listados de especies utilizando registros de GBIF con el código proporcionado en el material suplementario toma sólo unos minutos, por lo que este trabajo no sólo ilustra la posibilidad de complementar inventarios biológicos utilizando datos abiertos, sino que facilita el acceso y recopilación de información sobre biodiversidad que ecólogos, estudiantes y prestadores de servicios profesionales en materia ambiental realizan rutinariamente, reduciendo el tiempo necesario para esta tarea. Sin embargo, los listados generados usando datos de GBIF deben ser revisados cuidadosamente para evitar la comisión de errores (Maldonado et al., 2015), e idealmente no deberían usarse en sustitución de monitoreos de campo, sino como complemento de inventarios derivados de trabajo de campo formal.

Declaración de ética: los autores declaran que todos están de acuerdo con esta publicación y que han hecho aportes que justifican su autoría; que no hay conflicto de interés de ningún tipo; y que han cumplido con todos los requisitos y procedimientos éticos y legales pertinentes. Todas las fuentes de financiamiento se detallan plena y claramente en la sección de agradecimientos. El respectivo documento legal firmado se encuentra en los archivos de la revista.

Ver material suplementario

Agradecimientos

Agradecemos a Tereso Hernández Morales por su apoyo en la desambiguación de nombres científicos no resueltos por ‘bdc’, así como a Rafael Rueda Hernández por probar el código disponible en el material suplementario y por sus comentarios sobre el mismo. Gracias a cuatro revisores anónimos cuyos comentarios ayudaron a mejorar este manuscrito.

Referencias

Disponibilidad de datos

Fechas de Publicación

Histórico