Buenas prácticas para generalizar datos de especies sensibles en registros biológicos

Chapman AD (2020) Buenas prácticas actuales para generalizar datos de especies sensibles. Copenhagen: GBIF Secretariat. https://doi.org/10.15468/doc-5jp4-5g10.

Arthur D. Chapman

Este documento Buenas prácticas actuales para la generalización de datos de registros biológicos de especies sensibles se publica bajo una licencia Creative Commons Atribución-CompartirIgual 4.0 Internacional.

https://doi.org/10.15468/doc-5jp4-5g10

Version 1.0, noviembre del 2020

Basado en la publicación anterior de Chapman AD & Grafton O (2008) Guide to Best Practices for Generalising Sensitive Species-Occurrence Data. Copenhagen: GBIF Secretariat. https://doi.org/10.15468/doc-b02j-gt10.

Bajo la superficie, Wollemi National Park, Australia. Foto 2015 Vern vía Flickr, licenciada bajo CC BY-NC-ND 2.0.

El objetivo de este documento es proporcionar las buenas prácticas (o las buenas prácticas actuales) para tratar los datos de presencia de especies sensibles, y orientar sobre cómo poner a disposición la mayor cantidad de datos sin que la especie se vea expuesta por el hecho de que los datos se hayan puesto en el dominio público.

Ha pasado más de una década desde que se publicó la primera Guía y esta nueva publicación está diseñada para actualizar esas prácticas e incorporar las experiencias adquiridas por las instituciones que han aplicado la Guía en su totalidad o parcialmente.

Este documento está destinado a quienes necesitan o desean saber cuál es la mejor manera de poner a disposición de los interesados la mayor cantidad posible de datos sobre taxa sensibles sin que esa publicación perjudique a la especie. También, está dirigido a las personas u organizaciones que se enfrentan a la elaboración de una política sobre el tratamiento de datos primarios de especies sensibles y a la redacción de documentación interna coherente con las buenas prácticas actuales.

Sobre todo, este documento ayudará a los usuarios finales de los datos a entender las implicaciones de intentar utilizar registros que pueden haber sido generalizados para proteger especies sensibles y sobre cómo entender el significado de la generalización a diferentes precisiones.

El término "buena práctica" generalmente se refiere a la mejor manera posible de hacer algo. Habitualmente se utiliza en los campos de la gestión empresarial, la ingeniería de software, la medicina y, cada vez más, en la administración pública. El término "buena práctica actual" es más específico en el sentido de que indica la posibilidad de futuros desarrollos y buenas prácticas. Debido a la inmadurez de este tema, esta publicación se refiere en general a la buena práctica "actual" y seguramente madurará con el tiempo, a medida que más instituciones adopten y adapten los principios aquí expuestos.

Dos asuntos que no se han tratado en este documento, ni en el anterior, son los asuntos relativos a la privacidad de las personas vivas y la elaboración de acuerdos de intercambio y licencia de datos. Ambos asuntos tienen implicaciones legales y varían considerablemente de una jurisdicción a otra. Estos asuntos han sido tratados en detalle por otros (p. ej., Corti et al. 2000, Parry y Mauthner 2004, GBIF 2017, GBIF 2019, ALA 2018b, OEH 2019b).

La ética y la biodiversidad es un tema que se ha discutido poco, aunque durante cientos de años los biólogos han seguido una ética implícita en su trabajo. La gestión de los datos sensibles requiere una práctica ética considerable y, en muchos casos, mucha confianza y colaboración. A menudo, los biólogos aficionados y los científicos ciudadanos conocen la ubicación de los taxa sensibles y depende de los biólogos colaborar con estos grupos para garantizar la supervivencia de la especie. Esto no siempre será posible, ya que siempre habrá personas mal intencionadas, pero la colaboración puede funcionar. Por ejemplo, trabajar con grupos de aficionados para cultivar plantas raras de manera ética, de modo que se ejerza menos presión sobre las poblaciones silvestres.

La arqueología lleva mucho tiempo tratando con estas cuestiones. Como explica Alison Wylie (1996),

Diecinueve años después los arqueólogos siguen luchando, como señalan Frank et al. (2015) al analizar los resultados de 62 entrevistas a arqueólogos y zoólogos realizadas por ellos. Llegaron a la conclusión de que "los investigadores preferirían, en general, restringir el acceso del público general a sus datos, pero mantener los datos abiertos para los colegas", al tiempo que se dieron cuenta de las grandes dificultades para gestionar dicho proceso.

Esta publicación se centra, en gran medida, en los datos de presencia de especies sensibles (p. ej., datos de especímenes de museos y herbarios, observaciones, imágenes, datos de seguimiento), pero tiene repercusiones en los datos relacionados, como el tamaño, el número y la viabilidad de las poblaciones, los hábitats y los ecosistemas, la biogeografía, los rasgos, las capturas accidentales, la bioseguridad, etc.

Este documento sólo analiza la sensibilidad de los taxa y no la sensibilidad relacionada con cuestiones como la tierra o la privacidad personal. Las distintas jurisdicciones nacionales y estatales tienen legislaciones diversas en lo que respecta a la tierra y a la privacidad personal. Sin embargo, teniendo esto en cuenta, recomendaría seguir los mismos principios de generalización recomendados en esta publicación siempre que sea posible, en lugar de otros métodos como la aleatorización.

La National Biodiversity Network (NBN) del Reino Unido (Countryside Agencies OIN 2007) y el Department of Environment and Conservation in New South Wales, Australia (Department of Environment and Conservation 2007) desarrollaron criterios de sensibilidad detallados, el trabajo de esas dos organizaciones influyó en gran medida en la versión anterior de esta publicación (Chapman and Oliver 2008). Desde la publicación de la Guía anterior, estas dos organizaciones (DECCW 2009, NBN 2019a, NBN 2019b, OEH 2019a) junto con el South African National Biodiversity Institute (SANBI 2010, SANBI 2016), el Atlas of Living Australia (ALA 2018a) y otros, han reflexionado mucho sobre los criterios para determinar la sensibilidad. La documentación de todos estas organizaciones ha contribuido en gran medida a este documento.

En la Tabla 1 se exponen una serie de criterios para determinar la sensibilidad de los taxa y los datos, junto con enunciados de metadatos recomendados para documentar las razones de la determinación. Los dos primeros son para uso de los titulares de datos de biodiversidad y de quienes crean listados de taxa potencialmente sensibles, y se refieren en gran medida a los propios taxa. Las dos últimas son para uso de los titulares de datos sobre biodiversidad y se refieren a una evaluación de los datos que poseen y que están considerando poner a disposición pero no son adecuadas para la creación de listados derivados.

Los criterios se usan para determinar:

En el Anexo de este documento se adjuntan un conjunto de escenarios utilizando los Criterios 1 y 2 de la tabla anterior para determinar los desencadenantes de la sensibilidad de los taxa.

El primer paso en el proceso de determinación de la sensibilidad es hacer una evaluación sobre si el taxón está o no sujeto a una actividad humana perjudicial y si la disponibilidad de datos de biodiversidad relacionados aumentará la probabilidad de que ocurra la actividad perjudicial.

Si no es así, no parece haber ninguna razón para incluirlo en la lista de taxa potencialmente sensibles desde el punto de vista ambiental. Se recomienda utilizar el enunciado proporcionado en la documentación, pero con un apoyo racional adicional que documente los aspectos específicos de la amenaza, por ejemplo:

El siguiente paso es determinar si el taxón es sensible a ese daño humano o si es suficientemente robusto para no verse afectado negativamente.

Una vez que se ha decidido que el taxón está sujeto a un riesgo significativo y a impacto del daño o no, entonces hay que decidir si la publicación de datos específicos sobre ese taxón, u otros datos relacionados, aumentará el riesgo y el impacto del daño.

El último paso es llevar a cabo una evaluación global basada en los tres criterios anteriores y documentar la decisión global utilizando la combinación de la información que ha sido documentada al tomar cada una de las decisiones anteriores. Una vez que se ha determinado si los datos deben o no deben ser liberados, entonces es importante que se tome una decisión sobre la Categoría de sensibilidad y el nivel de generalización para la liberación de los datos.

En la encuesta en línea (Chapman 2006), varios encuestados señalaron que los datos pendientes de publicación, los datos sujetos a investigación en curso y los datos incompletos o no revisados eran datos que clasificarían como sensibles y por tanto, sujetos a restricciones de publicación. Se trata de datos cuya sensibilidad tiene un plazo de tiempo corto y es importante que se documente claramente el plazo de publicación o revisión. Lo más probable es que entren en el criterio anterior 3.3 y se documenten en consecuencia, con la justificación de "en espera de publicación", etc.

Las categorías de sensibilidad se basan en gran medida en las de NSW Office of Environment and Heritage (DECCW 2009).

Algunas de las personas que respondieron a la encuesta en línea (Chapman 2006) registraron que aleatorizaban los datos en lugar de generalizar. Las razones para no aleatorizar incluían el trabajo y el cálculo extra que suponía, el aumento de la posibilidad de cometer errores y la menor fiabilidad que los usuarios podrían depositar en los datos.

Algunos de los encuestados afirmaron que se sentían cómodos mostrando la presencia/ausencia de datos sensibles dentro de grandes polígonos o cuadrículas, porque seguían reflejando los datos reales, pero se horrorizaban ante la idea de "falsear" deliberadamente las coordenadas de los puntos de manera que las ubicaciones parezcan representaciones precisas, pero estén desplazadas aleatoriamente de los datos reales, es decir, que representen la introducción deliberada de errores. Mientras que la generalización crea/conserva datos "verdaderos", la aleatorización crea datos deliberadamente "falsos".

En el campo de la minería de datos y de la protección a la privacidad (incluida la privacidad individual en los datos de censos), se considera generalmente que la generalización ascendente ("bottom-up") es mucho más práctica y científicamente justificable que la aleatorización (ver, por ejemplo, Wang et al. 2004, Dalvi and Keole 2015).

Otras ventajas de la generalización es que:

Uno de los requisitos más comunes para generalizar la información sensible sobre biodiversidad es generalizar la localidad espacial o las coordenadas geográficas (Chapman y Wieczorek 2020). Tradicionalmente esto se ha hecho de muchas maneras y ha habido poca consistencia en las metodologías y muy poca documentación sobre lo que se ha hecho en cada caso. Esto ha reducido considerablemente el valor de los datos para el análisis y a menudo los usuarios no son conscientes de que los datos han sido modificados.

La generalización (al menos en un sentido espacial) suele ser de uno de dos tipos, concretamente:

Muchas de las personas que respondieron a la encuesta (Chapman 2006) defendieron la simplicidad de la generalización a una grilla. Las razones que se dieron fueron, entre otras, las siguientes:

La generalización a una cuadrícula, al tiempo que protege las ubicaciones exactas de los taxa sensibles, también proporciona datos en un formato que sigue siendo utilizable para la mayoría de los usuarios, especialmente cuando se utiliza una cuadrícula estándar.

La figura 1 muestra dos métodos que se utilizan habitualmente para grillar los datos. El primero (recomendado aquí) es una grilla geográfica (p. ej., grillas cartográficas como las basadas en coordenadas geográficas), el segundo, una grilla métrica (p.ejm. Europe Equal Area Grid 2001, EPSG:19986). Para conocer cómo debe tratarse cada una de estas con respecto a la determinación de la ubicación y la incertidumbre, ver Chapman y Wieczorek (2020). Recomendamos el uso de una grilla geográfica, como se discute a continuación, debido a la facilidad de preparación y documentación y porque los datos biológicos que se comparten a través del estándar Darwin Core (Wieczorek et al. 2012) tendrían que ser convertidos de una grilla métrica a una grilla geográfica antes de la publicación, con la consiguiente pérdida de precisión. Sin embargo, como se señala en Chapman y Wieczorek (2020),

Cuando los datos se generalizan a una región geográfica o biogeográfica (un polígono), los datos tienen menos utilidad para muchos análisis, pero fueron considerados por muchos como una forma más segura de "ocultar" ubicaciones de datos sensibles. Actualmente, GBIF.org sólo tiene una capacidad limitada para incorporar datos de polígonos. Este método guarda cierto paralelismo con la comunicación de los resultados del censo en muchos países, donde los resúmenes se comunican utilizando áreas locales estadísticas o secciones de censo para restringir la posible identificación de los individuos (Australian Bureau of Statistics 2006). Una diferencia clave es que con los datos del censo los resultados se resumen sobre muchos individuos dentro de una región, mientras que con los datos biológicos queremos ocultar la ubicación de un solo ente dentro de un área. De hecho, si se produce un resumen, pero esta no es la intención principal. Uno de los problemas de este método es que no hay garantía de que las fronteras políticas (o incluso biogeográficas) se mantengan constantes a lo largo del tiempo, lo que reduce aún más el valor de los datos para muchos fines. Ya se ha comprobado que esto es un problema al comparar los datos del censo a lo largo del tiempo cuando los distritos o tramos de censo han cambiado. (Noble et al. 2011).

Si se dan georreferencias para datos que se generalizan a una región biogeográfica o política, el resultado puede ser bastante engañoso: una especie costera, por ejemplo, puede acabar con una georreferencia que está a cientos de kilómetros tierra adentro, lo que reduce la utilidad para el análisis o la limpieza de datos. Poner a disposición estos datos sin la documentación adecuada puede llevar a resultados bastante desastrosos para los usuarios. En algunos casos es mejor no suministrar una georreferencia, pero si se suministra una, la documentación debe ser clara, con un radio de incertidumbre grande o un ajuste espacial bien documentado (ver la discusión en Ajuste espacial más abajo).

Good practice dictates that whatever you do to generalize the data that you document it so that users of the data know what reliance they can place in it. Note, that when documenting what has been done, it is essential that both the coordinates and the coordinate uncertainty in meters be recorded. How this is best done can be seen in the Georeferencing Quick Reference Guide (Zermoglio et al. 2020).

Se recomienda que los proveedores de datos que generalicen sus datos lo hagan utilizando una metodología estándar (ver más abajo) y que lo documenten debidamente. Dado que la mayoría de los datos de biodiversidad se ponen a disposición de los usuarios utilizando grados decimales (Chapman and Wieczorek 2020), el método recomendado significa que protocolos como el Darwin Core (Wieczorek et al. 2012) no necesitan ser modificados, salvo para permitir una documentación adecuada de los metadatos.

El método recomendado a continuación permite varios niveles de generalización que se ajustan a las Categorías 1-4 descritas en la Tabla 1.

El método recomendado para la generalización es:

El South African National Biodiversity Institute, al aplicar en gran medida los criterios establecidos en el documento anterior (Chapman y Grafton 2008), ha implementado sólo dos categorías (SANBI 2010, SANBI 2016): los datos originales no generalizados y los datos generalizados a un cuarto de grado (0.25 grados (QDS)). Creemos que esta es una generalización más difícil de implementar y, a menos que esté completa y claramente documentada, podría llevar a un nivel de precisión engañoso. Además, reduce la flexibilidad que ofrece el método de cuatro categorías anterior.

Es importante documentar el método y el nivel de generalización para que los usuarios sean conscientes de lo que se ha hecho con los datos y de la fiabilidad que pueden depositar en ellos. Actualmente, ni Darwin Core ni los protocolos ABCD proporcionan campos para los metadatos recomendados. Se ha propuesto que estos protocolos se modifiquen para que acepten dichos metadatos (véase Epílogo), pero mientras tanto, se recomienda que la información se registre utilizando los términos existentes de Darwin Core a nivel de registro (p. ej., dwc:informationWithheld, dwc:dataGeneralizations o cualquiera de los campos "Remarks").

En cuanto a la generalización de los datos de georreferenciación es importante registrar que los datos se han generalizado utilizando una "grilla en grados geográficos decimales" y registrar ambas:

Las recomendaciones de metadatos para su inclusión en el Elemento de ubicación Darwin Core (TDWG 2018) se exponen en el Epílogo. Una vez que se hayan adoptado (o algo similar), se recomienda registrar los campos adecuados y distribuirlos con los datos.

Con las plantas especialmente y con otros taxa (como los insectos), los colectores suelen reunir varios especímenes (duplicados o partes de conjuntos). Normalmente del orden de cuatro a seis, aunque se han citado ejemplos de más de 80 (Paul Morris 2007, comunicación personal, abril). Estos duplicados o partes de conjuntos suelen enviarse a muchas instituciones de todo el mundo. Un problema que surge es que las instituciones de origen pueden perder el control de lo que ocurre con la información (incluida la información sobre la localidad) distribuida a las colecciones de esas instituciones secundarias, recordando que los duplicados pueden haber sido distribuidos antes de que el taxón sea identificado como sensible.

En la mayoría de los casos, este intercambio de información no supone un problema, pero en el caso de los taxa sensibles suele serlo. Es posible que la institución secundaria no sepa qué se considera "taxa sensibles" en la jurisdicción de la institución de origen o que no haya señalado esa información. La sensibilidad no siempre es una información que pueda distribuirse junto con las colectas, ya que puede que no se sepa hasta mucho más tarde que la especie está en peligro y/o es sensible. Esta cuestión es difícil, ya que etiquetar simplemente un taxón como sensible puede no ser la respuesta: un taxón puede estar en peligro de extinción en su zona nativa (y por tanto ser sensible) y puede ser una hierba mala o una plaga en otras zonas, siendo la información sobre la localidad importante para su control en ambos casos.

La identificación de duplicados entre instituciones no es fácil, pues, especialmente en el caso de las colecciones históricas y heredadas, a menudo es difícil determinar los especímenes duplicados. Algunas instituciones, como Centro de Referência em Informação Ambiental (CRIA) en Brasil en su proyecto speciesLink y el Atlas of Living Australia, utilizan la coincidencia a través de una serie de campos como el número de colector, la fecha y la localidad, mientras que GBIF está desarrollando un algoritmo para el agrupamiento de datos. Sin embargo, actualmente no se dispone de un sistema global universal. El uso de identificadores únicos, persistentes y resolubles, Identificadores Globales Únicos (GUID) (Page 2009, Richards 2010, Richards et al. 2011) ayudará a estos procesos a largo plazo, pero la implementación de GUID a nivel de espécimen todavía parece estar lejos. Una publicación reciente de Nelson et al. 2018 hace una serie de recomendaciones sobre la acuñación, la gestión y el intercambio de GUID para especímenes de herbario, pero hasta que estas técnicas se adopten más ampliamente, la identificación de duplicados entre instituciones seguirá siendo un problema.

El término metadatos se ha utilizado generalmente para referirse a la documentación de un conjunto de datos por completo. Los comentarios se refiere solo a la documentación a nivel de registro. Sin embargo, es preferible llamar a ésta documentación metadatos a nivel de registros para formalizar el proceso. En el capítulo anterior se recomendó que, cuando los datos se generalicen para su distribución, se documente el nivel de generalización, por ejemplo, que los datos se han generalizado utilizando una grilla geográfica decimal y que se registre tanto la precisión de los datos proporcionados como la precisión de los datos "como están mantenidos" o almacenados. Asimismo, en el capítulo sobre Determinación de la sensibilidad, se recomendaron una serie de procesos de documentación (Tabla 1). Algunos de ellos pueden ser más apropiados para documentar las razones por las que se considera un taxón como potencialmente sensible desde el punto de vista medioambiental (Criterios 1 y 2), mientras que los otros (Criterios 3 y 4) son apropiados para los datos en sí mismos y forman parte de los metadatos más amplios a nivel de registro. Sin embargo, para documentar por completo las razones para restringir los datos, puede ser necesario heredar la documentación de los Criterios 1 y 2 al nivel de registro, por ejemplo, la razón por la que se restringen los datos puede incluir que el taxón está sujeto a una actividad humana perjudicial.

Por el momento, ni el estándar Darwin Core ni el ABCD tienen campos para registrar el tipo de metadatos a nivel de registro que se recomienda aquí. Se han hecho una serie de recomendaciones a Biodiversity Information Standards (TDWG) para la inclusión de campos adicionales en el Elemento de ubicación del Darwin Core (TDWG 2018) y se enumeran abajo en el Epílogo.

Hasta que se modifiquen estos estándares y protocolos, se recomienda documentar los datos utilizando los actuales términos del Darwin Core a nivel de registro (p.ej., dwc:informationWithheld, dwc:dataGeneralizations o cualquiera de los campos "Remarks") y, en la medida de lo posible, registrar el mismo tipo de información que se incluiría en los campos recomendados, por ejemplo, que:

Al documentar las restricciones de acceso en los metadatos a nivel del conjunto de datos, se puede incluir algo como:

El ajuste espacial (Chapman y Wieczorek 2006, 2020) es un concepto que ha surgido del proyecto BioGeomancer (Guralnick et al. 2006) y proporciona una medida de qué tan bien coincide una representación geométrica con la representación espacial original. El ajuste espacial tiene un valor de cero, uno o mayor que 1, donde 1 representa una coincidencia exacta (es decir que los datos no se han generalizado). Los detalles sobre cómo se puede calcular el ajuste espacial se pueden encontrar en Chapman y Wieczorek (2006, 2020), donde también se puede encontrar el siguiente resumen:

Con respecto a la generalización de los datos, el ajuste espacial puede considerarse como un Coeficiente de Generalización (es decir, hasta qué punto se ha generalizado un registro) una relación entre el área generalizada y el área real.

Un ejemplo de su aplicabilidad es cuando se pone a disposición una georreferencia con un radio de incertidumbre de 1 km (utilizando el método de radio-punto (Wieczorek et al. 2004)) utilizando una grilla de 10 km² (que cubre completamente la incertidumbre). En este caso el ajuste espacial sería mayor que 1 pues representa un área mayor que la incertidumbre real (como se muestra en la Figura 2).

Cuanto más pequeño sea el tamaño de la grilla, más se acercará el ajuste espacial a '1'. Note que un registro que tenga su georreferencia aleatorizada o generalizada de forma que una parte del radio de incertidumbre quede fuera del cuadrado de la cuadrícula tendría un ajuste espacial igual a cero.

Los datos ya están distribuidos por todo el mundo a través de duplicados de especímenes, etc. y aunque los datos pueden estar restringidos en algunas instituciones, otras que tienen duplicados pueden estar divulgando la misma información. Esto puede deberse al desconocimiento de lo que puede considerarse sensible en las zonas de origen del taxón en cuestión, ya que actualmente no se dispone de una lista universal de lo que se considera "sensible". Las dificultades se ven agravadas por el hecho de que un taxón puede ser sensible en una zona, pero no en otra (e incluso puede ser una especie de maleza o plaga invasora en la segunda ubicación). Si hay datos idénticos disponibles públicamente a través de otras fuentes, no pueden considerarse sensibles (Australian Government 2016).

Por estas razones, se ha recomendado la creación de una listado de taxa potencialmente sensibles desde el punto de vista medioambiental y su vinculación a través de la Backbone Taxonomy de GBIF. Esto tendría la ventaja de alertar a los proveedores de datos de otras jurisdicciones de que una especie es potencialmente sensible y a través de Backbone Taxonomy proporcionaría enlaces a sinónimos. Es importante señalar que la lista debe considerarse como un elemento desencadenante para señalar la necesidad de tomar una decisión sobre la sensibilidad real de compartir información utilizando los criterios del capítulo anterior y no para generar restricciones generales. No todas las especies amenazadas lo están por el conocimiento de su ubicación o están amenazadas en la totalidad de su área de distribución, por lo que no deberían considerarse sensibles per se y, por tanto, la lista de posibles taxa sensibles desde el punto de vista medioambiental debería ser mucho menor que cualquier lista existente de especies raras y amenazadas.

Esta lista debe crearse usando los Criterios 1 y 2 y los escenarios del Anexo 1 e incluir información adicional como:

Las jurisdicciones también pueden desear mantener un listado similar para sus propios fines y se recomienda que, si lo hacen, incluyan la información anterior en todos los casos. La ventaja de hacer que la información esté disponible de forma más amplia es que alertará a otros custodios de datos de que su jurisdicción considera el taxón como potencialmente sensible y alertará a los usuarios de que deben tener en cuenta la sensibilidad al publicar los resultados de sus análisis, etc.

Se han hecho una serie de recomendaciones a Biodiversity Information Standards (TDWG) para la inclusión de campos adicionales a la Elemento de ubicación Darwin Core (TDWG 2018). Las recomendaciones incluyen: