GBIF España/Spain

🦀 GBIF.org organiza una nueva sesión del Data Use Club dedicada a las buenas prácticas para el uso de datos accesibles a través de GBIF.
Es una oportunidad estupenda para aprender de especialistas, seguir la mesa redonda y plantear preguntas en directo.

📅 11 de marzo de 2026
🕒 15:00–16:30 CET 👇

Foto: Anemonoides trifolia. Autor: Antón Vázquez (https://spain.inaturalist.org/people/antonva). Licencia: CC BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/)

Mapa de distribución de las observaciones de Anemonoides trifolia en Natusfera/iNaturalist

Gráfica de observaciones de Anemonoides trifolia en el tiempo

𝐴𝑛𝑒𝑚𝑜𝑛𝑜𝑖𝑑𝑒𝑠 𝑡𝑟𝑖𝑓𝑜𝑙𝑖𝑎 en Pontevedra. Bajo sus flores blancas se esconde una red de densos rizomas horizontales que crece lentamente y puede vivir décadas, formando clones longevos que florecen cada primavera: #observacióndelasemana 📸
🟢 spain.inaturalist.org/observations...

Foto de la visita de los participantes en la reunión intermedia de WildINTEL (wildintel.eu) 📸 al Real Jardín Botánico, en Madrid. Terraza de los bonsáis

Foto de la visita de los participantes en la reunión intermedia de WildINTEL (wildintel.eu) 📸 al Real Jardín Botánico, en Madrid. Invernadero Santiago Castroviejo

Foto de la visita de los participantes en la reunión intermedia de WildINTEL (wildintel.eu) 📸 al Real Jardín Botánico, en Madrid

Foto de la visita de los participantes en la reunión intermedia de WildINTEL (wildintel.eu) 📸 al Real Jardín Botánico, en Madrid

La segunda jornada de la reunión intermedia de WildINTEL (wildintel.eu) 📸 se completó con un recorrido por el Real Jardín Botánico #RJB @wildintel.bsky.social

Las infraestructuras de datos de biodiversidad: mucho más que catalogar especies Sin portales nacionales bien organizados, una parte enorme de la información sobre biodiversidad nunca llega a la ciencia ni a quienes toman decisiones de conservación

GBIF, el portal de datos de biodiversidad más importante del mundo, depende de lo que cada país aporte Sin infraestructuras nacionales sólidas, GBIF recibe datos fragmentados y poco armonizados. Fortalecer los portales nacionales es la única forma de que la ciencia global funcione bien. Imagen: página de inicio de GBIF.ORG

Diez funciones, un objetivo: que los datos de biodiversidad sirvan de verdad Digitalizar colecciones locales, conectar ciencia con política, acercar los datos a la ciudadanía… son tareas que los grandes portales internacionales no pueden financiar ni gestionar desde arriba. Requieren infraestructuras de datos propias, a escala nacional. Figura: 10 funciones esenciales de las infraestructuras nacionales de datos sobre biodiversidad: Infraestructuras nacionales de datos de biodiversidad Proveedoras de infraestructura base | Facilitadoras de la movilización de datos Facilitadoras de la digitalización nacional coordinada | Embajadoras de la aplicación de estándares Servicios de apoyo locales para el uso de infraestructuras internacionales | Facilitadoras del vínculo entre evaluaciones y taxonomías regionales Centro de datos de ciencia ciudadana nacional | Mediadoras en cuestiones legales Plataformas de control de calidad, integración y análisis de datos | Instrumento de lobbying y captación de financiación nacional

Portales de datos de biodiversidad nacionales: el mismo reto, contextos muy distintos Sin infraestructuras nacionales que armonicen y publiquen datos en formatos estándar, los compromisos del Marco de Kunming-Montreal se quedan sin evidencia que los respalde. Imagen: montaje de imágenes de páginas de inicio de portales de datos de biodiversidad nacionales

¿Qué necesitan los países para gestionar bien sus datos de #biodiversidad? Un nuevo artículo en BioScience propone 10 funciones esenciales para las infraestructuras nacionales de datos, fundamentales para alimentar portales globales como @gbif.org:
▶️ doi.org/10.1093/bios... #CiteTheDOI

Participantes en la reunión intermedia del proyecto WildINTEL (https://wildintel.eu/) en el RJB, 4 de marzo de 2026

Participante en la reunión intermedia del proyecto WildINTEL (https://wildintel.eu/) en el RJB, 4 de marzo de 2026

Participantes en la reunión intermedia del proyecto WildINTEL (https://wildintel.eu/) en el RJB, 4 de marzo de 2026

Hoy en WildINTEL (wildintel.eu) 📸 en el RJB:
⛲ Fuentes de datos
🛰️ LiDAR de alta resolución
🌍 GEE‑PICX para índices de vegetación
📊 Parámetros ecológicos y #EBV
💽 Recogida de datos
🔢 Propuesta de conjunto estándar de análisis
📸 Funciones y flujo de trabajo con camtrapR
📦 BON‑in‑a‑Box... y más

¡Aquí tenéis el dataset en @gbif.org!

💻 www.gbif.org/dataset/8afb...

Lista de vertebrados de Doñana: 700 especies (182 peces, 11 anfibios, 29 reptiles, 417 aves y 61 mamíferos), con 7 extintas regionalmente, 2 no vistas en una década y 32 exóticas

¡Hola, Terrabiota! Ya tenéis un seguidor 🙂

Asistentes a la reunión intermedia de WildINTEL (https://wildintel.eu/) en el RJB, 3 de marzo de 2026

Asistentes a la reunión intermedia de WildINTEL (https://wildintel.eu/) en el RJB, 3 de marzo de 2026

Asistentes a la reunión intermedia de WildINTEL (https://wildintel.eu/) en el RJB, 3 de marzo de 2026

Reunión intermedia de WildINTEL (wildintel.eu) 📸 en el RJB. Agenda: sesión práctica sobre el flujo de trabajo, integración de TRAPPER, gestión de imágenes y envío a Zooniverse; presentación y planificación de nuevas áreas de estudio; comparación de modelos y uso de IA; diseño de estudios en nieve ❄️

Doñana y su biodiversidad de vertebrados Doñana presenta una elevada biodiversidad de vertebrados. Un estudio actualiza de forma rigurosa su composición específica y ofrece un marco sólido para analizar la estructura faunística, en especial de aves y mamíferos. Foto: Aquila adalberti fotografiada en Castilla-La Mancha. Autor: antoterryn (https://spain.inaturalist.org/people/antoterryn). Licencia: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)

Distribución espacial en Doñana La figura representa el área incluida en el análisis y delimita con precisión el ámbito espacial del inventario. Esta información permite contextualizar la distribución observada de mamíferos y otros vertebrados y facilita la evaluación comparada de sus patrones espaciales de biodiversidad. Figura: Área de estudio. A. Ubicación de la Reserva de la Biosfera de Doñana (DoñanaBR) en la península ibérica. B. Límites de la DoñanaBR: el tono más oscuro representa la zona núcleo (protegida principalmente como Parque Nacional según la legislación española); el gris más claro corresponde a la zona tampón (protegida mayoritariamente como Parque Natural); las áreas blancas dentro de Doñana indican la zona de transición; el polígono rayado es la zona marina y el área punteada representa la franja costera. C, D. Cuadrículas utilizadas en los atlas de distribución para representar la distribución de las especies: C. Hojas 1:50 000 del Servicio Cartográfico Español; D. Cuadrículas de 10 × 10 km a partir de las cuales se ha obtenido la información de las especies.

Mamíferos y procesos ecológicos Mamíferos como el lince ibérico muestran cómo influyen los procesos ecológicos en la biodiversidad de Doñana. La evolución de sus poblaciones permite detectar tendencias y vulnerabilidades del ecosistema. Foto: Lynx pardinus. Autor: Nils (https://spain.inaturalist.org/people/hungryholobiont). Licencia: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)

Variación temporal y estatus La figura sintetiza cambios en presencia, reproducción y estatus. Estos patrones permiten evaluar la dinámica de la biodiversidad y orientar decisiones de gestión sobre mamíferos y otros vertebrados. Figura: Proceso seguido para la elaboración de la lista de especies. PASO 1 – CRITERIOS PARA LA INCLUSIÓN EN LA LISTA Área de estudio Periodo de estudio Especies incluidas Especies excluidas PASO 2 – FUENTES DE DATOS Libros Informes Atlas Otros PASO 3 – REVISIÓN DE LA LISTA Inexactitudes Errores Validación Nuevas especies PASO 4 – DATOS DE ESTATUS Ocurrencia Origen Reproducción PASO 5 – ACTUALIZACIÓN A LA TAXONOMÍA DE GBIF evaluación experta FORMATO, METADATOS Y PUBLICACIÓN EN GBIF

Doñana revisa su #biodiversidad: 700 vertebrados evaluados con criterios taxonómicos y espaciales homogéneos. Un artículo actualiza estatus, distribución y patrones ecológicos para interpretar la dinámica de los mamíferos y otros vertebrados en el sistema:
▶️ doi.org/10.3897/zook... @gbif.org

António Guterres, Secretario General de la ONU, alerta de que un modelo basado en el #crecimientoilimitado no puede sostenerse en un planeta con ecosistemas al límite. Defiende medir el progreso con bienestar y salud ambiental para evitar que la pérdida de #biodiversidad desestabilice la economía 👇

El trabajo del investigador español @armandrm.bsky.social, ganador en 2022, es un gran ejemplo para quienes preparan su candidatura al GRA: combina modelos de distribución, filogenias y datos de presencias para identificar linajes crípticos y delimitar unidades evolutivas. ¡Anímate! @gbif.org 👇

Several orange pore fungi on a log with a blue sky background

🧊 @b-cubed.eu online training happening tomorrow: Occurrence cubes and biological invasions

📍27 February, 15:00 CET

💡 What's covered: An overview of the Invasibility Cube and the b3alien #Python package.

Register: 🔗gbif.link/b-cubed-tr...

Foto: Tarentola mauritanica. Autor: Novomig (https://spain.inaturalist.org/people/novo1961-). Licencia: CC BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/)

En la ciudad de Melilla hay observaciones de 13 especies de reptiles 🦎, solo 4 de ellas estrictamente africanas. Esta 𝑇𝑎𝑟𝑒𝑛𝑡𝑜𝑙𝑎 𝑚𝑎𝑢𝑟𝑖𝑡𝑎𝑛𝑖𝑐𝑎, una de las más viajadas, posó para Novomig en nuestra #observacióndelasemana 📸:
▶️ spain.inaturalist.org/observations...

El reto de monitorizar la biodiversidad europea La monitorización de la biodiversidad europea necesita un marco estructurado de variables de biodiversidad esenciales (EBV) sólidas y comparables. Un artículo define 84 EBV y marca el camino hacia un seguimiento coherente, alineado con Kunming–Montreal. Foto: Erinaceus europaeus. Autor: jjulio2000 (https://spain.inaturalist.org/people/jjulio2000). Licencia: CC BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/). Reencuadrada y retocada de ruido y contraste.

EBV y métodos combinados para medir el cambio Las variables de biodiversidad esenciales se miden mediante censos clásicos, sensores digitales, cámaras y grabadores acústicos, teledetección y análisis de ADN ambiental (eDNA) para ampliar la cobertura espacial y temporal y mejorar la precisión del seguimiento. Figura: Gráfica. Las variables centradas en especies y las centradas en ecosistemas, para cada clase y reino de las Variables Esenciales de Biodiversidad (EBV), abarcan un conjunto diverso de EBV, grupos taxonómicos y resoluciones espacio‑temporales recomendadas.

Un diseño espacial optimizado para Europa La biodiversidad europea requiere un diseño espacial optimizado que combine muestreos estratificados a escala continental con diseños locales adaptados a hábitats y taxones específicos, además de una red equilibrada entre regiones. Figura: a) Una selección aleatoria estratificada de sitios (por ejemplo, celdas de cuadrícula) en toda la Unión Europea, utilizando diferentes capas de estratificación. b) Diseños de muestreo locales que incorporan aleatorización, replicación y estratificación, así como la colocalización de diversos métodos de muestreo de campo dentro de una celda de cuadrícula seleccionada.

Integración de datos para el proyecto EuropaBON La biodiversidad europea necesita integrar datos de múltiples fuentes. Unir datos de observaciones in situ, sensores, satélites y ciencia ciudadana permite generar EBV coherentes y comparables para cumplir el Marco Global de Biodiversidad Kunming–Montreal. Figura: Mapas. a) Número de rutas de transectos fijos en las que se registran mariposas cada año. b) Porcentaje de ríos (con una cuenca de >10 km²) dentro de cada país que cuentan con monitoreo regulatorio de invertebrados bentónicos. c) Porcentaje de lagos (>25 ha) dentro de cada país que tienen monitoreo regulatorio de fitoplancton. d) Número de programas de monitoreo marino en los mares regionales europeos para los cuales existen datos espaciales a nivel de país.

Europa avanza hacia un sistema unificado de seguimiento de la #biodiversidad. Un artículo propone 84 EBV, combina métodos clásicos y tecnologías emergentes, optimiza el diseño espacial e integra datos para cumplir el marco Kunming–Montreal. @gbif.org es clave:
▶️ doi.org/10.1038/s443... #KMGBF

Foto: Pseudevernia furfuracea. Autor: Juan Pablo del Castillo Coba (https://www.inaturalist.org/people/basajuan). Licencia: CC BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/)

𝑃𝑠𝑒𝑢𝑑𝑒𝑣𝑒𝑟𝑛𝑖𝑎 𝑓𝑢𝑟𝑓𝑢𝑟𝑎𝑐𝑒𝑎 es un liquen muy sensible al ozono, así que nos permite detectar cambios en la calidad del aire. Observar cómo se distribuye en el paisaje ofrece pistas claras sobre la evolución de las condiciones ambientales:
🟢 www.inaturalist.org/observations...
#observacióndelasemana 📸

La montaña como arquitecta de la biodiversidad A medida que se asciende por Sierra Nevada, los briófitos cambian de rostro: el Supramediterráneo reúne la mayor riqueza, mientras el Oromediterráneo acoge especies que prosperan entre frío y agua. Figura: “Tipos de vegetación en los tres pisos bioclimáticos. A – mesomediterráneo, B – supramediterráneo, C – oromediterráneo.

La Dehesa del Camarate, un refugio de contrastes En este rincón de Sierra Nevada conviven bosques umbríos, roquedos y arroyos. Esa mezcla de luz, humedad y sustratos crea el escenario perfecto para que los briófitos desplieguen toda su diversidad. Figura: “Área de estudio. A – ubicación de Sierra Nevada en la Península Ibérica (recuadro rojo), B – ubicación de la Dehesa del Camarate en Sierra Nevada (recuadro rojo), C – áreas ocupadas por los tres pisos bioclimáticos (M = mesomediterráneo, S = supramediterráneo, O = oromediterráneo).

Familias que cuentan una historia ecológica Las Pottiaceae dominan en los ambientes más secos, mientras que Grimmiaceae y Brachytheciaceae prosperan en zonas húmedas y de montaña. Aquí, cada familia de briófitos funciona como un indicador ecológico que revela cómo responder al entorno. Figura: Mnium stellare (MUB 63468), una especie hasta ahora no citada en la mitad sur de la Península Ibérica (cf. Fuertes 2010), aunque común en el hemisferio norte. A–C: hojas de tallos jóvenes; D–E: hojas de tallos maduros; F: detalle de las células medias de la hoja; G: células medias y marginales; H: células medias y apicales; I: células basales; J: detalle de las células apicales.

Especies que conectan los pisos bioclimáticos Solo 14 especies logran aparecer en los tres pisos, un pequeño puente entre mundos distintos. Su presencia muestra cómo algunos briófitos resisten los cambios de altitud, humedad y temperatura. Figura: A – proporción de especies de las familias predominantes de musgos (Bryophyta) y hepáticas (Marchantiophyta) en el área (Pottiaceae: 35 sp., Bartramiaceae: 6 sp., Mniaceae: 7 sp., Bryaceae: 14 sp., Orthotrichaceae: 11 sp., Brachytheciaceae: 17 sp., Grimmiaceae: 11 sp., Marchantiophyta: 16 sp., Otras: 29 sp.); B – prevalencia de las familias (Pottiaceae, Grimmiaceae, Bartramiaceae, Bryaceae, Mniaceae, Orthotrichaceae y Brachytheciaceae) con mayor número de especies en los tres pisos bioclimáticos.

La #biodiversidad de los #briófitos de Sierra Nevada alcanza 146 especies, con seis nuevos registros y una marcada diferenciación entre los pisos meso-, supra- y oromediterráneo. Un estudio muestra cómo la altitud, la humedad y el sustrato determinan su distribución:
▶️ doi.org/10.13158/hei...

Métodos alternativos a MaxEnt para SDM con datos limitados La modelización de distribución de especies y Maxent afrontan dificultades cuando los registros de especies son escasos. Tres enfoques alternativos permiten modelizar nichos ecológicos con mayor flexibilidad en contextos de información escasa. Figura: Tres enfoques para modelizar especies con tamaños de muestra pequeños. Panel superior: el enfoque plug‑and‑play estima la tasa relativa de ocurrencia, f(occurrence), como la razón entre una distribución de presencia y una distribución de fondo. Panel central: de forma alternativa, el enfoque de razón de densidades utiliza algoritmos capaces de estimar directamente la razón entre las distribuciones de presencia y de fondo. Panel inferior: el enfoque basado en rangos ambientales omite la distribución de fondo e identifica el rango de condiciones ambientales que constituyen el nicho de una especie. Estos tres enfoques ofrecen un conjunto de algoritmos que reflejan supuestos diversos sobre decisiones de muestreo o casos de uso. En la mayoría de situaciones se desconocerá qué supuestos se cumplen (por ejemplo, los relacionados con la completitud del muestreo, el sesgo, la estacionalidad, etc.). Crear un conjunto de modelos que combine varios algoritmos y combinaciones de algoritmos que representen un abanico de supuestos permite captar esta incertidumbre, algo especialmente importante en especies con tamaños de muestra pequeños.

Comparación entre los métodos de SDM Los distintos algoritmos de SDM muestran patrones propios de sensibilidad y especificidad. La comparación revela que MaxEnt no siempre es el más eficaz y que otros métodos pueden ajustarse mejor a algunas situaciones. Figura: l rendimiento de los algoritmos varía a lo largo de un gradiente de sensibilidad–especificidad. La variación en sensibilidad y especificidad refleja diferencias en los supuestos sobre la forma del nicho y los sesgos de muestreo. Al elegir algoritmos que se distribuyen a lo largo de este gradiente, es posible representar la incertidumbre en las estimaciones de distribución. Los modelos mostrados se clasifican según su algoritmo de presencia e incluyen todos los algoritmos de fondo (véase la Información suplementaria para más detalles sobre la variación en el rendimiento debida a los algoritmos de fondo). Los puntos representan el rendimiento mediano de cada algoritmo y las líneas muestran los rangos intercuartílicos. Los modelos se ajustaron con datos de entrenamiento y las tasas relativas de ocurrencia (ROR) resultantes se convirtieron en datos binarios de presencia/ausencia seleccionando un umbral que excluía el 5% de las presencias del entrenamiento. La sensibilidad y la especificidad se evaluaron con datos independientes de presencia–ausencia. Abreviaturas: LOBAG‑OC (low‑bias bootstrap‑aggregating, one‑class), KDE (kernel density estimation), uLSIF (unconstrained least‑squares importance fitting), ruLSIF (relative unconstrained least‑squares importance fitting) y Maxnet (una implementación del algoritmo MaxEnt que utiliza glmnet para el ajuste del modelo)

Similitud entre las predicciones de los modelos de distribución de especies Los métodos que comparten supuestos generan predicciones más parecidas. Entender estas relaciones ayuda a interpretar divergencias y a mejorar la modelización de nichos ecológicos con pocos datos. Figura: La distancia en el gradiente sensibilidad–especificidad está correlacionada con la similitud de las predicciones. La distancia sensibilidad–especificidad se calculó como la distancia euclidiana entre modelos en un espacio bidimensional donde un eje representa la sensibilidad y el otro la especificidad. El grado de acuerdo entre modelos se calculó como la proporción de localidades del conjunto de datos de presencia/ausencia en las que ambos modelos coincidieron en predecir presencia o ausencia. El índice de Jaccard se calculó como el número de localidades en las que ambos modelos coincidieron en predecir presencia dividido por el número de localidades en las que al menos uno de los modelos predijo presencia. Los puntos representan las medias entre especies para cada par de algoritmos. Los modelos se ajustaron con datos de entrenamiento y las tasas relativas de ocurrencia (ROR) resultantes se convirtieron en datos binarios de presencia/ausencia seleccionando un umbral que excluía el 5% de las presencias del entrenamiento. La sensibilidad y la especificidad se evaluaron con datos independientes de presencia–ausencia.

La combinación de modelos de SDM mejora el rendimiento Combinar varios métodos reduce la incertidumbre y mejora la robustez de las predicciones. Los conjuntos de modelos equilibran sensibilidad y especificidad y superan los enfoques individuales en SDM cuando los registros son limitados. Figura: Los conjuntos se construyeron a partir de los algoritmos KDE/KDE, ruLSIF y Maxnet. La combinación se realizó de dos maneras: promediando las predicciones de los modelos y aplicando después un umbral (lo que produce predicciones binarias), y aplicando primero un umbral a cada modelo individual y agregando después los resultados (lo que genera un apoyo de 0 a 3 votos por localidad). ‘Conjunto con apoyo unánime’ y ‘conjunto con cualquier apoyo’ se refieren, respectivamente, a considerar como presencia únicamente las localidades en las que todos los modelos coinciden, o aquellas en las que al menos un modelo predice presencia. Solo se incluyeron especies con 20 o menos registros de presencia. Los modelos se ajustaron con datos de entrenamiento y se evaluaron con datos independientes de presencia–ausencia. La línea discontinua indica el mayor rendimiento mediano para cada métrica. Las cajas representan el rango intercuartílico, con los bordes marcando los cuantiles 0.75 y 0.25, y la línea horizontal indicando la mediana. Los extremos de los bigotes representan los valores mínimos y máximos calculados, y los puntos corresponden a valores atípicos. Abreviaturas: KDE (kernel density estimation) y ruLSIF (relative unconstrained least‑squares importance fitting).

La modelización de nichos ecológicos afronta un reto clave: ¿cómo obtener #SDM fiables con pocos registros? Un estudio compara #MaxEnt con métodos alternativos y muestra que, cuando los datos disponibles son escasos, el uso de varias opciones puede igualarlo o superarlo:
▶️ doi.org/10.1002/ecog...

#SBDI Days 2026 puso de manifiesto cómo la IA redefine la investigación en #biodiversidad: nuevas metodologías, aplicaciones emergentes y debates éticos esenciales. Un encuentro clave para avanzar hacia prácticas más robustas, transparentes y responsables en el uso de IA en ciencias ambientales 👌

Imagen: Un fondo abstracto azul y naranja con líneas. Autor: Smit Patel. Licencia: Unsplash (https://unsplash.com/es/licencia)

Ethics of AI trató sobre la transparencia y la confianza en flujos automatizados de datos ecológicos. Tim R. Hofmeester destacó el impacto de automatizar el paso sensor → gestión. Se presentaron trabajos sobre ganadería sostenible, acústica pasiva, hábitats forestales y biomasa de insectos 👇

Imagen abstracta de un paisaje creada por IA con Stable Diffusion XL, utilizando el prompt: ‘Landscape, in the style of Gustav Klimt. Autor: Stable Diffusion XL: generado a partir de un prompt de Jerry M. Pearson

La sesión Perils and Pitfalls abordó riesgos y límites de la IA: sesgos, reproducibilidad y alucinaciones de modelos. Rukaya Sarah Johaadien analizó qué considerar al diseñar herramientas para científicos. Hubo casos sobre #metagenomas, peces y restauración costera basada en datos 👇

Cámara trampa. Imagen: Cámara trampa con módulo WiFi para el monitoreo de bosques. Autor: Natan Jobel. Licencia: CC BY-SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/deed.en)

En Emerging Technologies, se presentaron innovaciones que amplían la observación ecológica: IA para monitorización de insectos, datos FAIR, #polinizadores nocturnos y citometría de flujo. La keynote de David Roy subrayó el valor de la IA para seguir cambios ambientales #SBDI👇

Mapamundi con colores que sugiere el concepto de gradientes de distribución de especies. Imagen: Ejemplo de gradiente latitudinal de diversidad de especies: distribución de las especies terrestres vertebradas actuales, con la mayor concentración de diversidad mostrada en rojo en las regiones ecuatoriales y un descenso hacia los polos (hacia el extremo azul del espectro). Autor: Mannion, P. D., Upchurch, P., Benson, R. B. J. & Goswami, A., basado en un trabajo de Clinton Jenkins. Licencia: CC BY-SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/deed.en)

En la sesión AI in Biodiversity Research: Power and Promise se mostró cómo la IA impulsa la #modelización espacial, la identificación de especies y el análisis de grandes volúmenes de datos. Destacó la keynote de Tobias Andermann sobre el uso de IA en modelos de biodiversidad a escala global #SBDI 👇

Cartel de SDBI Days 2026: Artificial Intelligence in Ecology and Biodiversity Research

SBDI Days 2026 reunió en Estocolmo a especialistas en #biodiversidad y ciencia de datos para analizar cómo la IA transforma la investigación en ecología y biodiversidad. Fueron dos días intensos de debates y talleres:
▶️ lyyti.events/p/SBDI_Days_... 👇

SDM y ballenas jorobadas en el estrecho de Magallanes Los modelos de distribución de especies y MaxEnt ayudan a entender por qué las ballenas jorobadas usan zonas clave del Estrecho de Magallanes. Estos modelos orientan la gestión de áreas marinas protegidas y mejoran la conservación basada en datos. Foto: Megaptera novaeangliae. Autor: Lorenz Carrasco (https://spain.inaturalist.org/people/lcarrasco). Licencia: CC BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/)

MaxEnt identifica los factores que explican la presencia de yubartas. MaxEnt revela cómo la temperatura superficial del mar y la clorofila influyen en la distribución de las yubartas o ballenas jorobadas. Estos patrones ambientales permiten evaluar si las áreas marinas protegidas cubren el hábitat más adecuado según los SDM. Figura: Análisis jackknife de la ganancia de entrenamiento regularizada para las ballenas jorobadas, que muestra la importancia de cada variable por separado.

Predicción espacial del hábitat óptimo El mapa de idoneidad muestra las zonas del estrecho con mayor probabilidad de presencia. Esta información permite comparar el hábitat óptimo con los límites actuales de las áreas marinas protegidas y ajustar su diseño. Figura: Curvas de respuesta de las cinco variables mejor clasificadas (A. Temperatura superficial del mar; B. Distancia a la isóbata de 100 metros; C. Distancia a la isóbata de 200 metros; D. Clorofila de verano; E. Clorofila de primavera; F. Distancia al tráfico marítimo). Las curvas muestran la respuesta media de las 10 ejecuciones replicadas de MaxEnt (líneas negras) y la desviación estándar media (en azul claro).

¿Protegen las áreas marinas lo necesario? El análisis del solapamiento revela qué parte del hábitat adecuado queda dentro de las áreas protegidas. Estos resultados ayudan a mejorar la planificación espacial marina basada en SDM y MaxEnt. Figura: Hábitat adecuado para las ballenas jorobadas predicho por el modelo MaxEnt, restringido al área cubierta por las cuadrículas de muestreo de 500 × 500 m donde podían registrarse avistamientos de ballenas, utilizando un valor umbral de 0,39 para clasificar el hábitat como ‘adecuado’.

Un nuevo estudio usa #SDM y #MaxEnt para explicar la presencia de ballenas jorobadas en el Estrecho de Magallanes y evaluar si las #áreasmarinasprotegidas las cubren adecuadamente. Datos de @gbif.org sustentan el modelo y apoyan las estrategias de conservación:
▶️ doi.org/10.1016/j.ge... #CiteTheDOI

IPBES: el crecimiento de las empresas a costa de la biodiversidad pone en riesgo a economía y humanos El IPBES elabora un histórico informe que pone en evidencia la interdependencia dentre biodiversidad y empresas.

Un nuevo informe de IPBES alerta de que el crecimiento económico basado en destruir #biodiversidad pone en riesgo nuestra economía y nuestro bienestar. Las empresas dependen de la naturaleza más de lo que creen:
👉 efeverde.com/ipbes-crecim...

Hoy GBIF.ES asiste a la jornada Ciencia Ciudadana y Nueva Ruralidad 👇 @gbif.org @natusferaes.bsky.social @heraldodiariodesoria.es #cienciaciudadana #cienciacomunitaria

Foto: Elina quimperiana. Autor: Víctor (https://spain.inaturalist.org/people/victormartinezsuarez). Licencia: CC BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/)

Mapa de distribución de las observaciones de Elona quimperiana en iNaturalist, localizadas en su mayoría en Bretaña y en la cornisa cantábrica.

𝐸𝑙𝑜𝑛𝑎 𝑞𝑢𝑖𝑚𝑝𝑒𝑟𝑖𝑎𝑛𝑎 es un caracol terrestre grande y sorprendente, un "relicto atlántico" que sobrevivió a las glaciaciones en bosques muy húmedos en áreas separadas. Un gran indicador de bosques sanos, protegido en Francia y en España:
🟢 spain.inaturalist.org/observations... #observacióndelasemana

Captura de pantalla del Portal de biodiversidad flamenca

¡Gran noticia para la #biodiversidad!
🌿 El Instituto de Investigación para la Naturaleza y el Bosque (INBO) del gobierno flamenco ha lanzado su nuevo portal de biodiversidad con datos abiertos, mapas y herramientas para explorar la naturaleza de Flandes:
👉 natuurdata.inbo.be?lang=en @inbo.be

Artrópodos y biodiversidad: por qué importan Los artrópodos sostienen ecosistemas enteros y son esenciales para entender la biodiversidad. Un artículo analiza su distribución y las prioridades de conservación. Foto: Rosalia alpina. Autor: Roger Vila (https://spain.inaturalist.org/people/rogervila). Licencia: CC BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/)

Riqueza de especies de artrópodos: patrones clave La riqueza de artrópodos se concentra en sistemas montañosos como Pirineos o Sierra Nevada. Estos patrones sirve como orientación para elaborar estrategias de conservación basadas en la biodiversidad real. Figura: Área de estudio que muestra las 6119 celdas (10 × 10 km) con registros de las especies consideradas. El mapa insertado indica la ubicación de los principales accidentes geográficos mencionados en el texto. La paleta de colores del mapa inferior representa la altitud, desde zonas bajas (azul oscuro) hasta áreas de mayor elevación (rojo).

Hotspots para la conservación: dónde actuar primero Los hotspots multigrupo revelan áreas críticas donde coinciden muchas especies. Identificarlos permite priorizar las acciones de conservación y proteger la biodiversidad de manera más eficaz. Figura: Hotspots para cada grupo taxonómico. (a) Araneae; (b) Coleópteros acuáticos; (c) Coleoptera, Scarabaeoidea; (d) Collembola; (e) Dermaptera; (f) Hymenoptera, Apoidea; (g) Lepidoptera, Noctuoidea; (h) Lepidoptera, Papilionoidea; (i) Mantodea; (j) Neuropterida; (k) Opiliones; (l) Plecoptera; (m) Trichoptera).

Protección actual: qué cubre la red Natura 2000 Gran parte de las áreas prioritarias ya están dentro de la red Natura 2000, pero continúa habiendo vacíos. El estudio señala dónde reforzar la conservación para salvaguardar la biodiversidad ibérica. Figura: Áreas prioritarias para los artrópodos iberobaleares (Priority Areas for Iberobalear Arthropods [PAIA]), es decir, las celdas que son hotspots para al menos tres grupos taxonómicos (véase la Figura 3). Las PAIA protegidas por la red Natura 2000 (>50%) se representan en azul, las PAIA con representación marginal en Natura 2000 (1%–50%) en amarillo y aquellas PAIA fuera de la red Natura 2000 (<1%) en rojo. La red Natura 2000 se muestra en verde.

Un estudio delimita 40 áreas prioritarias para la #conservación de #artrópodos en la Península Ibérica y Baleares. Mediante un análisis espacial detallado, identifica patrones clave de #biodiversidad y evalúa su cobertura por la red Natura 2000: ▶️ doi.org/10.1111/icad... #CiteTheDOI @gbif.org

Buenas prácticas y GBIF para los datos de especies exóticas Integrar datos colecciones, presencias y metadatos mejora el seguimiento de especies exóticas. GBIF aporta estandarización y trazabilidad y facilita el análisis. Foto: Oenothera glazioviana. Autor: Antonio Rico García (https://spain.inaturalist.org/people/antoniorico). Licencia: CC BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/)

Buenas prácticas de TRACKS para estructurar los datos TRACKS define seis líneas —colecciones, protocolos, participación, FAIR, hub y comunicación— que reducen la fragmentación y mejoran la coherencia de los datos de biodiversidad. Figura: Descripción del enfoque. Flujo de trabajo que ilustra la metodología de cuatro pasos utilizada para identificar y evaluar cualitativamente las buenas prácticas para la investigación sobre especies no indígenas. En total, participaron activamente 90 expertos especializados en especies no indígenas terrestres, marinas y de agua dulce.

DAFO para priorizar mejoras en datos de especies exóticas El análisis DAFO destaca fortalezas como los principios FAIR y un hub de recursos, así como debilidades como falta de medios. La evaluación ayuda a priorizar acciones que mejoren la calidad de los datos de biodiversidad. Figura: Distribución de las puntuaciones de Fortalezas y Debilidades (SW) y de Oportunidades y Amenazas (OT). Las puntuaciones se calcularon para expertos en especies no indígenas con tres perfiles distintos (terrestre, agua dulce y marino) a lo largo de las seis buenas prácticas. Las barras horizontales representan el componente SW, que va de valores negativos (debilidades) a positivos (fortalezas), mientras que las barras verticales representan la puntuación OT, que va de valores negativos (amenazas) a positivos (oportunidades). Los puntos muestran la media aritmética de cada grupo para las puntuaciones SW y OT, y las barras indican el primer y tercer cuartil de dichas puntuaciones.

Flujos de datos conectados para la toma de decisiones La figura muestra cómo protocolos, validación taxonómica, participación, repositorios abiertos (GP1, GP2, ...) se integran para generar datos más fiables que apoyen la gestión de especies exóticas. Figura: Distribución de las puntuaciones de Fortalezas y Debilidades (SW) y de Oportunidades y Amenazas (OT). Diferencias entre los dos grupos de expertos (azul y naranja) identificados mediante análisis de conglomerados, para las seis buenas prácticas.

Las buenas prácticas TRACKS mejoran la calidad de los datos sobre especies exóticas. La integración de datos de colecciones, presencias y metadatos, junto con estándares como los de @gbif.org, permite obtener información más fiable y comparable:
▶️ neobiota.pensoft.net/article/171461 #CiteTheDOI