GBIF España/Spain
LightNews LightNews
banner
gbif.es
GBIF España/Spain
@gbif.es
2.6K followers 1.1K following 680 posts
Nodo Nacional de Información en Biodiversidad patrocinado por el Ministerio de Ciencia, Innovación y Universidades, gestionado por
@csic.es // Spanish GBIF Node.
Posts Replies Media Videos
gbif.es
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_... 👇
Cartel de SDBI Days 2026: Artificial Intelligence in Ecology and Biodiversity Research
February 16, 2026 at 2:34 PM
gbif.es
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
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’.
February 16, 2026 at 11:45 AM
gbif.es
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...
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.
efeverde.com
February 16, 2026 at 8:31 AM
gbif.es
Hoy GBIF.ES asiste a la jornada Ciencia Ciudadana y Nueva Ruralidad 👇 @gbif.org @natusferaes.bsky.social @heraldodiariodesoria.es #cienciaciudadana #cienciacomunitaria
February 13, 2026 at 9:13 AM
Reposted by GBIF España/Spain
natusferaes.bsky.social
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
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.
February 12, 2026 at 11:12 AM
gbif.es
¡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
Captura de pantalla del Portal de biodiversidad flamenca
February 12, 2026 at 9:23 AM
gbif.es
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
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.
February 11, 2026 at 10:51 AM
gbif.es
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
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.
February 9, 2026 at 1:54 PM
gbif.es
#Mariposas y #biodiversidad en retroceso: un informe revela descensos continuados, el fuerte impacto del cambio climático y la pérdida de hábitats, y destaca que restaurar praderas y reducir pesticidas favorece la #conservación:
▶️ www.bc-europe.eu/documents/69... 🦋
europebutterfly.bsky.social Butterfly Conservation Europe @europebutterfly.bsky.social · 11d
The latest European Grassland Butterfly Indicator is out. It shows that grassland butterflies have declined by 47% since 1991, indicating a huge loss of grassland biodiversity. The data come from 16,150 transects & 15,000 volunteers. We are calling for urgent action. www.bc-europe.eu/documents/69...
Phengaris teleius (Scarce Large Blue) in a French meadow. One of the 17 species in the European Grassland Butterfly Index. Photo: Martin Warren)
February 6, 2026 at 8:14 AM
Reposted by GBIF España/Spain
natusferaes.bsky.social
Este bicho diminuto (~1 mm) es un colémbolo, 𝑆𝑚𝑖𝑛𝑡𝘩𝑢𝑟𝑖𝑑𝑒𝑠 𝑎𝑞𝑢𝑎𝑡𝑖𝑐𝑢𝑠. Tiene seis patas, pero no es un insecto. Vive cerca del agua y es un buen bioindicador de la calidad y limpieza de su entorno. Este vive en la Sierra de Guadarrama:
🟢 spain.inaturalist.org/observations...
#observacióndelasemana 📸
Foto: Sminthurides aquaticus. Autor: Borja Fierro (https://spain.inaturalist.org/people/borjitaaa). Licencia: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Foto reencuadrada. Mapa de las observaciones de Sminthurides aquaticus en iNaturalist. Se concentran en Europa y también está presente en Norteamérica y Asia-Pacífico. Algunas citas en América del Sur y Australia.
February 5, 2026 at 11:43 AM
gbif.es
El ADN ambiental ( #ADNe) revela con detalle la #biodiversidad acuática y contribuye a los objetivos del Marco de Kunming–Montreal. Permite mapear comunidades, detectar especies clave y atribuir cambios a presiones ambientales con #datosabiertos:
▶️ doi.org/10.1038/s443... #CiteTheDOI @gbif.org
ADNe para evaluar la biodiversidad acuática El ADN ambiental ofrece una visión detallada de la composición de las comunidades en mares, ríos y aguas subterráneas y aporta líneas de base sólidas para evaluar el estado de la biodiversidad dentro del Marco Mundial de Biodiversidad de Kunming–Montreal. Figura: a. El Marco Mundial de Biodiversidad de Kunming–Montreal (GBF) identificó 23 metas globales orientadas a la acción que deben alcanzarse para 2030 (ref. 6). Muchas de estas metas requieren información sobre el estado, los cambios y las tendencias de la biodiversidad para apoyar la toma de decisiones científicas, políticas y económicas. El uso de ADN ambiental (ADNe) para aportar información sobre la diversidad biológica ofrece un enfoque potencialmente universal que puede respaldar las metas del GBF al proporcionar datos de referencia e información sobre la relación entre acciones y respuestas, útil para orientar las decisiones. Resulta especialmente importante establecer, seguir y evaluar puntos calientes de biodiversidad, tendencias y cambios. b. Varias metas pueden evaluarse directamente mediante tecnologías de ADNe ya existentes, que están lo suficientemente desarrolladas para su implementación, aunque todavía no se utilizan de forma rutinaria en la mayoría de los países. ADN ambiental y métodos complementarios El ADNe combina metabarcoding, qPCR y modelos hidrológicos para generar datos comparables entre regiones y ampliar la cobertura espacial de la evaluación de la biodiversidad. Figura: a. El ADN ambiental acuático (ADNe) se obtiene a partir de ecosistemas marinos, de agua dulce y de aguas subterráneas, lo que permite una integración espacial (por ejemplo, a escala de cuenca) y temporal (por ejemplo, entre estaciones). El principio básico del análisis de ADNe acuático incluye el muestreo y la captura del ADN (normalmente mediante filtración), seguidos de la extracción del ADN, su amplificación (ya sea dirigida a una sola especie o mediante metabarcodificación), la secuenciación y la asignación taxonómica mediante comparación con bases de datos de referencia de ADN. b. El ADN ambiental recogido en redes fluviales permite obtener información sobre la biodiversidad en una extensión espacial más amplia al integrar principios hidrológicos básicos y estimaciones de producción y degradación del ADN. La recogida de muestras puede reforzarse mediante métodos automatizados (como muestreadores autónomos) o mediante iniciativas de ciencia ciudadana, lo que facilita la acumulación de datos con alta resolución espacio-temporal. ADNe y análisis de presiones ecológicas Los modelos basados en ADN ambiental atribuyen cambios a presiones ambientales, reconstruyen redes ecológicas y anticipan respuestas comunitarias, un apoyo directo a los objetivos del Marco de Kunming–Montreal. Figura: a. Cronología esquemática de los hitos importantes en el desarrollo del concepto de ADN ambiental (ADNe) (puntos amarillos), los avances en técnicas moleculares (puntos rojos) y el uso del ADNe (puntos azules). b. Tendencias temporales en el volumen de datos acuáticos según el número de conjuntos de datos publicados en el Sequence Read Archive del NCBI a 20 de septiembre de 2024. Aquí, un conjunto de datos se define como un paquete de datos asociado a un número de ejecución específico. Los metadatos de estos conjuntos se obtuvieron mediante Entrez Programming Utilities y se filtraron con una lista de palabras clave para incluir únicamente conjuntos de datos de ADNe y ARNe procedentes de ambientes acuáticos. HTS, secuenciación de alto rendimiento. GBIF como soporte de datos abiertos para el ADNe La integración de secuencias y metadatos en GBIF impulsa estándares FAIR y y aporta una infraestructura internacional sólida para la monitorización con ADN ambiental. Figura: El principio del enfoque de aprendizaje automático consiste en vincular las características genómicas de las muestras de ADN ambiental (ADNe) —como unidades taxonómicas operativas (OTUs), variantes de secuencia de amplicón (ASVs) o información asignada taxonómicamente— con estados ambientales de referencia. En la fase de entrenamiento, el modelo aprende las relaciones entre esas características genómicas y condiciones ambientales conocidas, refinando de forma iterativa sus reglas predictivas. En la fase de predicción, el modelo ya entrenado aplica esas reglas para analizar nuevas muestras de ADNe y generar predicciones claras y directamente utilizables. Mediante ciclos continuos de retroalimentación, el modelo mejora su precisión y aumenta su utilidad para la monitorización y la gestión ambiental.
February 5, 2026 at 8:20 AM
gbif.es
El aprendizaje automático podría contribuir al desarrollo de sistemas de alerta para la #biodiversidad. Un estudio propone combinar #IA, teledetección, #cienciaciudadana y datos de @gbif.org para anticipar riesgos y apoyar decisiones de conservación:
▶️ doi.org/10.1002/ppp3... #CiteTheDOI
Aprendizaje automático para explorar nuevas prioridades de conservación El modelo CAPTAIN utiliza aprendizaje por refuerzo para analizar qué áreas podrían protegerse con mayor eficacia. Esta propuesta muestra cómo la IA podría apoyar futuros sistemas de alerta en biodiversidad. Figura: Flujo de trabajo esquemático del software CAPTAIN (Conservation Area Prioritisation Through Artificial INtelligence). El sistema consta de un sistema natural simulado (una matriz dividida en celdas que incluye diversas variables biológicas y ambientales, con la posibilidad de ampliarse para incorporar parámetros socioeconómicos u otros factores relevantes) y un agente (la representación mediante aprendizaje automático de un responsable de políticas, que aprende del sistema natural cómo tomar las mejores decisiones en la planificación de la conservación). Evaluación automatizada del riesgo de extinción Ciertos modelos pueden estimar el riesgo de extinción cuando faltan datos. Esta capacidad podría acelerar la detección de amenazas y contribuir al diseño de sistemas de alerta temprana. Figura: Valores del Índice Global de la Lista Roja para grupos evaluados de forma exhaustiva, donde los valores más bajos indican un mayor riesgo de extinción dentro del grupo. Comprender las tendencias en el estado de conservación entre distintos grupos taxonómicos puede ayudar a orientar los esfuerzos de conservación hacia donde más se necesitan. Aprendizaje automático para mejorar la evaluación del estado de conservación IUCNN emplea redes neuronales para aproximar categorías de amenaza de la UICN. Esta aproximación sugiere que la IA podría complementar el trabajo de los expertos y reforzar futuros sistemas de alerta para la biodiversidad. Figura: Método recientemente propuesto para la clasificación del nivel de amenaza de las especies basado en redes neuronales profundas (IUCNN; Zizka et al., 2022). Los datos de entrada pueden ser los datos brutos de presencia de las especies obtenidos de bases de datos en línea o un conjunto de variables geográficas, climáticas y otras características espaciales generadas mediante el paquete de R IUCNN (https://github.com/IUCNN). Si están disponibles, también pueden incluirse rasgos adicionales, como características de la historia de vida e información filogenética. Aprendizaje automático para integrar datos y anticipar cambios ecológicos El flujo de trabajo muestra cómo combinar datos de distribución, clima y observaciones para generar predicciones de riesgo. Esta integración podría servir de base para sistemas de alerta temprana más eficaces. Figura: Resultado de un experimento de planificación de la conservación basado en 1.517 especies de árboles endémicos de Madagascar, 22.394 unidades de protección (de 5 × 5 km) y un presupuesto que permite proteger hasta el 10% de dichas unidades.
February 3, 2026 at 12:16 PM
gbif.es
Los viernes a partir del 20/2, a las 15:00 CET, @b-cubed.eu organiza una serie de sesiones formativas para explorar enfoques emergentes que ayudan a que los datos de #biodiversidad de @gbif.org sean más procesables y útiles en la práctica 👇
gbif.org GBIF @gbif.org · 17d
🔎 From biodiversity observations to insights: Hands-on training 🤝

Over the upcoming Fridays at 15:00 CET, @b-cubed.eu is hosting a training series to showcase emerging approaches that help make biodiversity data more actionable in practice.

🔗gbif.link/b-cubed-tr...
Photograph of a brilliant puffin spreading its wings amongst flowers on a cliff top
February 3, 2026 at 9:01 AM
gbif.es
La teledetección, la #cienciaciudadana y la inteligencia artificial pueden integrarse para generar modelos de distribución de especies ( #SDM) más precisos y útiles. Los datos abiertos que aporta @gbif.org contribuyen a avanzar en esta línea de investigación:
▶️ psjd.icm.edu.pl/psjd/element...
Modelización de nichos ecológicos basada en nuevas fuentes de datos. La modelización de nichos ecológicos combina teledetección, ciencia ciudadana e inteligencia artificial. Esto mejora la comprensión de la distribución de especies. Foto: Paisaje. Integración de ciencia ciudadana y datosambientales. Las observaciones de ciencia ciudadana se pueden incorporar a datos ambientales para mejorar la modelización de nichos ecológicos. Esto amplía la cobertura espacial y temporal de la información disponible. Figura: Red de coocurrencia de palabras clave que muestra los principales grupos temáticos. Aportación de la teledetección a la modelización ecológica. La teledetección añade detalle espacial y temporal que permite caracterizar mejor los hábitats. Esta información contribuye a generar predicciones más robustas dentro de la modelización de nichos ecológicos. Figura: Gráfica de tendencias anuales en las publicaciones que integran SDM con teledetección, ciencia ciudadana e inteligencia artificial (2010–2024) Observaciones directas como base para mejorar los modelos. Las observaciones realizadas por la ciudadanía proporcionan datos esenciales para entrenar y validar la modelización de nichos ecológicos. Cada registro ayuda a mejorar la representación de la distribución de las especies. Foto: Científico ciudadano. Autor: Javier Gómez (https://spain.inaturalist.org/people/javiergmm). Licencia: CC BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/)
February 2, 2026 at 12:49 PM
Reposted by GBIF España/Spain
natusferaes.bsky.social
La curruca rabilarga (𝐶𝑢𝑟𝑟𝑢𝑐𝑎 𝑢𝑛𝑑𝑎𝑡𝑎) prefiere vivir en zonas de bosque abierto y matorral, donde encuentra refugio y protección para anidar cerca del suelo. Es insectívora y con esos ojazos rojos no le cuesta destacar como #observacióndelasemana 📸:
🟢 spain.inaturalist.org/observations...
Foto: Curruca undata. Autor: Lluís Amat (https://spain.inaturalist.org/people/lluisamat). Licencia: CC BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/)
January 29, 2026 at 10:17 AM
gbif.es
Un estudio con datos de @gbif.org sobre ranas venenosas propone para su #conservación un enfoque de conservación más completo que integre datos de singularidad evolutiva, biogeográficos y de nivel de amenaza:
▶️ doi.org/10.1007/s105... #CiteTheDOI #biodiversidad
Ranas venenosas y singularidad evolutiva Las estrategias de conservación favorecen a especies carismáticas o comerciales, no a las más amenazadas, y no garantizan la protección de la singularidad evolutiva y biogeográfica Figura: “Representantes de algunas especies de ranas venenosas de la familia Dendrobatidae: (a) Andinobates victimatus, (b) Silverstoneia flotator, (c) Dendrobates truncatus, (d) Colostethus nubicola, (e) Oophaga histrionica, (f) Epipedobates boulengeri, (g) Phyllobates bicolor, (h) Leucostethus brachistriatus. Fotografías de Brandon Brand Buitrago-Marulanda (b, h), Fernando Vargas-Salinas (a, c, e, g) y Cristian González-Acosta (d, f). Dónde se esconde la biodiversidad más única Los valores BED (Biogeographically weighted Evolutionary Distinctiveness) muestran regiones donde la historia evolutiva es más singular, lo que ayuda a orientar estrategias de conservación más precisas y basadas en la biodiversidad real. Figura: Mapa superior izquierdo: límites políticos de los países neotropicales en los que hay especies de Dendrobatidae. Mapa superior derecho: patrones de riqueza de especies en Dendrobatidae. Mapa inferior izquierdo: patrones espaciales de los valores BED (distintividad evolutiva ponderada biogeográficamente) a escala regional. Mapa inferior derecho: patrones espaciales de los valores BED a escala de país. Obsérvese que los patrones espaciales de BED difieren entre los cálculos a escala regional y a escala nacional. La montaña como refugio evolutivo El análisis ED (Evolutionary Distinctiveness)/EDGE (Evolutionarily Distinct and Globally Endangered) revela que muchas especies únicas viven en zonas altas, especialmente vulnerables. Conservar biodiversidad implica entender su contexto ecológico. Figura: Relación entre los valores medios y medianos de la distintividad evolutiva (ED) y los valores EDGE (Evolutionarily Distinct and Globally Endangered) con la elevación en especies de Dendrobatidae. Nótese que las especies de la lista de ED que estaban en las categorías de amenaza Datos Insuficientes (DD), No Evaluado (NE) y Extinto (EX) no se incluyeron en el análisis de la relación entre elevación y valores EDGE. Por ello, los valores de ED se obtuvieron con 177 especies y los valores EDGE con 127 especies.
January 28, 2026 at 11:45 AM
Reposted by GBIF España/Spain
natusferaes.bsky.social
Los datos de @inaturalist.bsky.social ayudan a estudiar la expansión de estas especies #invasoras en Andalucía 👇
ebdonana.bsky.social Estación Biológica de Doñana - CSIC @ebdonana.bsky.social · 20d
🟡 Un nuevo estudio revela que el avispón oriental y el avispón bicolor aumentan su presencia en Andalucía

Además, se identifican los registros más meridionales en Europa de la avispa asiática, lo que revela que la especie continúa expandiéndose hacia el sur.

🔗 www.ebd.csic.es/divulgacion/...
January 27, 2026 at 1:52 PM
gbif.es
¡Participa en el Desafío Ebbe Nielsen 2026!

¿Tienes una herramienta innovadora que aproveche los #datosabiertos de #biodiversidad de @gbif.org para hacer avanzar la #cienciaabierta?
Hay 20.000 € para repartir entre los ganadores.
🐚 www.gbif.org/es/news/3DyM...

Fecha límite: 🗓️ 16/06/2026
January 27, 2026 at 12:13 PM
gbif.es
La #cienciaciudadana vuelve a demostrar su valor: un pescador ha permitido detectar en el Guadalquivir 𝑀𝑎𝑐𝑟𝑜𝑏𝑟𝑎𝑐𝘩𝑖𝑢𝑚 𝑐𝑓. 𝑛𝑖𝑝𝑝𝑜𝑛𝑒𝑛𝑠𝑒, una especie invasora cuya expansión global puede seguirse gracias a datos abiertos de @gbif.org e @inaturalist.bsky.social:
▶️ doi.org/10.3897/emt.... #CiteTheDOI
Ciencia ciudadana y biodiversidad: una observación clave El hallazgo de M. nipponense por un pescador muestra cómo la ciencia ciudadana permite anticipar invasoras y proteger la biodiversidad en áreas sensibles, al reforzar la vigilancia ambiental. Foto: Macrobrachium nipponense. Autor: H.T.Cheng (https://www.inaturalist.org/people/oryzias). Licencia: CC BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/) Biodiversidad global: expansión documentada con datos abiertos El mapa combina registros científicos y observaciones de GBIF e iNaturalist para seguir la expansión mundial de M. nipponense, algo esencial para gestionar invasoras y conservar la biodiversidad. Figura: Los registros de la distribución nativa y no nativa del camarón oriental de río, M. nipponense, se muestran en el mapa. Los puntos blancos indican las localidades nativas en el sudeste asiático. Los puntos naranjas señalan localidades no nativas previamente registradas en Eurasia y Norteamérica, mientras que la estrella amarilla marca la ubicación del ejemplar detectado en el estuario del río Guadalquivir (suroeste de España) durante este estudio (Sanlúcar de Barrameda, cerca de la desembocadura, representada en azul). Identificación morfológica: claves para confirmar la especie Los rasgos diagnósticos del ejemplar del Guadalquivir permiten distinguirlo de especies nativas y mejorar la detección temprana de invasoras, un paso crítico para proteger la biodiversidad local. Figura: Ejemplar de Macrobrachium cf. nipponense registrado en el estuario del río Guadalquivir (Sanlúcar de Barrameda, Cádiz, España) en octubre de 2024. a. Vista dorsal que muestra los segundos pereiópodos alargados, de color marrón oscuro con manchas beige, y el caparazón finamente tuberculado, otro rasgo característico de la especie. b. Rostro relativamente recto. c. Vista lateral del caparazón y parte del abdomen, con pereiópodos visibles con manchas beige. d. Vista ventral con pereiópodos visibles con manchas beige. (Fotogramas extraídos del vídeo realizado por Rubén Vidal Vidal, pescador de Sanlúcar de Barrameda). Conexiones marítimas y llegada de especies invasoras El aumento de mercancías desde regiones donde la especie está establecida refuerza la necesidad de vigilar las especies invasoras y proteger la biodiversidad mediante ciencia ciudadana y supervisión continua. Figura: Volumen total de mercancías descargadas en el Puerto de Sevilla (España) entre 2015 y 2023, según países de origen seleccionados donde Macrobrachium nipponense ha sido registrada como especie no nativa.
January 26, 2026 at 11:57 AM
gbif.es
Un impulso clave para visibilizar las #coleccionescientíficas de Suiza: el portal SwissNatColl muestra cómo modernizar, documentar y abrir datos esenciales para la #biodiversidad. Una gran iniciativa destacada por @gbif.org 👇
gbif.org GBIF @gbif.org · 25d
🦋 The Swiss Node of GBIF (GBIF.ch) and #SwissNatColl has transformed access to Switzerland’s natural history collections by launching a national data aggregator that improves the discoverability, standardization and reusability of specimen data.
Digital illustrations of a museum collection
January 23, 2026 at 11:11 AM
Reposted by GBIF España/Spain
natusferaes.bsky.social
A veces, “ver” no es mirar. 𝐹𝑜𝑟𝑓𝑖𝑐𝑢𝑙𝑎 𝑑𝑒𝑛𝑡𝑎𝑡𝑎 estaba ahí, críptica 🔍, hasta que la curiosidad y la ciencia ciudadana la hicieron visible y distinta de especies hermanas (𝐹. 𝑎𝑢𝑟𝑖𝑐𝑢𝑙𝑎𝑟𝑖𝑎...). Cada detalle cuenta cuando miramos de cerca:
🟢 spain.inaturalist.org/observations...
#observacióndelasemana 📸
Foto: Forficula dentata. Autor: Andrés Campos (https://spain.inaturalist.org/people/andymorales). Licencia: CC BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/)
January 22, 2026 at 11:56 AM
Reposted by GBIF España/Spain
natusferaes.bsky.social
La #cienciaciudadana puede aportar información clave ante la pérdida de fuentes oficiales y los recortes que amenazan a los Objetivos de Desarrollo Sostenible. Iniciativas como @inaturalist.bsky.social fortalecen el conocimiento sobre biodiversidad y bienestar:
▶️ doi.org/10.1038/s444... #CiteTheDOI
La ciencia ciudadana ante los recortes de los presupuestos para ciencia La ciencia ciudadana ayuda a mantener información crítica cuando las instituciones oficiales fallan y ponen en riesgo los Objetivos de Desarrollo Sostenible. Un estudio señala cuatro transformaciones clave para avanzar Foto: "We tried to do a hike in the McPhail Woods, but the mosquitoes were insane, we probably barely lasted 10 minutes in there." Autor: Martin Cathrae. Licencia: CC BY-SA 2.0 (https://creativecommons.org/licenses/by-sa/2.0/deed.en) La ciencia ciudadana refuerza indicadores sociales y ambientales La ciencia ciudadana puede ampliar la cobertura de indicadores sociales y ambientales. Hay áreas que pueden beneficiarse de los datos generados de manera voluntaria para mejorar el seguimiento de la biodiversidad. Figura: Mapeo de los indicadores de los ODS que dependen de encuestas de hogares y que podrían beneficiarse de aportaciones de datos de ciencia ciudadana. Cómo complementa o sustituye la ciencia ciudadana los estudios La ciencia ciudadana puede complementar o reemplazar estudios costosos. La figura resume las claves para reforzar la credibilidad, la legitimidad y la sostenibilidad del uso de datos procedentes de la ciencia ciudadana. Figura: Pasos clave para que la ciencia ciudadana pase de ser complementaria a esencial en las estadísticas oficiales. 1. Normas y garantía de calidad Alinear métodos rigurosos con el carácter participativo y adaptable de la ciencia ciudadana. 2. Apoyo gubernamental e institucional Construir alianzas de confianza para co-desarrollar métodos que cumplan estándares oficiales y aprovechen la participación pública. 3. Gobernanza global de datos Involucrar a las comunidades de ciencia ciudadana en debates globales sobre datos a través de redes como la Citizen Science Global Partnership. 4. Financiación sostenible Incentivar a las oficinas nacionales de estadística y a los participantes, especialmente en comunidades desatendidas, mediante apoyos adaptados al contexto. Biodiversidad y ciencia ciudadana en acción La biodiversidad se documenta mejor con más participación. Los registros de iNaturalist/Natusfera aportan datos valiosos y fortalecen el conocimiento ambiental que se genera medante ciencia ciudadana. Foto: Científica ciudadana fotografía una mariposa. Autor: Javier Gómez. Licencia: CC BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/)
January 22, 2026 at 10:28 AM
gbif.es
Comienza la preinscripción en el III Taller GBIF.ES: Conservación, gestión e informatización de herbarios:
🛠️ gbif.es/talleres/iii...
➡️ personal técnico e investigador
➡️ estudiantes interesados en la gestión de colecciones botánicas y la publicación de datos abiertos de biodiversidad
🗓️ Hasta el 31/1
III Taller GBIF.ES: Conservación, gestión e informatización de herbarios
Descripción Los herbarios constituyen infraestructuras científicas clave para el estudio, conservación y divulgación de la biodiversidad vegetal. Más allá de su función histórica como repositorios de ...
gbif.es
January 21, 2026 at 8:50 AM
gbif.es
Si eres estudiante de máster o doctorado y trabajas con datos facilitados por @gbif.org, ¡presenta tu candidatura al Premio GBIF a Investigadores Graduados 2026!

💰 5000 € y un premio de prestigio 🥇 para darle impulso a tu carrera. ¿A qué esperas?

🏆 gbif.es/presenta-tu-...
gbif.org GBIF @gbif.org · 27d
🎓 The 2026 GBIF Graduate Researchers Award is now open for nominations! This award celebrates innovative Master’s and PhD research powered by GBIF-mediated data, with opportunity to win 2x €5,000 prizes!

Learn more:🔗 gbif.link/GRA_2026

#ApplyNow #EarlyCareerResearch #FundingOpportunity
Cream coloured background with an illustration of a tarsier and in red text overlaid reads 2026 Graduate Researchers Award with the GBIF logo displayed at the bottom
January 20, 2026 at 1:40 PM
gbif.es
Un estudio muestra cómo integrar datos de clima, genómica y #vectores para crear sistemas de #alertatemprana ante #pandemias. Un modelo de dengue en Brasil usa datos de @gbif.org e @inaturalist.bsky.social / @natusferaes.bsky.social para mejorar las predicciones:
▶️ doi.org/10.1016/j.cr...
Pandemias y vectores: por qué importan los datos abiertos Las alertas tempranas dependen de conocer dónde están los vectores. Los registros de GBIF e iNaturalist permiten mapear dónde están los mosquitos y prever riesgos. Foto: Aedes albopictus. Autora: Nora De Angelli (https://spain.inaturalist.org/people/noradeangelli). Licencia: CC BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/) Alerta temprana: cómo se integran los datos para prever riesgos Esta figura muestra un sistema One Health que combina clima, biodiversidad y salud pública para detectar señales tempranas y reducir el impacto de futuras pandemias. Figura: infografía: Visión de un sistema de alerta temprana de pandemias compatible con One Health A. FACTORES IMPULSORES Cambio climático Otras alteraciones ambientales Pérdida de biodiversidad Globalización Impactos diferenciales impulsados por factores socioeconómicos, demográficos y determinantes clave de la salud B. FLUJOS DE DATOS Flujos de datos de hábitat monitorizados para vectores y variaciones bajo el uso del suelo y el cambio climático Conjunto de datos incorporados: multi-ómicos, climáticos, epidemiológicos, genómicos C. ESTRUCTURA Datos compartidos y privados federados de una red global Datos estructurados y armonizados D. COMUNIDAD Datos analizados mediante herramientas de análisis colaborativas desarrolladas por la comunidad E. RESULTADOS Mapas de riesgo e informes para agencias de salud pública Integración para informar respuestas, diseño de diagnósticos, plantillas de vacunas, manejo integrado de plagas para el control de vectores SISTEMA DE ALERTA TEMPRANA DE PANDEMIAS F. IMPACTO Decisiones basadas en datos Mejora de la salud pública Mejora de los resultados en salud de los pacientes Modelos predictivos: el papel de GeoSeeq en la vigilancia global La plataforma integra datos climáticos, genómicos y de vectores para generar predicciones y apoyar decisiones de salud pública fundamentadas ante amenazas pandémicas Figura: Interfaz de GeoSeeq, una plataforma de monitorización de pandemias que alberga modelos predictivos. Resultados de un modelo de predicción del dengue en Brasil El modelo anticipa brotes con meses de antelación mejor que los modelos históricos. Es una herramienta clave para mejorar la alerta temprana y reducir el riesgo de pandemias. Figura: GeoSeeq: rendimiento del modelo de dengue. Las predicciones del modelo de dengue de GeoSeeq a 1 y 3 meses vista (A) y su rendimiento (B) muestran que el modelo supera de forma consistente a los modelos históricos de referencia, lo que lo convierte en una herramienta prometedora para orientar la respuesta de salud pública.
January 20, 2026 at 11:10 AM