Arquivo da tag: ipt

Qual o próximo passo para a biodiversidade digital?

Nota: as opiniões aqui escritas são minhas e não refletem a opinião do meu empregador.

Chamo de biodiversidade digital todos os aspectos que envolvem a biodiversidade no mundo digital.

Tendo um pouco de experiência em digitalização e publicação da biodiversidade então irei descrever aqui o que eu acho que deve mudar para que o campo avance e possamos nos preocupar mais com coisas mais relevantes.

Padrões

EML

Estado da arte e apresenta poucos espaços disponíveis para melhoria. Não consigo me lembrar da última vez que nesses últimos seis meses que sequer citei o EML no trabalho. Acredito que quando a solução de um problema passa desapercebido significa que ele foi bem resolvido.

DwC

O padrão em si precisa ser mais aberto a sugestões e a equipe do TDWG (“mantedora” do padrão)  precisa de mais pessoas na equipe. É muito triste entrar na página de um padrão tão usado e o link de histórico permanecer quebrado a vários meses.

Muitas melhorias precisam ser feitas no grupo de taxonomia, falta várias sub/sob categorias e uma solução como a dada aos dados ecológicas seria o ideal. Informar o rank taxonômico e seu valor parece uma solução melhor do que termos fixos que contemplam apenas rankings básicos da taxonomia (é muita gente usa tribo!).

Ideal

Uma solução onde os dados são alimentados ao sistema na forma como o pesquisador descreveu sem a necessidade de modificações ou transformações. Também é precisa se desligar da ideia que todo dado é representado por tabelas. Quem grava o áudio/vídeo/fotos não fica usando tabela para salvar o produto. Links na tabela para esses recursos multimídia não são a solução, quando eu baixo um pacote de dados eu quero todos os dados dentro do pacote. Se ocorrer problemas no local da hospedagem o meu pacote de dados se torna inútil.

Solução para o problema é dar uma olhada nas ideias do padrão noSQL, onde é possível ter um formato híbrido com formato tabular e objetos (nossos vídeos).

Ferramentas

IPT

Uma opção para armazenamento de dados em algum banco de dados. Iria facilitar a indexação de recursos assim como a geração de métricas dos dados. Relacionado a isso o IPT precisa urgente de uma API. Só existe a necessidade de indexadores devido a falta de uma API…

A definição dos termos DwC em núcleos começa a ser irritante mostrando suas limitações no padrão estrela. Essa definição dos núcleos não pertence ao padrão do DwC. Nenhum pesquisador gosta de ideia de modificar sua tabela  e depois ter que dividi-la em outras três por uma implementação de um padrão de forma arbitraria pela ferramenta de publicação.

Metacat

Estou afastado da ferramenta a alguns meses. Ainda assino a lista de desenvolvimento para acompanhar as novidades e parece que última relevante é relacionada ao sistema de busca da DataONE (off-topic da ferramenta) que parece ter sofrido melhorias consideráveis.

Tentei fazer o download do último código fonte e desisti depois de ver o tamanho de quase 900 mb. Me pergunto como um código fonte pode chegar a esse tamanho absurdo? Este projeto também já deveria ter migrado para o GitHub. Se o financiamento acabar também podemos perder acesso ao código fonte. O GitHub daria o prolongamento da vida da ferramenta por contribuições da comunidade.

Ainda possui recursos que eu sonho em ver no IPT como a replicação que permite compartilhar seus dados de forma segura entre instalações da ferramenta. API local que permite criação de portal de dados com a própria ferramenta e indexação por Solr.

Ideal

Uma ferramenta com todos os recursos listados no último paragrafo do Metacat mas com a interface de adição de recursos do IPT e com um novo modelo de armazenamento de dados que também iria implicar em um novo padrão superior ao DwC. A noção de dados de ocorrência ou ecológicos deve desaparecer para o software e existir apenas na cabeça do pesquisador.

E claro que não seja em Java, não adianta falar que Java roda em qualquer plataforma se todo mundo usa servidores Linux eliminando assim a principal vantagem argumentada. Java não é ruim, mas desenvolvedores competentes parecem escassos. Toda vez que eu olhei para um campo na ferramenta e imaginei “se eu fizer isso vai dar pau” aconteceu. Eu sou um biólogo, se é óbvio para mim deveria ser ridículo para um programador com diploma. Um desses bugs que reportei pode simplesmente travar o IPT por vários segundos, com um pouco de maldade eu poderia travar todas os IPTs disponíveis por quanto tempo eu tivesse paciência. Esses bugs são comuns em ambas as ferramentas.

Conclusão ou tl;dr

Desaparecimento dos padrões de formatação de tabelas. Não queremos mais tabelas! Queremos poder usar vídeos e áudio nos pacotes de dados, nada de anexo. Um vídeo por registro se assim eu desejar.

A ferramenta deve se virar para resolver meu problema. Eu me adaptar a soluções dos informáticos não é solução do problema. Se a minha “tabela” está nesse formato deve ter um motivo muito bom. Será que é o formato mais comum para a análise deste tipo de dado? Será que meus pares de pesquisa também gostariam de receber nesse formato? Se eu apresentar em outro formato isso vai ajudar o compartilhamento de dados sobre a biodiversidade? São todas perguntas que parecem esquecidas e precisam ser feitas e refeitas até a exaustão para avançarmos para o próximo nível.

Fim da relação política/financeira dessas ferramentas/padrões. Sim várias vezes eu consigo notar que todo mundo sabe do problema, concorda com o problema, mas não vamos fazer nada por motivos políticos.

Que se foda *****, eu quero é resolver o problema.

Conclusão no final da discussão sobre o “estado da arte” da biodiversidade digital

Anúncios

IPT pronto para dados ecológicos!

Durante esse mês que passou muitas coisas aconteceram no desenvolvimento do IPT. A meu ver a principal delas para comunidade ecológica foi a incorporação do core de eventos e a aceitação dos metadados com o tipo evento de amostragem.

Durante os testes da versão de desenvolvimento notei que apesar da criação de um core dedicado para eventos ainda era necessário associar uma extensão de ocorrência. O que não é uma verdade para dados ecológicos. É comum a coleta de variáveis ambientais sem espécies associados, como por exemplo, emissão de carbono ou qualidade da água. Com isso fiz um pull request que foi aceito mas com a ressalva de exibir um aviso de atenção, já que não consideram o cenário comum no momento.

Outra mudança interessante foi o versionamento das extensões que também contam com um sistema de atualização mais inteligente. Anteriormente era necessário atualização manual das extensões ou correria o risco dos dados parassem de exibir na interface web.

E finalmente o lançamento da versão 2.3 do IPT contendo as mudanças citadas acima e a migração para o github.com.

Então que venham os dados ecológicos para avaliar as mudanças novo IPT.

O que separa o Metacat do IPT? Uma coluna!

Para os leitores que não conhecem as ferramentas e o contexto atual irei dar uma breve introdução.

Metacat

Software do tipo serviço (ou daemon) onde são armazenados principalmente dados ecológicos e suas descrições (metadados). Aceita outros formatos mas a comunidade sempre que escuta sobre Metacat associa com dados ecológicos. O Metacat segue o padrão EML de descrição dos dados. O principal objetivo do EML é conseguir descrever dados usando um formato flexível como os dados ecológicos. Dessa forma o Metacat trabalha com o formato repositório de dados onde as colunas não são fixas em nomenclatura e/ou quantidade possível.

Pontos fortes: padrão flexível que permite descrever qualquer formato de tabela.

IPT Integrated Publishing Toolkit

Também é um software serviço sendo associado principalmente a dados de coleção. Segue o padrão Darwin Core para formatação das tabelas. O padrão é fixo, o que significa que as colunas de sua tabela precisam estar de acordo com os termos já publicados ou seus dados não podem ser disponibilizados. Dessa forma o Darwin Core é ideal para banco de dados pois já sabemos exatamente o que esperar em número de colunas e nomenclatura.

Pontos fortes: facilita a coleta de informação em massa para tomada de decisões e minimiza o número de erros.

Dados de coleção no Metacat?

O padrão Darwin Core pode ser descrito dentro do EML. Você poderia deixar um EML template seguindo o formato Darwin Core e apenas preencher as células com a informação que chegasse na coleção.

Apesar de simples o processo mas não é o ideal para administração. O Metacat não guarda a tabela de dados dentro do seu banco de dados, são simples arquivos de texto soltos em uma pasta no servidor. Então com o tempo essa tabela deve crescer ao ponto que o nosso humilde Calc ou Excel não irão mais conseguir gerenciar uma tabela desse porte. O Metacat é ideal para pacotes individuais de dados, ele guarda bem dados ecológicos pelo fato de um dia a tabela parar de crescer em número de registros. Em uma coleção a tabela de um grupo provavelmente nunca vai parar de crescer, tornando o Metacat uma ferramente fraca para o trabalho.

Dados ecológicos no IPT?

Sim! Agora é possível com os termos de eventos e mensuração. Irei usar como exemplo um dataset armazenado no Metacat do Peld-1.

A tabela possui essa estrutura:

sitio trilha parcela N posicao X Y especie mês ano cacho numero_frutos densidade abertura_copa serrapilheira
DUCKE LO8 LO8_3500 20822 D 84.34 1.80 Is Maio 2009 Cacho1 52 2 2 20
DUCKE LO8 LO8_3500 365 D 133.80 1.00 Se Maio 2009 Cacho1 261 3 4 0
DUCKE LO8 LO8_3500 20872 D 204.52 1.19 Is Maio 2009 Cacho1 238 3 2 0

Estamos interessados em explorar três termos do Darwin Core para processar esses dados: measurementIDmeasurementTypemeasurementValue. Esses três termos são o minimo para descrever qualquer dado ecológico.

Como converter uma tabela com várias colunas relacionadas para um formato minimo de três colunas sem perda de informação? Com uma coluna de chave primaria, muitos se esquecem desse recurso que identifica cada linha de forma única em um banco de dados. Não precisamos de nada muito complexo, vamos adicionar uma nova coluna aos dados. Todas as manipulações são feitas em R.


dados = read.table('fecosta.257.1-contagem_frutos.txt', header = T, encoding = 'latin1', sep = '\t')
dados$primid = 1:nrow(dados)

Nossa coluna se chama primid e possui valores sequencias até o número de linhas que a tabela dados possui. Com isso temos um identificador único para cada linha e podemos fazer uma manipulação conhecida como tabela dinâmica.


library(reshape2)
dadosm = melt(dados, id.vars = 'primid')

O pacote reshape2 permite mudar a forma que a tabela é apresentada (long ou wide). Usamos a função melt para deixar nossa tabela no formato mais longo possível usando como ancora a coluna primid. O resultado pode ser visto na tabela abaixo.

primid variable value
6 sitio DUCKE
6 trilha LO8
6 parcela LO8_3500
6 N 403
6 posicao E
6 X 139.3
6 Y 3.68
6 especie Is
6 mês Maio
6 ano 2009
6 cacho Cacho1
6 numero_frutos 29
6 densidade 1
6 abertura_copa 4
6 serrapilheira 6

Temos uma tabela com três colunas e sem perda alguma de informação. Essa tabela já pode entrar no IPT, durante a importação só é necessário mapear as colunas com os termos respectivos. Existem outros termos que são relevantes como measurementUnit que não são usados aqui mas toda publicação ecológica deveria preencher, leia a referência do Darwin Core para mais informações.

Algumas pessoas podem comentar que não sabem manipular tabelas dessa forma ou que não tem experiência com tabela dinâmica. Para voltar a tabela ao formato exatamente igual ao inicial basta digitar:


dcast(dadosm, primid ~ variable)

Conclusão

O padrão Darwin Core aos poucos começa a englobar áreas que não explorava antes e a maioria dos pesquisadores não estão dando chance a ferramenta. Eu mesmo já achei loucura dados ecológicos no IPT, mas depois de testar com um dataset de 35 variáveis e 205 mil linhas achei ele bastante robusto. Fora a parte descrita aqui existe a parte administrativa das ferramentas. Mais ferramentas significam mais problemas.