plantR: An R package and workflow for managing species records from biological collections

Abstract

Species records from biological collections are becoming increasingly available online. This unprecedented availability of records has largely supported recent studies in taxonomy, biogeography, macroecology and biodiversity conservation. Biological collections vary in their documentation and notation standards, which have changed through time. For different reasons, neither collections nor data repositories perform the editing, formatting and standardisation of the data, leaving these tasks to the final users of the species records (e.g. taxonomists, ecologists and conservationists). These tasks are challenging, particularly when working with millions of records from hundreds of biological collections. To help collection curators and final users perform those tasks, we introduce plantR, an open‐source package that provides a comprehensive toolbox to manage species records from biological collections. The package is accompanied by the proposal of a reproducible workflow to manage this type of data in taxonomy, ecology and biodiversity conservation. It is implemented in R and designed to handle relatively large datasets as fast as possible. Initially designed to handle plant species records, many of the plantR features also apply to other groups of organisms, given that the data structure is similar. The plantR workflow includes tools to (a) download records from different data repositories, (b) standardise typical fields associated with species records, (c) validate the locality, geographical coordinates, taxonomic nomenclature and species identifications, including the retrieval of duplicates across collections, and (d) summarise and export records, including the construction of species lists with vouchers. Other R packages provide tools to tackle some of the workflow steps described above. But in addition to the new tools and resources related to data standardisation and validation, the greatest strength of plantR is to provide a comprehensive and user‐friendly workflow in one single environment, performing all tasks from data retrieval to export. Thus, plantR can help researchers better assess data quality and avoid data leakage in a wide variety of studies using species records.

Contributions to the Flora of Tropical East Africa

“…The correct taxonomic names (families and genera) of the obtained online checklists was derived from the “plantR” R package [ 60 ], which followed APG IV for angiosperms [ 61 ] and PPG I for ferns and lycophytes [ 62 ], and Gymnosperm according to Christenhusz et al [ 63 ]. We checked the information of each taxon in the checklist and recorded its distribution information, growth habit, life form, endemism and IUCN red list category.…”

intSDM: anRpackage for building a reproducible workflow for the field of integrated species distribution models

“…During this step of the workflow, users process both occurrence data and environmental data obtained in step 1. Resources and R packages exist for data cleaning [24], standardization and validation [25], and formatting metadata (e.g. Merow et al [20]).…”

Sistemática, filogenia e biogeografia de Thinouia Triana & Planch. (Sapindaceae)

“…Após a padronização do banco de dados, utilizamos um conjunto de funções do pacote plantR (de Lima et al, 2021) destinadas à validação das informações de localidade (i.e., checagem da localidade original com localidade proveniente dos gazetteers), coordenadas geográficas (i.e., detecção de coordenadas invertidas, que caem no mar, de espécimes cultivados ou que são outliers), identificação taxonômica e identificação de registros duplicados. Após a validação das informações dos registros de ocorrência, seguimos as recomendações de Zizka et al (2019de Zizka et al ( , 2020 e fizemos a exclusão dos registros que: (i) caem no mar; (ii) são espécimes cultivados; (iii) são duplicatas; (iv) não tem identificação ao nível de espécie; e (v) não tem coordenadas geográficas ou sem coordenadas geográficas ao nível de município ou mais refinada.…”

“…Ferrucci, 2020). Os registros foram obtidos dos repositórios públicos em 20 de outubro de 2021, por meio dos pacotes plantR (deLima et al, 2021; dados do GBIF e speciesLink) e BIEN(Maitner, 2022) implementados no programa R (R Core Team, 2022), totalizando 134.568 registros do GBIF, 62.291 do speciesLink, e 33.415 do BIEN. Na sequência, os registros de ocorrência das diferentes fontes foram combinados e passaram por uma série de funções do pacote plantR (deLima et al, 2021), o qual visam a padronização das informações sobre coleta (i.e., nome de coletores e identificadores, número de coleta, ano de coleta e de identificação e códigos das coleções científicas), localidade (i.e., país, estado, município e localidade), coordenadas geográficas e nome científico dos registros.…”

“…Os registros foram obtidos dos repositórios públicos em 20 de outubro de 2021, por meio dos pacotes plantR (deLima et al, 2021; dados do GBIF e speciesLink) e BIEN(Maitner, 2022) implementados no programa R (R Core Team, 2022), totalizando 134.568 registros do GBIF, 62.291 do speciesLink, e 33.415 do BIEN. Na sequência, os registros de ocorrência das diferentes fontes foram combinados e passaram por uma série de funções do pacote plantR (deLima et al, 2021), o qual visam a padronização das informações sobre coleta (i.e., nome de coletores e identificadores, número de coleta, ano de coleta e de identificação e códigos das coleções científicas), localidade (i.e., país, estado, município e localidade), coordenadas geográficas e nome científico dos registros. Foi possível georreferenciar registros de ocorrência sem coordenadas geográficas usando a função "formatLoc" do pacote plantR (deLima et al, 2021), que padroniza e busca as informações de localidade em gazetteers ou, em casos em que as coordenadas não eram encontradas usando a função, foram obtidas através do Google Earth ou do Banco de Dados de Áreas Administrativas Globais (GADM -…”