Un oso, con un tiro, al pie de Muniellos…

A estas alturas, la noticia sobre el oso muerto de un tiro a la puerta de Muniellos no sorprenderá a nadie.
Quizás menos intuitivo sea considerar que las administraciones (regionales y locales) parecen olvidar el estatus de la población de osos cantábricos, paseándolos en las ferias de “turismo activo”, buscando “desarrollo” a través de un recurso que no poseen, no generan, no controlan.
Parecen olvidarse – o nos olvidamos todos quizás – de que existe un Plan de Recuperación; un mandato legal vigente que debe ser cumplido, o modificado si alguien tiene el valor normativo utilizado frecuentemente en verborreas anti-científicas. Entiendo que el Plan merece una lectura completa por parte de todos aquellos implicados e interesados en administrar o conservar; no es un texto largo. Se puede empezar por ejemplo por los objetivos; el primero de ellos dice:
Evitar la mortalidad de la especie por causas imputables a la acción del hombre.
Las causas “imputables a  la  acción del hombre” seguirán recordando su existencia de vez en cuando. Habría que minimizarlas, en lugar de pasar corriendo…

Displaying signs of El Niño with QGIS and SeaDAS

Another season, another reason, for making a little GIS. Just finished this year’s edition of the GIS course, and thought of starting a little tradition¹: posting some procedure that we have done in the classroom, with free software and public data. Teaching conditions keep deteriorating via sustained budget bottlenecks, so let this be also my way of overcoming sadness and discomfort.

We used QGIS, SeaDAS and data from NASA’s Ocean Color server to do what the title of the post says. Here I will repeat the procedure with a slightly different dataset, because these days one reads a lot of info about a large El Niño building up.

Now, El Niño and its counterpart La Niña are massive changes in distribution of seawater temperature of the equatorial and tropical Pacific Ocean. During strong El Niño events, the eastern equatorial Pacific accumulates a lot of warmer water, to the point of suppressing the upwelling of cooler, nutrient-rich waters, and hitting hard the ecosystem that relies on them.

One reads that the best way to follow them is actually by looking at sea height anomalies. However, the latter are more complicated to find and download for a simple procedure like this one. So we stick to SST (surface seawater T) as rendered by MODIS Aqua. It goes something like this²:

  • Get and install the software; simple downloads and setups should do.
  • Go to Ocean Color web page and click on Data Access to see what they offer.
    • No, it won’t kill you browsing around that beautiful webpage and reading some info before downloading stuff like a hacker in a cheesy TV show.
  • We’ll use the easier, spatially and temporally merged Level 3 Browser, and look for Aqua MODIS SST (11 µm, nightime). There are several, intuitive drop-down lists, where we select data averaged for a whole month, and the coarser spatial resolution (9 km).


  • Clicking the center of thumbnails displays a large picture, which helps selecting one dataset or the other. We want to download the data for September 2015; clicking on the lower left corner of the corresponding thumbnail (‘SMI mapped’) does precisely that, and we’d get a NetCDF-4 file. It’d be named ‘A20152442015273.L3m_MO_NSST_sst_9km’, a cumbersome but informative naming scheme telling us the sensor, the initial and final ordinal dates averaged in the image, processing level, parameter, and spatial resolution.
  • Opening the file in SeaDAS allows browsing the global metadata (‘Metadata > Global_Attributes’): there’s info on the type of data, including provider, spatial extent, and data range.


  • The file contains more specific metadata: ‘Band_Attributes’ shows scaling information as ‘scale_factor’ and ‘add_offset’. We will need that info to scale the data to a SST raster layer.
  • A double click on ‘sst’ under ‘Bands (products)’ shall display a colorful rendition of SST à la SeaDAS (it uses color scheme ‘SST’ stored in ‘Tools > Color Manager’). With ‘Info > Pixel Info’ we’d see information on location and SST under the pointer of the mouse. sst_seadas
  • To use the data easily, export to GeoTiff with ‘File > Raster Export’. The exporting dialogue allows selecting a subset of the bands, which would make sense particularly in the case of complex L2 Level files. L3 SST includes only two bands: the data per se and quality flags.
  • Once in QGIS, setting the project’s coordinate reference system to WGS 84 (EPSG: 4326) is a good idea; L3 data come in an Equidistant Cylindrical projection (which informs correctly on distances, but not so much on areas).
  • Opening the above geotiff file of September 2015 SST would likely display a familiar flat view of the Earth, in whatever colormap your QGIS decided to paint it. But let’s set aside colors for a while. QGIS comes with a ‘querying’ tool that works fine for vectors; for rasters, it is better using the ‘Value Tool’ plugin. It displays the values under the mouse pointer for any active raster layer. This is how mine looked just in front of my hometown:


  • SST should be in the 2nd band; the first contains info on the quality of pixels. Not even global warming could yield that SST: the layer is not scaled. We need to use raster algebra – nice lingo eh – to transform those values into degrees C. We use ‘Raster > Raster Calculator’ and the info contained in the band’s metadata, ‘scale_factor’ and ‘add_offset’, to do the trick. Mine looks like this (remember to scale band 2, not 1):


  • Running the calculator should make in no time a new raster layer with SST in degrees C. ‘Value Tool’ again could tell us whether it looks like SST. See mine below, although looks depend on the chosen palette or colormap; such color schemes can be used to highlight the features of interest.


  • No surprise intended, tropical and equatorial waters are warmer. But we were interested on where they stand against reference conditions. Let’s go back to the L3 browser at Ocean Color, and in this case we pick the option ‘Monthly climatology’, which give us average September conditions from 2002 to 2015 (how about that?!). Make sure the sensor, parameter and spatial resolution are the same as for September 2015, and download the SMI mapped file. Its name would be A20022442015273.L3m_MC_NSST_sst_9km.nc (first day of September 2002 to last day of September 2015).
  • Repeat the above procedure in SeaDAS & QGIS to get an scaled geotiff layer, displaying correct SST values. Plotting it with the same colormap as above (which can be saved and reused in other layer) would give a similar picture, although some differences start to show (beyond the naturally smoother look of the long-time average):


  • But we are looking for anomalies, and intend to highlight them. So if the question is how different last month’s SST was from reference conditions, why not just operating with the layers to show just that? ‘Raster Calculator’ and a simple difference September 2015 – September 2002 to 2015 would do the trick. See it below, colored to show anomalies from – 4 (blue) to +4 ºC (red):


  • Warmer waters are indeed evident off the Pacific shores of equatorial South America. Now let’s tweak the view a little bit using also public domain maps available at Natural Earth. That site allows downloading and reusing a lot of vector and raster layers at different spatial scales. But there is also a QGIS plugin that comes handy now, ‘Natural Earth Raster’. It eases download and direct use of several layers as basemaps.


  • The view above uses a WGS 84 / Pseudo-Mercator projection centered at 150W. Note also, at the top- and bottom-right corners, how anomalies give away  the Gulf Stream and the Brazil Current. And finally, ‘Print composer’ tool in QGIS allows preparing and exporting high-res images of any work.

Will this Niño finally be huge, or will it fade away? I guess we’ll see, won’t we?

¹ You know, things done without any particular reason.
² Intended to work smooth in an introductory GIS course, while training several tools; there could be of course faster / better alternatives.

Urogallos y caza en los medios

La agencia de noticias de ciencia SINC recoge estos días el importante artículo publicado hace unas semanas sobre el efecto de la caza de trofeos en la genética de la población de urogallos cantábricos (y con resultados fácilmente generalizables a otras especies). De ahí salen las noticias que van apareciendo en la prensa estándar.

No deja de ser paradójico que la Oficina de Comunicación de la Universidad de Oviedo – encargada de trasmitir a medios los resultados surgidos de los proyectos desarrollados en UniOvi – no haya tenido tiempo de cubrirlo. Desconozco las razones.
Hace unas semanas escribía mi opinión sobre la relevancia del estudio: http://cantabricus.com/2015/07/03/cazando-urogallos-cazando-causas-del-declive/

Cazando urogallos, cazando causas del declive

Reseña en Cantabricus sobre la pérdida de variabilidad genética de los urogallos en los tiempos de la caza.


Por Mario Quevedo, en Cantabricus
Tiempo estimado de lectura: 6 min

Soy autor de un puñado de artículos sobre urogallos cantábricos¹, pero ninguno de ellos es tan relevante para la conservación de la población como el que reseño aquí, del que no soy autor.

Escribo sobre un artículo recientemente publicado online en Conservation Genetics: Revealing the consequences of male-biased trophy hunting on the maintenance of genetic variation, de Rolando Rodríguez-Muñoz, Carlos Rodríguez del Valle, Mariajo Bañuelos y Patricia Mirol². Aparte de mi interpretación, MJ Bañuelos da una algo más técnica en su web.

Más allá de las implicaciones generales a las que apunta el título, el artículo contiene datos genéticos sobre urogallos cantábricos cazados y disecados desde mediados del S. XX. Esos datos se usan para analizar y discutir el efecto de la caza de machos dominantes (es decir, en los cantaderos) sobre la demografía de la…

Ver la entrada original 689 palabras más

La ocurrencia 3+2

Estos días es noticia la penúltima ocurrencia de un gobierno central español acerca de modelos educativos. Me refiero al “decreto 3+2” de enseñanza universitaria, encaminado a reducir los grados (o como pasen a llamarse) de 4 años a 3, ampliando los másteres de 1 a 2.

Esa propuesta genera mucho – y a mi juicio justificado – rechazo por que encarecerá para el alumnado el coste de la educación superior. Enlazo a una de las múltiples noticias al respecto en prensa.

No obstante, hay otras razones para no apreciar la nueva propuesta. Aquí va la mía: la educación en general, la universitaria en particular, requiere tiempo.

Tiempo para estudiar, es la conexión más obvia. No, no me refiero a ese, sino al necesario para pensar qué se quiere ser de mayor, y cómo se quiere alcanzar esa meta. Tiempo para decidir que asignaturas le interesan más a uno, independientemente de la fortuna en la asignación de profesorado. Tiempo para pensar y discutir y, en algunos casos,  para perder o ganar en “asuntos colaterales”. Asuntos colaterales que deben formar parte de un periodo formativo intenso y diverso, en el que chicas y chicos muy jóvenes acceden a nuevas ideas y visiones, o bien deciden que las originales sirven tras contrastar. Más debajo.

Llegados a este punto salen las voces que dirán que la cosa no está para fiestas, y que la universidad debe preparar para el mercado laboral. Incluso que el mercado laboral dicta qué se debe estudiar. No seré yo el que disocie universidad con formación para una profesión, ni el que cuestione la necesidad de ganarse la vida; pero sí disocio la prisa de la formación, y de la vida. Y si los estudiantes necesitan apoyo económico para tomarse ese tiempo, ey, usad mis impuestos. Preguntaría además qué han estudiado los mercados para estar capacitados en gestión educativa. Quén les ha elegido libremente para esa función.

En cualquier caso, decía que más tiempo. Sí, porque mi impresión como alumno primero y como profesor ahora es que tras tres años de paso por la universidad no tendremos personas formadas, sólo tituladas (siempre hay excepciones; por eso se llaman así). Y los títulos per se sirven para poco; y hay muchos.

Entra aquí una de las líneas argumentales del 3+2: la convergencia con “modelos dominantes” en Europa. Voy a aceptar transitoriamente la premisa de que efectivamente ese modelo domina en algún sitio. ¿Qué demuestra eso? Sin ir más lejos, un alumno que dedique suficiente tiempo a su formación en Biología podrá saber que la dominancia en un sistema no implica en absoluto capacidad de dominancia en otro sistema distinto. Sabrá además que la dominancia en el tiempo t no necesariamente implica mejor adaptación al ambiente en ese tiempo t, ni en el t+1, sino que en todo caso responde al ajuste a condiciones anteriores.

Dicho de otro modo, para poder comparar un modelo 3+2 que -presuntamente – funcione en otros países, necesitaríamos comparar todo el sistema educativo, desde infantil a universidad, para entender como llega el alumnado a ese penúltimo paso educativo. Lo contrario sería algo así como poner un zapato del 45 en un pie del 41 (sin que los números impliquen jerarquía).

Menos ocurrencias. Menos batallas. Más cabeza. Menos gónadas.

Napoleón contemplando la Gran Esfinge, semienterrada por las arenas del desierto. Óleo de Jean-Léon Gérôme (1867-1868).


Vacas, y la importancia de los datos públicos (sí, otra vez)

(actualizado 2015.12.14)

Esta semana que acaba sacaban desde sadei.es nuevos datos sobre la cabaña ganadera asturiana:

sadei1Esos datos, así como muchos otros servidos por SADEI, son relevantes en diversos frentes de debate o análisis. Por ejemplo, para empezar a hablar de si aumenta o disminuye la presión de pastoreo sobre el paisaje, o cualquier otro tema en la frontera entre conservación y extracción.

Y cuando las administraciones públicas publican los datos que recopilan – sí, con fondos públicos – mejora mucho el nivel del debate. Y dejan de hacer falta gurús e iluminados diversos. Normalmente esos datos no cubrirán todas las dudas, especialmente aquellas más específicas (especializadas), pero así y todo son de gran ayuda. Y no menos importante, permiten hacer uso del potencial de análisis disponible: ciudadanos interesados en general, estudiantes, investigadores, trabajos “fin de grado”, “fin de máster” etc.

Un ejemplo de como esa difusión de datos públicos puede, en un rato, iluminar las conversaciones: evolución de la cabaña bovina astur desde 2003 1998 (adjunto debajo el código R necesario para reproducir los gráficos con estos datos adjuntos):


Sólo son tendencias generales, como ejemplo. Según cual sea la pregunta será necesario rebuscar más: a nivel de concejo, de parroquia, de tal o cual espacio protegido; o según el destino: carne / leche (ver debajo),  intensivo / extensivo), o la razón entre explotaciones y cabezas…



Código R:

vacas <- read.delim("vacas19982014.txt")
vacas.uso <- read.delim("vacas19982014_uso.txt")

scatterplot (vacas$indv ~ vacas$y | vacas$raza, reg.line=FALSE,
             xlab="", ylab="cabezas", main="1998-2014", legend.plot=FALSE)

text (x= 2012.5, y=192000, labels = "Valles 188417") # valles2014
text (x= 2012.5, y=116000, labels = "Frisona 121516") # frisona2014
text (x= 2012.5, y=75000, labels = "Cruces 65765") # crucesyvarios2014
text (x= 2012.5, y=30000, labels = "Montaña 24362") # montaña2014
text (x= 2012.5, y=7000, labels = " P Alpina 2384") # pardaalpina2014

scatterplot (vacas.uso$uso_indv ~ vacas.uso$y | vacas.uso$uso, reg.line=FALSE, 
             ylim=c(0, 320000), xlab="", ylab="cabezas", 
             main="1998-2014", legend.plot=FALSE)

text (x= 2012, y=290000, labels = "carne 283265") # carne2014
text (x= 2012, y=130000, labels = "leche 119179") # leche2014