McGill ESA 2015 ecoinformatics - Amazon S3...The trend 0 200 400 600 800 1000 1200 1400 1600 1990...

Solving informatics challenges to advance plant ecology: a vision for 

the next 100 years

Brian McGill

ESA Baltimore August 14, 2015

First point

5‐10

Where I’m coming from

• 1990s work in computer consulting world doing datawarehousing (building databases for business analytics)

• 2000s analyze BBS and other large datasets• 2010s part of numerous ecoinformatics projects

– BIEN – Botanical Information and Ecology Network• 3 iterations• 20 million records

– ETE – Evolution of Terrestrial Ecosystems– E&O – Environment and Organisms– Consultation with lots of others

The trend

0

200

400

600

800

1000

1200

1400

1600

1990 1995 2000 2005 2010 2015

Papers in ecology with 'database*'

Why the rise of ecoinformatics? ‐ push

The capacity of hard disks double every 23 months

Soberón & Peterson (2004)Data growing >exponentially

Why the rise of ecoinformatics? ‐ pull

• Conservation & policy– Large scales– Long time series– Inventory mentality

• Basic ecology– Macroecology– Ecosystems ecology

• Global change

The data

Site

Time

Site

Time

Biotic measurements Abiotic (environmental measurements

McGill’s 9 easy steps of ecoinformatics

Collect Scrub Join Store Update Analyze

Manage

Staff

Fund

McGill’s 9 easy steps of ecoinformatics

Collect Scrub Join Store Update Analyze

Manage

Staff

Fund

The real order

1a

2

3

5

4 6 7 8 1b9 10

McGill’s 9 easy steps of ecoinformatics

Collect

Scrub Jo 

inStore

Update

Analyze

ManageStaff

Fund

Amount of Work Gartner Group70% of datwarehousingis in data preparation

McGill’s 9 easy steps of ecoinformatics

Collect Scrub Join Store Update Analyze

Manage

Staff

Fund

Collecting data sources

• Some are open and on the web• Rest is a complex social process

– Use evolution of sociality1. Compel/punish (journal, funder requirements)2. Trust/reputation (small homogeneous group)3. Joint fate (group selection)

• Write out an agreement in advance!• Most ecoinformatics projects evolve towards 

openness

McGill’s 9 easy steps of ecoinformatics

Collect Scrub Join Store Update Analyze

Manage

Staff

Fund

Gartner Group70% of datwarehousingis in data preparation

4 dimensions• Values

– 100 cm of rainfall yesterday– 0 for NA– 1.00 vs 10.0 (transcription errors)– Instrument errors– Data filling?

• Space– Geocoding (Convention center Baltimore39.2883N, 76.6181W)– Geoscrubbing

• 42,100 for North America• 100, 42 for North America• 0,0• State centers

• Time– Best tools, but amazing how often 6/14/2015 vs 2015/6/14 

• Taxonomy– Misspellings– Synonymy

Synonyms and errors

Soberon & Peterson 2004

Taxonomic Scrubbing in BIEN

• 2.5M records 600,000 “species” in New World!

• 600,000 names300,000 standardized names after synonymy and misspelling (fuzzy matching)

• TNRS service Boyle et al 2013

Geoscrubbing ‐ SynonymyMEX ISO 3166‐1 alpha‐3MX ISO 3166‐1 alpha‐2Mexico “official” geonames.org (and gadm.org) nameMEXICO capitalization insensitiveMéxico geonames.org alternate nameMéxico recognizable misencoding of MéxicoMéxico translatable HTML character codeMexi not matched

439 country “names”62 (14%) unrecognizably misspelled377 recognized 193 recognized countries (49% synonyms)

43% canonical names

GeoScrubbing in BIEN

• ~ 1/3 of records had no lat/lon (or 0/0)• >1/2 had + longitude• About 1% had other obvious lat/lon errors• 15% not in the right country• 25% not in the right state/province

• 67%*85%*75%=41% correct!

McGill’s 9 easy steps of ecoinformatics

Collect Scrub Join Store Update Analyze

Manage

Staff

Fund

Joining data

• Cleaning & synonyms – Pinus strobus in USFIA vs Pinus strobus L. in MOBOT

• Semantic joining– USFIA has # stems per 0.04 ha plot– MOBOT has a specimen card/occurrence

• Record connecting– The easy part – databases do this well

How to assemble data

• Three approaches:– Semantic web – automated assembly over network

– Standards – agree on database format, individuals contribute

• Bottom‐up (standards committees)• Top‐down• Only works for relatively uniform data

– Datawarehousing – specific people pull it together and maintain

Cost $ Effectiveness

Two laws of scrubbing & joining

• Gartner’s law #1 – expect it to be 70% of your work

•McGill’s law #2 – expect ~50% of the data to be wrong

McGill’s 9 easy steps of ecoinformatics

Collect Scrub Join Store Update Analyze

Manage

Staff

Fund

OLTP vs OLAP• OLTP=OnLine Transaction Processing

– The preeminent need in business (since 1960s)– Frequent entry of new facts, frequent recall of individual facts, infrequent sweeping analyses

– Bank account transactions, phone call recording & billing, order entry, accounting

• OLAP=OnLine Analytical Processing– Growing need in business (since 1980s, coined in 1995)– Analysis of information stored in OLTP systems– Increasing recognition that OLAP systems are not just a query function on OLTP

– Datawarehousing, multidimensional‐databases

OLAP context

OLTPDatabase

OLAPDatabase

Periodic,IncrementalUpdates

Fear 3rd normal form

• All undergraduate computer scientists are told to “normalize” their database schema

• They tell all ecologists to do this• Ecologists always nod their heads knowingly

• Except experienced database people know normalization is a trade‐off gradient and it is really good for OLTP and really bad for OLAP

OLAP Schema (Star/Snowflake)=Dimensional modelling

Fact Table

AbundanceDate recorded

Species

SpeciesGenusFamilyAuthorityBody sizeFunctional group

Plot

LatitudeLongitudeElevationLandcover

Site

MATMAPBiome

Time

Family

Diet

Order

Katge et al 2011 (MEE) – TRY database

Multidimensional Databases  – the conceptual idea?

Site

Time

Site

Time

Biotic measurements Abiotic (environmental measurements

Spatial databases• Spatial indexing on lat/lon• SQL extensions• Distance, area/length, point in polygon• PostGIS

SELECT binomial, body_size FROM species WHERE ST_Intersects(geom, ST_GeomFromText('POINT(45 -100)',4326));

SELECT state.code, species.binomial FROM states JOIN species ON ST_INTERSECTS(states.geom, species.range);

McGill’s 9 easy steps of ecoinformatics

Collect Scrub Join Store Update Analyze

Manage

Staff

Fund

Updating the database

• Key decision– Never (one‐time)– Snapshot (fixed points in time)– Continuous

• More work than you think– Expect a 50% reduction each time you update

Amount of work Benefit

McGill’s 9 easy steps of ecoinformatics

Collect Scrub Join Store Update Analyze

Manage

Staff

Fund

The fun part

• Lamanna et al 2014

Serving data to other scientists

• Pretty mapped screens are nice …

• But I want a subset of the data!

• Options– Downloadable dumps– Query & download– RESTFUL API– R API

McGill’s 9 easy steps of ecoinformatics

Collect Scrub Join Store Update Analyze

Manage

Staff

Fund

“Over the wall”

Scientists

Iterative prototyping

Software Development

UserFeedback

Initial Analysis & Design

This is now 1‐2 hours/week of your life

Software engineering

• Use cases• Design reviews• Version control• Separate develop and test• Automated testing• Bug tracking software• Steering committees

McGill’s 9 easy steps of ecoinformatics

Collect Scrub Join Store Update Analyze

Manage

Staff

Fund

Students or not students

• Pros of having students do it– Valuable career skill– Need to train next generation

• Cons– Often years of work without papers or science– Often much time spent on training

• Computer scientists do cutting edge computer science, not boring data scrubbing & databases

• Consultants are an underconsidered alternative

Student training

• Not everybody is good at it. Not everybody wants to do it. Not everybody should do it. But the ones who do should be rewarded (or at least not penalized).– Paraphrasing Stephen Jackson

• Ecologistscomputers or techiesecology?– Both – but make sure the ecology is in there

• Every ecology student needs training as a consumer of databases (simple SQL)

McGill’s 9 easy steps of ecoinformatics

Collect Scrub Join Store Update Analyze

Manage

Staff

Fund

Funding

• Good luck!

• More seriously– More grants need to build in data management costs (should NSF give free 15% supplements?)

– NSF needs to figure way to fund maintaining infrastructure

Top community priorities

1. Better scrubbing tools– Taxonomy, space, time are pretty standard …

2. Developing capacity/training3. Better spatio‐temporal tools4. Imagery/raster tools5. Broader exposure to more database types6. Don’t reinvent the wheel – software best 

practices exist!7. Keep the ecology in the drivers seat