Estudante de mestrado em Botânica, Instituto de Biociências/USP, Laboratório de Sistemática Vegetal, sob orientação da Profa. Lúcia G. Lohmann.

Trabalho com revisão taxonômica, reconstrução filogenética e biogeografia de um gênero de liana Neotropical (Martinella Baill.) que pertence à mesma família dos Ipês: árvores que colorem as ruas de São Paulo com suas florações no inverno

Meu projeto de pesquisa está inserido em um projeto mais amplo, de natureza integrativa, e que busca compreender a evolução e estruturação da biota Amazônica e seu ambiente.

exec

Contextualização

Vivemos atualmente na era de 'Big Data'. Basicamente, 'Big Data' pode ser resumido no que chamam de 3Vs: volume, velocidade e variedade dos dados. Nas Ciências Biológicas, repositórios de dados de ocorrência de espécies como o Global Biodiversity Information Facility (GBIF) e o brasileiro SpeciesLink (SpLink), são exemplos importantes de iniciativas com a missão de abrigar e disponibilizar uma enorme quantidade de dados de biodiversidade de forma gratuita e colaborativa. A utilização de dados oriundos desses repositórios requer um passo essencial que consiste na limpeza desses dados, que deve ser anterior à qualquer análise. No entanto, devido ao grande volume de dados, esse processo toma muito tempo, e está sujeito a erros. Uma alternativa é automatizar essa etapa por meio da aplicação de funções no R, por exemplo.

Com isso, a minha proposta A é criar uma função que faça a limpeza dos dados provenientes de repositórios como o GBIF e SpLink, para Plantas, com foco em estudos biogeográficos, por exemplo, Antonelli et al. (2015)

Descrição

Tarefas-padrão da função:

1. Concatenar gênero com epíteto específico
2. Eliminar registros sem nome do gênero & epíteto específico - registros apenas com nome do gênero são mantidos
3. Verificação dos nomes de espécies comparando com um banco de dados nomenclatural(1) para buscar o nome aceito. Este passo é fundamental, pois um mesmo táxon pode ter mais de um nome, mas apenas um deles é aceito (validamente publicado). Empregarei funções, ou modificações destas, do pacote taxize.

Adicionalmente, uma sequência de tarefas de limpeza e visualização de dados poderão ser implementadas nesta função, dependendo dos argumentos fornecidos pelo usuário, a saber:

1. Argumento 1 - Eliminar registros que já estejam classificados como 'known coordinate issues'
2. Argumento 2 - Eliminar registros com valores de coordenadas igual a zero
3. Argumento 3 - Elaboração de um mapa de distribuição para verificação visual dos pontos de ocorrência

Objeto de entrada: arquivo .csv contendo dados de espécies, e que tenham colunas nomeadas de acordo com o padrão DarwinCore, que é utilizado pelo GBIF e SpLink, por exemplo.

Objeto de saída: arquivo .csv contendo as alterações feitas pelo(a) usuário(a) ao dataframe original, mapa de distribuição.

Pacotes com os quais trabalharei para desenvolver esta função

rgbif
taxize
speciesgeocodeR

(1) International Plant Names Index, The Plant List, Tropicos

Contextualização

Em estudos de taxonomia vegetal, descrever a forma dos diferentes órgãos da planta é um grande desafio. As plantas possuem grande plasticidade fenotípica, principalmente nas folhas. Com isso, uma forma padronizada e reproduzível para descrever a forma das folhas é essencial para os estudos taxonômicos. Uma referência clássica, muito utilizada por taxonomistas de plantas para descrever a forma das folhas foi proposta por Leo J. Hickey (1973). De acordo com essa proposta, as categorias são definidas com base na posição do eixo de maior largura da folha e na razão entre comprimento e largura da lâmina foliar no ponto de maior largura, como ilustrado na figura extraída de Hickey (1973):

As linhas tracejadas indicam o eixo de maior largura da folha.

Descrição

A proposta B de função fará a classificação da forma foliar de acordo com Hickey (1973) nas seguintes categorias:

• oblonga
• elíptica
• ovada
• obovada
• forma especial

Obs.: Vale ressaltar que cada uma dessas categorias possuem sub-divisões (pelo menos cinco em cada categoria), que serão incorporadas à função, mas que não apresento aqui para simplificar a apresentação da proposta.

Objeto de entrada: dataframe com os dados organizados da seguinte maneira:

Medidas de comprimento e largura em milímetros (mm).

A segunda coluna do dataframe de entrada só poderá ter quatro diferentes string de caracteres, que correspondem à posição do eixo de maior largura da folha, e deverão estar de acordo com o exemplo fornecido acima. Assim, a função fará uma verificação desta coluna. Caso haja alguma inconsistência, retornará uma mensagem ao usuário(a) apontando o problema e pedindo correção.

Objeto de saída: dataframe com a classificação da forma da lâmina foliar para cada espécie.

Arquivo 1. sample_splink.csv
Arquivo 2. sample_gbif.csv

Código da função. function_code_upcleanplantbiogeo_v-final.r
Help da função. help-upcleanplantbiogeo.txt

############## FUNCAO UpCleanPlantBiogeo ##############

### Esta funcao atualiza os nomes de especies de plantas recuperadas de repositorios de dados de biodiversidade mundiais, faz limpeza de dados de ocorrencia (coordenadas geograficas) e plota os pontos de ocorrencia em um mapa. Para maiores detalhes, consulte o help da funcao.

UpCleanPlantBiogeo = function(x, from="spLink", cleanMap=TRUE)		#Funcao UpCleanPlantBiogeo, argumentos: x=data.frame com os dados de entrada, from="spLink" ou "GBIF" indicando origem dos dados, cleanMap para realizar limpeza dos dados de ocorrência e plotar os pontos de ocorrencia em um mapa.
	{

	if(is.data.frame(x) == FALSE)		#Verifica a condicao de que arquivo de entrada eh um data.frame, senao a funcao nao eh executada				
		{
		stop("O objeto fornecido nao eh um data.frame, corrija e tente novamente")		#caso o arquivo de entrada nao seja um data.frame, retorna mensagem de erro ao usuario 
		}

	if(from == "spLink" & cleanMap == TRUE)		#Teste condicional para os argumentos da funcao, se from="spLink" e cleanMap = TRUE (padrao), executa os seguintes comandos
		{
		#indexar o dataframe de entrada, pois contem muito mais informacoes do que o necessario
		data1 = x[,c("family", "genus", "species", "subspecies", "longitude", "latitude")]		#Cria o objeto data1, contendo apenas as colunas de interesse do data.frame de input
	
		#eliminando registros sem nenhuma identificacao
		data2 = data1[!(data1$genus==""),]		# Cria o objeto data2 contendo apenas os registros com informacao nas linhas da coluna $genus que nao sejam espacos em branco

		#inserindo "sp." nos registros que contem apenas nomes de generos	
		data2$species[data2$species==""] = "sp."		#Na coluna $species, sempre que houver um espaco em branco, este sera substituido por "sp."

		#concatenando as colunas 'genus', 'species' e 'subspecies' em uma nova coluna, chamada "scientificname"
		data2$scientificname = paste(data2$genus, data2$species, data2$subspecies)
	
		#verificando os nomes contidos na coluna "scientificname" - sinonimias e nomes aceitos, empregando a funcao plantminer()
		library(taxize)		#carrega o pacote taxize
		data3 = plantminer(data2$scientificname, from="tpl")	#executa a funcao plantminer do pacote taxize

		#a funcao plantminer() gera um output que nao mantem os registros identificados somente ate o nome de genero
		#para contornar isso, a seguinte operacao eh necessaria. Busca, na coluna $note, pelo string de caracteres "not full name", que eh correspondente, em termos de posicao, a coluna $name, e entao coloca a informacao da celula da coluna $original.search que tiver o string de caracteres = "sp." estritamente e armazena na coluna $name.
		data3$name[grep("not full name", data3$note)] = data3$original.search[grep("\\bsp.\\b", data3$original.search)]

		#incorporando as informacoes de coordenadas geograficas no output do plantminer
		data3$longitude = data2$longitude		#criando uma nova coluna para armazenar os dados de coordenadas geograficas no objeto de output do plantminer()
		data3$latitude = data2$latitude		#criando uma nova coluna para armazenar os dados de coordenadas geograficas no objeto de output do plantminer()

		#alguns nomes nao sao encontrados na busca, pois devem ser identificacoes com nomes invalidos, o proximo comando elimina esses registros do data frame
		data4 = data3[!(data3$name==""),]		#Cria o objeto data4, com todas as colunas do data3, e elimina as linhas que contenham espaços em branco na coluna $name do data3
	
		#Indexando o dataframe, pois as informacoes necessarias sao: coluna "name", longitude e latitude
		data5 = data4[,c("name", "longitude", "latitude")]		#Cria o objeto data5, contendo apenas tres colunas

		#eliminando os registros sem dados de coordenadas geograficas
		dataF = data5[!(is.na(data5$longitude))|!(is.na(data5$latitude)),]	#cria o data.frame que será retornado na tela do usuário, eliminando os registros que nao possuem dados de coordenadas geograficas
		write.csv(dataF, file="UpCleanPlantBiogeo_output1.csv")			#salva um arquivo csv no diretório de trabalho contendo os dados limpos
		
		#organizando um 'report' com o numero de registros inicial, numero de registros final, o numero de registros que foram eliminados por nao possuirem identificacao e coordenadas geograficas
		i.recs = dim(data1)[1]		#armazena o tamanho, em numero de linhas, do objeto data1 em i.recs (initial number of records)
		f.recs = dim(dataF)[1]		#armazena o tamanho, em numero de linhas, do objeto dataF em f.recs (final number of records)
		noID = dim(data1)[1] - dim(data2)[1]		#calcula o numero de registros sem identificacao que foram eliminados durante o processo de limpeza e checagem por nomes aceitos
		noCoords = dim(data2)[1] - dim(dataF)[1]		#calcula o numero de registros sem informacao de coordenadas geograficas que foram retiradas
		UpCleanReport = c(i.recs, f.recs, noID, noCoords)		#organiza as informacoes para o report no objeto vetorial UpCleanReport
		names(UpCleanReport) = c("initial # of records", "final # of records", "# of unidentified records", "# of records without geo coordinates")		#Nomeia cada elemento do vetor 

		#plotando os pontos de ocorrencia em um mapa para verificacao visual
		library(maptools)		#Carrega um dos pacotes disponiveis para lidar com dados espaciais no R
		data(wrld_simpl)		#Carrega o dado wrld_simpl, que contem um shapefile da Terra, um mapa mundi
		plot(wrld_simpl, xlim = c(min(dataF$longitude), max(dataF$longitude)), ylim = c(min(dataF$latitude),max(dataF$latitude)), axes=TRUE)		#Abre um dispositivo grafico e plota um recorte do mapa, de acordo com a extensao dos proprios pontos de ocorrencia do data.frame, assim, facilita a visualizacao dos pontos de ocorrencia no mapa
		points(dataF$longitude, dataF$latitude, pch=19, col="black", cex=0.5)		#Plota os pontos de ocorrencia no mapa
		}
	
	if(from == "spLink" & cleanMap == FALSE)		#Teste condicional para os argumentos da funcao, se from="spLink" e cleanMap = FALSE, executa os seguintes comandos		
		{
		#indexar o dataframe de entrada, pois contem muito mais informacoes do que o necessario
		data1 = x[,c("family", "genus", "species", "subspecies", "longitude", "latitude")]		#Cria o objeto data1, contendo apenas as colunas de interesse do data.frame de input
	
		#eliminando registros sem nenhuma identificacao
		data2 = data1[!(data1$genus==""),]		# Cria o objeto data2 contendo apenas os registros com informacao nas linhas da coluna $genus que nao sejam espacos em branco

		#inserindo "sp." nos registros que contem apenas nomes de generos		
		data2$species[data2$species==""] = "sp."		#Na coluna $species, sempre que houver um espaco em branco, este sera substituido por "sp."

		#concatenando as colunas 'genus', 'species' e 'subspecies' em uma nova coluna, chamada "scientificname"
		data2$scientificname = paste(data2$genus, data2$species, data2$subspecies)
	
		#verificando os nomes contidos na coluna "scientificname" - sinonimias e nomes aceitos, empregando a funcao plantminer()
		library(taxize)		#carrega o pacote taxize
		data3 = plantminer(data2$scientificname, from="tpl")	#executa a funcao plantminer do pacote taxize

		#a funcao plantminer() gera um output que nao mantem os registros identificados somente ate o nome de genero
		#para contornar isso, a seguinte operacao eh necessaria. Busca, na coluna $note, pelo string de caracteres "not full name", que eh correspondente, em termos de posicao, a coluna $name, e entao coloca a informacao da celula da coluna $original.search que tiver o string de caracteres = "sp.", estritamente, e armazena na coluna $name.
		data3$name[grep("not full name", data3$note)] = data3$original.search[grep("\\bsp.\\b",data3$original.search)]
			
		#alguns nomes nao sao encontrados na busca, pois devem ser identificacoes com nomes invalidos, o proximo comando elimina esses registros do data frame
		dataF = data3[!(data3$name==""),]		#Cria o objeto data4, com todas as colunas do dataF, e elimina as linhas que contenham espaços em branco na coluna $name do data3
		write.csv(dataF, file="UpCleanPlantBiogeo_output2.csv")		#salva um arquivo csv no diretorio de trabalho contendo os dados limpos
		
		#organizando um 'report' com o numero de registros que foram eliminados por nao possuirem identificacao e coordenadas geograficas
		i.recs = dim(data1)[1]		#armazena o tamanho, em numero de linhas, do objeto data1 em i.recs (initial number of records)
		f.recs = dim(dataF)[1]		#armazena o tamanho, em numero de linhas, do objeto dataF em f.recs (final number of records)
		noID = dim(data1)[1] - dim(data2)[1]		#calcula o numero de registros sem identificacao que foram eliminados durante o processo de limpeza e checagem por nomes aceitos
		UpCleanReport = c(i.recs, f.recs, noID)		#organiza as informacoes para o report no objeto vetorial UpCleanReport
		names(UpCleanReport) = c("initial # of records", "final # of records", "# of unidentified records")		#Nomeia cada elemento do vetor 	
		}

	if(from=="GBIF" & cleanMap == TRUE)		#Teste condicional para os argumentos da funcao, se from="GBIF" e cleanMap = TRUE (padrao), executa os seguintes comandos		
		{
		#indexar o dataframe de entrada, pois contem muito mais informacoes do que o necessario
		data1 = x[,c("family", "genus", "specificEpithet", "lon", "lat")]		#Cria o objeto data1, contendo apenas as colunas de interesse do data.frame de input
	
		#eliminando registros sem nenhuma identificacao
		data2 = data1[!is.na(data1$genus),]		# Cria o objeto data2 contendo apenas os registros com informacao nas linhas da coluna $genus que nao sejam NA

		#inserindo "sp." nos registros que contem apenas nomes de generos	
		data2$specificEpithet[is.na(data2$specificEpithet)] = "sp."		#Na coluna $specificEpithet, sempre que houver um NA, este sera substituido por "sp."

		#concatenando as colunas 'genus' e 'species' em uma nova coluna, chamada "scientificname"
		data2$scientificname = paste(data2$genus, data2$specificEpithet)
	
		#verificando os nomes contidos na coluna "scientificname" - sinonimias e nomes aceitos, empregando a funcao plantminer()
		library(taxize)		#carrega o pacote taxize
		data3 = plantminer(data2$scientificname, from="tpl")	#executa a funcao plantminer do pacote taxize

		#a funcao plantminer() gera um output que nao mantem os registros identificados somente ate o nome de genero
		#para contornar isso, a seguinte operacao eh necessaria. Busca, na coluna $note, pelo string de caracteres "not full name", que eh correspondente, em termos de posicao, a coluna $name, e entao coloca a informacao da celula da coluna $original.search que tiver o string de caracteres = "sp.", estritamente, e armazena na coluna $name.
		data3$name[grep("not full name", data3$note)] = data3$original.search[grep("\\bsp.\\b",data3$original.search)]
	
		#incorporando as informacoes de coordenadas geograficas no output do plantminer
		data3$longitude = data2$lon		#criando uma nova coluna para armazenar os dados de coordenadas geograficas no objeto de output do plantminer()
		data3$latitude = data2$lat		#criando uma nova coluna para armazenar os dados de coordenadas geograficas no objeto de output do plantminer()
	
		#alguns nomes nao sao encontrados na busca, pois devem ser identificacoes com nomes invalidos, o proximo comando elimina esses registros do data frame
		data4 = data3[!(data3$name==""),]		#Cria o objeto data4, com todas as colunas do data3, e elimina as linhas que contenham espaços em branco na coluna $name do data3
	
		#Indexando o dataframe, pois as informacoes necessarias sao: coluna "name", longitude e latitude
		data5 = data4[,c("name", "longitude", "latitude")]		#Cria o objeto data5, contendo apenas tres colunas

		#eliminando os registros sem dados de coordenadas geograficas
		dataF = data5[!(is.na(data5$longitude))|!(is.na(data5$latitude)),]		#cria o data.frame que será retornado na tela do usuário, eliminando os registros que nao possuem dados de coordenadas geograficas
		write.csv(dataF, file="UpCleanPlantBiogeo_output3.csv")			#salva um arquivo csv no diretório de trabalho contendo os dados limpos

		#organizando um 'report' com o numero de registros que foram eliminados por nao possuirem identificacao e coordenadas geograficas
		i.recs = dim(data1)[1]		#armazena o tamanho, em numero de linhas, do objeto data1 em i.recs (initial number of records)
		f.recs = dim(dataF)[1]		#armazena o tamanho, em numero de linhas, do objeto dataF em f.recs (final number of records)
		noID = dim(data1)[1] - dim(data2)[1]		#calcula o numero de registros sem identificacao que foram eliminados durante o processo de limpeza e checagem por nomes aceitos
		noCoords = dim(data2)[1] - dim(dataF)[1]		#calcula o numero de registros sem informacao de coordenadas geograficas que foram retiradas
		UpCleanReport = c(i.recs, f.recs, noID, noCoords)		#organiza as informacoes para o report no objeto vetorial UpCleanReport
		names(UpCleanReport) = c("initial # of records", "final # of records", "# of unidentified records", "# of records without geo coordinates")		#Nomeia cada elemento do vetor 		
		
		#plotando os pontos de ocorrencia em um mapa para verificacao visual
		library(maptools)		#Carrega um dos pacotes disponiveis para lidar com dados espaciais no R
		data(wrld_simpl)		#Carrega o dado wrld_simpl, que contem um shapefile da Terra, um mapa mundi
		plot(wrld_simpl, xlim = c(min(dataF$longitude), max(dataF$longitude)), ylim = c(min(dataF$latitude),max(dataF$latitude)), axes=TRUE)		#Abre um dispositivo grafico e plota um recorte do mapa, de acordo com a extensao dos proprios pontos de ocorrencia do data.frame, assim, facilita a visualizacao dos pontos de ocorrencia no mapa
		points(dataF$longitude, dataF$latitude, pch=19, col="black", cex=0.5)		#Plota os pontos de ocorrencia no mapa
		}

	if(from=="GBIF" & cleanMap == FALSE)		#Teste condicional para os argumentos da funcao, se from="GBIF" e cleanMap = FALSE, executa os seguintes comandos		
		{
		#indexar o dataframe de entrada, pois contem muito mais informacoes do que o necessario
		data1 = x[,c("family", "genus", "specificEpithet", "lon", "lat")]		#Cria o objeto data1, contendo apenas as colunas de interesse do data.frame de input
	
		#eliminando registros sem nenhuma identificacao
		data2 = data1[!is.na(data1$genus),]		# Cria o objeto data2 contendo apenas os registros com informacao nas linhas da coluna $genus que nao sejam NA

		#inserindo "sp." nos registros que contem apenas nomes de generos	
		data2$specificEpithet[is.na(data2$specificEpithet)] = "sp."		#Na coluna $specificEpithet, sempre que houver um NA, este sera substituido por "sp."

		#concatenando as colunas 'genus' e 'species' em uma nova coluna, chamada "scientificname"
		data2$scientificname = paste(data2$genus, data2$specificEpithet)
	
		#verificando os nomes contidos na coluna "scientificname" - sinonimias e nomes aceitos, empregando a funcao plantminer()
		library(taxize)		#carrega o pacote taxize
		data3 = plantminer(data2$scientificname, from="tpl")	#executa a funcao plantminer do pacote taxize

		#a funcao plantminer() gera um output que nao mantem os registros identificados somente ate o nome de genero
		#para contornar isso, a seguinte operacao eh necessaria. Busca, na coluna $note, pelo string de caracteres "not full name", que eh correspondente, em termos de posicao, a coluna $name, e entao coloca a informacao da celula da coluna $original.search que tiver o string de caracteres = "sp.", estritamente, e armazena na coluna $name.
		data3$name[grep("not full name", data3$note)] = data3$original.search[grep("\\bsp.\\b",data3$original.search)]
		
		#alguns nomes nao sao encontrados na busca, pois devem ser identificacoes com nomes invalidos, o proximo comando elimina esses registros do data frame
		dataF = data3[!(data3$name==""),]		#Cria o objeto dataF, com todas as colunas do data3, e elimina as linhas que contenham espaços em branco na coluna $name do data3
		write.csv(dataF, file="UpCleanPlantBiogeo_output4.csv")		#salva um arquivo csv no diretório de trabalho contendo os dados limpos
		
		#organizando um 'report' com o numero de registros que foram eliminados por nao possuirem identificacao e coordenadas geograficas
		i.recs = dim(data1)[1]		#armazena o tamanho, em numero de linhas, do objeto data1 em i.recs (initial number of records)
		f.recs = dim(dataF)[1]		#armazena o tamanho, em numero de linhas, do objeto dataF em f.recs (final number of records)
		noID = dim(data1)[1] - dim(data2)[1]		#calcula o numero de registros sem identificacao que foram eliminados durante o processo de limpeza e checagem por nomes aceitos
		UpCleanReport = c(i.recs, f.recs, noID)		#organiza as informacoes para o report no objeto vetorial UpCleanReport
		names(UpCleanReport) = c("initial # of records", "final # of records", "# of unidentified records")		#Nomeia cada elemento do vetor 	
		}

	return(list(dataF, UpCleanReport))		#Retorna uma lista contendo (1) os dados limpos e (2) o report com o numero de registros processados

	}

UpCleanPlantBiogeo                package:unknown                R Documentation

UpCleanPlantBiogeo processes data gathered from global biodiversity data repositories such as the Global Biodiversity Information Facility (GBIF) and speciesLink (spLink) for plant biogeographical studies.
It Updates plant taxon names, according to the accepted names on The Plant List's database, and Cleans species occurrence data (coordinates).

Description:

	UpCleanPlantBiogeo takes a dataframe containing plant species occurrence data, checks for species names synonymy and accepted names on The Plant List's database, generating an updated dataframe with the accepted names.
	Depending on the user's choice, the function also cleans geographic coordinates (i.e., removes records without geographic coordinates, and with value = 0) and plots them on a map for visual inspection, in order to readly spot potential outliers and/or records with erroneous geographic coordinates.

Usage:

	UpCleanPlantBiogeo(x, from = "spLink", cleanMap = TRUE)

Arguments:
	x			data.frame, downloaded either from GBIF or speciesLink (spLink).
	
	from			character (required). Specify from which repository the data (x) has been retrieved: from = "GBIF" or from = "spLink". Default = "spLink".
	
	cleanMap		logical. If TRUE, cleans geographic coordinates that are missing from each record (row) and plots a map for visual inspection of species occurrence points. If FALSE, does not perform any of the steps previously described.
		

Details:
	
	The input data.frame must contain columns named "family", "genus", "species", "specificEpithet", "subspecies", "lon", "longitude", "lat", "latitude",  it will depend on the data source. Data from the GBIF must have at least columns named: "family", "genus", "specificEpithet", "lon", "lat". Data from spLink must have at least columns named "family", "genus", "species", "subspecies", "longitude", "latitude".
    
	Input files must be downloaded either from speciesLink (http://www.splink.org.br/index?lang=pt) or GBIF (http://www.gbif.org/). The function will only work on GBIF data downloaded via gbif() function from dismo package.
	
	The mapping step is only going to work properly if geographic coordinates are in decimal degrees, which is the default geographic coordinate format provided by the GBIF and spLink. So make sure the input file contains the correct format of geographic coordinates.
	
	Before running UpCleanPlantBiogeo, make sure to install the following packages: taxize and maptools
	
Value:
	
	An output file will be saved on the working directory in csv format.
	
	The function returns a list containing (1) a dataframe with all the accepted names, and (2) a vector containing a very simple report with the number of records that have been removed from the original dataframe for being unidentified records and/or without geographic coordinates, depending on the arguments provided to the function.
	
	A map will be returned as a graphical device on the user's screen.

Warning:

	The function will stop and print an error message if the input file is not a data.frame.

	The function will only work on GBIF data downloaded via the gbif() function from dismo package.
	
	Geographic coordinates must be in decimal degrees, otherwise the mapping step will be compromised.

Author(s):

    Eric Yasuo Kataoka, erickataoka@usp.br

References:
	
	1. Global Biodiversity Information Facility - GBIF website (http://www.gbif.org)
	2. speciesLink website (http://splink.cria.org.br )

See Also:

    speciesgeocodeR, taxize, dismo and rgbif packages

Examples:
	
	# Remember: make sure you have installed taxize and maptools packages before running UpCleanPlantBiogeo
	
	### Example1, data downloaded from spLink, default arguments
	## Not run:
	sample.spLink = read.csv("sample_spLink.csv", header = TRUE, sep = ",", dec = ".", as.is=T)
	UpCleanPlantBiogeo(sample.spLink, from = "spLink")
	## End (Not run)
	
	### Example 2, data downloaded from spLink, from = "spLink" and cleanMap = FALSE
	## Not run:
	sample.spLink = read.csv("sample_spLink.csv", header = TRUE, sep = ",", dec = ".", as.is=T)
	UpCleanPlantBiogeo(sample.spLink, from = "spLink", cleanMap = FALSE)
	## End (Not run)
	
	### Example3, data downloaded from GBIF, default arguments
	## Not run:
	sample.GBIF = read.csv("sample_GBIF.csv", header = TRUE, sep = ",", dec = ".", as.is=T)
	UpCleanPlantBiogeo(sample.GBIF, from = "GBIF")
	## End (Not run)
	
	### Example4, data downloaded from GBIF, from = "spLink" and cleanMap = FALSE
	## Not run:
	sample.GBIF = read.csv("sample_GBIF.csv", header = TRUE, sep = ",", dec = ".", as.is=T)
	UpCleanPlantBiogeo(sample.GBIF, from = "GBIF", cleanMap = FALSE)
	## End (Not run)