Comparación de métodos de estructura forestal de especies de manglares semiáridos mediante una aproximación de campo
Contenido principal del artículo
Resumen
Los datos de campo obtenidos de los inventarios forestales, principalmente área basal y densidad de fustes, son relevantes para el análisis de la biomasa aérea y la fragmentación forestal. Debido al suelo inundado, el trabajo de campo en los bosques de manglar requiere mucho tiempo y es complicado. Dado que los manglares son sensibles a los efectos del cambio climático, la selección de un método de campo ideal es de suma importancia. Con este fin, analizamos 4 clases de manglares: Rhizophora mangle (RM), Laguncularia racemosa (LR), Avicennia germinans (AG) y AG arbustivo. Georreferenciamos y contamos todos los fustes de mangle dentro de 4 parcelas cuadradas de 0.04 ha (20 × 20 m). Analizamos 3 áreas circulares y el método del punto cuadrante central (PCQM) basado en las parcelas cuadradas originales. Dependiendo de la clase de mangle, el PCQM sobreestimó el área basal hasta en un 34% y la densidad de fustes en un 21%. Los 3 muestreos en parcelas circulares subestimaron el área basal entre –1% y –29% y la densidad de fustes entre –3% y –25%. Basándonos en los resultados, sugerimos utilizar una parcela circular de 0.04 ha (r = 11.28 m) en bosques menos densos (RM y AG) y una parcela circular de 0.015 ha (r = 6.9 m) en densidades superiores a 3,500 fustes/ha (LR y AG arbustivo). Las ventajas de utilizar las parcelas circulares sobre el método PCQM son que los inventarios de mangle pueden cuantificarse rápidamente y no requieren un número mínimo de puntos de muestreo.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Este es un artículo de acceso abierto distribuido bajo una licencia Creative Commons Attribution 4.0, que le permite compartir y adaptar el trabajo, siempre que dé el crédito apropiado al autor o autores originales y la fuente, proporcione un enlace a Creative Commons licencia, e indicar si se realizaron cambios. Las figuras, tablas y otros elementos del artículo están incluidos en la licencia CC BY 4.0 del artículo, a menos que se indique lo contrario. El título de la revista está protegido por derechos de autor y no está sujeto a esta licencia. La escritura de licencia completa se puede ver aquí.
Métrica
Citas
Araújo RJ, Shideler GS. 2019. Un paquete de R para el cálculo de parámetros estructurales de bosques de manglar utilizando métodos con y sin parcelas. 25(1):e2511696. http://dx.doi.org/10.21829/myb.2019.2511696
Ávila-Flores G, Juárez-Mancilla J, Hinojosa-Arango G, Cruz-Chávez P, López-Vivas JM, Arizpe-Covarrubias O. 2020. A practical index to estimate mangrove conservation status: The forests from La Paz, Mexico as a case study. Sustainability. 12(3):858. http://dx.doi.org/10.3390/su12030858
Cintrón G, Schaeffer-Novelli Y. 1984. Methods for studying mangrove structure. In: Snedaker SC, Snedaker JG (eds.), The mangrove ecosystem: research methods. Paris: Unesco. p. 91-113.
Cottam G, Curtis JT. 1956. The use of distance measures in phytosociological sampling. Ecol. 37(3):451-460. http://dx.doi.org/10.2307/1930167
Dookie S, Jaikishun S, Ansari AA. 2022. A comparative study of mangroves in degraded, natural, and restored ecosystems in Guyana. Biodivers. 23(2):40-48. https://doi.org/10.1080/14888386.2022.2107570
Ferreira AC, Morais Freire FA, Machado Rodrigues JV, Arruda Bezerra LE. 2022. Mangrove recovery in semiarid coast shows increase of ecological processes from biotic and abiotic drivers in response to hydrological restoration. Wetlands. 42:80. https://doi.org/10.1007/s13157-022-01603-0
Flores-de-Santiago F, Rodríguez-Sobreyra R, Álvarez-Sánchez LF, Valderrama-Landeros L, Amezcua F, Flores-Verdugo F. 2023. Understanding the natural expansion of white mangrove (Laguncularia racemosa) in an ephemeral inlet based on geomorphological analysis and remote sensing data. J Environ Manage. 338:117820. https://doi.org/10.1016/j.jenvman.2023.117820
Flores-de-Santiago F, Valderrama-Landeros L, Rodríguez-Sobreyra R, Flores-Verdugo F. 2020. Assessing the effect of flight altitude and overlap on orthoimage generation for UAV estimates of coastal wetlands. J Coastal Conserv 24:35. https://doi.org/10.1007/s11852-020-00753-9
Flores-de-Santiago F, Kovacs JM, Lafrance P. 2013. An object-oriented classification method for mapping mangroves in Guinea, West Africa, using multipolarized ALOS PALSAR L-band data. Int J Remote Sens. 34:563-586. http://dx.doi.org/10.1080/01431161.2012.715773
Flores-Verdugo F, González-Farías F, Ramírez-Flores O, Amezcua-Linares F, Yáñez-Arancibia A, Alvarez-Rubio M, Day JW. 1990. Mangrove ecology, aquatic primary productivity, and fish community dynamics in the Teacapán-Agua Brava lagoon-estuarine system (Mexican Pacific). Estuaries. 13:219-230. https://doi.org/10.2307/1351591
Flores-Verdugo F, González-Farias F, Zamorano DS, Ramirez-Garcia P. 1992. Mangrove ecosystems of the Pacific coast of Mexico: Distribution, structure, litterfall, and detritus dynamics. Physiol Ecol. 17:269-288. http://dx.doi.org/10.1016/B978-0-08-092567-7.50023-4
Flores-Verdugo F, Zebadua-Penagos F, Flores-de-Santiago F. 2015. Assessing the influence of artificially constructed channels in the growth of afforested black mangrove (Avicennia germinans) within an arid coastal region. J Environ Manage. 160:113-120. http://dx.doi.org/10.1016/j.jenvman.2015.06.024
Hijbeek R, Koedam N, Khan MNI, Kairo JG, Schoukens J, Dahdouh-Guebas F. 2013. An Evaluation of Plotless Sampling Using Vegetation Simulations and Field Data from a Mangrove Forest. PLoS ONE. 8:e67201. http://dx.doi.org/10.1371/journal.pone.0067201
Kovacs JM, Flores-de-Santiago F, Bastien J, Lafrance P. 2010. An assessment of mangroves in Guinea, West Africa, using a field and remote sensing based approach. Wetlands. 30:773-782. http://dx.doi.org/10.1007/s13157-010-0065-3
Kovacs JM, Jiao X, Flores-de-Santiago F, Zhang C, Flores-Verdugo F. 2013. Assessing relationships between Radarsat-2 C-band and structural parameters of a degraded mangrove forest. Int J Remote Sens. 34:7002-7019. http://dx.doi.org/10.1080/01431161.2013.813090
Salum RB, Souza-Filho PWM, Simard M, Silva CA, Fernandes MEB, Cougo MF, Junior WN, Rogers K. 2020. Improving mangrove aboveground biomass estimates using LiDAR. Estuarine Coastal Shelf Sci. 236:106585. https://doi.org/10.1016/j.ecss.2020.106585
Sokal RR, Rohlf FJ. 2012. Biometry, 4th Ed. New York (NY): WH Freeman and Company. 960 p.
Tran TV, Reef R, Zhu X. 2022. A review of spectral indices for mangrove remote sensing. Remote Sens. 14(19):4868. https://doi.org/10.3390/rs14194868
Valderrama-Landeros L, Flores-Verdugo F, Flores-de-Santiago F. 2022. Assessing the coastal vulnerability by combining field surveys and the analytical potential of CoastSat in a highly impacted tourist destination. Geographies 2:642-656. https://doi.org/10.3390/geographies2040039
Valderrama-Landeros L, Flores-Verdugo F, Rodríguez-Sobreyra R, Kovacs JM, Flores-de-Santiago F. 2021. Extrapolating canopy phenology information using Sentinel-2 data and the Google Earth Engine platform to identify the optimal dates for remotely sensed image acquisition of semiarid mangroves. J Environ Manage. 279:111617. https://doi.org/10.1016/j.jenvman.2020.111617
Valderrama-Landeros L, López-Portillo J, Velázquez-Salazar S, Alcántara-Maya JA, Troche-Souza C, Rodríguez-Zúñiga MT, Vázquez-Balderas B, Villeda-Chavez E, Cruz-López MI, Ressl R. 2020. Regional distribution and change dynamics of mangroves in Mexico between 1970/80 and 2015. Wetlands. 40:1295-1305. https://doi.org/10.1007/s13157-020-01299-0
Valderrama-Landeros L, Flores-de-Santiago F, Kovacs JM, Flores-Verdugo F. 2018. An assessment of commonly employed satellite-based remote sensors for mapping mangrove species in Mexico using an NDVI-based classification scheme. Environ Monit Assess. 190:23. https://doi.org/10.1007/s10661-017-6399-z
Villeda-Chávez E, Lara AL, González-Zamorano P, Rubio EA, Valderrama L, Ramírez-García P, García-Calva L, Argüello-Velázquez J, Cruz-López MI. 2018. Muestreo de variables estructurales. In: Rodríguez-Zúñiga MT, Villeda-Chávez E, Vázquez-Lule AD, Bejarano M, Cruz-López MI, Olguín M, Villela-Gaytán SA, Flores R (eds.), Métodos para la caracterización de los manglares mexicanos: un enfoque espacial multiescala. Ciudad de México (Mexico): Comisión Nacional para el Conocimiento y Uso de la Biodiversidad. p. 71-130.
Vizcaya-Martínez DA, Flores-de-Santiago F, Valderrama-Landeros L, Serrano D, Rodríguez-Sobreyra R, Álvarez-Sánchez LF, Flores-Verdugo F. 2022. Monitoring detailed mangrove hurricane damage and early recovery using multisource remote sensing data. J Environ Manage. 320:115830. https://doi.org/10.1016/j.jenvman.2022.115830
Wang M, Cao W, Guan Q, Wu G, Wang F. 2018. Assessing changes of mangrove forest in a coastal region of southeast China using multi-temporal satellite images. Estuarine Coastal Shelf Sci. 207:283-292. https://doi.org/10.1016/j.ecss.2018.04.021
Ximenes AC, Cavanaugh KC, Arvor D, Murdiyarso D, Thomas N, Arcoverde GFB, Bispo PC, Stocken TV. 2023. A comparison of global mangrove maps: Assessing spatial and bioclimatic discrepancies at poleward range limits. Sci Total Environ. 860:160380. http://dx.doi.org/10.1016/j.scitotenv.2022.160380