Comparación de métodos de estructura forestal de especies de manglares semiáridos mediante una aproximación de campo

Contenido principal del artículo

Francisco Flores-de-Santiago
https://orcid.org/0000-0001-8813-0093
Francisco Flores-Verdugo
https://orcid.org/0000-0002-9707-0819

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

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
Flores-de-Santiago, F., & Flores-Verdugo, F. (2024). Comparación de métodos de estructura forestal de especies de manglares semiáridos mediante una aproximación de campo. Ciencias Marinas, 50(1A). https://doi.org/10.7773/cm.y2024.3432
Sección
Nota de investigación

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