Identificación de especies de manglar a partir de imágenes de vehículos aéreos no tripulados

La identificación de especies de manglar por medio del uso de imágenes aéreas puede ser de gran utilidad para describir en detalle su distribución espacial a nivel local, además permite describir su estructura de tallas si se aplican técnicas de fotogrametría. Esta información permite tomar medidas de manejo más adecuadas para este tipo de ecosistemas a nivel local.  

Manglares de ecosistemas áridos

Un manglar es un humedal costero adaptado a la influencia de las mareas donde crece una amplia diversidad de especies desde árboles de mangle, arbustos, palmeras, pastos halófilos, helechos, entre otros. Estos humedales costeros ofrecen una amplia variedad de servicios ecosistémicos como protección contra marejadas y aumento del nivel del mar, reservas de biodiversidad y grandes almacenes de carbono. Los manglares se distribuyen en 118 países de las regiones tropicales, subtropicales y templadas a nivel mundial. En 2018 se estimó una extensión de 137,600 km2 de manglares a partir de un método automatizado de mapeo global (Bunting et al., 2018). 

Los manglares de climas áridos son propios de las regiones subtropicales entre las latitudes 20° a 33° norte y sur. Los podemos clasificar de acuerdo con un índice de aridez (AI, por sus siglas en inglés) que expresa la proporción entre la precipitación media anual y la evapotranspiración, en semiáridos (0.2 < AI < 0.50), áridos (0.05 < AI < 0.2) e hiper-áridos (AI < 0.05) (Adame et al., 2020). En estos ambientes áridos los bosques de manglar se establecen dentro de cuencas hidrográficas estrechas con limitados aportes de agua dulce, por lo que se distribuyen en parches de reducida extensión a lo largo de la línea costera. A pesar de que se encuentran en los rangos límites de su distribución y bajo condiciones extremas como baja precipitación, hipersalinidad, amplias fluctuaciones de temperatura y alta incidencia de la radiación solar, esta vegetación se ha adaptado tanto fisiológica como morfológicamente para mantener altas tasas fotosintéticas, baja evapotranspiración y un crecimiento usualmente como bosques densos de árboles enanos con una altura menor a 3 m (es decir, ecotipo de matorral) (Ochoa-Gómez et al., 2019).  En México este tipo de manglares se distribuyen a lo largo de la costa Pacífica de la Península de Baja California y en el Golfo de California y se componen de tres especies de mangle Avicennia germinans (mangle negro), Laguncularia racemosa (mangle blanco) y Rhizophora mangle (mangle rojo) (Vázquez-Lule et al., 2019). 

En Baja California Sur las tres especies de mangle tienen características morfológicas (color y tamaño) que permiten distinguirlas con facilidad. El mangle negro tiene hojas más delgadas y largas con una coloración blanquecina por la presencia de sales; el mangle blanco tiene hojas más redondeadas y con una coloración más amarillenta (con respecto a las otras especies); el mangle rojo tiene hojas más anchas y con una coloración verde oscura. Con respecto a las tallas promedio se han reportado valores de 2.6, 3.4 y 3 m del mangle negro, blanco y rojo, respectivamente (Ochoa-Gómez, 2020).

Figura 1. Fotografía de las hojas de mangle negro (izquierda), mangle blanco (centro) y mangle rojo (derecha).

Fotografía aérea mediante el uso de vehículos aéreos no tripulados

Acceder a ecosistemas de humedales costeros tales como los bosques de manglar para realizar muestreos de campo puede ser costoso, difícil e incluso riesgoso. Una buena alternativa para complementar los estudios en bosques de manglar es obtener información sobre la estructura de la vegetación a partir de sensores remotos (imágenes de satélite y aéreas) (Howard et al., 2018). Las mediciones con sensores remotos pueden realizarse a distintas resoluciones espaciales (mm, cm, m) y espectrales (luz visible e infrarrojo), dependiendo del tipo de sensor es posible identificar distintas características de la vegetación, entre mayor resolución tenga el sensor se podrá tener mayor detalle de análisis. Algunas plataformas como los satélites Landsat ofrecen alta resolución espectral con 11 bandas espectrales que capturan la reflectancia de la superficie terrestre dentro del espectro visible de la luz (440-650 nanómetros) e infrarrojo cercano (850-2100 nanómetros), sin embargo, la resolución espacial es bastante gruesa (30 y 100 metros). Por otra parte, los vehículos aéreos no tripulados cuentan con sensores remotos de alta resolución espacial (a nivel de centímetros o inferior en función de la altura a la que se vuele) y resolución espectral dentro del espectro visible de la luz y en algunos casos infrarrojo cercano. Adicionalmente, a partir de las fotografías aéreas obtenidas con vehículos aéreos no tripulados, es posible generar productos como modelos de elevación del terreno, modelos de elevación de la superficie, modelos de altura de la vegetación e índices de vegetación. Toda esta información derivada de los vehículos aéreos no tripulados es particularmente importante para describir con alto detalle las características espaciales de los manglares de ecosistemas áridos, facilitando incluso la identificación de especies para conocer su distribución espacial.

La distribución espacial de los manglares de México ha sido descrita en varias localidades, particularmente en Baja California Sur se ha observado que existe una zonificación por especie de mangle altamente relacionada con la distancia a los cuerpos de agua como lagunas y canales, el mangle rojo usualmente se distribuye al margen del agua, seguido por el mangle blanco y usualmente el mangle negro en la parte más alejada de los cuerpos de agua (Domínguez-Cadena et al., 2016). Desde una perspectiva aérea es posible observar estos patrones de distribución de las especies de mangle, pero la validación en campo es muy importante para la correcta identificación de las especies a partir de las imágenes aéreas. 

Figura 2. Fotografía aérea con detalles de la distribución de las especies de mangle. 

Firma espectral de las especies de manglar

Las plantas tienen en sus hojas pigmentos que le permiten realizar fotosíntesis, existen varios tipos de pigmentos, pero el más abundante y presente en la mayoría de las plantas es la clorofila-a. Este pigmento tiene una alta capacidad de absorción de la luz en la parte del azul y rojo, por el contrario, refleja la luz en la parte del verde, es por esto que las plantas se ven de este color. Además, la clorofila-a tiene una alta capacidad de reflejar la luz en el infrarrojo cercano, sin embargo, esto no es visible para los humanos. 

Entre especies de plantas (incluyendo a los manglares) existe una ligera diferencia en el comportamiento de las características espectrales, explicada debido a diferencias en los componentes químicos de las hojas como la cantidad de pigmentos fotosintéticos, por ejemplo, el mangle negro en promedio refleja una mayor cantidad de energía en el azul con respecto a las otras especies, mientras que el mangle blanco refleja un poco más en el rojo, y el mangle rojo refleja más energía en el infrarrojo cercano (Fig. 3). No obstante, el patrón de reflectancia de manera general muestra que las tres especies de mangle reflejan mucho en el infrarrojo cercano. 

Figura 3. Firma espectral de las tres especies de mangle.

Identificación de especies de manglar

Como la información previa sugiere, las características espectrales de la vegetación (valores de reflectancia e índices de vegetación), en conjunto con modelos de altura de la vegetación y variables ambientales (distancia a cuerpos de agua, microtopografía, pendiente, etc.) son parámetros útiles para la identificación de especies a partir de métodos de clasificación supervisada de imágenes. Estos métodos de clasificación de imágenes suelen utilizarse para separar distintos tipos de vegetación, cuerpos de agua, sitios sin cobertura vegetal, etc., por ejemplo, Campomanes et al. (2016) lograron separar la vegetación de manglar de otras coberturas en imágenes aéreas con una alta precisión. De manera más puntual, las especies de mangle negro, blanco y rojo han sido separadas exitosamente utilizando algoritmos de clasificación supervisada en imágenes de satélite (Wang et al., 2004), e imágenes aéreas (Aviña et al., 2022). 

Referencias

Adame, MF., Reef, R., Santini, NS., Najera, E., Turschwell, MP., Hayes, MA., Masque, P. y Lovelock, CE. (2020). Mangroves in arid regions: Ecology, threats, and opportunities. Estuarine, Coastal and Shelf Science, 248: 106796. doi: 10.1016/j.ecss.2020.106796

Aviña, J., Elisa, H., Zaragoza, S., Gutiérrez, C., Trasviña, A., César, C., Zavala, AS. y Martínez, RO. (2022). Spatial Distribution of Soil Organic Carbon in Mangroves of Arid Environment Estimated from In Situ Data and Aerial Imagery. J Soil Sci Plant Nutr. doi: 10.1007/s42729-022-00971-0

Bunting, P., Rosenqvist, A., Lucas, RM., Rebelo, LM., Hilarides, L., Thomas, N., Hardy, A., Itoh, T., Shimada, M. y Finlayson, CM. (2018). The global mangrove watch - A new 2010 global baseline of mangrove extent. Remote Sensing, 10(10). doi: 10.3390/rs10101669

Campomanes, F., Pada, AV. y Silapan, J. (2016). Mangrove classification using support vector machines and random forest algorithm: a comparative study. : 3-6. doi: 10.3990/2.385

Domínguez-Cadena, R., Riosmena-Rodríguez, R. y la Luz, JLL de. (2016). Forest Structure and Species Composition of Mangroves in the Eastern Baja California Peninsula: The Role of Microtopography. Wetlands, 36(3): 515-523. doi: 10.1007/s13157-016-0760-9

Howard, J., Hoyt, S., Isensee, K., Pidgeon, E. y Telszewski, M. (2018). Carbono Azul. Métodos para evaluar las existencias y los factores de emisión de carbono en manglares, marismas y pastos marinos. : 15-38Disponible en: www.iucn.org/es

Ochoa-Gómez, Jonathan G., Serviere-Zaragoza, Elisa, Lluch-Cota, DB., Rivera-Monroy, Victor H., Oechel, Walter, Troyo-Diéguez, E. y Lluch-Cota, SE. (2018). Structural Complexity and Biomass of Arid Zone Mangroves in the Southwestern Gulf of California: Key Factors That Influence Fish Assemblages. Journal of Coastal Research, 344(August): 979-986. doi: 10.2112/jcoastres-d-16-00220.1

Ochoa-Gómez, JG., Lluch-Cota, SE., Rivera-Monroy, VH., Lluch-Cota, DB., Troyo-Diéguez, E., Oechel, W. y Serviere-Zaragoza, E. (2019). Mangrove wetland productivity and carbon stocks in an arid zone of the Gulf of California (La Paz Bay, Mexico). Forest Ecology and Management, 442(April): 135-147. doi: 10.1016/j.foreco.2019.03.059

Vázquez-Lule, A., Colditz, R., Herrera-Silveira, J., Guevara, M., Rodríguez-Zúñiga, MT., Cruz, I., Ressl, R. y Vargas, R. (2019). Greenness trends and carbon stocks of mangroves across Mexico. Environmental Research Letters, 14(7). doi: 10.1088/1748-9326/ab246e

Wang, L., Sousa, WP. y Gong, P. (2004). Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery. International Journal of Remote Sensing, 25(24): 5655-5668. doi: 10.1080/014311602331291215