Sensores Remotos: Una Nueva Perspectiva sobre los Hábitats de las Aves
Usar tecnología para proteger los hogares de los pájaros a través de datos de teledetección.
Rachel J Kuzmich, Ross A Hill, Shelley A Hinsley, Paul E Bellamy, Ailidh E Barnes, Markus Melin, Paul M Treitz
― 8 minilectura
Tabla de contenidos
La teledetección es como tener un superpoder que nos permite mirar la Tierra desde arriba. Los científicos están empezando a usar esta habilidad para aprender más sobre el medio ambiente, especialmente para entender dónde les gusta a los pájaros pasar el rato. Esta tecnología ayuda a recopilar datos importantes sobre bosques y otros ecosistemas, lo cual es clave para saber cómo podemos proteger mejor a nuestros amigos alados y sus hogares.
¿Qué es la teledetección?
La teledetección implica recopilar información sobre un área sin necesidad de estar físicamente allí. Piensa en ello como usar fotografía de alta tecnología. Drones, satélites y otras máquinas voladoras toman fotos y recopilan datos sobre la superficie de la Tierra. Estas imágenes vienen en diferentes colores y se pueden usar para medir la salud de las plantas, el grosor de los árboles y otros problemas ambientales. ¡Es un poco como poder ver si la casa de tu amigo está desordenada o limpia desde el cielo!
Cómo ayuda la teledetección a los ecologistas
Los ecologistas, que estudian los seres vivos y sus entornos, han empezado a usar datos de teledetección más a menudo. Esta tecnología les permite observar áreas grandes rápidamente, lo cual es especialmente importante porque recopilar datos caminando con un clip es lento y a veces un poco caro. Con la teledetección, pueden obtener información sobre la vegetación, el suelo, la temperatura y más, lo que les ayuda a analizar cómo diferentes factores influyen en los animales que viven allí.
Por ejemplo, si quisieras averiguar qué tipos de plantas crecen mejor en un área, en lugar de ir a cada lugar, podrías usar la teledetección para recopilar datos sobre una área más grande de una vez. ¡Es como tener un mapa mágico que muestra todos los mejores lugares!
Pájaros y sus hábitats
Los pájaros son bastante exigentes sobre dónde les gusta vivir, y sus elecciones pueden decirnos mucho sobre el medio ambiente. Diferentes especies de pájaros prefieren diferentes tipos de hábitats, y entender estas preferencias es clave para los esfuerzos de conservación. Usando datos de teledetección, los científicos pueden crear modelos que predicen dónde es más probable encontrar aves según las características ambientales de sus hábitats.
Al estudiar la relación entre los datos de teledetección y los hábitats de los pájaros, los investigadores pueden identificar áreas importantes para diversas especies de aves. Esto es crucial para tomar decisiones de conservación informadas. Si podemos predecir dónde prosperarán las aves, podemos enfocar mejor nuestros esfuerzos de conservación.
El papel del Índice de Vegetación de Diferencia Normalizada (NDVI)
Una herramienta importante en la teledetección es el Índice de Vegetación de Diferencia Normalizada, o NDVI. El NDVI ayuda a medir la cantidad de vegetación verde en un área al comparar cuánto luz se refleja en diferentes colores. Un valor alto de NDVI indica muchas plantas verdes saludables, mientras que un valor bajo indica vegetación escasa. Estos datos pueden informar a los investigadores sobre la salud de las plantas, que impacta directamente a las poblaciones de aves.
Imagina el NDVI como la versión de plantas de un rastreador de fitness. Si las plantas están saludables, es más probable que los pájaros se sientan en casa, pero si no lo están, los pájaros podrían volar a buscar un mejor lugar.
Combinando datos: una mejor imagen de la biodiversidad
Para obtener una imagen más clara de los hábitats, los científicos utilizan diferentes tipos de datos de teledetección juntos. Por ejemplo, los datos de los satélites pueden mostrar la cobertura de vegetación general, mientras que los datos de sensores especializados pueden proporcionar información detallada sobre la altura y estructura de los árboles en un bosque. Combinar estos diferentes tipos de información puede crear una comprensión más detallada de un hábitat.
Esta técnica, conocida como Fusión de Datos, es un poco como combinar ingredientes para hacer un plato delicioso. La mezcla de diferentes fuentes de datos puede resaltar los mejores conocimientos, ayudando a los investigadores a entender qué hace que los hábitats sean adecuados para los pájaros.
El reto de los bosques jóvenes
Los bosques jóvenes, en particular, pueden ser difíciles de estudiar. Estas áreas pueden cambiar rápidamente y la variedad de plantas las hace más complicadas de analizar. Los métodos tradicionales tienen dificultades con estos paisajes dinámicos. Sin embargo, la teledetección ofrece una solución. Permite a los investigadores monitorear cambios a lo largo del tiempo y evaluar cómo estos cambios afectan a las poblaciones de aves. Al establecer cómo evolucionan los bosques jóvenes, podemos entender mejor qué tipos de hábitats prefieren los pájaros a medida que estos bosques maduran.
Los sitios de estudio
En un estudio reciente, se examinaron dos sitios de bosques jóvenes en el Reino Unido: "Nueva Wilderness" y "Vieja Wilderness". Estos lugares eran campos agrícolas abandonados que habían comenzado a crecer nuevamente en bosques. Al rastrear cambios en estos bosques a lo largo del tiempo, los investigadores pretendieron entender cómo estos hábitats impactan a las comunidades de aves.
Selección de especies de aves
Se eligieron cuatro especies de aves para este estudio: Carbonero, Pinzón, Mosquitero y Ruiseñor de Sauce. Cada una de estas aves tiene diferentes preferencias para sus hábitats, representando una gama de necesidades ecológicas. Los investigadores utilizaron datos de teledetección para entender cómo los cambios en los hábitats forestales podrían afectar a estas especies.
Recolección de datos de teledetección
Los investigadores utilizaron tanto Escaneo Láser Aéreo (ALS) como datos de Landsat para recopilar información sobre la estructura del bosque y los tipos de vegetación. El ALS proporciona medidas precisas de la altura y densidad de los árboles, mientras que los datos de Landsat dan una vista más amplia de la salud de la vegetación y la cobertura del suelo. Esta combinación ayuda a crear una imagen completa del bosque, revelando detalles valiosos para las necesidades de hábitat de cada ave.
Prediciendo hábitats de aves usando teledetección
El estudio tenía como objetivo desarrollar modelos que predicen los hábitats de las aves usando ambos tipos de datos de teledetección. Al introducir los atributos estructurales del bosque derivados de los datos de ALS y la información espectral de los datos de Landsat, los investigadores podían crear modelos más precisos de distribución de aves.
Evaluando la precisión del modelo
Para determinar qué tan bien funcionaron sus modelos, los investigadores compararon los datos recopilados de encuestas en el terreno con sus predicciones. Descubrieron que sus modelos eran generalmente precisos al predecir dónde se encontrarían las aves, demostrando que la teledetección es un método efectivo para estudiar hábitats de aves.
Desafíos y limitaciones
Aunque la teledetección proporciona datos valiosos, aún existen desafíos. Por ejemplo, la tecnología puede tener dificultades en ciertas condiciones, como durante el clima nublado o en áreas forestales densas donde la visibilidad es limitada. Además, las aves pueden reaccionar a los cambios ambientales de maneras difíciles de predecir, complicando los esfuerzos por modelar sus hábitats con precisión.
Futuros enfoques
La investigación sugiere que combinar diferentes tipos de datos de teledetección podría mejorar aún más nuestra comprensión de los hábitats de aves. Los estudios futuros podrían centrarse en incorporar nuevas tecnologías, como drones, que proporcionan imágenes de mayor resolución y permiten un monitoreo más detallado.
Importancia de la conservación
En última instancia, entender los hábitats de las aves a través de la teledetección es crucial para los esfuerzos de conservación. Al identificar qué hábitats son más importantes para las aves, los investigadores pueden ayudar a dar forma a estrategias de conservación que protejan estos entornos esenciales.
Conclusión
En resumen, la teledetección es una herramienta poderosa para estudiar los hábitats de las aves. Al usar tecnología avanzada para recopilar y analizar datos, los científicos pueden obtener conocimientos sobre cómo los cambios en el medio ambiente afectan a las aves. Este conocimiento es esencial para guiar los esfuerzos de conservación y asegurarnos de proteger los espacios donde nuestros amigos alados prosperan. Así que, la próxima vez que veas un pájaro, ¡recuerda que hay un montón de datos volando por ahí para ayudar a mantenerlo a salvo!
Título: Predicting woodland bird species habitat with multi-temporal and multisensor remote sensing data
Resumen: Remote sensing data capture ecologically important information that can be used to characterize, model and predict bird habitat. This study implements fusion techniques using Random Forests (RF) with spectral Landsat data and structural airborne laser scanning (ALS) data to scale habitat attributes through time and to characterize habitat for four bird species in dynamic young forest environments in the United Kingdom. We use multi-temporal (2000, 2005, 2012/13, 2015) multi-sensor (Landsat and ALS) data to (i) predict structural attributes via pixel-level fusion at 30 metre spatial resolution, (ii) model bird habitat via object-level fusion and compare with models based on ALS, Landsat and predicted structural attributes, and (iii) predict bird habitat through time (i.e., predict 2015 habitat based on 2000-2012 data). First, we found that models predicting mean height from spectral information had the highest accuracy, whilst maximum height, standard deviation of heights, foliage height diversity, canopy cover and canopy relief ratio had good accuracy, and entropy had low accuracy. The green band and the normalized burn ratio (NBR) were consistently important for prediction, with the red and shortwave infrared (SWIR) 1 bands also important. For all structural variables, high values were underpredicted and low values were overpredicted. Second, for Blue Tit (Cyanistes caeruleus) and Chaffinch (Fringilla coelebs), the most accurate model employed Landsat data, while object-level fusion performed best for Chiffchaff (Phylloscopus collybita) and Willow Warbler (Phylloscopus trochilus). ALS mean, maximum and standard deviation of heights and Landsat tasseled cap transformations (TCT) (i.e., wetness, greenness and brightness) were ranked as important to all species across various models. Third, we used our models to predict presence in 2015 and implemented a spatial intersection approach to assess the predictive accuracy for each species. Blue Tit and Willow Warbler presences were well predicted with the Landsat, ALS, and objectlevel fusion models. Chaffinch and Chiffchaff presences were best predicted with the ALS model. Predictions based on pixel-level predicted structure surfaces had low accuracy but were acceptable for Chaffinch and Willow Warbler. This study is significant as it provides guidance for Landsat and ALS data application and fusion in habitat modelling. Our results highlight the need to use appropriate remote sensing data for each study species based on their ecology. Object-level data fusion improved habitat characterization for all species relative to ALS, but not to Landsat for Blue Tit and Chaffinch. Pixel-level fusion for predicting structural attributes in years where ALS data are note available is increasingly being used in modelling but may not adequately represent within-patch wildlife habitat. Finally, incorporating predicted surfaces generated through pixel-level fusion in our habitat models yielded low accuracy. HighlightsO_LIWe used object- and pixel-level fusion with ALS and Landsat to examine bird habitat C_LIO_LIPixel-level fusion predicted surfaces yielded low accuracy in habitat models C_LIO_LIBest models: Landsat (Blue Tit, Chaffinch); fusion (Chiffchaff, Willow Warbler) C_LIO_LIBest prediction: ALS (Chaffinch, Chiffchaff) C_LIO_LIBest prediction: ALS, Landsat, object-level fusion (Blue Tit, Willow Warbler) C_LI Graphical abstract O_FIG O_LINKSMALLFIG WIDTH=200 HEIGHT=127 SRC="FIGDIR/small/625964v1_ufig1.gif" ALT="Figure 1"> View larger version (77K): [email protected]@75133dorg.highwire.dtl.DTLVardef@420d1aorg.highwire.dtl.DTLVardef@6a5f8a_HPS_FORMAT_FIGEXP M_FIG C_FIG
Autores: Rachel J Kuzmich, Ross A Hill, Shelley A Hinsley, Paul E Bellamy, Ailidh E Barnes, Markus Melin, Paul M Treitz
Última actualización: 2024-12-03 00:00:00
Idioma: English
Fuente URL: https://www.biorxiv.org/content/10.1101/2024.11.28.625964
Fuente PDF: https://www.biorxiv.org/content/10.1101/2024.11.28.625964.full.pdf
Licencia: https://creativecommons.org/licenses/by/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a biorxiv por el uso de su interoperabilidad de acceso abierto.