Llamando a la Fenología de Dos Especies de Ranas en Arrozales de Corea del Sur Usando Detección Automática de Llamadas
Autores: Chae, Soyeon; Eo, Jinu; Jang, Yikweon
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Llamando a la Fenología de Dos Especies de Ranas en Arrozales de Corea del Sur Usando Detección Automática de Llamadas
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Zootecnia
Palabras clave
Fenología de la reproducción de anfibios
Monitoreo acústico pasivo
Actividad de llamada
Temperatura
Humedad
Cambio climático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
La fenología de reproducción de los anfibios proporciona información clave sobre la sensibilidad de las especies a los impulsores climáticos y antropogénicos. Utilizamos el monitoreo acústico pasivo (PAM) con detección automatizada de llamadas para examinar la actividad de llamadas en arrozales de Corea del Sur a lo largo de cinco temporadas de reproducción (2018-2022). Ambas especies exhibieron patrones estacionales distintos: mostraron un pico de llamadas sincrónico y concentrado a mediados de junio (la desviación GAM explicada = 34%), mientras que iniciaron las llamadas antes y mantuvieron un período de llamadas más largo y menos sincronizado que se extendió hasta julio (la desviación GAM explicada = 19%). Los modelos binomiales negativos inflacionados por ceros demostraron que la temperatura era el predictor más fuerte de la actividad de llamadas en ambas especies, aunque las respuestas a la humedad y al viento diferían. Mantuvo una alta tasa de llamadas en condiciones cálidas, con solo una modesta supresión en alta humedad, mientras que fue fuertemente inhibido por condiciones cálidas y húmedas combinadas. Estos resultados establecen una información detallada sobre la fenología de llamadas de especies en agroecosistemas de Asia Oriental y destacan las sensibilidades específicas de las especies a las variables climáticas locales. Nuestros hallazgos demuestran que el monitoreo acústico automatizado ofrece una forma eficiente de documentar las respuestas ecológicas a la variabilidad climática y puede servir como una herramienta a largo plazo para rastrear cambios fenológicos bajo el cambio climático. Los futuros avances en el análisis de sonido, incluida la integración de algoritmos de aprendizaje profundo y marcos de detección entre especies, podrían mejorar aún más el monitoreo automatizado de la biodiversidad en paisajes agrícolas complejos.
Descripción
La fenología de reproducción de los anfibios proporciona información clave sobre la sensibilidad de las especies a los impulsores climáticos y antropogénicos. Utilizamos el monitoreo acústico pasivo (PAM) con detección automatizada de llamadas para examinar la actividad de llamadas en arrozales de Corea del Sur a lo largo de cinco temporadas de reproducción (2018-2022). Ambas especies exhibieron patrones estacionales distintos: mostraron un pico de llamadas sincrónico y concentrado a mediados de junio (la desviación GAM explicada = 34%), mientras que iniciaron las llamadas antes y mantuvieron un período de llamadas más largo y menos sincronizado que se extendió hasta julio (la desviación GAM explicada = 19%). Los modelos binomiales negativos inflacionados por ceros demostraron que la temperatura era el predictor más fuerte de la actividad de llamadas en ambas especies, aunque las respuestas a la humedad y al viento diferían. Mantuvo una alta tasa de llamadas en condiciones cálidas, con solo una modesta supresión en alta humedad, mientras que fue fuertemente inhibido por condiciones cálidas y húmedas combinadas. Estos resultados establecen una información detallada sobre la fenología de llamadas de especies en agroecosistemas de Asia Oriental y destacan las sensibilidades específicas de las especies a las variables climáticas locales. Nuestros hallazgos demuestran que el monitoreo acústico automatizado ofrece una forma eficiente de documentar las respuestas ecológicas a la variabilidad climática y puede servir como una herramienta a largo plazo para rastrear cambios fenológicos bajo el cambio climático. Los futuros avances en el análisis de sonido, incluida la integración de algoritmos de aprendizaje profundo y marcos de detección entre especies, podrían mejorar aún más el monitoreo automatizado de la biodiversidad en paisajes agrícolas complejos.