Cartografía de la condición de los manglares del Pacífico mexicano usando datos de la banda C de ENVISAT ASAR y datos ópticos de Landsat

Mapping the condition of mangroves of the Mexican Pacific using C-band ENVISAT ASAR and Landsat optical data

JM Kovacs^1*, C Zhang², FJ Flores-Verdugo³

¹ Department of Geography, Nipissing University, North Bay, Ontario P1B 8L7, Canada. * E-mail: johnmk@nipissingu.ca

³ Instituto del Ciencias del Mar y Limnología, Universidad Nacional Autónoma de Mexico, 82000 Mazatlán, Sinaloa, México.

Recibido en septiembre de 2007.
Aceptado en agosto de 2008.

Resumen

Para determinar si los datos de la banda C del sensor espacial SAR pudieran utilizarse solos, o de manera simultánea con datos ópticos, para hacer mapas precisos de bosques de manglar del Pacífico mexicano, se tomaron cuatro escenas de ENVISAT ASAR de doble polarización, con dos ángulos de inclinación, del complejo estuarino de manglar Teacapán-Agua Brava-Las Haciendas. Se clasificaron varias combinaciones de datos de ASAR con el propósito de determinar el arreglo óptimo para crear mapas de manglares. Además, se clasificaron datos de Landsat TM para los mismos sitios de ensayo. La precisión global al hacer mapas de estos manglares aumentó cuando se utilizó más de un modo de polarización. En general, los resultados fueron mejores cuando el ángulo de incidencia fue mayor (~41° vs ~23°). En todas los casos, los datos ópticos por sí solos proporcionaron una clasificación más precisa. Con una sola clase de manglar la mayor precisión global utilizando los datos de ASAR fue de 54%, comparada con 76% con los datos ópticos. Cuando se consideraron las cuatro diferentes clases de manglar que representan las condiciones típicas de este sistema (manglar muerto, pobre, sano y sano alto), la precisión global se redujo hasta 45% y 63%, respectivamente. Debido a la limitada penetración de la banda C en el follaje, utilizando datos del ASAR fue difícil diferenciar los manglares sanos y sanos altos de las palmas y otros bosques terrestres. Además de la confusión entre las cuatro clases de manglar, las zonas de manglares muertos resultaron erróneamente clasificadas como áreas salinas y de aguas libres de vegetación, con los datos ópticos, y como tierras agrícolas con los datos de ASAR. Dadas las ventajas para diferenciar áreas de manglar muerto de los espejos de agua y las salinas con los datos de ASAR, éstos se utilizaron de manera simultánea con datos ópticos para reducir los errores en la clasificación de estas áreas.

Palabras clave: clasificación, Landsat, manglares, México, percepción remota, SAR.

To determine whether spaceborne C-band SAR data could be used alone, or in conjunction with optical data, for accurately mapping mangrove forests of the Mexican Pacific, four scenes of dual-polarized ENVISAT ASAR data, at two incidence angles, were collected for the Teacapán-Agua Brava-Las Haciendas estuarine-mangrove complex. Several combinations of these ASAR data were classified to determine the most optimal arrangement for mangrove mapping. In addition, corresponding Landsat TM data were classified using the same training sites. The overall accuracy in mapping these mangroves did improve when more than one polarization mode was employed. In general, the higher incidence angle data (~41° vs ~23°) provided better results. In all circumstances, the optical data alone provided higher classification accuracies. When contained as one mangrove class, the highest overall accuracy achieved using the ASAR data was 54% as compared to 76% for the optical data. When considering four separate mangrove classes, representing the four conditions typical of this system (dead, poor condition, healthy, tall healthy), overall accuracies dropped to 45% and 63%, respectively. With the limited penetration of C-band into canopies, it was difficult to separate healthy and tall healthy mangrove from palm and other terrestrial forests using the ASAR data. In addition to confusion amongst the four mangrove classes, the dead mangrove stands created considerable misclassification as they were readily misidentified with water and saltpan areas in the optical data and with agricultural lands in the ASAR data procedure. Given the advantage of ASAR for identifying dead stands from open water and saltpan, these data were then used in conjunction with the optical data to reduce the misclassification of these areas.

Key words: classification, Landsat, mangroves, Mexico, remote sensing, SAR.

Introducción

En las últimas décadas se han realizado numerosos estudios utilizando sensores espaciales para cartografiar los bosques de manglar. Dado que muchos de estos humedales costeros se localizan en zonas remotas y con frecuencia muy extensas y difíciles de atravesar, el uso de ese tipo de datos puede proporcionar a los manejadores de recursos un método relativamente rápido, eficiente y económico para trazar mapas de los manglares. Además, muchos manglares están experimentando intensos cambios principalmente de origen antropogénico (Valiela et al. 2001, Walters et al. 2008) y, por tanto, estos datos, cuya fuente es continua y confiable, pueden constituir la base de programas para su monitoreo a largo plazo.

Hasta la fecha la mayoría de las aplicaciones de sensores espaciales a la cartografía de manglares ha dependido de sensores ópticos convencionales, especialmente de los de las series SPOT y Landsat. Aunque los recientes sensores ópticos de muy alta resolución (e.g., IKONOS) han mostrado ser muy eficientes para elaborar mapas de manglares (Wang et al. 2004a, b; Kovacs et al. 2005), los sensores tradicionales siguen siendo populares dado su bajo costo, amplia cobertura y facilidad de uso, y siguen siendo los preferidos para trabajos de detección de cambios en manglares a corto y largo plazo (e.g., Muttitanon y Tripathi 2005, Beland et al. 2006, Thu y Populus 2007).

En vista de que muchos bosques de manglar se encuentran en regiones tropicales donde la cobertura de nubes persiste a lo largo del año o por largos periodos de tiempo (e.g., época del monzón), no es siempre factible el uso de sensores ópticos para su cartografía y monitoreo. Las percepciones del radar de apertura sintética (SAR, por sus siglas en inglés) sufren menos obstrucción por las nubes y, además, no dependen de las condiciones de luz por lo que pueden resultar una forma alternativa, o complementaria, al uso de sensores remotos en tales regiones. De hecho, varios estudios con sensores remotos que incluyen al SAR, principalmente desde plataformas aéreas (Mougin et al. 1999; Proisy et al. 2000, 2002) pero también espaciales (Kovacs et al. 2006, Simard et al. 2006), han mostrado que aún la retrodispersión puede ser correlacionada, hasta cierto grado, con los parámetros biofísicos (e.g., altura, biomasa) de los manglares.

Se han publicado pocos estudios cartográficos de manglares usando el SAR desde alguna plataforma espacial, pero sus resultados indican que éste podría utilizarse como una fuente alterna o complementaria a los datos de sensores ópticos espaciales. Por ejemplo, Simard et al. (2002) recientemente emplearon datos tanto del JERS-1 como del ERS-1 para elaborar mapas de la vegetación costera de Gabón. Estos autores examinaron manglares clasificándolos en manglar alto, principalmente de Rhizophora racemosa, y manglar bajo, dominado por Avicennia germinans de menos de 5 m de altura. Sus resultados sugieren que la mejor forma de distinguir estos manglares de otros tipos de cobertura o uso del suelo, tales como bosques abiertos y cerrados, zonas urbanas, pastizales y sabanas arboladas, es combinando datos. La precisión global de la clasificación se incrementó de 61% y 66% cuando se usaron los datos individuales por separado del ERS-1 y el JERS-1, respectivamente, hasta 84% cuando se utilizaron en conjunto.

En un estudio sobre los manglares de la Bahía de Phangnga, Tailandia, Aschbacher et al. (1995) encontraron que ni los datos del ERS-1 ni los del JERS-1 servían para diferenciar clases de manglar de otras clases de cobertura, pero al combinar los datos del ERS-1 con los del SPOT XS el número de clases de mangle identificadas correctamente aumentó de seis a diez. Específicamente, los datos del ERS-1 permitieron una mayor subdivisión de una sola clase de Rhizophora mangle en tres clases dependiendo de su altura: alto, mediano y bajo. Dwivedi et al. (1999) también encontraron que al emplear los datos ópticos del IRS-1B en conjunto con los del ERS-1 fue posible diferenciar bastante bien los manglares de la demás vegetación, y de estuarios, arroyos y cuerpos de agua asociados en el delta de Sundarban en Bengala Occidental, India.

Materiales y métodos

Área de estudio

El complejo estuarino de manglar Teacapán-Agua Brava-Las Haciendas (fig. 1) es considerado uno de los más grandes en su tipo en la costa del Pacífico del continente americano, con alrededor de 80,000 ha de manglares y 150,000 ha de marismas. El sistema cuenta con numerosas lagunas, incluyendo la extensa Laguna de Agua Brava, y tiene dos entradas, una natural en Teacapán y otra artificial, abierta en 1971, conocida como el Canal de Cuautla (>15 m de profundidad y >1000 m de ancho). Una importante característica natural de esta zona es la presencia de 150 barras de arena semiparalelas, con manglares, que son resultado de la transgresión del Holoceno y el aporte de sedimento fluvial (Curray et al. 1969). Además de las descargas estacionales de los ríos Cañas, Rosamorado y Bejuco, el sistema recibe el aporte de dos ríos permanentes, el Acaponeta y el San Pedro.

En las secciones norte y sur del sistema predominan el mangle negro (Avicennia germinans) y el mangle blanco (Laguncularia racemosa), respectivamente. El mangle rojo (Rhizophora mangle) se encuentra a lo largo de las lagunas y los estuarios y, en la sección sur, puede formar islas homogéneas relativamente grandes. Los manglares de este sistema, a pesar de ser extremadamente productivos (Flores-Verdugo et al. 1990) y de ser considerados por los habitantes locales un valioso recurso renovable (Kovacs 1999), han sufrido una extensa degradación. Trabajos recientes con imágenes de satélites ópticos (Kovacs et al. 2001, 2004, 2005) han mostrado que es común observar grandes áreas de manglar muerto o en condiciones pobres en todo el sistema. Tanto los científicos como los habitantes locales (Flores-Verdugo et al. 1997, Kovacs 2000) consideran que los cambios hidrológicos, en particular los elevados niveles de salinidad, ocasionados por la apertura del Canal de Cuautla, han tenido y continuarán teniendo un impacto adverso sobre los manglares. Como consecuencia, actualmente es posible encontrar manglar en diferentes condiciones: sano alto, sano, pobre y muerto (fig. 2). El manglar sano alto, que comúnmente se encuentra bordeando el agua, está formado por mangle rojo tupido, ya sea solo o asociado con mangle negro alto (sección norte) o blanco alto (sección sur). El manglar sano está formado principalmente de tallos homogéneos de mangles negro y blanco, pequeños, de menos de 5 m de altura, que se encuentran en las secciones norte y sur del sistema, respectivamente. En la parte norte se encuentran extensas áreas de este mangle negro que ahora podría considerarse una variante enana de su estado anterior (i.e., antes del Canal de Cuautla). El manglar pobre está en las zonas que alguna vez mantenían un tupido crecimiento pero que ahora sólo tienen árboles muy viejos con unas cuantas hojas, intercalados con tallos muertos y algunos mangles enanos. En algunas de estas áreas también se puede encontrar Salicornia bigelovii y/o Batis maritima, ambas indicadoras de condiciones hipersalinas. Estas dos especies de halófitas ocasionalmente se encuentran en las zonas de manglar muerto, o cementerios de mangle, formados principalmente por tallos muertos. Tanto el manglar muerto como el pobre parecen limitarse a árboles de A. germinans y L. racemosa localizados en las secciones norte y sur del sistema, respectivamente. La única excepción a este patrón general se observa en la zona de las barras de arena semiparalelas de Las Haciendas, con un gradiente topográfico relativamente alto que permite una clara zonificación del mangle, tanto blanco como negro, cuyas condiciones y densidades son relativamente similares.

El complejo de manglares está rodeado por una zona donde se realiza agricultura intensiva que abarca seis municipios, uno perteneciente al estado de Sinaloa, al norte, y cinco al estado de Nayarit, al sur. En total, la región mantiene una población de aproximadamente 390,000 habitantes, la mayoría de los cuales se dedican a la agricultura o actividades relacionadas con ésta (INEGI 1999, 2005). En Escuinapa, el único municipio de Sinaloa que forma parte del complejo, se encuentran la ciudad de Escuinapa y el puerto de Teacapán. Los cinco municipios de Nayarit son Tecuala, Acaponeta, Rosamorada, Tuxpan y Santiago Ixcuintla. Durante el ciclo agrícola primavera-verano (aproximadamente de abril a septiembre) se cultivan maíz, sorgo forrajero, melón, arroz y sandía, y en menores cantidades pimiento verde, pepino, tomate y tabaco. Aunque las extensiones agrícolas varían de estado a estado, Escuinapa (Sinaloa) dedica anualmente alrededor de 3,829 ha a estos cultivos, mientras que los municipios de Nayarit, combinados, dedican 46,846 ha. Durante el ciclo otoño-invierno (aproximadamente de noviembre a febrero) Escuinapa oficialmente no registra contribución agrícola alguna; en contraste, los municipios de Nayarit en la región registran un uso de aproximadamente 59,165 ha principalmente para la producción de sorgo forrajero y frijol. Esta región de Nayarit también destina 13,420 ha a cultivos permanentes incluyendo mango (6,480 ha), caña de azúcar (2,445 ha) y café (1,080 ha), así como en algunas zonas se produce plátano, aguacate, limón verde, piña, naranja y papaya. El mango es un producto importante de Escuinapa pero no hay registros oficiales disponibles sobre su cosecha.

Además de árboles de coco (Cocos nucifera) y mango (Mangifera indica), el contingente de árboles terrestres (i.e., no manglar) de esta llanura aluvial incluye algunos remanentes de bosque tropical mediano subperenifolio dominados por la palma Orbignya cohune. Entre las zonas agrícolas también se encuentran áreas de bosque tropical bajo caducifolio. Específicamente, son comunes Lysiloma divaricata y Acacia cymbispina, pero también se pueden encontrar Cochlospermum vitifolium, Vitex piramidata, Gliciridia sepium, Guazuma ulmifolia, Byrsonima crassifolia, Erytroxylon mexicanun, Pachycereus pecten-aboriginum, Bursera sp., Acacia farnesiana, A. pennatula y Cassia biflora.

La región se considera un importante centro de historia cultural. El sistema Teacapán-Agua Brava-Las Haciendas fue extensamente poblado durante tiempos prehispánicos. La presencia de varios miles de conchas de ostión y conchales de Tivela spp., algunos de más de 2000 años de antigüedad, es una indicación de asentamientos humanos tempranos. De hecho, se cree que el pueblo pesquero de Mexcaltitán, localizado en una isla con manglares, fue el origen del grupo migratorio que eventualmente fundó la ciudad de Tenochtitlán, ahora la Ciudad de México.

Recolección de datos y diseño experimental

Se adquirieron imágenes de ENVISAT ASAR de doble polarización (banda C) del 9, 15, 24 y 30 de mayo de 2004. Los datos correspondientes al 9 y 30 de mayo se recolectaron en la posición 6 del haz (39.1°-42.8°), mientras que los del 15 y 24 de mayo se recolectaron en la posición 2 (19.2°-26.7°). La toma del 15 de mayo fue la más extensa geográficamente, por lo que todos los demás datos registrados se tomaron con una menor precisión de pixel. Para reducir el tamaño de los archivos y, consecuentemente, el tiempo de cómputo, las imágenes se redujeron linealmente de 11 a 8 bits (Arzandeh y Wang 2002). No obstante se evaluó la capacidad de varios filtros (e.g., Gamma, Lee, Kuan) para eliminar el ruido sin perder detalles de la información, para trabajar los datos se seleccionó y utilizó un filtro tipo Lee mejorado, con un tamaño de ventana de 5 por 5 (Kushwaha et al. 2000, Racine et al. 2005, Choudhury y Chakraborty 2006). Para determinar la precisión cartográfica de los datos se realizó una clasificación supervisada de los mismos usando un algoritmo de máxima probabilidad, a diferentes polarizaciones y ángulos de incidencia, y con diferentes combinaciones de datos (Ozesmi y Bauer 2002, Racine et al. 2005). Los sitios de ensayo se seleccionaron con base en un amplio trabajo de campo, fotografías aéreas y varias escenas de IKONOS y datos de QuickBird. Se utilizó el mismo procedimiento de clasificación en los mismos sitios de ensayo, con una escena de Landsat TM del 1 de mayo de 2005, aproximadamente en la misma temporada de las imágenes de ENVI-SAT ASAR. Además, se evaluó un método para mejorar la clasificación de manglares usando las dos fuentes de datos complementarias. Para evaluar la precisión de los procedimientos, se utilizó una muestra aleatoria estratificada de 978 sitios (Congalton 1991) que no incluyó las zonas de ensayo; sin embargo, al igual que con los sitios de ensayo, para su verificación se usaron datos de campo, fotografías aéreas y datos de satélite ópticos de muy alta resolución. El trabajo de campo se basó en varias campañas recientes (2001, 2002, 2004, 2007, 2008), de dos meses de duración, en el área de estudio. Según los posibles requerimientos de detalle se consideraron dos esquemas de clasificación: uno de seis clases que incluyó solamente una clase de manglar, una de bosque terrestre combinado, una urbana, una agrícola, una de aguas libres de vegetación y una de marisma; y otro en el que la clase de manglar se subdividió en las cuatro típicas condiciones de estos manglares (muerto, pobre, sano y sano alto) y el bosque de palma se separó de sus contrapartes terrestres. El otrora extenso bosque de palma, representado por Orbignya cohune, presenta propiedades únicas en comparación con las otras especies de árboles terrestres y, a pesar de encontrarse en la lista de especies en peligro de extinción, sigue estando amenazado por las actividades agrícolas.

Resultados

Cuando el procedimiento de clasificación incluyó sólo una clase de manglar, los resultados (tabla 1) indicaron que para mejorar la distinción de estos árboles de otras coberturas o usos del suelo era necesario utilizar más de una polarización; sin embargo, también es evidente que utilizar tres polarizaciones, en vez de dos, sólo mejora ligeramente la precisión. Al considerar en este trabajo la posición óptima del haz, con excepción de la combinación HH + VV, todos los resultados indicaron que un mayor ángulo de incidencia era mejor. Aunque la combinación HH + VV de la posición 2 del haz proporcionó una precisión ligeramente mayor que la combinación HH + VV + VH de la posición 6, este último arreglo produjo una mayor precisión global (45% vs 41%) con el procedimiento de clasificación más elaborado (i.e., cuatro clases de mangle), y por tanto éste se consideró la combinación ideal del SAR y se empleó para la comparación con los datos ópticos. En comparación con los datos de Landsat TM, la precisión global de la clasificación (tabla 1) fue mucho menor para la combinación del SAR (76% vs 54%). Además, aunque las precisiones del usuario fueron similares (tablas 2, 3), las del productor difirieron considerablemente (97% vs 57%). Después de revisar más a fondo las matrices de confusión, fue evidente que las clasificaciones erróneas del manglar como otros tipos de cobertura o usos del suelo también difirieron notablemente. Específicamente, para el procedimiento con datos ópticos los errores de comisión se originaron principalmente en las coberturas de tipo marisma y agua libre de vegetación, mientras que para la clasificación de datos de SAR, éstos se originaron en las de bosque terrestre y zona agrícola.

En el proceso de clasificación más elaborado (tablas 4, 5; fig. 3), que incluye las cuatro clases de manglar, los resultados mostraron que las principales fuentes de error para las clasificaciones ópticas pueden atribuirse a las dos clases de manglar no ideales (i.e., las de follaje degradado), esto es, a la pobre pero más bien a la de manglar muerto. En particular, las clases de marisma y agua libre eran clasificadas erróneamente como manglar muerto. La mayoría de las demás clasificaciones erróneas se dieron entre las clases de manglar más similares. Por ejemplo, los manglares muertos se confundían fácilmente con los pobres, y los sanos altos con los sanos. Esta confusión también fue evidente, aunque en menor medida, en la clasificación correspondiente derivada de datos de SAR, en la que la clasificación global también fue mucho menos precisa que con los datos de Landsat TM. En contraste a lo ocurrido con los datos ópticos, las zonas agrícolas se confundieron con manglares tanto muertos como pobres. Además, tanto los manglares sanos como los sanos altos fueron predominantemente mal clasificados ya fuera como palmas u otro bosque terrestre y viceversa. Dada la mayor precisión de la clasificación global obtenida con los datos ópticos pero su uso limitado para la identificación de tallos muertos (i.e., confusión con aguas libres y marismas), se determinó que lo más recomendable para cartografiar manglares degradados sería utilizar un procedimiento de dos pasos que incluya los datos de ASAR. Las zonas clasificadas por Landsat como de tallos muertos se eliminaron y se volvieron a clasificar usando el mejor modo de haz del ASAR para distinguirlos de los espejos de agua y las marismas (fig. 4). Usando la posición 6 de haz HH (~41°), el número de zonas de aguas libres y marismas, clasificadas erróneamente como zonas muertas usando solamente los datos de Landsat, se redujo considerablemente de 55 y 26 a 3 y 3, respectivamente.

Discusión

Considerando que el complejo de Teacapán-Agua Brava-Las Haciendas se encuentra altamente degradado, no es de sorprender que la precisión, aún para los datos ópticos, no resultara tan alta como la de estudios previos. Sin embargo, las áreas de manglares prístinos no son muy comunes y, por lo tanto, resulta esencial estudiar este tipo de sistemas. Para la futura elaboración de mapas de estos manglares sería recomendable incluir el uso de datos de la banda C de RadarSat-2, de mayor resolución espacial, o de la banda L de ALOS PALSAR, cuya penetración en el follaje es mayor.

Traducido al español por Christine Harris.

Referencias

Arzandeh S, Wang J. 2002. Texture evaluation of Radarsat imagery for wetland mapping. Can. J. Remote Sens. 28: 653-666.         [ Links ]

Aschbacher J, Ofren R, Delsol JP, Suselo TB, Vibulsresth S, Charrupat T. 1995. An integrated comparative approach to magrove vegetation mapping using advanced remote sensing and GIS technologies: preliminary results. Hydrobiologia 295: 285-294.         [ Links ]

Beland M, Goita K, Bonn F, Pham TTH. 2006. Assessment of land-cover changes related to shrimp aquaculture using remote sensing data: A case study in the Giao Thuy District, Vietnam. Int. J. Remote Sens. 27: 1491-1510.         [ Links ]

Choudhury I, Chakraborty M. 2006. SAR signature investigation of rice crop using Radarsat data. Int. J. Remote Sens. 27: 519-534.         [ Links ]

Congalton RG. 1991. A review of assessing the accuracy of classification of remotely sensed data. Remote Sens. Environ. 37: 35-46.         [ Links ]

Curray JR, Emmel FJ, Crampton PJS. 1969. Holocene history of a strand plain, lagoonal coast, Nayarit, Mexico. In: Ayala-Castañares A, Phleger FP (eds.), Coastal Lagoons, a Symposium. Memoir of the International Symposium on Coastal Lagoons (Origin, Dynamics and Productivity). UNAM-UNESCO, pp. 63-100.         [ Links ]

Dwivedi RS, Rao BRM, Bhattacharya S. 1999. Mapping wetlands of the Sundarban Delta and it's environs using ERS-1 SAR data. Int. J. Remote Sens. 20: 2235-2247.         [ Links ]

Flores-Verdugo FJ, González-Farías F, Ramírez-Flores F, Amezcua-Linares A, Yáñez-Arancibia M, Alvarez-Rubio, 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.         [ Links ]

Flores-Verdugo FJ, González-Farías F, Blanco-Correa M, Núñez-Pasten A. 1997. The Teacapán-Agua Brava Marismas Nacionales mangrove ecosystem on the Pacific coast of Mexico. In: Kjerfve B, Drude L, Diop EHS (eds.), Mangrove Ecosystem Studies in Latin America and Africa. UNESCO, pp. 35-46.         [ Links ]

Hess LL, Melack JM, Simonett DS. 1990. Radar detection of flooding beneath the forest canopy: A review. Int. J. Remote Sens. 11: 1313-1325.         [ Links ]

INEGI. 1999. Síntesis de Información Geográfica del Estado de Nayarit. Instituto Nacional de Estadística, Geografía e Informática, México DF, 152 pp.         [ Links ]

INEGI. 2005. Anuario Estadístico del Estado de Sinaloa. Instituto Nacional de Estadística, Geografía e Informática, México DF, 617 pp.         [ Links ]

Kovacs JM. 1999. Assessing mangrove use at the local scale. Landscape Urban Plann. 43: 201-208.         [ Links ]

Kovacs JM. 2000. Perceptions of environmental change in a tropical coastal wetland. Land Degrad. Dev. 11: 209-220.         [ Links ]

Kovacs JM, Wang J, Blanco-Correa M. 2001. Mapping mangrove disturbances using multi-date Landsat TM imagery. Environ. Manage. 27: 763-776.         [ Links ]

Kovacs JM, Flores-Verdugo F, Wang J, Aspden LP. 2004. Estimating leaf area index of a degraded mangrove forest using high spatial resolution satellite data. Aquat. Bot. 80: 13-22.         [ Links ]

Kovacs JM, Wang J, Flores-Verdugo F. 2005. Mapping mangrove leaf area index at the species level using IKONOS and LAI-2000 sensors. Estuar. Coast. Shelf Sci. 62: 377-384.         [ Links ]

Kovacs JM, Vandenberg CV, Flores-Verdugo F. 2006. Assessing fine beam RADARSAT-1 backscatter from a white mangrove (Laguncularia racemosa (Gaertner)) canopy. Wetlands Ecol. Manage. 14: 401-408.         [ Links ]

Kushwaha SPS, Dwivedi RS, Rao BRM. 2000. Evaluation of various digital image processing techniques for detection of coastal wetlands using ERS-1 SAR data. Int. J. Remote Sens. 21: 565-579.         [ Links ]

Leckie DG, Ranson KJ. 1998. Forestry applications using imaging radar. In: Henderson FM, Lewis AJ (eds.), Manual of Remote Sensing. 3rd Vol. 2: Principles and Applications of Imaging Radar. John Wiley & Sons, Toronto, pp. 435-509.         [ Links ]

Mougin E, Proisy C, Marty G, Fromard F, Puig H, Betoulle JL, Rudant JP. 1999. Multifrequency and multipolarization radar back-scattering from mangrove forests. IEEE Trans. Geosci. Remote Sens. 37: 94-102.         [ Links ]

Muttitanon W, Tripathi NK. 2005. Land use/land cover changes in the coastal zone of Ban Don Bay, Thailand, using Landsat TM data. Int. J. Remote Sens. 26: 231-2323.         [ Links ]

Ozesmi SL, Bauer M. 2002. Satellite remote sensing of wetlands. Wetlands Ecol. Manage. 10 : 381-402.         [ Links ]

Proisy C, Mougin E, Fromard F, Karam MA. 2000. Interpretation of polarimetric radar signatures of mangrove forests. Remote Sens. Environ. 71: 56-66.         [ Links ]

Proisy C, Mougin E, Fromard F, Trichon V, Karam MA. 2002. On the influence of canopy structure on the backscatter of mangrove forests. Int. J. Remote Sens. 23: 4197-4210.         [ Links ]

Racine M, Bernier M, Ouarda T. 2005. Evaluation of Radarsat-1 images acquired in fine mode for the study of boreal peatlands: A case study in James Bay, Canada. Can. J. Remote Sens. 31: 450-467.         [ Links ]

Simard M, De Grandi G, Saatchi S, Mayaux P. 2002. Mapping tropical coastal vegetation using JERS-1 and ERS-1 radar data with a decision tree classifier. Int. J. Remote Sens. 23: 1461-1474.         [ Links ]

Simard M, Zhang K, Rivera-Monroy VH, Ross MS, Ruiz PL, Castaneda-Moya E, Twilley RR, Rodriguez E. 2006. Mapping height and biomass of mangrove forests in Everglades National Park with SRTM elevation data. Photogramm. Eng. Remote Sens. 72: 299-310.         [ Links ]

Thu PM, Populus J. 2007. Status and changes of mangrove forest in Mekong Delta: Case study in Tra Vinh, Vietnam. Estuar. Coast. Shelf Sci. 71: 98-109.         [ Links ]

Valiela I, Boen JL, York JK. 2001. Mangrove forests: One of the World's threatened major tropical environments. BioScience 51: 807-815.         [ Links ]

Walters BB, Rönnbäck P, Kovacs JM, Crona B, Hussain SA, Badola R, Primavera J, Dahdouh-Guebas F, Barbier E. 2008. Ethnobiology, socio-economics and management of mangrove forests: A review. Aquat. Bot. 89: 220-236.         [ Links ]

Wang L, Sousa WP, Gong P. 2004a. Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery. Int. J. Remote Sens. 25: 5655-5668.         [ Links ]

Wang L, Sousa WP, Gong P, Biging GS. 2004b. Comparison of IKONOS and QuickBird images for mapping mangrove species on the Caribbean coast of Panama. Remote Sens. Environ. 91: 432-440.         [ Links ]