Introducción
Actualmente la biodiversidad
se enfrenta a un alarmante declive global causado principalmente por las
actividades humanas (Ceballos et al. 2017). La
destrucción de hábitats, la sobreexplotación de recursos, la introducción de
especies invasoras, la contaminación o el cambio climático son algunas de las
principales causas de esta pérdida de biodiversidad (Jaureguiberry et al. 2022). La caracterización y seguimiento de poblaciones de
fauna silvestre pueden ayudar a comprender las causas y procesos involucrados
en la pérdida de biodiversidad, así como a promover medidas más eficaces de
gestión e incentivar políticas de protección y conservación (Hassani et al. 2021).
La Unión Europea
(UE) exige que los estados miembros presenten
informes a la Comisión Europea cada seis años sobre el estado de conservación de los hábitats y las especies con los
resultados de la vigilancia y evaluación, así como las medidas de conservación
implementadas y su efectividad (e.g.,
Directiva 92/43/CEE del Consejo, de 21 de mayo de 1992, relativa a la
conservación de los hábitats naturales y de la fauna y flora silvestres). Sin
embargo, recolectar indicadores a gran escala y repetidos en el tiempo que
permitan conocer el estado de conservación de la biodiversidad requiere grandes
esfuerzos y presenta ciertas dificultades asociadas en su mayoría a las
limitaciones de recursos humanos y económicos. Las nuevas tecnologías (cámaras trampa, drones, sensores…), la
colaboración entre diferentes instituciones (ONGs, administraciones o centros
públicos de investigación) y la ciencia ciudadana, entendida como la
participación de personas no profesionales
en una investigación científica, pueden ser
estrategias útiles para incrementar la capacidad de seguimiento al ampliar el
rango geográfico, temporal y taxonómico, y
reducir los costes asociados (Chandler et al. 2017; Theobald
et al. 2015).
Por
estos motivos, en el ámbito de la biodiversidad, muchas investigaciones
reconocen los beneficios de la ciencia ciudadana y su capacidad para generar
conocimiento científico y promover una conexión más profunda de la ciudadanía con
la naturaleza, aumentando la conciencia ambiental y el conocimiento sobre la
biodiversidad y los problemas ambientales (Dickinson
et al. 2012; Pocock et al. 2017; Frigerio et al. 2018). Este enfoque también ayuda
a reducir la brecha entre la ciencia y la sociedad (Castagneyrol et al. 2020), esencial para
permeabilizar e incentivar el pensamiento crítico en las personas involucradas
y fomentar una mayor responsabilidad y acción comunitaria (Toomey y Domroese 2013; Schuttler et al. 2018). Además, considerando la
creciente desconexión de las personas con la naturaleza (Hooykaas et al. 2019), involucrar a estudiantes de
las primeras etapas educativas en actividades científicas y sobre la naturaleza
puede fortalecer su conexión con el medio ambiente y promover comportamientos
sostenibles a largo plazo (Mustapa et al. 2021).
En las
últimas décadas, numerosos estudios científicos han adoptado el uso de cámaras
de fototrampeo o cámaras trampa, cuya versatilidad e inocuidad ha permitido
utilizarlas en numerosos estudios (McCallum 2012). Al mismo tiempo, se han
desarrollado numerosas plataformas para colaborar en la clasificación y
anotación de las imágenes (e.g. Agouti, MammalWeb,
WildlifeInsigh, Zooniverse; Green et al. 2020), lo
que supone una oportunidad para digitalizar y agilizar la gestión de esta
información. Por todo ello,
las cámaras trampa pueden ser una herramienta ideal para proyectos de ciencia
ciudadana con niños y niñas desde edades tempranas donde, además de los
beneficios que aporta al desarrollo de habilidades como el pensamiento crítico,
mejora el conocimiento del entorno y la conciencia ambiental (Hsing et al. 2022). Dichos datos pueden ser utilizados tanto para guiar
la gestión de especies de interés, de la fauna silvestre amenazada o de
especies exóticas invasoras, como para investigar el comportamiento, la
distribución y la abundancia de la fauna silvestre (Meek
et al. 2015).
En esta misma línea, el uso
de las cámaras trampa por parte de una “ciudadanía científica” es especialmente
interesante para monitorear mamíferos silvestres, debido a que muchas especies
son difíciles de detectar por su comportamiento nocturno y elusivo (Gaynor et al. 2018). Además, debido a la dificultad de actualización
constante a gran escala, los atlas de distribución de especies de mamíferos
silvestres suelen carecer de información actualizada en muchas zonas (Escribano et al. 2019). Por ello, el uso de fototrampeo bajo el enfoque de ciencia ciudadana,
podría ser una estrategia adecuada para ayudar a mitigar la ausencia de
información y los posibles sesgos espaciales, mejorando la cobertura espacial y
la calidad de los datos de distribución de los mamíferos silvestres.
Las
experiencias de fototrampeo y ciencia ciudadana han sido aplicadas en
diferentes contextos geográficos y sociales (Karlin
y de la Paz 2015; Forrester
et al. 2017; Anton et
al. 2018; Parsons
et al. 2018; Schuttler
et al. 2019; McShea et al. 2016; Hsing et
al. 2022), aunque concretamente en
España, las experiencias son muy escasas y puntuales (e.g., proyectos de
monitorización de los mamíferos terrestres MammalNet o MOMAT). Por todo
ello, el objetivo principal del presente trabajo es demostrar la utilidad de
los datos de fototrampeo obtenidos mediante participación ciudadana para
mejorar la información sobre mamíferos silvestres. Específicamente, se trata de
evaluar si la participación de centros educativos permite mejorar la
incorporación de nuevos datos de distribución de mamíferos en las áreas
estudiadas de la provincia de Córdoba (España), comparando los datos
registrados de cada especie con la información
disponible de su distribución hasta el momento en plataformas de recopilación
de datos de biodiversidad (e.g. GBIF,
Observation, iNaturalist, iMammalia).
Material y métodos
Proyectos
educativos de ciencia ciudadana
Entre enero y
abril de 2024, 11 centros educativos y 800 escolares de cuatro a doce años de
edad de la provincia de Córdoba (España) participaron en los proyectos de
ciencia ciudadana IncluScience-Me y ConCiencia-2. El objetivo
principal de estos proyectos fue aumentar
las dimensiones científica, participativa y social estimulando el interés de la
comunidad escolar en la ciencia, la tecnología y la conservación de la
naturaleza. Durante el desarrollo de los proyectos se incentivó la participación del alumnado en el diseño de
hipótesis, en la observación, la recopilación, el procesamiento y análisis de
los datos, así como en su divulgación. Una de
las actividades esenciales consistió en ubicar cámaras de fototrampeo por parte
del alumnado, con el fin de mejorar el conocimiento del alumnado sobre las
especies de mamíferos de su entorno (Murillo et al. 2023).
Área de estudio
El estudio se llevó a cabo en diferentes localizaciones de la
provincia de Córdoba (España) cercanas a los
centros educativos participantes, que abarcaron un total de 11 cuadrículas UTM
(huso 30-Norte) de 10x10 km (TRAGSATEC 2012, Fig. 1). Aunque con ligeras
diferencias, el clima de todas las
localizaciones es un clima mediterráneo con veranos calurosos y secos e
inviernos suaves y relativamente húmedos. En cuanto al tipo de vegetación, las
cuadrículas muestreadas son zonas agrícolas con predominio de olivar y pequeños
remanentes de vegetación natural (cuadrículas UG18, UG37, UG43, UG44, UG84 y
UG94, Fig. 1); dehesas de encinas con presencia de
matorral esclerófilo mediterráneo y vegetación herbácea no cultivada con
aprovechamiento ganadero (UG49, UH26, y UH40); y matorral denso de zonas más
húmedas formado por especies como el madroño (Arbutus unedo), el durillo
(Viburnum tinus) o el aladierno (Rhamnus alaternus) (UG39 y UH30).
Figura 1. Provincia
de Córdoba (en negro sobre el mapa de España) dividida en cuadrículas UTM 10x10
km (gris claro). Las celdas oscuras indican las cuadrículas muestreadas en este
estudio, con la ubicación de las cámaras (triángulos). Los puntos azules,
verdes y amarillos indican coordenadas de los registros reportados en GBIF
para Observation, iNaturalist e iMammalia respectivamente.
Figure 1.
Province of Córdoba (in black on the map of Spain) divided into 10x10 km UTM
grids (soft grey). The dark cells indicate the grids sampled in this study,
with the location of the cameras (triangles). The blue, green, and yellow dots
indicate locations of records reported in GBIF from Observation, iNaturalist and iMammalia, respectively.
Metodología de
fototrampeo
Se instalaron un total de 57 cámaras en las 11 cuadrículas durante los meses de enero a abril de 2024. En cada cuadrícula, se ubicaron entre 1 y 8 cámaras
trampa modelos Browning BCT-5HDPX, BTC-4P y BTC-4E20, las cuales estuvieron
activas entre 21 y 30 días en periodos solapados parcialmente (Fig. A1 del Anexo). La distancia entre cámaras dentro de cada cuadrícula
varió 100-2700 metros (media ± desviación
estándar (D.E.) = 615 m ± 822).
Las cámaras fueron
ubicadas en árboles a 50 cm sobre el suelo y configuradas para disparar 3
fotografías cada vez que detectaban un animal, con un intervalo de reposo de 1
minuto, que fueron consideradas como registros de secuencias de imágenes (en
adelante; registros de secuencias) independientes, a no ser que el animal se
mantuviera en frente a la cámara durante periodos más prolongados, generando
registros de secuencias con mayor número de imágenes. Algunas cámaras fueron
programadas en modo vídeo de 20 segundos de duración (también considerados
registros de secuencias) para lograr, además de la identificación de la
especie, mostrar su comportamiento al alumnado. El esfuerzo total de muestreo fue de 1610 noches*trampa.
Por
otro lado, habitualmente los micromamíferos presentan escasa detectabilidad en
los estudios de fototrampeo, debido a diversas razones, dificultando su
correcta identificación (Littlewood et al. 2021). Por esta razón, se elaboraron cajas de 50 cm de
longitud y 20 cm de ancho y alto en cuyo interior se colocó una cámara con una
lente de 4 aumentos para enfoque a corta distancia y se utilizó una mezcla de
alimento comercial para granívoros y conejos como cebo (Mos y Hofmeester
2020; Littlewood et al.
2021). En dos de las cuadrículas muestreadas (UG84 y UH26) se ubicaron cuatro de estas cámaras adaptadas en cada una,
para aumentar la detectabilidad de los micromamíferos (Fig. A2 del Anexo).
Gestión de imágenes
Las imágenes y
vídeos obtenidos de las cámaras trampa se seleccionaron y subieron a la
plataforma MammalWeb (mammalweb.org). Esta plataforma adaptada y
gestionada en España por el proyecto MammalNet permite la generación de
proyectos de fototrampeo para incentivar la ciencia ciudadana entre diferentes colectivos (Smith et al. 2023). La mayoría de los proyectos están configurados para que
cualquier participante pueda acceder gratuitamente a la plataforma y contribuir
a identificar las especies registradas. En este estudio, sólo algunas personas
asociadas al proyecto estuvieron habilitadas para subir imágenes de los
dispositivos instalados por el alumnado, pero se dejó abierto el acceso a la
identificación de las imágenes a cualquier persona con interés. Las imágenes
mostradas a los participantes fueron seleccionadas al azar y no siguieron un
criterio de visualización continua por dispositivo, lo que incrementa la
independencia en la identificación y evita posibles sesgos asociados a su
visualización de forma consecutiva. Además, cuando las cámaras realizan varias
fotografías (multidisparo) cuando son activadas, MammalWeb las agrupa en
una única secuencia al producir las imágenes en intervalos reducidos de tiempo
(considerada en este estudio como un registro de secuencias de imágenes). MammalWeb
permite que, aprovechando la participación de diferentes anotadores, cada imagen
pueda ser visualizada y anotada en frecuentes ocasiones, pudiendo obtener
identificaciones repetidas para la mayoría de las imágenes. Esta aproximación
utiliza la moda de las especies anotadas para reducir potenciales errores de
identificación, aprovechando el potencial de la participación ciudadana
(Hsing et al. 2022).
Variación de la
riqueza de especies
Debido a la
variabilidad espacial en el diseño y en el esfuerzo de muestreo realizados en
cada cuadrícula, exploramos la asociación de diferentes factores que pudieran
afectar a la riqueza de especies detectadas mediante el uso de modelos
lineales. Como covariables se consideraron el número de cámaras usadas por
cuadrícula, el esfuerzo de muestreo realizado (número de días-cámara
activadas), la fecha de inicio de la temporada (días julianos), la distancia media entre
cámaras en cada cuadrícula y variables geográficas como la latitud y longitud
de cada cuadrícula. Todos los
análisis se realizaron usando el software R (versión 4.4.2; R Core Team 2024). Los modelos lineales se
analizaron con MASS (versión 7.3) (Venables y
Ripley 2002). A partir de la distribución de
los residuos y los criterios de información de Akaike (AIC) se obtuvieron las variables más parsimoniosas de los
diferentes modelos, considerando si las relaciones cuadráticas mejoraban el
ajuste de los resultados. Para más detalles sobre los análisis consultar el Material
Suplementario.
Comparativa entre
bases de datos
Global Biodiversity Information Facility (GBIF)
es el mayor repositorio mundial de datos de distribución de biodiversidad, y
aglutina datos procedentes de muchas otras plataformas y proveedores que
vuelcan sus datos en este portal, como Observation, iNaturalist o iMammalia,
por lo que es muy utilizado en la literatura científica (Robertson et al. 2014). Para poder
comparar los registros obtenidos por fototrampeo con los datos de presencia de
mamíferos silvestres (a nivel de especie), se consultó la información
disponible en GBIF, seleccionando los datos disponibles entre el año
2008 y 2023 en la provincia de Córdoba (https://doi.org/10.15468/dl.tsefse, GBIF 2024).
Cabe destacar que en el año 2007 se publicó el Atlas de Mamíferos de España (Palomo et al. 2007), y desde entonces no ha
habido ninguna actualización oficial ni centralizada, por lo que la mayoría de
los registros en el periodo seleccionado (2008-2023) corresponden
a registros oportunistas realizados por la ciudadanía (Llorca et al. 2024). Se consultó
directamente la información disponible (hasta 2023) en las plataformas de
ciencia ciudadana Observation (https://observation.org/; fecha de consulta 9 de julio
de 2024), iNaturalist (https://www.inaturalist.org/; agosto de 2024), iMammalia
(https://european-mammals.brc.ac.uk/;
agosto de 2024) para identificar registros que
no hubieran sido subidos a GBIF
por no haber sido validados. Debido a que los anteriores atlas de distribución
de especies en España están divididos en cuadrículas UTM de 10x10 km, para cada
cuadrícula muestreada se obtuvo el número de registros de cada especie de
mamífero silvestre disponibles en GBIF y los datos no validados en las tres plataformas durante el periodo de
tiempo seleccionado. Esta información se comparó con el número de registros
para cada una de las especies detectadas en nuestros muestreos de fototrampeo,
y así conocer la aportación de los datos recolectados en este estudio respecto
a la información disponible en otras fuentes de datos.
Para comparar el número
de registros recolectados usando diferentes fuentes de datos: GBIF (2008-2023),
datos no validados en plataformas de ciencia ciudadana y datos de fototrampeo
(cuatro meses en 2024), se ajustaron Modelos Lineales Generalizados Mixtos
(GLMM) usando la distribución Binomial Negativa con vínculo log, e
incorporando especie y cuadrícula como variables aleatorias (intercepto). Como
variable dependiente se usó el número de registros por especie y cuadrícula
aportados por cada fuente de datos (n = 528), y como variable independiente las
diferentes fuentes de datos. Siguiendo este esquema se hicieron dos modelos
complementarios: uno que comparaba el número de registros obtenidos en este
estudio mediante fototrampeo con los registros de las otras fuentes de datos, y
otro modelo (más restrictivo) usando únicamente el número de registros diarios
(por especie y cámara), considerando todas las detecciones de una misma especie
en un mismo día y cuadrícula como un solo registro. Los GLMM se ajustaron utilizando
el paquete lme4-1.1 (Bates et al. 2015) y se
evaluaron usando el criterio de información de Akaike (AIC), calculándose el R2
de Nakagawa (Nakagawa y
Schielzeth 2013) y el rendimiento de los modelos mediante los paquetes DHARMa (versión
0.4.7; Harting
2022) y MuMin (versión 1.48.4; Barton 2023). Para más detalles
sobre los análisis ver Material Suplementario.
Resultados
Tras la implementación y recogida de datos de fototrampeo se recopilaron 2738 registros de secuencias de imágenes o
vídeo en las 11 cuadrículas muestreadas.
Para el total de secuencias, se llevaron a cabo 5817 identificaciones
realizadas por 15 usuarios diferentes de MammalWeb (MammalWeb 2024). Del total de registros, 1598 (62%) fueron revisados
por más de un participante, con un promedio de 2.3 (rango 1-10)
identificaciones por secuencia, pero 19 fueron descartados por corresponder con
la presencia de humanos, 198 por la presencia de animales domésticos, 290 por
la presencia de aves y 626 por estar vacíos o no ser identificables. En
resumen, el número total de
registros de secuencias para las once cuadrículas fue de 1605 (media ± D.E = 133.5
± 67.11). Esto resultó en 589 registros diarios por cámara que
aportaron información de 15 especies de mamíferos silvestres (Material Suplementario). Cabe destacar que debido a que la mayoría de los
roedores, a excepción del lirón careto (Eliomys quercinus), presentan
gran dificultad para ser identificados, el ratón de campo (Apodemus
sylvaticus), el ratón común (Mus musculus) y la rata negra (Rattus
rattus) se agruparon en una nueva categoría denominada “pequeños roedores sin identificar” (Fig. 2; Fig. A2 del Anexo). En las dos cuadrículas donde se ubicaron las cámaras
en cajas adaptadas para registrar micromamíferos (UH26 y UG84), se obtuvieron
149 secuencias de registros, lo que supone el 71.9% del total de pequeños
mamíferos registrados en ambas cuadrículas.
Figura 2. Número total de registros de secuencias (izquierda) y
de registros diarios por cámara (derecha) para cada especie registrada mediante
fototrampeo.
Figure 2. Total number of
sequence records (left) and daily records per camera (right) for each species
recorded by photo-trapping.
Sin considerar la categoría
de “pequeños roedores sin identificar”, según los modelos ejecutados para
evaluar la variación de riqueza de especies entre cuadrículas, se observó una
asociación significativa y positiva incrementándose el número de especies hacia
el norte (r = 0.69; p-valor = 0.017), mientras que la longitud no mostró ningún
patrón (r = -0.36; p-valor = 0.277). Las dos variables asociadas al esfuerzo;
tanto el número de localizaciones-cámaras (r = 0.75; p-valor = 0.008) como el
número total de días de muestreo por cuadrícula (r = 0.83; p-valor = 0.0004) se
asociaron significativamente con la riqueza de especies. Adelantar el inicio de
la temporada de muestreo (días julianos) también tuvo efectos positivos sobre
la riqueza (r = -0.72; p-valor = 0.013), mientras que la distancia media entre
cámaras no se asoció con la riqueza de especies detectadas (r = -0.14; p-valor
= 0.631). Al valorar si alguna combinación de estas variables mejoraba
la explicación de la variabilidad de la riqueza, se observó que el modelo que mejor explicó dicha variabilidad solo
incluyó la variable “número total de días de muestreo por cuadrícula” (AIC =
38.7), y en comparación con los demás modelos todos presentaron un ∆AIC > 2; el siguiente modelo fue la relación polinomial
para “número total de días de muestreo por cuadrícula” (AIC = 43.3), pero no
mostró un punto de inflexión evidente.
Los registros
obtenidos desde GBIF mostraron una amplia distribución por
la provincia, con observaciones en el 75% de las cuadrículas, concentrados
cerca de la capital y otros grandes núcleos habitados o zonas de interés como
los espacios naturales protegidos (Fig. 1). El 99% de los registros recopilados en GBIF procedieron de las plataformas de ciencia ciudadana, acumulando
información de 1134 (Observation), 60 (iMammalia) y 35 (iNaturalist)
registros, con una contribución media de 81, 15, y 4 registros anuales
respectivamente, e incorporando información de
20, 12, y 16 especies, respectivamente, para el
conjunto de la provincia de Córdoba desde 2008. La resolución espacial promedio
(media ± D.E.) reportada en estas plataformas fue de 1328 ± 1991 m (Observation),
13 693 ± 10 880 m (iNaturalist) y 159 ± 376 m (iMammalia).
Considerando sólo los registros de los mamíferos silvestres existentes
previamente en las 11 cuadrículas muestreadas, durante el periodo de tiempo
2008-2023 se pudo comprobar la existencia de 488 registros en GBIF (47.6 ± 7.19)
de 14 especies, mientras que los datos no validados en las otras tres
plataformas (Observation, iMammalia, iNaturalist) acumularon 437
registros (38.91 ± 34.99) de 15 especies.
En términos
comparativos, los 1605 registros de secuencias obtenidos para las 11
cuadrículas estudiadas suponen más de 3 veces los registros aportados durante
los últimos 15 años a GBIF. Sin embargo, GBIF aportó 19 registros únicos de 9 especies en las cuadrículas
estudiadas que no pudieron ser documentados por este estudio (Fig. 3). Por
otro lado, se han obtenido 10 nuevos registros de 9 especies que no habían sido
registradas previamente
y se ha verificado por primera vez la presencia de 7 especies en
cuadrículas donde su presencia no estaba confirmada (Fig.
3).
Figura 3. Número de
registros (eje x) de especies (eje y) por cuadrícula UTM 10x10 km desde
diferentes fuentes de datos: GBIF (verde); no validadas en Observation,
iNaturalist, e iMammalia (fucsia); y para los registros diarios
(amarillo) en este estudio. Nota. Los valores con (*) indican número de
registros únicos para esa especie por fuente de datos y cuadrícula, y los
valores con (**) se corresponden con especies con registros previos no
validados que se verifican en este estudio.
Figure 3. Number
of records (x-axis) of species (y-axis) obtained in each UTM 10x10 km grid from
GBIF platform (green); unvalidated records in Observation, iNaturalist and iMammalia (fuchsia); and for daily
records from this camera trapping study (yellow). Values with (*) highlight the
number of exclusive records of that species per source and grid, and the values
with (**) correspond to species with unvalidated records verified in this
study.
Según los valores de AIC generados a partir del modelo GLMM
(AIC-nulo = 1761 vs AIC-modelo = 1754), el número de registros con fototrampeo
fue mayor que con los registros acumulados en GBIF o los no validados (Tabla 1 y Fig. 4).
Aunque el patrón observado previamente con el número de registros se mantiene (Fig. 4), estas diferencias entre fuentes de datos se
homogenizan (AIC-nulo = 1671 vs AIC-modelo = 1672) al considerar el GLMM en
base a los registros diarios (fototrampeo). Por lo que el volumen de datos de GBIF
para estas cuadrículas registradas durante los últimos 15 años y los datos
diarios de fototrampeo de este estudio (realizados durante cuatro meses) no
mostraron diferencias (Tabla 1). La varianza
explicada para los dos modelos fue 42% y 46% respectivamente. Sin embargo, una
gran parte de la varianza está explicada por los factores aleatorios
(cuadrícula y especie), con varianzas marginales más reducidas (2% y 0.4%). En
ambos modelos, los residuos se ajustaron a una distribución normal
(Kolmogorov-Smirnov test, p-valor > 0.05), no mostraron sobredispersión
(dispersion ratio, p-valor > 0.05), hubo homogeneidad de la varianza (Levene
Test, p-valor > 0.05), no hubo desvíos de la uniformidad dentro de grupo
(Levene Test, p-valor > 0.05), y tampoco hubo indicios de exceso de ceros
(Zero Inflated test, p-valor > 0.05).
Tabla 1.
Resumen de los resultados de los modelos seleccionados, con estimaciones de
coeficientes e intercepto, así como errores estándar y valores p para el modelo
basado en número total de registros de secuencias y el modelo con registros
diarios de fototrampeo.
Table 1. Summary of the results of the selected models, with coefficient and
intercept estimates, as well as standard errors and p-values for the model
based on the total number of sequences and the model with daily camera-trapping
records.
|
Modelo registros diarios
|
Coeficientes
|
Error estándar
|
p-valor
|
|
Intercepto
|
0.08
|
0.41
|
0.838
|
|
GBIF
|
-0.34
|
0.21
|
0.098
|
|
No validados
|
-0.20
|
0.21
|
0.322
|
Figura 4. Comparación
gráfica del efecto marginal para las diferentes fuentes de datos. Para cada uno
de los modelos seleccionados, se muestra respectivamente el número de registros
de secuencias de fototrampeo (naranja) y número de registros diarios (amarillo)
en comparación con los registros en GBIF (verde) o con los datos no
validados en plataformas de ciencia ciudadana (fucsia).
Figure 4. Graphical comparison of the marginal effect for the different data
sources. For each of the selected models, the number of sequences (orange) and
the number of daily records (yellow) are shown respectively compared to records
in GBIF (green) or to unvalidated data in citizen science platforms
(fuchsia).
Discusión
Este estudio
muestra cómo el fototrampeo combinado con ciencia ciudadana puede ser una
estrategia viable para aumentar la información de calidad sobre la distribución
de los mamíferos silvestres lo que, a su vez, puede mejorar y actualizar los
atlas de distribución de mamíferos al aumentar la cobertura espacial y
taxonómica.
Se registraron 9 especies en 10
cuadrículas muestreadas que no contaban con registros previos en los distintos
repositorios de datos considerados durante el periodo de tiempo 2008-2023.
Además, se aporta un importante número de registros de especies que contaban
con muy pocos datos, como por ejemplo el tejón, la garduña o el meloncillo, y
que han sido registradas en varias ocasiones por las cámaras trampa (Fig. 2; Fig. 3). Además, este estudio ha podido confirmar la
presencia de 7 especies en 9 cuadrículas cuya presencia había sido reportada
previamente pero no había sido verificada hasta la fecha. Por ejemplo, algunas
especies como la liebre, el jabalí, el tejón o el zorro no contaban con datos
previos validados, lo que pone de manifiesto la necesidad de aportar datos
incluso de especies relativamente abundantes y fáciles de identificar. De hecho, muestreos previos realizados en la provincia de
Córdoba consiguieron, para 8 especies de mamíferos silvestres en 15
cuadrículas UTM, 24 nuevas citas y 21 primeros
registros validados (Mendoza-Lozano et al. 2022; Guerrero-Casado
et al. 2022). Por
tanto, incrementar el número de áreas muestreadas, y promover la participación
de los centros educativos, es una oportunidad para mejorar la cobertura y la
calidad de la información sobre la distribución de las especies.
Esfuerzos de muestreo
concentrados en periodos cortos pueden ser tan efectivos como los registros
oportunistas a largo plazo, pero tienen la limitación de que la cobertura
espacial puede ser mucho más restringida, por lo que sería recomendable
focalizar esfuerzos en áreas con menor información disponible. Por otro lado,
los resultados de los modelos sugieren que es necesario un incremento del
esfuerzo de muestreo para maximizar el número de especies detectadas, por lo
que si se pretende hacer muestreos en periodos reducidos (20-30 días por
cuadrícula) sería recomendable incrementar el número de cámaras por cuadrículas
(8-13 cámaras) para maximizar la detección de especies. El efecto positivo de
los días julianos obtenidos en este estudio se podría explicar por un mayor
número de registros en invierno que en primavera
probablemente por cambios comportamentales relacionados con la actividad
reproductora (Vilella et al. 2020). La
relación positiva de la riqueza de especies con la latitud podría explicarse
porque en el sur de la provincia predominan los paisajes agrícolas, mientras
que en el norte la vegetación natural está mejor conservada.
También
es importante remarcar que los datos recolectados tuvieron una alta precisión
espacial. Aunque los datos para este artículo se han proyectado en cuadrículas
UTM 10x10 km para realizar la comparativa, también se reportan las coordenadas
para cada área de estudio con un error de 1 km2 (Material
suplementario), lo que permite ser trasladadas fácilmente a la nueva malla de
referencia propuesta por la Agencia Europea de Medio Ambiente (https://www.eea.europa.eu/data-and-maps/figures/eea-reference-grids).
Numerosas plataformas de ciencia ciudadana, bajo diferentes criterios o por
demanda de los usuarios, no reportan la precisión espacial del registro,
tienden a reportar los datos espaciales con una baja resolución espacial o no
reportan información de algunas especies más sensibles, condicionando el acceso
en abierto de la información. Aunque este tipo de aproximación puede ser
suficiente para generar atlas de distribución, tiende a ser insuficiente para
la modelización de las especies, y puede condicionar su utilización en nuevas
aproximaciones metodológicas (Fernández-López et al. 2023.
Otra ventaja de
esta aproximación es que el registro de las secuencias en MammalWeb
permite incorporar en sus metadatos información adicional como el esfuerzo de
muestreo, fechas donde las cámaras estuvieron operativas, hora de captura, tipo
de hábitat, el uso o no de cebo, y modelo de la cámara, entre otros. Esta
información puede ser usada para determinar indicadores de tasas de captura o
patrones comportamentales como el ritmo de actividad, que no suelen estar
disponibles con registros oportunistas (observaciones). Disponer de dicha
información en repositorios abiertos abre la posibilidad de combinar estos
datos con otros estudios que promuevan nuevas aproximaciones científicas (Rodríguez-Sánchez
et al. 2016).
En cuanto a las
limitaciones de este estudio, algunas están relacionadas con la naturaleza de
los datos de ciencia ciudadana (Burgess et al. 2017; Johnston et al. 2023). Tanto la selección de las localizaciones como la ubicación de los
dispositivos estuvieron condicionados por el contexto de los centros educativos
y del alumnado participante. Además, el esfuerzo de muestreo fue diferente en
las cuadrículas muestreadas, y las cámaras fueron ubicadas por distinto
personal en distintos tipos de hábitats, lo que también podría condicionar los
registros obtenidos y dificultar la comparativa en términos absolutos. Aunque
el número de cuadrículas muestreadas no fue muy alto y están relativamente
cerca, los resultados mostrados aquí podrían ser representativos de lo que
ocurre en muchas zonas de España donde la información es incompleta (Escribano et al. 2019) y es necesario aumentar el esfuerzo de
muestreo, para lo que la ciencia ciudadana se vuelve un enfoque interesante.
Por otro lado, no se logró registrar la presencia de algunas especies
detectadas previamente, lo que puede deberse a distintos motivos, como la
necesidad de realizar un mayor esfuerzo de muestreo, la dificultad de registrar
especies poco probables de detectar como la comadreja o el turón o las
limitaciones de especies asociadas a hábitats específicos no muestreados;
ambientes acuáticos (nutria), o especies arborícolas (la ardilla roja). Por lo
tanto, tanto los estudios planificados como los registros oportunistas
(observaciones) mediante la ciencia ciudadana se complementan y se refuerzan
para mejorar el conocimiento de la distribución de especies de mamíferos
silvestres (Callaghan
et al. 2020).
Adicionalmente,
podemos considerar que la adaptación de los
dispositivos para aumentar la detección de micromamíferos dio resultado (Fig. 2), ya que permitió la detección de un
mayor número de micromamíferos y la obtención de imágenes más nítidas,
pero la identificación de las imágenes a nivel de especie realizada a
través de MammalWeb estuvo dificultada por la escasa experiencia de los
identificadores en este grupo. Sin embargo, cabe mencionar la posibilidad de
que esta adaptación facilite la identificación a una persona más experta o
incluso a softwares de reconocimiento de imágenes mediante inteligencia
artificial, al proporcionar imágenes con mayor resolución que con las cámaras
trampa colocadas de forma convencional (Fig. A2 del
Anexo).
Por
último, numerosos aficionados que usan el fototrampeo de forma lúdica podrían
contribuir con sus capturas a mejorar la información de numerosas áreas,
obteniendo información muy valiosa para la conservación y monitorización de la
fauna. El uso de plataformas de ciencia ciudadana, como MammalWeb, que
permitan incorporar y estandarizar la información de fototrampeo, registrando
los metadatos de las ubicaciones, dispositivos, datos temporales, de esfuerzo o
las identificaciones realizadas para cada imagen, es clave para conservar los
datos en el tiempo. La promoción de redes de centros educativos que se
involucraran de forma activa en la participación en este tipo de actividades a
la par que incorporan esta información en el currículo podría ser una estrategia
positiva de obtención de información y fomento del espíritu de conservación
(por ejemplo: https://www.eea.europa.eu/themes/air/urban-air-quality/cleanair-at-school). Sin embargo, se enfrenta a diferentes
desafíos para su implementación a nivel nacional o regional, algunos de tipo
financiero, logístico o administrativo (e.g. permisos para ubicar las cámaras
en espacios naturales protegidos). No obstante, los principales obstáculos
podrían estar asociados a la implicación y la participación de los centros
educativos y los equipos docentes para ejecutar estos proyectos de forma
autónoma, que en algunos niveles pueden carecer de una formación científica
robusta y el acceso a la ciencia puede resultar complicado (Hooykaas et al. 2019). Por ello, la formación y el apoyo de
personal científico y naturalista es esencial para explotar el potencial de la
alianza entre las escuelas y la ciencia ciudadana. Todo ello, con el fin de
promover la generación de información que, a
medio-largo plazo, podría reducir las necesidades y retos de la
conservación de la biodiversidad.
Contribución de los
autores
Murillo-Jiménez,
T: conceptualización, cuidado de los datos,
investigación, gestión del proyecto, redacción del borrador original, revisión
y edición; Ferrer-Ferrando, D:
análisis formal, investigación, validación, visualización, redacción-revisión y
edición; Olivares-Collado, C: cuidado de los datos, investigación, revisión y
edición; Blanco-Aguiar, J. A: conceptualización,
gestión de datos, investigación, análisis formal, validación, redacción,
revisión y edición, adquisición de fondos; Guerrero-Casado, J: análisis formal, adquisición
de fondos, conceptualización, supervisión, validación, redacción del borrador
original, revisión y edición, adquisición de fondos.
Disponibilidad de datos
Los datos, el código y
resultados complementarios de este trabajo se encuentran disponibles en formato
abierto y pueden ser consultados a través de los siguientes enlaces:
Los datos, metadatos,
código y resultados complementarios utilizados en los análisis de este estudio,
depositados en Zenodo: https://doi.org/10.5281/zenodo.14859654.
Material Suplementario: Registro de observaciones por especie, día y
localización en GBIF https://doi.org/10.15470/aiq6nz
Financiación, permisos requeridos, potenciales
conflictos de interés y agradecimientos
El presente
trabajo fue desarrollado como parte de dos proyectos educativos: 1) “ciencia
ciudadana en las aulas para impulsar la cultura científica y la conservación de
la biodiversidad: IncluScience-Me”, con la colaboración de la Fundación
Española para la Ciencia y la Tecnología (FECYT) - Ministerio de Ciencia,
Innovación y Universidades (FCT-22-17727); y 2) "Cultura Científica en las
aulas (ConCiencia-2): acercamiento de la alfabetización científica y la
biodiversidad a las aulas del medio rural", financiado por el IX Plan
Propio Galileo de Innovación y Transferencia de la Universidad de Córdoba (PPG2023-UCOSOCIAL-05). Blanco-Aguiar,
J. A. ha sido financiado por la Comisión Europea - NextGenerationEU, a través
del Programa Momentum CSIC (MNT24-IREC-01). Se
agradece especialmente la labor e implicación de los centros educativos
participantes, así como de sus representantes: CEIP Nuestra Señora de Loreto,
CEIP Ana de Charpentier, CEIP Nicolás del Valle, CEIP Nuestra Señora de la
Cabeza, CEIP Carmen de Burgos, CEIP Tirso de Molina, CEIP Séneca, CPR Maestro
Rafael Chacón Villafranca, La Trébola Montessori School, CDP Virgen de la
Fuensanta y CDP Séneca. Finalmente, agradecemos al alumnado de los grados de
Biología, Educación Infantil y Primaria por su apoyo durante las sesiones de
aula y de campo. Se agradecen los comentarios y sugerencias aportados por los
tres revisores que han permitido mejorar la calidad de este artículo. También
queremos agradecer las siguientes asociaciones y entidades que han colaborado
en el proyecto: Asociación MAXIMES, Asociación de Divulgación Científica y
Pensamiento Crítico de Ciudad Real, Casa de la Ciencia de la Ciudad Real,
Unidad de Cultura Científica y de la Innovación de la UCO, y a la Unidad de
Educación Inclusiva de la UCO.
Los autores/as declaran no
tener ningún conflicto de intereses.
Referencias
Anton, V., Hartley, S., Geldenhuis, A., Wittmer, H.U. 2018. Monitoring
the mammalian fauna of urban areas using remote cameras and citizen science. Journal
of Urban Ecology 4(1). https://doi.org/10.1093/jue/juy002
Barton, K. 2023. MuMIn: Multi-Model Inference. R package version 1.47.1. https://CRAN.R-project.org/package=MuMIn
Bates, D., Mächler, M., Bolker, B., Walker, S. 2015. Fitting Linear
Mixed-Effects Models Using lme4. Journal of Statistical Software 67(1),
1-48. https://doi.org/10.18637/jss.v067.i01
Burgess, H.K., DeBey, L.B., Froehlich, H.E., Schmidt, N., Theobald, E.J.,
Ettinger, A.K., HilleRisLambers, J. 2017. The science of citizen science:
Exploring barriers to use as a primary research tool. Biological
Conservation 208, 113-120. https://doi.org/10.1016/j.biocon.2016.05.014
Callaghan, C.T., Poore, A.G.B., Mesaglio, T., Moles, A.T., Nakagawa, S.,
Roberts, C., Rowley, J. J.L., et al. 2021. Three frontiers for the future of
biodiversity research using citizen science data. BioScience 71. 55–63. https://doi.org/10.1093/biosci/biaa131
Castagneyrol, B., Valdés-Correcher, E., Bourdin, A., Barbaro, L., Bouriaud, O.,
Branco, M., Centenaro, G., et al. 2020. Can School Children Support Ecological
Research? Lessons from the Oak Bodyguard Citizen Science Project. Citizen
Science: Theory and Practice 5(1), 10. https://doi.org/10.5334/cstp.267
Ceballos, G., Ehrlich, P., Dirzo, R. 2017. Biological annihilation via the
ongoing sixth mass extinction signalled by vertebrate population losses and
declines. Proceedings of the National Academy of Sciences 114(30),
E6089. https://doi.org/10.1073/pnas.1704949114
Chandler, M., See, L., Copas, K., Bonde, A.M., López, B.C., Danielsen, F.,
Legind, J.K., et al. 2017. Contribution of citizen science towards
international biodiversity monitoring. Biological Conservation 213,
280-294. https://doi.org/10.1016/j.biocon.2016.09.004
Dickinson, J.L., Shirk, J., Bonter, D., Bonney, R., Crain, R.L., Martin, J.,
Phillips, T., et al. 2012. The current state of citizen science as a tool for
ecological research and public engagement. Frontiers in Ecology and the
Environment 10, 291–297. https://doi.org/10.1890/110236
Escribano, N., Galicia,
D., Ariño, A.H. 2019. Completeness of Digital Accessible
Knowledge (DAK) about terrestrial mammals in the Iberian Peninsula. PLoS ONE 14(3), e0213542. https://doi.org/10.1371/journal.pone.0213542
Fernández-López, J., Acevedo, P., Gimenez, O. 2023. La unión hace la fuerza:
modelos de distribución de especies integrando diferentes fuentes de datos. Ecosistemas 32(1), 2527-2527. https://doi.org/10.7818/ECOS.2527
Forrester, T.D., Baker, M., Costello, R., Kays, R., Parsons, A.W., McShea,
W.J. 2017. Creating advocates for mammal conservation through citizen science. Biological
Conservation 208, 98–105. https://doi.org/10.1016/j.biocon.2016.06.025
Frigerio, D., Pipek, P., Kimmig, S. 2018 Citizen science and wildlife
biology: synergies and challenges. Ethology 124, 365–77. https://doi.org/10.1111/eth.12746
Gaynor, K.M., Hojnowski, C.E., Carter, N.H., Brashares, J.S. 2018. The
influence of human disturbance on wildlife nocturnality. Science 360(6394),
1232-1235. https://doi.org/10.1126/science.aar7121
GBIF.org (09 July 2024) GBIF Occurrence Download https://doi.org/10.15468/dl.tsefse
Green, S.E., Rees, J.P., Stephens, P.A., Hill, R.A., Giordano, A.J. 2020.
Innovations in camera trapping technology and approaches: The integration of
citizen science and artificial intelligence. Animals 10(1), 132. https://doi.org/10.3390/ani10010132
Guerrero-Casado, J.,
Carpio, A.J., Mendoza-Lozano, A., Tortosa, F.S. 2022. Detección de
mesocarnívoros en zonas agrícolas del sur de España mediante trampeo
fotográfico en puntos de agua. Galemys, Spanish Journal of Mammalogy 34, 28–32. https://doi.org/10.7325/GALEMYS.2022.N2
Hartig, F. 2022. DHARMa:
residual diagnostics for hierarchical (multi-level/mixed) regression models.
R package version 0.4.7. https://cran.r-project.org/package=DHARMa
Hassani, H., Huang, X., Macfeely, S., Entezarian, M.R. 2021. Big Data and
the United Nations Sustainable Development Goals (UN SDGs) at a Glance. Big
Data and Cognitive Computing 5(3), 28. https://doi.org/10.3390/bdcc5030028
Hooykaas, M., Schilthuizen, M., Aten, C., Hemelaar, E., Albers, C., Smeets,
I. 2019. Identification skills in biodiversity professionals and laypeople: A
gap in species literacy. Biological Conservation, 238, 108202. https://doi.org/10.1016/j.biocon.2019.108202
Hsing, P.-Y., Hill, R.A., Smith, G.C., Bradley, S., Green, S.E., Kent,
V.T., Mason, S.S., et al. 2022. Large-scale mammal monitoring: The potential of
a citizen science cameratrapping project in the United Kingdom. Ecological
Solutions and Evidence 3: e12180 https://zenodo.org/records/3553579
Jaureguiberry, P., Titeux, N., Wiemers,
M., Bowler, D.E., Coscieme, L., Golden, A.S., Guerra, C.A. 2022. The direct
drivers of recent global anthropogenic biodiversity loss. Science Advances
8(45), eabm9982 https://doi.org/10.1126/sciadv.abm9982
Johnston,
A., Matechou, E., Dennis, E.B. 2023. Outstanding challenges and future
directions for biodiversity monitoring using citizen science data. Methods
in Ecology and Evolution 14(1), 103–116. https://doi.org/10.1111/2041-210X.13834
Karlin, M.,
De La Paz, G. 2015. Using
camera-trap technology to improve undergraduate education and citizen-science
contributions in wildlife research. The Southwestern Naturalist 60(2-3),
171-179. https://doi.org/10.1894/SWNAT-D-14-00005.1
Littlewood, N.A., Hancock, M.H., Newey, S., Shackelford, G., Toney, R. 2021.
Use of a novel camera trapping approach to measure small mammal responses to
peatland restoration. European Journal of Wildlife Research 67: 12. https://doi.org/10.1007/s10344-020-01449-z
Llorca, A.B., Tortosa, F.S., Guerrero-Casado, J. 2024. Lack of Data or Lack of Weasels? The Likely Silent Extinction of
Weasel Mustela nivalis (Carnivora: Mustelidae) in Spain. Diversity
16(8):446. https://doi.org/10.3390/d16080446
MammalWeb 2024. MammalWeb records. Occurrence dataset. [accessed via
GBIF.org on 2025-02-10] https://doi.org/10.15468/se5ad5
McCallum, J. 2012. Changing use of camera traps in mammalian field research:
habitats, taxa and study types. Mammal Review 43, 196–206. https://doi.org/10.1111/j.1365-2907.2012.00216.x
McShea, W.J., Forrester, T., Costello, R.,
He, Z., Kays, R. 2016. Volunteer-run cameras as distributed sensors for
macrosystem mammal research. Landscape Ecology 31(1), 55–66. https://doi.org/10.1007/s10980-015-0262-9
Meek, P.D., Ballard, G.A., Vernes, K., Fleming, P.J.S. 2015. The
history of wildlife camera trapping as a survey tool in Australia. Australian
Mammalogy 37, 1–12. https://doi.org/10.1071/AM14021
Mendoza-Lozano, A.,
Llorca, A.B., Ponte-González, M., Mármol-Melendo, M., Guerrero-Casado, J. 2022.
Nuevos registros de mamíferos silvestres en la provincia de Córdoba (España)
mediante fototrampeo: ¿especies en expansión o poco muestreadas? Trianoi 7, 69–79.
Mos, J.,
Hofmeester, T.R. 2020. The Mostela: an adjusted
camera trapping device as a promising non-invasive tool to study and monitor
small mustelids. Mammal Research 65, 843–853. https://doi.org/10.1007/s13364-020-00513-y
Murillo, T., Osuna, I.,
Rodríguez, J., Serrano, S. 2023. ¿Conoce el alumnado de infantil la
biodiversidad que le rodea? Alfabetización en biodiversidad y educación para el
desarrollo sostenible. En: Martínez, J.A. y otros (Eds.), Tendencias
educativas en el siglo XXI: perspectivas de todos los miembros de la comunidad
educativa, pp. 137-147. Dykinson, S.L. Madrid, España.
Mustapa, N.D., Hassan, K., Che Mohd Nasir, S.N., Arminda, W. 2021. Age and Gender Differences in Experience with and Connectedness to
Nature Among Children. Environment-Behaviour Proceedings Journal 6(16),
3-9. https://doi.org/10.21834/ebpj.v6i16.2707
Nakagawa,
S., Schielzeth, H. 2013. A general and simple
method for obtaining \(R^2\) from generalized linear mixed-effects models. Methods
in Ecology and Evolution, 4(2), 133-142. https://doi.org/10.1111/j.2041-210x.2012.00261.x
Palomo, L.J., Gisbert, J.
Blanco, J.C. 2007. Atlas y Libro Rojo de los mamíferos terrestres de España.
Dirección General para la Biodiversidad-SECEM-SECEMU, Madrid, España. 588.
Parsons, A.W., Goforth, C.,
Costello, R., Kays, R. 2018. The value of citizen science for
ecological monitoring of mammals. PeerJ 6, e4536. https://doi.org/10.7717/peerj.4536
Pocock, M.J., Tweddle J.C., Savage J., Robinson L.D., Roy H. E. 2017. The
diversity and evolution of ecological and environmental citizen science. PLoS
ONE 12, e0172579. https://doi.org/10.1371/journal.pone.0172579
R Core Team 2024. R: A language and environment for statistical computing. R
Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
Robertson, T., Döring, M., Guralnick, R., Bloom, D., Wieczorek, J., Braak,
K., Otegui, J., et al. 2014. The GBIF Integrated Publishing Toolkit:
Facilitating the Efficient Publishing of Biodiversity Data on the Internet. PLoS
ONE 9(8), e102623. https://doi.org/10.1371/JOURNAL.PONE.0102623
Rodríguez-Sánchez, F., Pérez-Luque,
A.J. Bartomeus, I., Varela, S. 2016. Ciencia reproducible: qué, por qué, cómo. Ecosistemas
25(2): 83-92. https://doi.org/10.7818/ECOS.2016.25-2.11
Schuttler, S.G., Sorensen, A., Jordan, R., Cooper, C.B., Shwartz, A. 2018.
Bridging the nature gap: Can citizen science reverse the extinction of
experience? Frontiers in Ecology and the Environment 16, 405–411. https://doi.org/10.1002/fee.1826
Schuttler, S.G., Sears, R.S., Orendain, I., Khot, R., Rubenstein, D.,
Rubenstein, N., Dunn, R.R., et al. 2019. Citizen
science in schools: Students collect valuable mammal data for science,
conservation, and community engagement. Bioscience 69(1), 69-79. https://doi.org/10.1093/biosci/biy141
Smith, G., Roy, D., Stephens, P., Casaer, J., Jansen, P., Blanco-Aguiar,
J.A. 2023. MAMMALNET–citizen science data collection from a one health
perspective. One Health Cases (2023), ohcs20230021. https://doi.org/10.1079/onehealthcases.2023.0021
Theobald, E.J., Ettinger, A.K., Burgess, H.K., DeBey, L.B., Schmidt, N.R.,
Froehlich, H.E., Wagner, C., et al. J.K. 2015. Global change and local solutions: Tapping the
unrealized potential of citizen science for biodiversity research. Biological
Conservation 181, 236-244. https://doi.org/10.1016/j.biocon.2014.10.021
Toomey,
A.H., Domroese, M.C. 2013. Can citizen science lead
to positive conservation attitudes and behaviors? Human Ecology
Review 20, 50–62.
TRAGSATEC. 2012. Malla 10 x
10 km. Área de Banco de Datos de la Naturaleza. Dirección General de
Biodiversidad y Calidad Ambiental. Ministerio para la Transición Ecológica. https://www.miteco.gob.es/content/dam/miteco/es/biodiversidad/servicios/banco-datos-naturaleza/malla10x10terrestre_p_tcm30-199156.zip
Venables, W.N., Ripley, B.D. 2002. Modern Applied
Statistics with S. Fourth Edition. Springer, New York, USA. https://doi.org/10.1007/978-0-387-21706-2
Vilella, M., Ferrandiz-Rovira, M., Sayol, F. 2020. Coexistence
of predators in time: Effects of season and prey availability on species
activity within a Mediterranean carnivore guild. Ecology and Evolution
10, 11408–11422. https://doi.org/10.1002/ece3.6778
Anexo / Appendix
Figura A1. Operatividad
de cada una de las cámaras empleadas en el
estudio (eje y) a lo largo del periodo de muestreo (el eje x muestra la fecha
de inicio de cada mes).
Figure A1. Operational status of each camera used in the study (y-axis) over the
sampling period (x-axis shows the initial date of each month).
Figura A2. Cámara adaptada para la
identificación de micromamíferos (izquierda) y una imagen capturada de rata
negra (Rattus rattus) dentro de la caja adaptada (derecha).
Figure A2. Camera
adapted for the identification of small mammals (left) and an image captured of
a black rat (Rattus rattus) inside the adapted box (right).
, David
Ferrer-Ferrando2