Towards effective monitoring of tropical phenology: maximizing returns and reducing uncertainty in long‐term studies

Abstract

Phenology is a key component of ecosystem function and is increasingly included in assessments of ecological change. We consider how existing, and emerging, tropical phenology monitoring programs can be made most effective by investigating major sources of noise in data collection at a long‐term study site. Researchers at Lopé NP, Gabon, have recorded monthly crown observations of leaf, flower and fruit phenology for 88 plant species since 1984. For a subset of these data, we first identified dominant regular phenological cycles, using Fourier analysis, and then tested the impact of observation uncertainty on cycle detectability, using expert knowledge and generalized linear mixed modeling (827 individual plants of 61 species). We show that experienced field observers can provide important information on major sources of noise in data collection and that observation length, phenophase visibility and duration are all positive predictors of cycle detectability. We find that when a phenological event lasts >4 wk, an additional 10 yr of data increases cycle detectability by 114 percent and that cycle detectability is 92 percent higher for the most visible events compared to the least. We also find that cycle detectability is four times as high for flowers compared to ripe fruits after 10 yr. To maximize returns in the short‐term, resources for long‐term monitoring of phenology should be targeted toward highly visible phenophases and events that last longer than the observation interval. In addition, programs that monitor flowering phenology are likely to accurately detect regular cycles more quickly than those monitoring fruits, thus providing a baseline for future assessments of change.

Resumé

La phénologie est un élément clé du fonctionnement de l’écosystème et est de plus en plus incluse dans l’évaluation des changements écologiques. Nous considérons comment les programmes de surveillance de la phénologie tropicale, aussi bien courants qu’émergents, peuvent être rendus plus efficaces en étudiant les principales sources de bruit liées à la collecte de données sur un site d’étude à long terme. Les chercheurs du Parc National de la Lopé au Gabon, ont recueilli des observations mensuelles de la phénologie des feuilles, fleurs et fruits provenant de la canopée de 88 espèces de plantes depuis 1984. Pour un sous‐ensemble de ces données, nous avons d’abord identifié des cycles phénologiques réguliers dominants à l’aide d’une analyse Fourier, puis testé l’impact de l’incertitude liée à l’observation sur la probabilité de détecter un cycle régulier significatif en utilisant des connaissances spécialisées et un modèle linéaire généralisé à effets mixtes (827 plantes individuelles de 61 espèces). Nous démontrons que les observateurs expérimentés peuvent fournir des informations importantes sur les principales sources de bruit liées à la collecte de données, et que la visibilité et la durée de la phénophase ainsi que la longueur de l’observation prédisent de manière positive la détectabilité du cycle. Nous constatons que lorsqu’un événement phénologique dure plus de 4 semaines, 10 années de données supplémentaires augmentent la détectabilité du cycle de 114 pour cent, et que la détectabilité du cycle est 92 pour cent plus élevée pour les événements les plus visibles par rapport aux moins visibles. Nous constatons également que la détection du cycle varie selon la phénophase, étant quatre fois plus élevée pour les fleurs que pour les fruits mûrs après 10 ans. Afin de maximiser les rendements à court terme, les ressources allouées à la surveillance à long terme devraient cibler les événements phénologiques hautement visibles dont la durée dépasse celle de l’intervalle d’observation. En outre, les programmes qui surveillent la phénologie de la floraison sont susceptibles de détecter avec précision les cycles réguliers plus rapidement que ceux qui surveillent les fruits, fournissant ainsi une base de référence pour les évaluations futures du changement.

Download pdf here