Bei der Wiederherstellung geht es nicht nur um die Bepflanzung, sondern auch um die Gewährleistung einer langfristigen Wirkung. Unser KI-gestütztes MRV-System ermöglicht es, den Fortschritt der Wiederherstellung und den Zustand der Umwelt in Echtzeit zu verfolgen. Es befasst sich auch mit kritischen Problemen wie illegaler Fischerei, Wilderei und Abholzung und befähigt Gemeinden, ihre wiederhergestellten Ökosysteme zu schützen. Das System integriert Satellitendaten, Drohnenbilder und KI-Analysen, um verwertbare Erkenntnisse zu gewinnen, die auf andere Wiederherstellungs- oder Schutzmaßnahmen übertragen werden können. Außerdem unterstützt es Transparenz und Rechenschaftspflicht, damit die Beteiligten Fortschritte und Ergebnisse effektiv messen können.

Unsere Lizenzierungs- und Schulungsplattform befähigt Gemeinden, selbständig Drohnen zu bauen, zu betreiben und zu warten. Dieser Ansatz ist praxisorientiert und kooperativ, fördert das lokale Fachwissen und ermöglicht es den Gemeinden, die Technologie an ihre individuellen Bedürfnisse anzupassen. Die Plattform geht über technische Fertigkeiten hinaus und schafft eine Grundlage für die Gemeinden, um Drohnen für zusätzliche Anwendungen wie Überwachung, Kartierung und Präzisionslandwirtschaft zu entwickeln und anzupassen. Wichtig ist auch, dass die Plattform eine Feedback-Schleife fördert, in der die Gemeinschaften ihre Innovationen mit anderen teilen und so das breitere globale Netzwerk der Nutzer bereichern.

Unsere modularen Drohnen sind auf Zugänglichkeit, Anpassungsfähigkeit und Nachhaltigkeit ausgelegt. Ursprünglich wurden sie aus Holzbauteilen mit weniger als sechs Schrauben und Kabelbindern hergestellt. Sie lassen sich einfach zusammenbauen, reparieren und mit lokalen Materialien nachbauen und ermöglichen es den Gemeinden, selbständig Restaurierungsprojekte durchzuführen.

Im Laufe der Zeit haben wir Wasserstoff-Brennstoffzellen und hybridelektrische Antriebssysteme integriert, um die Flugdauer, Energieeffizienz und Umweltverträglichkeit zu verbessern. Dank dieser Innovationen können Drohnen größere Gebiete abdecken und in abgelegenen Umgebungen eingesetzt werden, während sie gleichzeitig ihren ökologischen Fußabdruck verringern.

Das modulare Design sorgt für Flexibilität bei der kontinuierlichen Anpassung und ermöglicht es den Gemeinden, die Drohnen mit Hilfsmitteln wie Kameras oder Sensoren für die Überwachung aufzurüsten. Dieser Ansatz kombiniert Einfachheit und Spitzeninnovation und verbindet die Stärkung der Basis mit skalierbarer, wirkungsvoller Umweltsanierung.

Die Überwachung von Wasservögeln ist die Grundlage für Schutz- und Managementstrategien für fast alle Arten von Feuchtgebietsökosystemen. Mit der kontinuierlichen Verbesserung der Infrastruktur zum Schutz von Feuchtgebieten in China, einschließlich ferngesteuerter Geräte zur Erfassung großer Mengen akustischer und visueller Daten von Wildtieren, steigt die Nachfrage nach Datenfilterungs- und Analysetechnologie. Die auf Deep Learning basierende Objekterkennung hat sich zu einer grundlegenden Lösung für die Big-Data-Analyse entwickelt und wurde bereits in mehreren Anwendungsbereichen getestet. Diese Deep-Learning-Techniken wurden jedoch noch nicht für die Erkennung von kleinen Wasservögeln in Echtzeit-Überwachungsvideos getestet. Wir schlagen eine verbesserte Erkennungsmethode vor, die zusätzliche Vorhersageköpfe, SimAM-Aufmerksamkeitsmodule und kontinuierliche Frames zu YOLOV7 hinzufügt, genannt YOLOv7 Waterbirds, für Echtzeit-Videoüberwachungsgeräte, um Aufmerksamkeitsbereiche zu identifizieren und Wasservogelüberwachungsaufgaben (Identifizierung, Zählung und Dichteabschätzung) durchzuführen. Basierend auf dem Wasservogel-Datensatz liegt die durchschnittliche Genauigkeit (mAP) von YOLOv7 Waterbird bei 67,3 % und damit etwa 5 % höher als beim Benchmark-Modell. Darüber hinaus liegt die Wiedererkennungsrate der verbesserten Methode bei 87,9 % (Genauigkeit = 85 %), und die Wiedererkennungsrate für kleine Wasservögel (definiert als Pixel mit einer Größe von weniger als 40x40) beträgt 79,1 %, was darauf hindeutet, dass die Leistung bei der Erkennung kleiner Objekte der ursprünglichen Methode und vielen anderen gängigen Deep-Learning-Algorithmen überlegen ist. Dieser Algorithmus kann von Schutzgebietsverwaltungen oder anderen Organisationen eingesetzt werden, um vorhandene Überwachungskameras für eine präzisere Überwachung von Wasserpflanzen zu nutzen, was in gewissem Maße zum Schutz von Wildtieren beiträgt.

Durch eine Reihe wissenschaftlicher Maßnahmen wie die Veränderung des Mikrogeländes, die Regulierung des Wasserstands und die ökologische Wiederherstellung von Feuchtgebieten soll ein Lebensraum geschaffen werden, der den Bedürfnissen verschiedener Zugvögel gerecht wird. Nach Abschluss des Renaturierungsprojekts muss bei der täglichen Bewirtschaftung des Hochwasserschlafplatzes ein bestimmtes Verhältnis von kahlen Flächen, Flachwasserbereichen, Tiefwasserbereichen und kontrollierten Bereichen mit niedriger Vegetation beibehalten werden. Durch manuelle Kontrolle des Wasserstandes, um die relative Stabilität der verschiedenen Wasserflächen zu gewährleisten, und durch Kontrolle der Unkrauthöhe, um die kahlen Flächen zu erhalten, um den Lebensraum für verschiedene wandernde Wasservögel wie Küstenvögel, Reiher, Möwen, Enten usw. zu sichern. Einsatz unbemannter Geräte wie z. B. Videoüberwachung zur Unterstützung der Überwachung von Wasservogelgemeinschaften, um die Muster der Lebensraumnutzung durch diese Zugvögel zu bewerten und anschließend die Lebensraumqualität zu beurteilen.

Beim Einsatz der Falle zur intermittierenden Ernte wurden die besten Ergebnisse mit der folgenden Kombination von Variablen erzielt: Maiskleie (Zusatzfutter) x Maiskleie (Fallenköder) x O. Shiranus (Art) x 2 Fische/m2 (Besatzdichte).

Die Gesamterträge waren bei dieser Kombination um 25 Prozent höher als in der Kontrollgruppe mit Einzelentnahme. Eine höhere Besatzdichte (3 Fische/m2) führte in der Kontrollgruppe zu einem etwas höheren Gesamtertrag, aber zu einem geringeren Nettogewinn. Der Einsatz von Pellets verstärkte beide Effekte und war am unwirtschaftlichsten.

Die Ergebnisse der On-Farm-Versuche (siehe Abbildung 1) haben die Funktionalität und den hervorragenden Fangeffekt der Fallen gezeigt. Während des dreimonatigen Versuchszeitraums wurde die Falle 2 bis 3 Mal pro Woche und insgesamt 27 Mal eingesetzt. Im Durchschnitt wurden bei jeder intermittierenden Ernte etwa 120 kleine Fische gefangen, was einem Gewicht von 820 Gramm entspricht. Alle Haushalte gaben an, dass sie seit dem Einsatz der Reuse zweimal pro Woche Fisch essen. Zuvor lag der Fischkonsum zwischen ein- und viermal pro Monat.

Die Vorteile:

• Verringerung der Konkurrenz um Sauerstoff und Nahrung unter den Fischen im Teich und damit messbare Ertragssteigerung.
• Verbesserter Haushaltskonsum von kleinen, nahrhaften Fischen und besserer Cashflow.

Erfolgsfaktoren:

• Fallen sind einfach und kostengünstig zu bauen (3 USD).
• Die Fallen sind einfach zu bedienen, auch für Frauen.
• Unmittelbar greifbarer Mehrwert durch einfachen und regelmäßigen Zugang zu Fisch.

Beispiele aus der Praxis

Die Erfahrungen der Haushalte, die an den Feldversuchen teilnahmen, waren insgesamt sehr positiv:

"Als Familie können wir jetzt zweimal und manchmal sogar dreimal pro Woche Fisch essen, während wir in den Monaten zuvor ohne die Technologie nur einmal im Monat Fisch gegessen haben." (Doud Milambe)

"Der Fischfang ist mit der Reuse so einfach, dass sogar Frauen und Kinder sie benutzen können." (Jacqueline Jarasi)

"Sie ist schnell und effektiv, verglichen mit der Methode mit Haken und Leine, mit der ich früher Fische für den Hausgebrauch gefangen habe, was drei bis vier Stunden dauern konnte, aber nur drei Fische zu fangen, was für die Größe meines Haushalts nicht ausreichte." (Hassan Jarasi)

• Einbindung der lokalen Gemeinschaft
• Reaktion auf die Bedürfnisse der Gemeinschaft

Versuche am Standort

In einer Reihe von Experimenten, die im Nationalen Aquakulturzentrum in Domasi durchgeführt wurden, testete das Projektteam die Falle für den intermittierenden Fang mit verschiedenen Ködern in Teichen (200 m2), die mit verschiedenen Arten(Coptodon Rendalli vs. Oreochromis Shiranus) in unterschiedlichen Dichten(1 vs. 2 vs. 3 Fische pro m2) besetzt waren. Darüber hinaus wurden weitere Tests durchgeführt, um die Zeit und die Intervalle zu ermitteln, die erforderlich sind, um eine bestimmte Menge an Fischen zu fangen. Als Kontrolle und zum Vergleich wurden zusätzliche Teiche mit O. Shiranus und C. Rendalli bestückt, die mit Maiskleie oder Pellets gefüttert wurden, um die üblichen Formen der ländlichen Aquakultur in Malawi zu repräsentieren.

Versuche im landwirtschaftlichen Betrieb

Zu dem Zeitpunkt, als die Falle technisch funktionsfähig war, wurden Haushalte ermittelt, die die Falle unter Alltagsbedingungen testen wollten. Über drei Monate hinweg testeten sechs Haushalte die Falle und dokumentierten die Fänge.