Nutzung der Fernerkundung für die ökologische Bewirtschaftung und den Schutz des Jiangsu Yancheng Wetland & Rare Birds National Natural Reserve

Vollständige Lösung

von Zhaoyuan Yu, Nanjing Normal University

Grus japonensis in Jiangsu Yancheng Wetland & Rare Birds National Natural Reserve

Nanjing Normal University

Das Jiangsu Yancheng Wetland & Rare Birds National Natural Reserve beherbergt die vom Aussterben bedrohte Grus japonensis und andere seltene Arten, die auf Feuchtgebiets-Ökosysteme im Watt angewiesen sind. Invasive Arten wie Spartina alterniflora bedrohen jedoch die biologische Vielfalt und führen zu ökologischer Verschlechterung und einem Rückgang der Artenvielfalt. Um dem entgegenzuwirken, wird die Fernerkundungstechnologie zur Überwachung der Vegetationsentwicklung eingesetzt, die wertvolle Erkenntnisse für das ökologische Management liefert.

Das von der Nanjing Normal University geleitete Pilotprojekt des CoastPredict-Programms der UN-Ozeandekade im Yangtze-Delta kombiniert Fernerkundungstechnologie mit Naturschutzmaßnahmen, um das Management in Yancheng zu unterstützen. Die Fernerkundung hat die Entwicklung der wichtigsten Feuchtgebietsvegetation(Spartina alterniflora, Suaeda salsa und Phragmites australis) seit 1990 verfolgt und dazu beigetragen, Umweltauswirkungen, menschliche Aktivitäten und die Interaktionen zwischen den Arten zu verstehen. Diese Initiative hilft bei der Entwicklung effektiverer Erhaltungsstrategien, die sowohl dem Reservat als auch den globalen Bemühungen zugute kommen.

Letzte Aktualisierung: 10 Oct 2025

93 Ansichten

Tech4Nature-Auszeichnung

Preiskategorie

Technische Innovation für den Naturschutz

Art der Technik

Software

Relevant technologies

Satellitendaten

Geografische Planung und Analyse

Künstliche Intelligenz und maschinelles Lernen

Technologie Beschreibung

Diese Lösung nutzt Fernerkundung, geografische Informationssysteme (GIS) und digitale Zwillingsmodelle, kombiniert mit Deep Learning und Feldvalidierung, um die langfristige Entwicklung der Feuchtgebietsvegetation(Spartina alterniflora, Phragmites australis, Suaeda salsa) zu überwachen. Durch die Integration von Satellitendatenverarbeitung, maschinellem Lernen, räumlicher GIS-Analyse und ökologischer Modellierung ermöglicht es eine präzise, skalierbare Überwachung zur Unterstützung der Erhaltung von Feuchtgebieten und des Managements invasiver Arten. Ein intuitives Dashboard sorgt dafür, dass auch nicht fachkundige Nutzer, einschließlich lokaler Gemeinschaften, Zugang haben, und fördert so eine umfassende Beteiligung.

Bemerkenswerte Fortschritte und Innovationen

Deep Learning mit Fernerkundung: Deep-Learning-Algorithmen verarbeiten Zeitreihen von Landsat-Daten (1990-2022) und ermöglichen eine hochpräzise Klassifizierung von Vegetationstypen. Diese Innovation ermöglicht eine detaillierte Verfolgung der Ausbreitung invasiver Arten und der Erholung der einheimischen Vegetation und unterstützt gezielte Schutzmaßnahmen über einen Zeitraum von 32 Jahren.
GIS für räumliche Analysen: GIS-Tools kartieren und analysieren die Vegetationsverteilung und identifizieren Migrationsmuster, Lebensraumfragmentierung und Aggregationstrends. Dies liefert räumlich explizite Einblicke, die für eine effektive Naturschutzplanung und die Festlegung von Prioritäten bei der Wiederherstellung entscheidend sind.
Modellierung von Ökosystemen mit digitalem Zwilling: Ein digitaler Zwilling des Yancheng-Feuchtgebiets integriert Fernerkundung, GIS-Ebenen und Umweltmetriken in Echtzeit (z. B. Bodensalzgehalt, Anomalien des Meeresspiegels). Diese virtuelle Nachbildung simuliert Szenarien wie die Auswirkungen invasiver Arten oder des Klimawandels und ermöglicht so eine proaktive, datengesteuerte Entscheidungsfindung.
Umfassende Umweltdatenbank: Eine mehrdimensionale Datenbank kombiniert Vegetationsdaten mit klimatischen, marinen und anthropogenen Variablen (z. B. Meeresoberflächentemperatur, Verteilung von Aquakulturen). Dieser ganzheitliche Datensatz unterstützt die Treiberanalyse und liefert Informationen für adaptive Erhaltungsstrategien.
Skalierbarer und reproduzierbarer Rahmen: Die Methodik, die auf Open-Source-Daten (Landsat, Sentinel) und Google Earth Engine (GEE) basiert, ist an verschiedene Ökosysteme weltweit anpassbar und bietet ein kosteneffizientes Instrument zur Überwachung von invasiven Arten und Lebensraumveränderungen.
Kosteneffiziente Überwachung: Die Nutzung frei verfügbarer Satellitendaten und GEE gewährleistet eine kostengünstige, hocheffiziente Überwachung, die die zeitliche Auflösung verbessert und den Ressourcenbedarf für die langfristige Erhaltung reduziert.

Diese Integration von Technologien verändert das Feuchtgebietsmanagement, indem sie vorausschauende, skalierbare und integrative Instrumente bereitstellt, die mit den GBF-Zielen 2 (Wiederherstellung von Ökosystemen), 6 (Kontrolle invasiver Arten), 8 (Klimaresistenz), 20 (Stärkung der Kapazitäten), 21 (zugängliches Wissen) und 22 (Beteiligung an Entscheidungen) übereinstimmen. Der kostengünstige, datengestützte Ansatz der Lösung gewährleistet langfristige Nachhaltigkeit und breite Anwendbarkeit.

Spender und Finanzierung

Dieses Projekt wird von der National Natural Science Foundation of China unterstützt (Grant 42230406).

Foto- und Videogalerie

Kontext

Angesprochene Herausforderungen

Verlust der biologischen Vielfalt

Verlust von Ökosystemen

Invasive Arten

Das Jiangsu Yancheng Wetland & Rare Birds National Natural Reserve in der Provinz Jiangsu, China, ist ein weltweit bedeutendes Schutzgebiet. Es dient als kritischer Lebensraum für einige der weltweit am stärksten gefährdeten Vogelarten, insbesondere den Grus japonensis, und andere seltene Wildtierarten. Das Reservat enthält auch wichtige Ökosysteme, insbesondere die Wattgebiete, die für das Überleben dieser Arten von entscheidender Bedeutung sind.

Trotz seiner ökologischen Bedeutung steht das Reservat jedoch vor mehreren großen ökologischen Herausforderungen. Eines der dringendsten Probleme ist die Invasion von Spartina alterniflora , einer exotischen Pflanzenart, die begonnen hat, die Ökosysteme der Feuchtgebiete zu dominieren. Diese invasive Art stört das Gleichgewicht der einheimischen Vegetation, was zu ökologischer Verschlechterung und einem Rückgang der Artenvielfalt führt. Eine wirksame Bewirtschaftung und Überwachung der Ökosysteme des Schutzgebiets wird daher immer wichtiger, um die Erhaltung der einzigartigen biologischen Vielfalt zu gewährleisten.

Umfang der Durchführung

Lokales

Ökosysteme

Salzwiese

Theme

Invasive gebietsfremde Arten

Standort

Yancheng, Jiangsu, Volksrepublik China

Ostasien

Prozess

Zusammenfassung des Prozesses

In diesem Projekt wird eine strukturierte Methodik angewandt, die auf sechs miteinander verbundenen Bausteinen (BB) basiert, um die langfristige Entwicklung der Feuchtgebietsvegetation mit Hilfe der Fernerkundung systematisch zu überwachen.

BB1 (Datenerfassung) und BB2 (Identifizierung von Feuchtgebietsvegetationstypen) bilden die Grundlage für BB3 (Datenquantifizierung und Aufbau von Datenbanken).
BB3 wiederum unterstützt BB4 (Analyse der räumlichen und zeitlichen Merkmale) und BB5 (Identifizierung der Haupttreiber der Vegetationsentwicklung).
Die aus diesen Phasen gewonnenen Erkenntnisse und Ergebnisse werden über BB6 (Wissenschaftliche Kommunikation) und BB7 (Schulung und Kapazitätsaufbau) weitergegeben, um den Wissensaustausch zu fördern und die Wirkung des Projekts auf breiter Ebene zu verstärken.

Jeder Baustein ist logisch aufeinander aufgebaut, um gemeinsam zu den übergreifenden Zielen beizutragen: Erhaltung von Feuchtgebieten, Verhinderung der Ausbreitung invasiver Arten und Bereitstellung einer skalierbaren Methodik, die auf ähnliche Ökosysteme weltweit anwendbar ist.

Bauklötze

Datenerhebung

Mit Hilfe der Google Earth Engine (GEE)-Plattform wurden systematisch Fernerkundungsdaten der Landsat-Serie von 1990 bis 2022 erfasst, die die Sensoren TM5, ETM+ (Landsat 7), OLI (Landsat 8) und OLI (Landsat 9) umfassen. Um die Datenqualität für die nachfolgenden Analysen sicherzustellen, wurden die wichtigsten Spektralbänder - Nahinfrarot (NIR), Rot und Grün - ausgewählt und fusioniert.

GBF-Ausrichtung: Unterstützt GBF-Ziel 21.
Beitrag: Verbessert die Entscheidungsfindung durch validierte Echtzeit-Datensätze und steigert den Wert bestehender Naturschutzbemühungen durch technologische Innovation.

Ermöglichende Faktoren

Es wurden nur Fernerkundungsbilder mit einer Wolkenbedeckung von ≤10 % ausgewählt, gefolgt von einer radiometrischen und atmosphärischen Korrektur durch Stapelverarbeitung.
Vegetationsspezifische Informationen wurden durch optimierte Bandenkombinationen extrahiert, wobei insbesondere der hohe Reflexionsgrad der Vegetation im NIR-Bereich genutzt wurde.

Gelernte Lektion

Beschränkungen bei der räumlichen, zeitlichen und spektralen Auflösung führten zu potenziellen Unsicherheiten, was die Bedeutung robuster radiometrischer und geometrischer Korrekturmethoden unterstreicht.
Die Datenfusion zwischen verschiedenen Landsat-Sensoren war für das Erreichen konsistenter langfristiger Zeitreihen von entscheidender Bedeutung, obwohl sie eine erhebliche zusätzliche Verarbeitung zur Harmonisierung der räumlichen und zeitlichen Auflösungen erforderte.

Identifizierung von Feuchtgebietsvegetationstypen

Die Zeitreihen der Vegetationsindizes wurden durch Gauß-Anpassung geglättet, um das Rauschen zu reduzieren und wichtige phänologische Merkmale zu extrahieren. Zur Klassifizierung der Feuchtgebietsvegetation in drei vorherrschende Typen wurde ein Random-Forest-Algorithmus für tiefes Lernen angewendet: Spartina alterniflora, Phragmites australis und Suaeda salsa. Die Klassifizierungsgenauigkeit von 1990 bis 2022 wurde durch Felduntersuchungen validiert.

GBF-Ausrichtung: Trägt zum GBF-Ziel 6 bei.
Beitrag: Verringerung der Auswirkungen invasiver Arten durch die genaue Identifizierung von Spartina alterniflora für eine gezielte Bekämpfung, wodurch eine wichtige Bedrohung der biologischen Vielfalt bekämpft wird.

Ermöglichende Faktoren

Die Gaußsche Kurvenanpassung minimierte das Rauschen in den rohen Vegetationsindexkurven und verbesserte die Klassifizierungsgenauigkeit.
Der Random-Forest-Algorithmus nutzte spektrale Unterschiede zwischen den Arten und ermöglichte so eine robuste Merkmalsextraktion und eine zuverlässige Identifizierung.

Gelernte Lektion

Spektrale Merkmale, die sich auf die Feuchtigkeit der Vegetation und strukturelle Eigenschaften beziehen, verbesserten die Trennbarkeit zwischen den Arten erheblich.
Vorverarbeitungsschritte wie Kurvenanpassung und Rauschunterdrückung waren für die Verbesserung der Zuverlässigkeit der Langzeitklassifizierung von wesentlicher Bedeutung.

Datenquantifizierung und Aufbau einer Datenbank

Es wurde eine umfassende Geodatenbank entwickelt, die Daten zur Vegetationsbedeckung aus der Fernerkundung mit wichtigen Umwelt-, Klima- und anthropogenen Variablen verknüpft. Die einbezogenen Metriken umfassten den Salzgehalt des Bodens, die Temperatur der Meeresoberfläche, den Salzgehalt des Meerwassers und die Standorte von Aquakulturteichen und bildeten eine solide analytische Grundlage.

GBF-Ausrichtung: Unterstützt GBF-Ziel 21.
Beitrag: Integriert verschiedene Datenebenen für eine ganzheitliche Analyse und steigert den Wert fragmentierter Naturschutzdatensätze.

Ermöglichende Faktoren

Die Feldvalidierung bestätigte die Genauigkeit der Fernerkundungsinterpretationen (siehe Abbildungen 1 und 2).
Die Datenbank erleichterte die Integration von Raum- und Umweltdaten und unterstützte multivariable Analysen und ökologische Modellierung.

Gelernte Lektion

Genaue Bodendaten sind für die Validierung von Fernerkundungsergebnissen und die Gewährleistung der Zuverlässigkeit von Datenbanken unerlässlich.
Eine gut strukturierte, aus mehreren Quellen stammende Datenbank verbessert die Effizienz der Analyse und ermöglicht anspruchsvollere Korrelations- und Kausalitätsstudien.

Analyse räumlicher und zeitlicher Merkmale der Feuchtgebietsvegetation

Es wurde eine räumlich-zeitliche Analyse durchgeführt, um die langfristigen Verteilungsmuster der Feuchtgebietsvegetation innerhalb des Schutzgebiets von 1990 bis 2022 aufzuzeigen.

Abbildung 1A veranschaulicht die Veränderungen der räumlichen Vegetationsmuster im Laufe der Zeit.
Abbildung 1B zeigt die prozentuale Vegetationsbedeckung entlang des Gradienten zwischen Meer und Land.

Zur Quantifizierung ökologischer Veränderungen wurden Analyseinstrumente wie Landschaftsmusterindizes, Migrationsmodelle und Expansions- und Kontraktionsdynamik eingesetzt.

Wichtigste Ergebnisse

Spartina alterniflora wies eine hohe räumliche Aggregation auf, zeigte aber im Laufe der Zeit einen rückläufigen Trend.
Phragmites australis und Suaeda salsa zeigten eine stärkere Fragmentierung und zunehmende räumliche Ausdehnung.
Die Vegetationswanderung wies eine erhebliche Heterogenität und eine deutlich gebänderte Verteilung entlang des Land-Meer-Gradienten auf.

GBF-Ausrichtung: Stimmt mit GBF-Ziel 2 überein.
Beitrag: Messbare Ergebnisse verbessern die Wiederherstellungsplanung und füllen Lücken in einheitlichen Managementansätzen.

Ermöglichende Faktoren

Zeitliche und räumliche Heterogenität erfordern vielseitige Analysemethoden.
Räumliche Analysen liefern entscheidende ökologische Erkenntnisse, die gezielte Schutz- und Bewirtschaftungsstrategien ermöglichen.

Gelernte Lektion

Die zeitliche und räumliche Heterogenität der Vegetationsdynamik erfordert vielschichtige analytische Ansätze.
Räumliche Analysen zeigten kritische ökologische Muster auf, die gezielte Managementstrategien unterstützen.

Die wichtigsten Triebkräfte der Vegetationsentwicklung

Der Einfluss natürlicher und anthropogener Faktoren auf die Vegetationsdynamik wurde mithilfe eines verallgemeinerten additiven Modells (GAM) untersucht. Dieses Modell bewertete nicht-lineare Beziehungen zwischen Vegetationsveränderungen und Schlüsselfaktoren:

Spartina alterniflora wurde in erster Linie von marinen Umweltvariablen wie dem Salzgehalt und der Wellenhöhe beeinflusst.
Phragmites australis und Suaeda salsa wurden durch Niederschläge, anthropogene Einflüsse (z. B. Aquakultur) und den Wettbewerb zwischen den Arten beeinflusst.

Das Verständnis dieser Faktoren unterstützt ein adaptives Ökosystemmanagement und die Kontrolle invasiver Arten.

GBF-Ausrichtung: Unterstützt die GBF-Ziele 6 und 8.
Beitrag: Vorhersagemodelle verbessern die reaktive Erhaltung, indem sie messbare Erkenntnisse über die Einflussfaktoren liefern.

Ermöglichende Faktoren

Mit GAM konnten komplexe, nichtlineare Wechselwirkungen zwischen Einflussfaktoren und Vegetationsveränderungen wirksam erfasst werden.
Die Integration von Umweltdaten und Daten über menschliche Aktivitäten verbesserte die Robustheit der Zuordnung von Einflussfaktoren.

Gelernte Lektion

Kontinuierliche Datenerfassung und Modellverfeinerung sind entscheidend für die langfristige Vorhersagegenauigkeit.
Ein mechanistisches Verständnis der ökologischen Triebkräfte untermauert die Entwicklung vorausschauender Schutzstrategien.

Akademische Kommunikation

Die Projektergebnisse wurden über mehrere akademische und öffentliche Plattformen verbreitet, darunter:

Ein wissenschaftlicher Artikel in Ocean-Land-Atmosphere Research (ein Science Partner Journal).
Ein Beitrag auf der AAASScience WeChat Public Platform, dem offiziellen Medium der American Association for the Advancement of Science in China.
Ein Beitrag zur Fallstudie der Yangtze River Delta Pilot Site.
Integration in große, vom NSFC unterstützte ozeanographische Forschungsprojekte.

GBF-Ausrichtung: Entspricht dem GBF-Ziel 20.
Beitrag: Verbessert die globalen Erhaltungsbemühungen durch den Austausch skalierbarer Methoden.

Ermöglichende Faktoren

Die transparente Kommunikation von Herausforderungen und Methoden förderte das interdisziplinäre Engagement.
Die systematische Präsentation bei den Interessengruppen erhöhte das Bewusstsein und erleichterte die praktische Anwendung.

Gelernte Lektion

Eine offene und zugängliche Verbreitung fördert die interdisziplinäre Zusammenarbeit und den globalen Wissensaustausch.
Die Veröffentlichung umsetzbarer Erkenntnisse in wissenschaftlichen und öffentlichen Bereichen beschleunigt deren Umsetzung in die Naturschutzpraxis.

Ressourcen

Articles of project results

Ausbildung und Kapazitätsaufbau

Im Rahmen der breit angelegten Wirkungsstrategie des Projekts wurde der Schulung und dem Aufbau von Kapazitäten Vorrang eingeräumt, um die technischen Kenntnisse im Bereich Fernerkundung und Geodatenanalyse zu verbessern. Seit 2021 wird jährlich eine Reihe von Schulungsprogrammen von der School of Geography der Nanjing Normal University veranstaltet, die sich auf Geodatenmodellierung und Fernerkundungsanwendungen konzentrieren. In den vergangenen vier Jahren hat das Programm mehr als 4.000 Teilnehmer, darunter junge Wissenschaftler, freiwillige Forscher und Berufseinsteiger, erfolgreich geschult.

GBF-Ausrichtung: Unterstützt die GBF-Ziele 20 und 22.
Beitrag: Skalierbare Schulungsprogramme schließen Kapazitätslücken und verbessern die lokalen Naturschutzbemühungen.

Ermöglichende Faktoren

Die Schulungskurse wurden von erfahrenen Lehrkräften und maßgeschneiderten Lehrplänen unterstützt, wobei der Schwerpunkt auf praktischen Anwendungen in der Fernerkundung und GIS lag.
Durch die Zusammenarbeit mit akademischen und öffentlichen Einrichtungen wurde die Reichweite erhöht und die Teilnahme einer vielfältigen Gruppe von Lernenden aus verschiedenen Fachbereichen sichergestellt.

Gelernte Lektion

Der Aufbau von Kapazitäten spielt eine entscheidende Rolle für die langfristige Wirkung der Forschung und ermöglicht es einer neuen Generation von Forschern, sich mit der Überwachung von Feuchtgebieten und ökologischen Analysen zu befassen.
Kontinuierliche Weiterbildung und praktische Schulungen überbrücken die Kluft zwischen Forschungsergebnissen und praktischen Anwendungen, insbesondere im Kontext von Naturschutz und Ressourcenmanagement.

Auswirkungen

Verbesserte Effizienz der Überwachung: Die in diesem Projekt entwickelte Fernerkundungstechnologie ermöglicht eine langfristige, kostengünstige Überwachung der Entwicklung der Feuchtgebietsvegetation. Durch diese Verbesserung wurde die Zeitskala für die Überwachung erheblich erweitert, was ein umfassenderes Verständnis der Feuchtgebietsdynamik ermöglicht und den Standard der Naturschutzüberwachung in dem Reservat effektiv erhöht hat.
Beitrag zur Erforschung invasiver gebietsfremder Arten: Das Projekt hat unser Verständnis des Invasionsprozesses von Spartina alterniflora und anderen invasiven Arten verbessert, indem es den Einfluss von Umweltfaktoren, menschlichen Aktivitäten und zwischenartlicher Konkurrenz hervorhebt. Diese Daten helfen den Forschern, die Ausbreitung invasiver Arten besser vorherzusagen und zu steuern, so dass rechtzeitige und wirksamere Maßnahmen ergriffen werden können.
Unterstützung des Schutzes der biologischen Vielfalt: Indem die Technologie die Evolutionsmuster invasiver Arten aufdeckt, schafft sie die Grundlage für die Prävention und Kontrolle dieser Bedrohungen im Reservat. Dies kommt dem Grus japonensis und anderen einheimischen Arten direkt zugute, da kritische Feuchtgebietslebensräume geschützt werden, was zur langfristigen Erhaltung der Artenvielfalt beiträgt.
Sensibilisierung für den Naturschutz: Das Projekt fördert den Wissensaustausch über den Einsatz der Fernerkundung bei der Erhaltung von Feuchtgebieten und bietet wertvolle Einblicke in das Feuchtgebietsmanagement und die Überwachung der Vegetation.

Begünstigte

Grus japonensis
Lokale Gemeinschaften
Reservat
Hochschule
Besucher

Erläutern Sie außerdem das Skalierungspotenzial Ihrer Lösung. Kann sie repliziert oder auf andere Regionen oder Ökosysteme ausgeweitet werden?

Die vorgeschlagene Lösung, die auf der Integration von Fernerkundungstechnologien, Deep-Learning-Algorithmen und ökologischen Analyserahmen beruht, zeigt eine starke Skalierbarkeit über Regionen und Ökosystemtypen hinweg. Ihre modulare Architektur (BB1-BB7) ermöglicht die Anpassung, Replikation und Erweiterung sowohl in räumlicher als auch in thematischer Hinsicht, wodurch sie sich besonders für die Bewältigung von Herausforderungen wie die Ausbreitung invasiver Arten, die Fragmentierung von Lebensräumen, den Verlust der biologischen Vielfalt und die Degradierung von Ökosystemen eignet.

Technische Skalierbarkeit

Die Verwendung von weltweit zugänglichen Datensätzen (z. B. Landsat, Sentinel) und Cloud-Computing-Plattformen wie Google Earth Engine gewährleistet niedrige technische Barrieren für den Einsatz in anderen Regionen.
Deep Learning und maschinelle Klassifikatoren (z. B. Random Forest, GAM) sind modellunabhängig und können mit lokalisierten Daten neu trainiert werden, um unterschiedliche Artenzusammensetzungen und ökologische Kontexte zu berücksichtigen.

Geografische und ökosystemare Übertragbarkeit

Die Methodik wurde erfolgreich im Yancheng National Rare Bird Nature Reserve angewandt, was ihre Effektivität in küstennahen Feuchtgebieten bestätigt.
Sie hat ein großes Potenzial, auf ähnliche Umgebungen übertragen zu werden, einschließlich:
- Andere ostasiatische Küstenfeuchtgebiete, die von Spartina alterniflora oder ähnlichen Eindringlingen betroffen sind (z. B. Delta des Gelben Flusses, Hangzhou Bay)
- Feuchtgebietsökosysteme im Binnenland, die von Versalzung, Fragmentierung oder saisonalen Vegetationsveränderungen betroffen sind
- Ästuar- und Deltaregionen auf der ganzen Welt, wo invasive Arten und hydrologische Veränderungen die biologische Vielfalt bedrohen.

Mögliche Ausweitung: Tianjin-Hebei Coastal Flats

Die Lösung wird derzeit konzeptionell auf die Küstenwatten von Tianjin Binhai und Cangzhou ausgeweitet, wo mehr als 700 Hektar mit Spartina alterniflora bewachsen sind und sich die Ökosystemfunktionen verändert haben.
Durch regionale Koordinierung werden Überwachungsinstrumente und räumliche Modelle angepasst, um eine gerichtsbarkeitsübergreifende ökologische Steuerung zu unterstützen, was nicht nur die technische, sondern auch die institutionelle Skalierbarkeit demonstriert.

Institutioneller Ausbau und Kapazitätsaufbau

Der Rahmen umfasst eine spezielle Komponente für den Aufbau von Kapazitäten (BB7), die den Wissenstransfer durch Schulungsprogramme der Nanjing Normal University ermöglicht, in denen bereits über 4.000 Teilnehmer geschult wurden. Dies gewährleistet die lokale Akzeptanz und Nachhaltigkeit in den neu aufgenommenen Regionen.

Globale Relevanz

Die Lösung wurde durch von Experten begutachtete Veröffentlichungen, politische Dialoge und internationale Kooperationen bekannt gemacht, was ihre Sichtbarkeit und ihre Bereitschaft zur weltweiten Nachahmung erhöht.
Die datengestützte, kostengünstige und modulare Lösung eignet sich gut für den Einsatz im globalen Süden, wo kosteneffiziente Instrumente für den Naturschutz und die Klimaanpassung dringend benötigt werden.

Diese Lösung ist nicht nur replizierbar, sondern auch im Umfang skalierbar, in der Methode anpassungsfähig und durch den Aufbau von Kapazitäten nachhaltig - und damit ein robuster Beitrag zu den globalen Bemühungen um die Erhaltung der biologischen Vielfalt und die Widerstandsfähigkeit von Ökosystemen.

Globaler Rahmen für die biologische Vielfalt (GBF)

GBF-Ziel 2 - Wiederherstellung von 30 % aller geschädigten Ökosysteme

GBF-Ziel 6 - Reduzierung der Einführung invasiver gebietsfremder Arten um 50 % und Minimierung ihrer Auswirkungen

GBF-Ziel 8 - Minimierung der Auswirkungen des Klimawandels auf die biologische Vielfalt und Aufbau von Widerstandsfähigkeit

GBF-Zielvorgabe 20 - Stärkung des Aufbaus von Kapazitäten, des Technologietransfers und der wissenschaftlichen und technischen Zusammenarbeit im Bereich der biologischen Vielfalt

GBF-Ziel 21 - Sicherstellen, dass Wissen verfügbar und zugänglich ist, um Maßnahmen zur Erhaltung der biologischen Vielfalt zu leiten

GBF-Zielvorgabe 22 - Sicherstellung der Beteiligung an Entscheidungsprozessen und des Zugangs zu Recht und Informationen im Zusammenhang mit der biologischen Vielfalt für alle

Geschichte

Das Jiangsu Yancheng Wetland & Rare Birds National Natural Reserve ist die Heimat des Grus japonensis, einer der am stärksten gefährdeten Vogelarten der Welt. Jahrelang diente dieses riesige Feuchtgebiet als wichtiger Lebensraum für diese Kraniche und unzählige andere Arten, die auf ein empfindliches ökologisches Gleichgewicht angewiesen sind. Im Laufe der Zeit wurden die Feuchtgebiete jedoch durch invasive Arten, insbesondere Spartina alterniflora, stark bedroht, die die einheimische Vegetation schnell verdrängten und die auf das Gebiet angewiesenen Arten gefährdeten.

Das Reservat hatte lange Zeit mit den herkömmlichen Überwachungsmethoden zu kämpfen, die langsam und kostspielig waren und nicht ausreichten, um das riesige Feuchtgebiet effizient zu erfassen. Infolgedessen wurden entscheidende ökologische Veränderungen oft zu spät erkannt. Invasive Arten wie Spartina breiteten sich unkontrolliert aus, und die Auswirkungen auf die Artenvielfalt waren verheerend.

Das von der Nanjing Normal University geleitete Pilotprojekt des CoastPredict-Programms der UN-Ozeandekade im Yangtse-Delta kombiniert Fernerkundungstechnologie und Naturschutzbemühungen, um die Bewirtschaftung in Yancheng zu unterstützen: Das Fernerkundungssystem ermöglichte es dem Reservatsteam, Vegetationsveränderungen auf monatlicher Basis zu überwachen. Die Satellitendaten lieferten Echtzeiteinblicke in die Dynamik des Feuchtgebietsökosystems, einschließlich der Ausbreitung von Spartina alterniflora und des Zustands einheimischer Pflanzen wie Phragmites australis und Suaeda salsa. Zum ersten Mal ist es möglich zu beobachten, wie Umweltfaktoren, menschliche Aktivitäten und der Wettbewerb zwischen den Arten die ökologischen Veränderungen im gesamten Reservat vorantreiben.

Neben der Bekämpfung invasiver Arten ermöglichte die Technologie auch die Untersuchung langfristiger Vegetationstrends, so dass das Reservat besser verstehen konnte, wie sich Klimawandel, Salzgehaltsschwankungen und menschliche Aktivitäten auf das Ökosystem auswirken. Die Fähigkeit des Projekts, diese Faktoren zu verfolgen, gab dem Reservat leistungsfähige Instrumente an die Hand, um seine Erhaltungsstrategie in Echtzeit anzupassen.