Aprovechamiento de la teledetección para la gestión y conservación ecológicas en la Reserva Natural Nacional de Humedales y Aves Raras de Jiangsu Yancheng
Solución completa
Grus japonensis en la Reserva Natural Nacional de Humedales y Aves Raras de Jiangsu Yancheng
Nanjing Normal University
La Reserva Natural Nacional de Humedales y Aves Raras de Jiangsu Yancheng alberga la especie Grus japonensis, en peligro crítico de extinción, y otras especies raras que dependen de ecosistemas de marismas húmedas. Sin embargo, especies invasoras como Spartina alterniflora amenazan la biodiversidad, causando degradación ecológica y mermando la biodiversidad. Para hacer frente a esta situación, se utiliza la tecnología de teledetección para seguir la evolución de la vegetación, lo que ofrece valiosas perspectivas para la gestión ecológica.
El sitio piloto del delta del río Yangtsé del Programa CoastPredict de la Década Oceánica de la ONU, dirigido por la Universidad Normal de Nanjing, combina la tecnología de teledetección y los esfuerzos de conservación para apoyar la gestión en Yancheng. La teledetección ha seguido la evolución de la vegetación clave de los humedales(Spartina alterniflora, Suaeda salsa y Phragmites australis) desde 1990, ayudando a comprender el impacto ambiental, las actividades humanas y las interacciones entre especies. Esta iniciativa contribuye a desarrollar estrategias de conservación más eficaces, en beneficio tanto de la reserva como del esfuerzo mundial en general.
Última actualización: 10 Oct 2025
133 Vistas
Premio Tech4Nature
Descripción de la tecnología
Esta solución aprovecha la teledetección, los Sistemas de Información Geográfica (SIG) y el modelado de gemelos digitales, combinados con el aprendizaje profundo y la validación sobre el terreno, para supervisar la evolución a largo plazo de la vegetación de los humedales(Spartina alterniflora, Phragmites australis, Suaeda salsa). Al integrar el procesamiento de datos satelitales, el aprendizaje automático, el análisis espacial SIG y el modelado ecológico, permite un monitoreo preciso y escalable para apoyar la conservación de los humedales y la gestión de especies invasoras. Un panel de control intuitivo garantiza la accesibilidad para usuarios no expertos, incluidas las comunidades locales, fomentando la participación inclusiva.
Avances e innovaciones notables
Aprendizaje profundo con teledetección: Los algoritmos de aprendizaje profundo procesan series temporales de datos Landsat (1990-2022), logrando una clasificación de alta precisión de los tipos de vegetación. Esta innovación permite un seguimiento detallado de la propagación de especies invasoras y la recuperación de la vegetación nativa, apoyando medidas de conservación específicas durante un período de 32 años.
SIG para el análisis espacial: Las herramientas SIG cartografían y analizan la distribución de la vegetación, identificando patrones de migración, fragmentación del hábitat y tendencias de agregación. De este modo se obtienen datos espacialmente explícitos, fundamentales para una planificación eficaz de la conservación y la priorización de la restauración.
Modelización digital de ecosistemas gemelos: Un gemelo digital del humedal de Yancheng integra teledetección, capas de SIG y métricas ambientales en tiempo real (por ejemplo, salinidad del suelo, anomalías del nivel del mar). Esta réplica virtual simula escenarios como el impacto de las especies invasoras o los efectos del cambio climático, permitiendo una toma de decisiones proactiva y basada en datos.
Completa base de datos medioambientales: Una base de datos multidimensional combina datos de vegetación con variables climáticas, marinas y antropogénicas (por ejemplo, temperatura de la superficie del mar, distribución de la acuicultura). Este conjunto de datos holístico facilita el análisis de los factores determinantes y sirve de base a las estrategias de conservación adaptativas.
Marco escalable y reproducible: La metodología, basada en datos de código abierto (Landsat, Sentinel) y Google Earth Engine (GEE), es adaptable a diversos ecosistemas a nivel mundial, ofreciendo una herramienta rentable para el seguimiento de las especies invasoras y los cambios en el hábitat.
Seguimiento rentable: El aprovechamiento de los datos satelitales de libre acceso y de GEE garantiza un seguimiento de bajo coste y alta eficiencia, mejorando la resolución temporal y reduciendo la demanda de recursos para la conservación a largo plazo.
Esta integración de tecnologías transforma la gestión de los humedales al proporcionar herramientas predictivas, escalables e inclusivas, en consonancia con los Objetivos 2 (restaurar los ecosistemas), 6 (control de especies invasoras), 8 (resiliencia climática), 20 (fortalecer la capacidad), 21 (conocimiento accesible) y 22 (participación en la toma de decisiones) del GBF. El enfoque de bajo coste y basado en datos de la solución garantiza la sostenibilidad a largo plazo y una amplia aplicabilidad.
Donantes y financiación
Este proyecto cuenta con el apoyo de la Fundación Nacional de Ciencias Naturales de China (subvención 42230406).
Galería de fotos y vídeos
Contexto
Défis à relever
La Reserva Natural Nacional de Humedales y Aves Raras de Jiangsu Yancheng, situada en la provincia china de Jiangsu, es una zona protegida de importancia mundial. Sirve de hábitat crítico para algunas de las especies de aves más amenazadas del mundo, en particular el Grus japonensis, y otras especies raras de fauna silvestre. La reserva también contiene ecosistemas esenciales, concretamente los humedales de marismas, que son cruciales para la supervivencia de estas especies.
Sin embargo, a pesar de su importancia ecológica, la reserva se enfrenta a varios retos medioambientales importantes. Uno de los más acuciantes es la invasión de Spartina alterniflora , una especie vegetal exótica que ha empezado a dominar los ecosistemas de los humedales. Esta especie invasora altera el equilibrio de la vegetación autóctona, provocando la degradación ecológica y la disminución de la biodiversidad. Por ello, la gestión y el control eficaces de los ecosistemas de la reserva son cada vez más esenciales para garantizar la conservación de su biodiversidad única.
Ubicación
Yancheng, Jiangsu, República Popular China
Asia del Este
Procesar
Resumen del proceso
Este proyecto adopta una metodología estructurada basada en seis módulos interrelacionados (BB) para supervisar sistemáticamente la evolución a largo plazo de la vegetación de los humedales utilizando tecnología de teledetección.
- BB1 (Recogida de datos) y BB2 (Identificación de tipos de vegetación de humedales) proporcionan las bases para BB3 (Cuantificación de datos y creación de bases de datos).
- BB3, a su vez, apoya BB4 (Análisis de las características espaciales y temporales) y BB5 (Identificación de los impulsores clave de la evolución de la vegetación).
- Las ideas y conclusiones derivadas de estas etapas se comparten a través de BB6 (Comunicación Académica) y BB7 (Formación y Desarrollo de Capacidades), mejorando el intercambio de conocimientos y amplificando el impacto más amplio del proyecto.
Cada elemento está secuenciado de forma lógica para contribuir colectivamente a los objetivos generales: conservar los humedales, prevenir la propagación de especies invasoras y ofrecer una metodología escalable aplicable a ecosistemas similares en todo el mundo.
Bloques de construcción
Recogida de datos
Utilizando la plataforma Google Earth Engine (GEE), se adquirieron sistemáticamente datos de teledetección de la serie Landsat desde 1990 hasta 2022, abarcando los sensores TM5, ETM+ (Landsat 7), OLI (Landsat 8) y OLI (Landsat 9). Para garantizar la calidad de los datos para los análisis posteriores, se seleccionaron y fusionaron bandas espectrales clave: infrarrojo cercano (NIR), rojo y verde.
Alineación GBF: Apoya el objetivo 21 del GBF.
Contribución: Mejora la toma de decisiones con conjuntos de datos validados en tiempo real, añadiendo valor a los esfuerzos de conservación existentes a través de la innovación tecnológica.
Factores facilitadores
- Sólo se seleccionaron imágenes de teledetección con una nubosidad ≤10% y se corrigieron radiométrica y atmosféricamente mediante procesamiento por lotes.
- La información específica de la vegetación se extrajo utilizando combinaciones de bandas optimizadas, aprovechando especialmente la alta reflectancia de la vegetación en el rango NIR.
Lección aprendida
- Las limitaciones en las resoluciones espacial, temporal y espectral introdujeron posibles incertidumbres, lo que puso de relieve la importancia de disponer de métodos sólidos de corrección radiométrica y geométrica.
- La fusión de datos de diferentes sensores Landsat fue esencial para lograr series temporales coherentes a largo plazo, aunque requirió un procesamiento adicional sustancial para armonizar las resoluciones espaciales y temporales.
Identificación del tipo de vegetación del humedal
Las series temporales de índices de vegetación se suavizaron mediante ajuste gaussiano para reducir el ruido y extraer características fenológicas clave. Se aplicó un algoritmo de aprendizaje profundo de bosque aleatorio para clasificar la vegetación de los humedales en tres tipos dominantes: Spartina alterniflora, Phragmites australis y Suaeda salsa. La precisión de la clasificación desde 1990 hasta 2022 se validó mediante estudios de campo.
Alineación con el GBF: Contribuye al objetivo 6 del GBF.
Contribución: Reduce el impacto de las especies invasoras mediante la identificación precisa de Spartina alterniflora para su control específico, abordando una amenaza clave para la biodiversidad.
Factores facilitadores
- El ajuste de la curva gaussiana minimizó eficazmente el ruido en las curvas del índice de vegetación en bruto, mejorando la precisión de la clasificación.
- El algoritmo de bosque aleatorio aprovechó las diferencias espectrales entre especies para extraer características sólidas e identificarlas con fiabilidad.
Lección aprendida
- Las características espectrales relacionadas con la humedad de la vegetación y los atributos estructurales mejoraron significativamente la separabilidad entre especies.
- Los pasos de preprocesamiento, como el ajuste de curvas y la eliminación de ruido, fueron esenciales para mejorar la fiabilidad de la clasificación a largo plazo.
Cuantificación de datos y creación de bases de datos
Se desarrolló una completa base de datos geoespaciales que integraba datos sobre la cubierta vegetal obtenidos por teledetección con variables ambientales, climáticas y antropogénicas clave. Las métricas incluidas abarcaban la salinidad del suelo, la temperatura de la superficie del mar, la salinidad del agua de mar y la ubicación de los estanques de acuicultura, proporcionando una sólida base analítica.
Alineación con el GBF: Apoya el objetivo 21 del GBF.
Contribución: Integra diversas capas de datos para un análisis holístico, añadiendo valor a los fragmentados conjuntos de datos de conservación.
Factores facilitadores
- La validación sobre el terreno confirmó la exactitud de las interpretaciones por teledetección (véanse las figuras 1 y 2).
- La base de datos facilitó la integración de datos espaciales y medioambientales, apoyando los análisis multivariables y la modelización ecológica.
Lección aprendida
- Para validar los resultados de la teledetección y garantizar la fiabilidad de la base de datos es fundamental disponer de datos precisos sobre el terreno.
- Una base de datos bien estructurada y con múltiples fuentes mejora la eficacia del análisis y permite realizar estudios de correlación y causalidad más sofisticados.
Análisis de las características espaciales y temporales de la vegetación de los humedales
Se realizó un análisis espaciotemporal para revelar los patrones de distribución a largo plazo de la vegetación de los humedales dentro del área protegida desde 1990 hasta 2022.
- LaFigura 1A ilustra los cambios en los patrones espaciales de la vegetación a lo largo del tiempo.
- LaFigura 1B presenta el porcentaje de cobertura vegetal a lo largo del gradiente mar-tierra.
Para cuantificar los cambios ecológicos se utilizaron herramientas analíticas como índices de patrones de paisaje, modelos de migración y dinámicas de expansión-contracción.
Principales resultados
- Spartina alterniflora exhibió una alta agregación espacial pero mostró una tendencia decreciente a lo largo del tiempo.
- Phragmites australis y Suaeda salsa mostraron una mayor fragmentación y una cobertura espacial creciente.
- La migración de la vegetación mostró una heterogeneidad significativa y una clara distribución en bandas a lo largo del gradiente tierra-mar.
Alineación con el GBF: Alineado con el objetivo 2 del GBF.
Contribución: Los resultados mensurables mejoran la planificación de la restauración, colmando lagunas en los enfoques uniformes de gestión.
Factores facilitadores
- La heterogeneidad temporal y espacial requiere métodos de análisis polifacéticos.
- Los análisis espaciales aportan conocimientos ecológicos cruciales que sirven de base a estrategias específicas de conservación y gestión.
Lección aprendida
- La heterogeneidad temporal y espacial de la dinámica de la vegetación exige planteamientos analíticos polifacéticos.
- Los análisis espaciales revelaron patrones ecológicos críticos que ayudaron a orientar las estrategias de gestión.
Factores clave de la evolución de la vegetación
La influencia de los factores naturales y antropogénicos en la dinámica de la vegetación se exploró mediante un Modelo Aditivo Generalizado (GAM). Este modelo evaluó las relaciones no lineales entre los cambios en la vegetación y los factores clave:
- Spartina alterniflora se vio influida principalmente por variables ambientales marinas como la salinidad y la altura de las olas.
- Phragmites australis y Suaeda salsa se vieron afectadas por las precipitaciones, las presiones antropogénicas (por ejemplo, la acuicultura) y la competencia entre especies.
La comprensión de estos factores favorece la gestión adaptativa de los ecosistemas y el control de las especies invasoras.
Alineación con el GBF: Apoya los objetivos 6 y 8 del GBF.
Contribución: Los modelos predictivos mejoran la conservación reactiva, ofreciendo información mensurable sobre los factores determinantes.
Factores facilitadores
- El GAM captó eficazmente las interacciones complejas y no lineales entre los factores y los cambios en la vegetación.
- La integración de conjuntos de datos ambientales y de actividad humana mejoró la solidez de la atribución de los factores.
Lección aprendida
- La recogida continua de datos y el perfeccionamiento de los modelos son fundamentales para la precisión de las predicciones a largo plazo.
- La comprensión mecanicista de los factores ecológicos subyace al desarrollo de estrategias de conservación orientadas al futuro.
Comunicación académica
Las conclusiones del proyecto se difundieron a través de múltiples plataformas académicas y públicas, entre ellas:
- Un artículo académico en Ocean-Land-Atmosphere Research (una revista de Science Partner).
- Contenido destacado en la plataforma pública WeChat de AAASScience, el medio de comunicación oficial de la Asociación Estadounidense para el Avance de la Ciencia en China.
- Contribución de un estudio de caso al Sitio Piloto del Delta del Río Yangtze.
- Integración en importantes proyectos de investigación oceanográfica financiados por la NSFC.
Alineación con el GBF: Alineación con el objetivo 20 del GBF.
Contribución: Mejora los esfuerzos globales de conservación compartiendo metodologías escalables.
Factores facilitadores
- La comunicación transparente de los retos y las metodologías mejoró el compromiso entre disciplinas.
- La presentación sistemática a las partes interesadas aumentó la concienciación y facilitó la aplicación práctica.
Lección aprendida
- La difusión abierta y accesible fomenta la colaboración interdisciplinar y el intercambio de conocimientos a escala mundial.
- La publicación de conocimientos prácticos tanto en el ámbito científico como en el público acelera su traducción en prácticas de conservación.
Recursos
Formación y capacitación
Como parte de la estrategia de impacto más amplia del proyecto, se dio prioridad a la formación y el desarrollo de capacidades para mejorar los conocimientos técnicos en teledetección y análisis geoespacial. Desde 2021, la Escuela de Geografía de la Universidad Normal de Nanjing organiza anualmente una serie de programas de formación centrados en la modelización geoespacial y las aplicaciones de la teledetección. En los últimos cuatro años, el programa ha capacitado con éxito a más de 4,000 participantes, incluidos jóvenes académicos, voluntarios de investigación y profesionales que inician su carrera.
Alineación con el FGD: Apoya los objetivos 20 y 22 del FGD.
Contribución: Los programas de formación ampliables colman las lagunas de capacidad, mejorando los esfuerzos locales de conservación.
Factores facilitadores
- Los cursos de formación contaron con el apoyo de profesores experimentados y planes de estudio adaptados, que hicieron hincapié en las aplicaciones prácticas de la teledetección y los SIG.
- La colaboración con instituciones académicas y públicas amplió el alcance y garantizó la participación de un grupo diverso de alumnos de distintas disciplinas.
Lección aprendida
- El desarrollo de capacidades desempeña un papel fundamental a la hora de mantener el impacto de la investigación a largo plazo, permitiendo que una nueva generación de investigadores se dedique al seguimiento de los humedales y al análisis ecológico.
- La educación continua y la formación práctica salvan eficazmente la distancia entre los resultados de la investigación y las aplicaciones en el mundo real, especialmente en contextos de conservación y gestión de recursos.
Impactos
- Mejora de la eficacia del seguimiento: La tecnología de teledetección desarrollada en este proyecto permite un seguimiento a largo plazo y rentable de la evolución de la vegetación de los humedales. Esta mejora ha ampliado considerablemente la escala temporal del seguimiento, permitiendo una comprensión más completa de la dinámica de los humedales y elevando eficazmente el nivel del seguimiento de la conservación en la reserva.
- Contribución al estudio de las especies exóticas invasoras: El proyecto ha hecho avanzar nuestra comprensión del proceso de invasión de Spartina alterniflora y otras especies invasoras, poniendo de relieve la influencia de los factores ambientales, las actividades humanas y la competencia interespecífica. Estos datos ayudan a los investigadores a predecir y gestionar mejor la propagación de especies invasoras, garantizando intervenciones oportunas y más eficaces.
- Apoyo a la conservación de la biodiversidad: Al revelar los patrones evolutivos de las especies invasoras, la tecnología sienta las bases para la prevención y el control de estas amenazas en la reserva. Esto beneficia directamente a la Grus japonensis y a otras especies autóctonas al proteger hábitats críticos de humedales, contribuyendo a los esfuerzos de conservación de la biodiversidad a largo plazo.
- Sensibilización sobre la conservación: El proyecto fomenta el intercambio de conocimientos sobre el uso de la teledetección en la conservación de humedales, ofreciendo valiosas perspectivas sobre la gestión de humedales y el seguimiento de la vegetación.
Beneficiarios
- Grus japonensis
- Comunidades locales
- Reserva
- Academia
- Visitantes
Además, explique el potencial de escalabilidad de su solución. ¿Puede reproducirse o ampliarse a otras regiones o ecosistemas?
La solución propuesta, basada en la integración de tecnologías de teledetección, algoritmos de aprendizaje profundo y marcos analíticos ecológicos, demuestra una gran escalabilidad entre regiones y tipos de ecosistemas. Su arquitectura modular (BB1-BB7) permite la personalización, replicación y expansión tanto en dimensiones espaciales como temáticas, lo que la hace especialmente adecuada para abordar desafíos como la propagación de especies invasoras, la fragmentación del hábitat, la pérdida de biodiversidad y la degradación de los ecosistemas.
Escalabilidad técnica
- El uso de conjuntos de datos accesibles a escala mundial (por ejemplo, Landsat, Sentinel) y plataformas de computación en nube como Google Earth Engine garantiza unas barreras técnicas bajas para su despliegue en otras regiones.
- Los clasificadores de aprendizaje profundo y aprendizaje automático (por ejemplo, Random Forest, GAM) son agnósticos al modelo y pueden volver a entrenarse con datos localizados para adaptarse a diferentes composiciones de especies y contextos ecológicos.
Transferibilidad geográfica y ecosistémica
- La metodología se ha aplicado con éxito en la Reserva Natural Nacional de Aves Raras de Yancheng, validando su eficacia en humedales costeros.
- Tiene un gran potencial para ser transferida a entornos similares, incluyendo:
- Otros humedales costeros de Asia oriental afectados por Spartina alterniflora o invasores similares (por ejemplo, el delta del río Amarillo o la bahía de Hangzhou).
- Ecosistemas de humedales continentales sometidos a salinización, fragmentación o cambios estacionales de vegetación
- Regiones estuarinas y deltaicas de todo el mundo, donde las especies invasoras y los cambios hidrológicos amenazan la biodiversidad.
Extensión potencial: Llanuras costeras de Tianjin-Hebei
- La solución se está ampliando conceptualmente a las llanuras mareales costeras de Tianjin Binhai y Cangzhou, donde más de 700 hectáreas de Spartina alterniflora han alterado las funciones del ecosistema.
- Gracias a la coordinación regional, se están adaptando las herramientas de seguimiento y los modelos espaciales para apoyar la gobernanza ecológica transjurisdiccional, lo que demuestra la escalabilidad no sólo técnica sino también institucional.
Ampliación institucional y de capacidades
- El marco incluye un componente específico de capacitación (BB7), que permite la transferencia de conocimientos a través de programas de formación organizados por la Universidad Normal de Nanjing, que ya han formado a más de 4.000 participantes. De este modo se garantiza la asimilación local y la sostenibilidad en las nuevas regiones adoptadas.
Relevancia mundial
- La solución se ha difundido a través de publicaciones revisadas por expertos, diálogos políticos y colaboraciones internacionales, lo que ha aumentado su visibilidad y preparación para su reproducción a escala mundial.
- Su naturaleza modular, basada en datos y de bajo coste la hace idónea para su adopción en el Sur Global, donde se necesitan urgentemente herramientas rentables para la conservación y la adaptación al cambio climático.
Esta solución no sólo es reproducible, sino también escalable en su alcance, adaptable en su método y sostenible mediante el desarrollo de capacidades, lo que la convierte en una sólida contribución a los esfuerzos mundiales de conservación de la biodiversidad y la resiliencia de los ecosistemas.
Marco Global para la Biodiversidad (GBF)
Objetivo 2 del FGD - Restaurar el 30% de los ecosistemas degradados
Objetivo 6 del GBF - Reducir en un 50% la introducción de especies exóticas invasoras y minimizar su impacto
Objetivo 8 del FGD - Minimizar los impactos del cambio climático en la biodiversidad y aumentar la resiliencia
Objetivo 20 del FGD - Reforzar la creación de capacidades, la transferencia de tecnología y la cooperación científica y técnica para la biodiversidad
Objetivo 21 del FGD - Garantizar que el conocimiento esté disponible y sea accesible para orientar la acción en materia de biodiversidad
GBF Meta 22 - Garantizar la participación en la toma de decisiones y el acceso a la justicia y a la información relacionada con la biodiversidad para todos.
Historia
La Reserva Natural Nacional de Humedales y Aves Raras de Jiangsu Yancheng es el hogar de la Grus japonensis, una de las especies de aves más amenazadas del mundo. Durante años, esta vasta zona de humedales sirvió de hábitat crítico para estas grullas y otras innumerables especies, dependiendo de un delicado equilibrio ecológico. Sin embargo, con el paso del tiempo, los humedales empezaron a verse gravemente amenazados por especies invasoras, en particular la Spartina alterniflora, que rápidamente superó a la vegetación autóctona y puso en peligro a las especies que dependían de la zona.
La reserva llevaba mucho tiempo luchando con las técnicas de seguimiento tradicionales, que eran lentas, costosas y carecían de capacidad para abarcar eficazmente la vasta zona de humedales. Como resultado, los cambios ecológicos cruciales se detectaban a menudo demasiado tarde. Especies invasoras como la Spartina se extendieron sin control y el impacto en la biodiversidad fue devastador.
El sitio piloto del delta del río Yangtsé del Programa CoastPredict de la Década Oceánica de la ONU, dirigido por la Universidad Normal de Nanjing, combina la tecnología de teledetección y los esfuerzos de conservación para apoyar la gestión en Yancheng.El sistema de teledetección permitió al equipo de la reserva controlar los cambios en la vegetación a escala mensual. Los datos de satélite permitieron conocer en tiempo real la dinámica del ecosistema del humedal, incluida la propagación de Spartina alterniflora y el estado de plantas autóctonas como Phragmites australis y Suaeda salsa. Por primera vez, es posible controlar cómo los factores ambientales, las actividades humanas y la competencia entre especies impulsaban los cambios ecológicos en toda la reserva.
Además de controlar las especies invasoras, la tecnología también permitió estudiar las tendencias de la vegetación a largo plazo, lo que permitió a la reserva comprender mejor cómo el cambio climático, las variaciones de salinidad y las actividades humanas estaban afectando al ecosistema. La capacidad del proyecto para rastrear estos factores dotó a la reserva de potentes herramientas para adaptar su estrategia de conservación en tiempo real.
Conectar con los colaboradores
Otros colaboradores
Zhenxia Liu
Universidad Normal de Nanjing
Pei Du
Universidad Normal de Nanjing
Yufeng Li
Universidad Normal de Nanjing
Taisheng Chen
Universidad de Ciencia y Tecnología de Suzhou