Lembaga-lembaga tuan rumah dipilih berdasarkan kapasitas mereka untuk mendukung pengajaran di kelas dan di lapangan, serta keterlibatan mereka dalam tantangan konservasi aktif di mana teknologi memainkan peran penting. Sebagai contoh, RISE Grumeti Fund di Tanzania merupakan tempat pelatihan yang ideal, yang menawarkan fasilitas pendidikan, akomodasi bagi para siswa, dan menjalankan inisiatif aktif yang memanfaatkan teknologi seperti program anti-perburuan liar dan perlindungan badak.

Selain itu, kami memprioritaskan lembaga yang memiliki komitmen yang sama dengan kami untuk memajukan pendidikan bagi perempuan dan konservasionis karir awal, memiliki hubungan yang kuat dengan komunitas konservasi dan penelitian setempat, dan menunjukkan kepemimpinan dalam mengintegrasikan teknologi ke dalam praktik konservasi. Kemitraan ini sangat penting untuk memastikan program kami berkelanjutan dan tertanam kuat dalam masyarakat yang ingin dilayani.

Kemitraan yang kuat dengan LSM lokal dan departemen pendidikan sangat penting bagi keberhasilan Klub Arribada. Kemitraan ini memungkinkan penyesuaian kurikulum untuk mencerminkan prioritas konservasi khusus masyarakat, seperti perlindungan penyu di Príncipe atau pemantauan keanekaragaman hayati di Kenya. Perencanaan kolaboratif memastikan bahwa klub-klub tersebut memenuhi kebutuhan lokal dan memiliki dampak yang berkelanjutan.

Klub Arribada mengintegrasikan teknologi konservasi ke dalam kurikulum STEM mereka untuk mengajarkan siswa aplikasi praktis untuk pemantauan lingkungan dan pemecahan masalah. Para siswa mempelajari pemetaan GPS, analisis data bioakustik, pemrograman komputer mikro, dan pencetakan 3D untuk mengatasi tantangan konservasi. Mereka merancang prototipe, menganalisis data keanekaragaman hayati, dan membuat perpustakaan digital dari spesimen alami menggunakan pemindaian 3D, yang secara langsung menerapkan pembelajaran mereka pada upaya konservasi.

Arribada Club menyediakan pendidikan STEM langsung yang disesuaikan dengan kebutuhan konservasi. Disampaikan melalui program-program setelah jam sekolah di komunitas yang kurang terlayani, kurikulum ini menggabungkan tantangan konservasi lokal ke dalam pelajaran, memupuk hubungan yang mendalam antara siswa dan lingkungan mereka. Para siswa mendapatkan pengalaman praktis dengan alat-alat seperti GPS, mikrokomputer, dan pemantauan bioakustik, mempelajari bagaimana teknologi ini mendukung konservasi keanekaragaman hayati. Pendidikan ini memberdayakan generasi muda setempat dengan keterampilan teknis yang penting untuk pertumbuhan pribadi dan masyarakat sambil membina pemimpin konservasi di masa depan.

Temuan-temuan proyek disebarluaskan melalui berbagai platform akademis dan publik, termasuk:

• Artikel akademis di Ocean-Land-Atmosphere Research ( Jurnal Mitra Sains).
• Konten unggulan di Platform Publik WeChat AAASScience, media resmi Asosiasi Amerika untuk Kemajuan Ilmu Pengetahuan di Tiongkok.
• Kontribusi studi kasus untuk Situs Percontohan Delta Sungai Yangtze.
• Integrasi ke dalam proyek penelitian oseanografi utama yang didukung oleh NSFC.

Penyelarasan GBF: Selaras dengan Target GBF 20.
Kontribusi: Meningkatkan upaya konservasi global dengan berbagi metodologi yang dapat diukur.

Pengaruh pendorong alami dan antropogenik terhadap dinamika vegetasi dieksplorasi dengan menggunakan Generalized Additive Model (GAM). Model ini mengevaluasi hubungan non-linear antara perubahan vegetasi dan faktor-faktor kunci:

• Spartina alterniflora terutama dipengaruhi oleh variabel lingkungan laut seperti salinitas dan tinggi gelombang.
• Phragmites australis dan Suaeda salsa dipengaruhi oleh curah hujan, tekanan antropogenik (misalnya, akuakultur), dan kompetisi antar spesies.

Memahami penyebab ini mendukung pengelolaan ekosistem yang adaptif dan pengendalian spesies invasif.

Penyelarasan GBF: Mendukung Target GBF 6 dan 8.
Kontribusi: Model prediktif meningkatkan konservasi reaktif, menawarkan wawasan pendorong yang terukur.

Analisis spasial temporal dilakukan untuk mengungkap pola distribusi jangka panjang vegetasi lahan basah di dalam kawasan lindung dari tahun 1990 hingga 2022.

• Gambar 1A mengilustrasikan perubahan pola spasial vegetasi dari waktu ke waktu.
• Gambar 1B menyajikan persentase tutupan vegetasi di sepanjang gradien laut-daratan.

Alat analisis seperti indeks pola bentang alam, model migrasi, dan dinamika ekspansi-kontraksi digunakan untuk mengukur perubahan ekologi.

Temuan Utama

• Spartina alterniflora menunjukkan agregasi spasial yang tinggi tetapi menunjukkan tren penurunan dari waktu ke waktu.
• Phragmites australis dan Suaeda salsa menunjukkan fragmentasi yang lebih besar dan cakupan spasial yang meningkat.
• Migrasi vegetasi menunjukkan heterogenitas yang signifikan dan distribusi berpita yang jelas di sepanjang gradien darat-laut.

Penyelarasan GBF: Selaras dengan Target GBF 2.
Kontribusi: Hasil yang terukur meningkatkan perencanaan restorasi, mengisi kesenjangan dalam pendekatan pengelolaan yang seragam.

Basis data geospasial yang komprehensif dikembangkan, mengintegrasikan data tutupan vegetasi yang berasal dari penginderaan jarak jauh dengan variabel-variabel lingkungan, iklim, dan antropogenik yang penting. Metrik yang disertakan mencakup salinitas tanah, suhu permukaan laut, salinitas air laut, dan lokasi tambak, yang memberikan landasan analisis yang kuat.

Penyelarasan GBF: Mendukung Target 21 GBF.
Kontribusi: Mengintegrasikan beragam lapisan data untuk analisis holistik, menambah nilai pada kumpulan data konservasi yang terfragmentasi.

Rangkaian waktu indeks vegetasi dihaluskan menggunakan fitting Gaussian untuk mengurangi noise dan mengekstrak fitur fenologi utama. Algoritma pembelajaran hutan acak diterapkan untuk mengklasifikasikan vegetasi lahan basah ke dalam tiga tipe dominan: Spartina alterniflora, Phragmites australis, dan Suaeda salsa. Akurasi klasifikasi dari tahun 1990 hingga 2022 divalidasi melalui survei lapangan.

Penyelarasan GBF: Berkontribusi pada Target GBF 6.
Kontribusi: Mengurangi dampak spesies invasif dengan mengidentifikasi secara akurat Spartina alterniflora untuk pengendalian yang ditargetkan, mengatasi ancaman keanekaragaman hayati utama.

Dengan menggunakan platform Google Earth Engine (GEE), data penginderaan jauh seri Landsat dari tahun 1990 hingga 2022 diakuisisi secara sistematis, yang mencakup sensor TM5, ETM+ (Landsat 7), OLI (Landsat 8), dan OLI (Landsat 9). Untuk memastikan kualitas data untuk analisis selanjutnya, pita spektral utama - inframerah dekat (NIR), merah, dan hijau - dipilih dan digabungkan.

Penyelarasan GBF: Mendukung GBF Target 21.
Kontribusi: Meningkatkan pengambilan keputusan dengan kumpulan data yang tervalidasi secara real-time, menambah nilai pada upaya konservasi yang ada melalui inovasi teknologi.