Memanfaatkan Penginderaan Jauh untuk Pengelolaan dan Konservasi Ekologi di Cagar Alam Nasional Lahan Basah & Burung Langka Jiangsu Yancheng

Solusi Lengkap

oleh Zhaoyuan Yu, Nanjing Normal University

Grus japonensis di Cagar Alam Nasional Lahan Basah & Burung Langka Jiangsu Yancheng

Nanjing Normal University

Cagar Alam Nasional Lahan Basah & Burung Langka Jiangsu Yancheng merupakan rumah bagi Grus japonensis yang terancam punah dan spesies langka lainnya, yang bergantung pada ekosistem dataran lumpur lahan basah. Namun, spesies invasif seperti Spartina alterniflora mengancam keanekaragaman hayati, menyebabkan degradasi ekologi dan mengurangi keanekaragaman hayati. Untuk mengatasi hal ini, teknologi penginderaan jarak jauh digunakan untuk memantau evolusi vegetasi, yang memberikan wawasan berharga untuk pengelolaan ekologi.

Situs Percontohan Delta Sungai Yangtze dari Program CoastPredict dari Dekade Kelautan PBB, yang dipimpin oleh Nanjing Normal University, menggabungkan teknologi penginderaan jauh dan upaya konservasi untuk mendukung pengelolaan di Yancheng. Penginderaan jarak jauh telah melacak evolusi vegetasi lahan basah utama(Spartina alterniflora, Suaeda salsa, dan Phragmites australis) sejak tahun 1990, yang membantu untuk memahami dampak lingkungan, aktivitas manusia, dan interaksi spesies. Inisiatif ini membantu mengembangkan strategi konservasi yang lebih efektif, yang bermanfaat bagi cagar alam dan upaya global yang lebih luas.

Pembaruan terakhir: 10 Oct 2025

93 Tampilan

Penghargaan Tech4Nature

Kategori Penghargaan

Inovasi Teknologi untuk Konservasi Alam

Jenis teknologi

Perangkat lunak

Teknologi yang relevan

Data Satelit

Perencanaan dan Analisis Geospasial

Kecerdasan Buatan dan Pembelajaran Mesin

Deskripsi Teknologi

Solusi ini memanfaatkan penginderaan jarak jauh, Sistem Informasi Geografis (GIS), dan pemodelan kembar digital, yang dikombinasikan dengan pembelajaran mendalam dan validasi lapangan, untuk memantau evolusi jangka panjang vegetasi lahan basah(Spartina alterniflora, Phragmites australis, Suaeda salsa). Dengan mengintegrasikan pemrosesan data satelit, pembelajaran mesin, analisis spasial GIS, dan pemodelan ekologi, memungkinkan pemantauan yang tepat dan terukur untuk mendukung konservasi lahan basah dan pengelolaan spesies invasif. Dasbor yang intuitif memastikan aksesibilitas bagi pengguna yang bukan ahli, termasuk masyarakat lokal, sehingga mendorong partisipasi yang inklusif.

Kemajuan dan Inovasi Penting

Pembelajaran Mendalam dengan Penginderaan Jauh: Algoritma pembelajaran mendalam memproses data Landsat seri waktu (1990-2022), mencapai klasifikasi jenis vegetasi dengan presisi tinggi. Inovasi ini memungkinkan pelacakan terperinci atas penyebaran spesies invasif dan pemulihan vegetasi asli, yang mendukung langkah-langkah konservasi yang ditargetkan selama 32 tahun.
SistemInformasi Geografis (GIS) untuk Analisis Spasial: Perangkat GIS memetakan dan menganalisis distribusi vegetasi, mengidentifikasi pola migrasi, fragmentasi habitat, dan tren agregasi. Hal ini memberikan wawasan eksplisit secara spasial yang sangat penting untuk perencanaan konservasi dan prioritas restorasi yang efektif.
Pemodelan Ekosistem Kembar Digital: Kembaran digital dari lahan basah Yancheng mengintegrasikan penginderaan jarak jauh, lapisan GIS, dan metrik lingkungan waktu nyata (misalnya, salinitas tanah, anomali permukaan laut). Replika virtual ini mensimulasikan skenario seperti dampak spesies invasif atau dampak perubahan iklim, sehingga memungkinkan pengambilan keputusan yang proaktif dan berbasis data.
Basis Data Lingkungan yang Komprehensif: Basis data multi-dimensi yang menggabungkan data vegetasi dengan variabel iklim, kelautan, dan antropogenik (misalnya, suhu permukaan laut, distribusi akuakultur). Kumpulan data holistik ini mendukung analisis pendorong dan menginformasikan strategi konservasi yang adaptif.
Kerangka Kerja yang Terukur dan Dapat Ditiru: Metodologi yang dibangun di atas data sumber terbuka (Landsat, Sentinel) dan Google Earth Engine (GEE) ini dapat beradaptasi dengan beragam ekosistem di seluruh dunia, menawarkan alat yang hemat biaya untuk memantau spesies invasif dan perubahan habitat.
Pemantauan Hemat Biaya: Memanfaatkan data satelit yang tersedia secara gratis dan GEE memastikan pemantauan berbiaya rendah dan berefisiensi tinggi, meningkatkan resolusi temporal dan mengurangi kebutuhan sumber daya untuk konservasi jangka panjang.

Integrasi teknologi ini mengubah pengelolaan lahan basah dengan menyediakan alat yang prediktif, terukur, dan inklusif, selaras dengan Target GBF 2 (memulihkan ekosistem), 6 (pengendalian spesies invasif), 8 (ketahanan iklim), 20 (memperkuat kapasitas), 21 (pengetahuan yang dapat diakses), dan 22 (partisipasi dalam pengambilan keputusan). Pendekatan berbiaya rendah dan berbasis data dari solusi ini memastikan keberlanjutan jangka panjang dan penerapan yang luas.

Donor dan Pendanaan

Proyek ini didukung oleh Yayasan Ilmu Pengetahuan Alam Nasional Tiongkok (Hibah 42230406).

Galeri foto dan video

Konteks

Tantangan yang dihadapi

Hilangnya Keanekaragaman Hayati

Hilangnya ekosistem

Spesies invasif

Cagar Alam Nasional Lahan Basah & Burung Langka Jiangsu Yancheng, yang terletak di Provinsi Jiangsu, Tiongkok, merupakan kawasan lindung yang signifikan secara global. Kawasan ini berfungsi sebagai habitat penting bagi beberapa spesies burung yang paling terancam punah di dunia, terutama Grus japonensis, dan spesies satwa liar langka lainnya. Cagar alam ini juga memiliki ekosistem penting, khususnya lahan basah rawa lumpur, yang sangat penting bagi kelangsungan hidup spesies-spesies tersebut.

Namun, terlepas dari kepentingan ekologisnya, cagar alam ini menghadapi beberapa tantangan lingkungan yang signifikan. Salah satu masalah yang paling mendesak adalah invasi Spartina alterniflora , spesies tanaman eksotis yang mulai mendominasi ekosistem lahan basah. Spesies invasif ini mengganggu keseimbangan vegetasi asli, yang menyebabkan degradasi ekologi dan berkurangnya keanekaragaman hayati. Akibatnya, pengelolaan dan pemantauan yang efektif terhadap ekosistem cagar alam ini menjadi semakin penting untuk memastikan kelestarian keanekaragaman hayati yang unik.

Skala implementasi

Lokal

Ekosistem

Rawa garam

Tema

Spesies asing yang invasif

Lokasi

Yancheng, Jiangsu, Republik Rakyat Tiongkok

Asia Timur

Proses

Ringkasan prosesnya

Proyek ini mengadopsi metodologi terstruktur berdasarkan enam blok bangunan (BB) yang saling terkait untuk secara sistematis memantau evolusi jangka panjang vegetasi lahan basah menggunakan teknologi penginderaan jauh.

BB1 (Pengumpulan Data) dan BB2 (Identifikasi Tipe Vegetasi Lahan Basah ) memberikan masukan dasar untuk BB3 (Kuantifikasi Data dan Pembentukan Basis Data).
BB3, pada gilirannya, mendukung BB4 (Analisis Karakteristik Spasial dan Temporal) dan BB5 (Identifikasi Pendorong Utama Evolusi Vegetasi).
Wawasan dan temuan yang diperoleh dari tahap-tahap ini dibagikan melalui BB6 (Komunikasi Akademis ) dan BB7 (Pelatihan dan Peningkatan Kapasitas), meningkatkan pertukaran pengetahuan dan memperkuat dampak proyek yang lebih luas.

Setiap blok bangunan diurutkan secara logis untuk secara kolektif berkontribusi pada tujuan menyeluruh: melestarikan lahan basah, mencegah penyebaran spesies invasif, dan menawarkan metodologi terukur yang dapat diterapkan pada ekosistem serupa di seluruh dunia.

Blok Bangunan

Pengumpulan data

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.

Faktor-faktor pendukung

Hanya citra penginderaan jauh dengan tutupan awan ≤10% yang dipilih, diikuti dengan koreksi radiometrik dan atmosfer melalui pemrosesan batch.
Informasi spesifik vegetasi diekstraksi dengan menggunakan kombinasi band yang dioptimalkan, khususnya memanfaatkan reflektansi tinggi vegetasi dalam rentang NIR.

Pelajaran yang dipetik

Keterbatasan dalam resolusi spasial, temporal, dan spektral menimbulkan potensi ketidakpastian, sehingga menyoroti pentingnya metode koreksi radiometrik dan geometrik yang kuat.
Penggabungan data di berbagai sensor Landsat yang berbeda sangat penting untuk mencapai deret waktu jangka panjang yang konsisten, meskipun diperlukan pemrosesan tambahan yang substansial untuk menyelaraskan resolusi spasial dan temporal.

Identifikasi Jenis Vegetasi Lahan Basah

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.

Faktor-faktor pendukung

Pemasangan kurva Gaussian secara efektif meminimalkan noise pada kurva indeks vegetasi mentah, sehingga meningkatkan akurasi klasifikasi.
Algoritma random forest memanfaatkan perbedaan spektral antara spesies, memungkinkan ekstraksi fitur yang kuat dan identifikasi yang andal.

Pelajaran yang dipetik

Fitur spektral yang terkait dengan kelembaban vegetasi dan atribut struktural secara signifikan meningkatkan keterpisahan antar spesies.
Langkah-langkah prapemrosesan seperti penyesuaian kurva dan denoising sangat penting untuk meningkatkan keandalan klasifikasi jangka panjang.

Kuantifikasi Data dan Pembentukan Basis Data

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.

Faktor-faktor pendukung

Validasi lapangan mengkonfirmasi keakuratan interpretasi penginderaan jarak jauh (lihat Gambar 1 dan 2).
Basis data ini memfasilitasi integrasi data spasial dan lingkungan, mendukung analisis multi-variabel dan pemodelan ekologi.

Pelajaran yang dipetik

Data lapangan yang akurat sangat penting untuk memvalidasi hasil penginderaan jauh dan memastikan keandalan basis data.
Basis data multi-sumber yang terstruktur dengan baik akan meningkatkan efisiensi analisis dan memungkinkan studi korelasi dan kausalitas yang lebih canggih.

Analisis Karakteristik Spasial dan Temporal Vegetasi Lahan Basah

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.

Faktor-faktor pendukung

Heterogenitas temporal dan spasial memerlukan metode analisis yang beragam.
Analisis spasial memberikan wawasan ekologi penting yang menginformasikan strategi konservasi dan pengelolaan yang ditargetkan.

Pelajaran yang dipetik

Heterogenitas temporal dan spasial dari dinamika vegetasi memerlukan pendekatan analitis yang beragam.
Analisis spasial mengungkapkan pola ekologi yang penting, sehingga membantu strategi pengelolaan yang ditargetkan.

Pendorong Utama Evolusi Vegetasi

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.

Faktor-faktor pendukung

GAM secara efektif menangkap interaksi yang kompleks dan non-linier antara pemicu dan perubahan vegetasi.
Integrasi dataset lingkungan dan aktivitas manusia meningkatkan ketangguhan atribusi penyebab.

Pelajaran yang dipetik

Pengumpulan data dan penyempurnaan model secara terus menerus sangat penting untuk akurasi prediksi jangka panjang.
Pemahaman mekanistik tentang pendorong ekologis mendukung pengembangan strategi konservasi berwawasan ke depan.

Komunikasi Akademik

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.

Faktor-faktor pendukung

Komunikasi yang transparan mengenai tantangan dan metodologi meningkatkan keterlibatan lintas disiplin ilmu.
Presentasi sistematis kepada para pemangku kepentingan meningkatkan kesadaran dan memfasilitasi penerapan praktis.

Pelajaran yang dipetik

Diseminasi yang terbuka dan mudah diakses mendorong kolaborasi antar disiplin ilmu dan berbagi pengetahuan secara global.
Menerbitkan wawasan yang dapat ditindaklanjuti baik dalam ranah ilmiah maupun publik mempercepat penerjemahannya ke dalam praktik konservasi.

Sumber daya

Articles of project results

Pelatihan dan Pengembangan Kapasitas

Sebagai bagian dari strategi dampak proyek yang lebih luas, pelatihan dan peningkatan kapasitas diprioritaskan untuk meningkatkan literasi teknis dalam penginderaan jarak jauh dan analisis geospasial. Sejak tahun 2021, serangkaian program pelatihan telah diselenggarakan setiap tahun oleh School of Geography di Nanjing Normal University, dengan fokus pada pemodelan geospasial dan aplikasi penginderaan jauh. Selama empat tahun terakhir, program ini telah berhasil melatih lebih dari 4.000 peserta, termasuk para sarjana muda, sukarelawan penelitian, dan profesional yang baru memulai karirnya.

Penyelarasan GBF: Mendukung Target GBF 20 dan 22.
Kontribusi: Program pelatihan yang terukur mengisi kesenjangan kapasitas, meningkatkan upaya konservasi lokal.

Faktor-faktor pendukung

Kursus pelatihan ini didukung oleh pengajar yang berpengalaman dan kurikulum yang disesuaikan, dengan penekanan pada aplikasi praktis dalam penginderaan jarak jauh dan GIS.
Kolaborasi dengan institusi akademis dan publik memperluas jangkauan dan memastikan partisipasi dari beragam kelompok pelajar lintas disiplin ilmu.

Pelajaran yang dipetik

Pengembangan kapasitas memainkan peran penting dalam mempertahankan dampak penelitian jangka panjang, memungkinkan generasi baru peneliti untuk terlibat dalam pemantauan lahan basah dan analisis ekologi.
Pendidikan berkelanjutan dan pelatihan langsung secara efektif menjembatani kesenjangan antara hasil penelitian dan aplikasi di dunia nyata, terutama dalam konteks konservasi dan pengelolaan sumber daya.

Dampak

Peningkatan Efisiensi Pemantauan: Teknologi penginderaan jarak jauh yang dikembangkan dalam proyek ini memungkinkan pemantauan evolusi vegetasi lahan basah dalam jangka panjang dan hemat biaya. Peningkatan ini secara signifikan memperluas skala waktu pemantauan, memungkinkan pemahaman yang lebih komprehensif mengenai dinamika lahan basah dan secara efektif meningkatkan standar pemantauan konservasi di cagar alam.
Kontribusi terhadap Studi Spesies Asing Invasif: Proyek ini telah memajukan pemahaman kita tentang proses invasi Spartina alterniflora dan spesies invasif lainnya, menyoroti pengaruh faktor lingkungan, aktivitas manusia, dan persaingan antar spesies. Data ini membantu para peneliti untuk memprediksi dan mengelola penyebaran spesies invasif dengan lebih baik, memastikan intervensi yang tepat waktu dan lebih efektif.
Mendukung Konservasi Keanekaragaman Hayati: Dengan mengungkap pola evolusi spesies invasif, teknologi ini menjadi dasar bagi pencegahan dan pengendalian ancaman-ancaman ini di cagar alam. Hal ini secara langsung memberikan manfaat bagi Grus japonensis dan spesies asli lainnya dengan melindungi habitat lahan basah yang kritis, yang berkontribusi pada upaya konservasi keanekaragaman hayati jangka panjang.
Meningkatkan Kesadaran Konservasi: Proyek ini mendorong pertukaran pengetahuan tentang penggunaan penginderaan jauh dalam konservasi lahan basah, menawarkan wawasan yang berharga dalam pengelolaan lahan basah dan pemantauan vegetasi.

Penerima manfaat

Grus japonensis
Masyarakat lokal
Cagar alam
Akademisi
Pengunjung

Selain itu, jelaskan potensi skalabilitas Solusi Anda. Dapatkah solusi ini direplikasi atau diperluas ke wilayah atau ekosistem lain?

Solusi yang diusulkan - yang dibangun berdasarkan integrasi teknologi penginderaan jarak jauh, algoritme pembelajaran mendalam, dan kerangka kerja analisis ekologi - menunjukkan skalabilitas yang kuat di seluruh wilayah dan jenis ekosistem. Arsitektur modularnya (BB1-BB7) memungkinkan penyesuaian, replikasi, dan perluasan dalam dimensi spasial dan tematik, sehingga sangat cocok untuk mengatasi tantangan seperti penyebaran spesies invasif, fragmentasi habitat, hilangnya keanekaragaman hayati, dan degradasi ekosistem.

Skalabilitas Teknis

Penggunaan set data yang dapat diakses secara global (misalnya, Landsat, Sentinel) dan platform komputasi awan seperti Google Earth Engine memastikan rendahnya hambatan teknis untuk penerapan di wilayah lain.
Pengklasifikasi pembelajaran mendalam dan pembelajaran mesin (misalnya, Random Forest, GAM) bersifat model-agnostik dan dapat dilatih ulang dengan data lokal untuk mengakomodasi komposisi spesies dan konteks ekologi yang berbeda.

Transferabilitas Geografis dan Ekosistem

Metodologi ini telah berhasil diterapkan di Cagar Alam Burung Langka Nasional Yancheng, yang memvalidasi keefektifannya di lahan basah pesisir.
Metode ini memiliki potensi yang kuat untuk ditransfer ke lingkungan yang serupa, termasuk:
- Lahan basah pesisir Asia Timur lainnya yang terkena dampak dari Spartina alterniflora atau penyerbu serupa (misalnya, Delta Sungai Kuning, Teluk Hangzhou)
- Ekosistem lahan basah pedalaman yang mengalami salinisasi, fragmentasi, atau perubahan vegetasi musiman
- Wilayah muara dan delta di seluruh dunia, di mana spesies invasif dan pergeseran hidrologi mengancam keanekaragaman hayati.

Potensi Perluasan: Rumah Susun Pesisir Tianjin-Hebei

Solusi tersebut saat ini sedang diperluas secara konseptual ke dataran pasang surut pesisir Tianjin Binhai dan Cangzhou, di mana lebih dari 700 hektar Spartina alterniflora telah mengubah fungsi ekosistem.
Melalui koordinasi regional, alat pemantauan dan model spasial diadaptasi untuk mendukung tata kelola ekologi lintas yurisdiksi, yang tidak hanya menunjukkan skalabilitas teknis tetapi juga kelembagaan.

Perluasan Kelembagaan dan Pengembangan Kapasitas

Kerangka kerja ini mencakup komponen pengembangan kapasitas khusus (BB7), yang memungkinkan transfer pengetahuan melalui program pelatihan yang diselenggarakan oleh Nanjing Normal University, yang telah melatih lebih dari 4.000 peserta. Hal ini memastikan penyerapan dan keberlanjutan lokal di wilayah yang baru diadopsi.

Relevansi Global

Solusi ini telah disebarluaskan melalui publikasi yang ditinjau oleh rekan sejawat, dialog kebijakan, dan kolaborasi internasional, sehingga meningkatkan visibilitas dan kesiapannya untuk direplikasi secara global.
Sifatnya yang berbasis data, berbiaya rendah, dan modular membuatnya sangat cocok untuk diadopsi di Global South, di mana alat yang hemat biaya sangat dibutuhkan untuk konservasi dan adaptasi iklim.

Solusi ini tidak hanya dapat direplikasi, tetapi juga dapat diskalakan dalam cakupan, dapat diadaptasi dalam metode, dan berkelanjutan melalui peningkatan kapasitas-menjadikannya kontributor yang kuat bagi upaya global dalam konservasi keanekaragaman hayati dan ketahanan ekosistem.

Kerangka Kerja Keanekaragaman Hayati Global (Global Biodiversity Framework (GBF))

Target GBF 2 - Memulihkan 30% dari semua Ekosistem yang Terdegradasi

Target GBF 6 - Mengurangi Introduksi Spesies Asing Invasif hingga 50% dan Meminimalkan Dampaknya

Target GBF 8 - Meminimalkan Dampak Perubahan Iklim terhadap Keanekaragaman Hayati dan Membangun Ketahanan

Target GBF 20 - Memperkuat Pengembangan Kapasitas, Alih Teknologi, dan Kerjasama Ilmiah dan Teknis untuk Keanekaragaman Hayati

Target GBF 21 - Memastikan Bahwa Pengetahuan Tersedia dan Dapat Diakses Untuk Memandu Aksi Keanekaragaman Hayati

Target GBF 22 - Memastikan Partisipasi dalam Pengambilan Keputusan dan Akses terhadap Keadilan dan Informasi Terkait Keanekaragaman Hayati untuk semua

Cerita

Cagar Alam Nasional Lahan Basah & Burung Langka Jiangsu Yancheng adalah rumah bagi Grus japonensis, salah satu spesies burung yang paling terancam punah di dunia. Selama bertahun-tahun, area lahan basah yang luas ini berfungsi sebagai habitat penting bagi burung bangau ini dan spesies lain yang tak terhitung jumlahnya, dengan mengandalkan keseimbangan ekologi yang rumit. Namun, seiring berjalannya waktu, lahan basah ini mulai menghadapi ancaman besar dari spesies invasif, terutama Spartina alterniflora, yang dengan cepat mengungguli vegetasi asli dan membahayakan spesies yang bergantung pada area tersebut.

Cagar alam ini telah lama berjuang dengan teknik pemantauan tradisional, yang lambat, mahal, dan tidak memiliki kemampuan untuk menjangkau area lahan basah yang luas secara efisien. Akibatnya, perubahan ekologis yang penting sering kali terlambat terdeteksi. Spesies invasif seperti Spartina menyebar tanpa terkendali, dan dampaknya terhadap keanekaragaman hayati sangat buruk.

Situs Percontohan Delta Sungai Yangtze dari Program CoastPredict dari Dekade Kelautan PBB, yang dipimpin oleh Nanjing Normal University, menggabungkan teknologi penginderaan jarak jauh dan upaya konservasi untuk mendukung pengelolaan di Yancheng. sistem penginderaan jarak jauh memungkinkan tim cagar alam untuk memantau perubahan vegetasi dalam skala bulanan. Data satelit memberikan wawasan waktu nyata tentang dinamika ekosistem lahan basah, termasuk penyebaran Spartina alterniflora dan kondisi tanaman asli seperti Phragmites australis dan Suaeda salsa. Untuk pertama kalinya, dimungkinkan untuk memantau bagaimana faktor lingkungan, aktivitas manusia, dan persaingan antar spesies mendorong perubahan ekologi di seluruh cagar alam.

Selain mengendalikan spesies invasif, teknologi ini juga memungkinkan untuk mempelajari tren vegetasi jangka panjang, sehingga memungkinkan cagar alam ini untuk lebih memahami bagaimana perubahan iklim, variasi salinitas, dan aktivitas manusia berdampak pada ekosistem. Kemampuan proyek untuk melacak faktor-faktor ini memberi cagar alam ini alat yang kuat untuk mengadaptasi strategi konservasinya secara real-time.