Il ripristino non riguarda solo la piantumazione, ma anche la garanzia di un impatto a lungo termine. Il nostro sistema MRV alimentato dall'intelligenza artificiale consente di monitorare in tempo reale i progressi del restauro e la salute dell'ambiente. Inoltre, affronta problemi critici come la pesca illegale, il bracconaggio e la deforestazione, consentendo alle comunità di proteggere gli ecosistemi ripristinati. Questo sistema integra i dati satellitari, le immagini dei droni e le analisi dell'intelligenza artificiale per fornire informazioni utili, che possono essere adattate ad altre iniziative di ripristino o conservazione. Supporta inoltre la trasparenza e la responsabilità, assicurando che le parti interessate possano misurare efficacemente i progressi e i risultati.

La nostra piattaforma di licenze e formazione consente alle comunità di costruire, utilizzare e mantenere i droni in modo indipendente. Questo approccio è pratico e collaborativo, promuove le competenze locali e consente alle comunità di adattare la tecnologia alle loro esigenze specifiche. La piattaforma va oltre le competenze tecniche, creando una base per le comunità per innovare e modificare i droni per ulteriori applicazioni come la sorveglianza, la mappatura e l'agricoltura di precisione. Inoltre, la piattaforma favorisce un circuito di feedback in cui le comunità condividono le loro innovazioni, arricchendo la più ampia rete globale di utenti.

I nostri droni modulari sono progettati per garantire accessibilità, adattabilità e sostenibilità. Inizialmente realizzati con componenti in legno con meno di sei viti e fascette, sono semplici da assemblare, riparare e replicare con materiali locali, consentendo alle comunità di condurre progetti di restauro in modo indipendente.

Con il passare del tempo, abbiamo integrato celle a combustibile a idrogeno e sistemi di propulsione ibridi-elettrici, migliorando la resistenza di volo, l'efficienza energetica e la sostenibilità ambientale. Queste innovazioni consentono ai droni di coprire aree più ampie e di operare in ambienti remoti, riducendo al contempo l'impronta di carbonio.

Il design modulare garantisce la flessibilità necessaria per un adattamento continuo, consentendo alle comunità di aggiornare i droni con strumenti come telecamere o sensori per il monitoraggio. Questo approccio combina semplicità e innovazione all'avanguardia, creando un ponte tra l'empowerment della base e il ripristino ambientale scalabile e d'impatto.

Il monitoraggio degli uccelli acquatici è alla base delle strategie di protezione e gestione di quasi tutti i tipi di ecosistemi di zone umide. Con il continuo miglioramento delle infrastrutture di conservazione delle zone umide in Cina, compresi i dispositivi remoti per la raccolta di grandi quantità di dati acustici e visivi della fauna selvatica, la domanda di tecnologie di filtraggio e analisi dei dati è in aumento. Il rilevamento degli oggetti basato sul deep learning è diventato una soluzione fondamentale per l'analisi dei big data ed è stato testato in diverse aree applicative. Tuttavia, queste tecniche di apprendimento profondo non sono ancora state testate per il rilevamento di piccoli uccelli acquatici nei video di monitoraggio in tempo reale. Proponiamo un metodo di rilevamento migliorato che aggiunge ulteriori teste di predizione, moduli di attenzione SimAM e fotogrammi continui a YOLOV7, chiamato YOLOv7 Waterbirds, per i dispositivi di videosorveglianza in tempo reale per identificare le aree di attenzione ed eseguire compiti di monitoraggio degli uccelli acquatici (identificazione, conteggio e stima della densità). Sulla base del set di dati degli uccelli acquatici, il valore medio di accuratezza (mAP) di YOLOv7 waterbird è del 67,3%, circa il 5% in più rispetto al modello di riferimento. Inoltre, il tasso di richiamo del metodo migliorato è dell'87,9% (accuratezza=85%) e il tasso di richiamo per gli uccelli acquatici di piccole dimensioni (definiti come pixel inferiori a 40x40) è del 79,1%, il che indica che le sue prestazioni nel rilevamento di oggetti di piccole dimensioni sono superiori al metodo originale e a molti altri popolari algoritmi di deep learning. Questo algoritmo può essere utilizzato dai dipartimenti di gestione delle aree protette o da altre organizzazioni per utilizzare le telecamere di sorveglianza esistenti per un monitoraggio più preciso delle piante acquatiche, contribuendo in qualche modo alla conservazione della fauna selvatica.

Attraverso una serie di misure scientifiche come la micro-modifica del terreno, la regolazione del livello dell'acqua e il ripristino ecologico delle zone umide, si mira a creare un habitat in grado di soddisfare le esigenze di diversi uccelli migratori. Dopo il completamento del progetto di restauro, nella gestione quotidiana, il sito di roost dell'alta marea deve mantenere una certa proporzione di piane nude, aree di acqua bassa, aree di acqua profonda e aree a bassa vegetazione controllata. Controllando manualmente il livello dell'acqua per garantire la stabilità relativa delle diverse aree di livello, controllando l'altezza delle erbe infestanti per mantenere l'area delle piane nude, al fine di fornire gli habitat di diversi uccelli acquatici migratori come uccelli di mare, aironi, gabbiani, anatre, ecc. L'utilizzo di dispositivi non presidiati, come la videosorveglianza, per assistere nel monitoraggio delle comunità di uccelli acquatici, al fine di valutare i modelli di utilizzo dell'habitat da parte di questi uccelli migratori e successivamente valutare la qualità dell'habitat.

Nell'ambito dell'applicazione della trappola per la raccolta intermittente, i migliori risultati sono stati ottenuti con la seguente combinazione di variabili: crusca di mais (mangime supplementare) x crusca di mais (esca per la trappola) x O. Shiranus (specie) x 2 pesci/m2 (densità di allevamento).

I rendimenti totali ottenuti con questa combinazione sono stati superiori del 25% rispetto al gruppo di controllo con raccolta a lotto singolo. Una densità di allevamento più elevata (3 pesci/m2) ha portato a un raccolto totale leggermente superiore nel gruppo di controllo, ma a un profitto netto inferiore. L'uso di pellet ha rafforzato entrambi gli effetti ed è risultato il meno economico.

I risultati delle prove in azienda (vedi Figura 1) hanno dimostrato la funzionalità e l'eccellente effetto di cattura delle trappole. Nel corso dei tre mesi di prova in azienda, la trappola è stata utilizzata da 2 a 3 volte a settimana, per un totale di 27 volte. In media, sono stati catturati circa 120 pesciolini - equivalenti a 820 grammi - per ogni raccolta intermittente. Con l'uso della trappola, tutte le famiglie hanno dichiarato di mangiare pesce due volte a settimana. In precedenza, il consumo di pesce era compreso tra una e quattro volte al mese.

I benefici:

• Riduzione della competizione per l'ossigeno e il cibo tra i pesci nello stagno e quindi aumento misurabile della resa.
• Miglioramento del consumo familiare di pesce piccolo e nutriente e miglioramento del flusso di cassa.

Fattori di successo:

• Le trappole sono facili e poco costose da costruire (3 USD).
• Le trappole sono facili da usare, anche per le donne.
• Valore aggiunto direttamente tangibile grazie all'accesso facile e regolare al pesce.

Esempi dal campo

Nel complesso, l'esperienza delle famiglie coinvolte nelle sperimentazioni in azienda è stata molto positiva:

"Come famiglia siamo ora in grado di mangiare pesce due volte e a volte anche tre volte a settimana rispetto ai mesi precedenti senza la tecnologia, quando mangiavamo pesce solo una volta al mese". (Doud Milambe)

"Catturare il pesce è così semplice usando la trappola per pesci e anche le donne e i bambini possono usarla". (Jacqueline Jarasi)

"È veloce ed efficace rispetto al metodo dell'amo e della lenza che usavo per catturare il pesce per il consumo domestico, che poteva richiedere dalle tre alle quattro ore, ma per catturare solo tre pesci e quindi non sufficienti per le dimensioni della mia famiglia". (Hassan Jarasi)

• Coinvolgimento della comunità locale
• Rispondere alle esigenze della comunità

Prove sul posto

In una serie di esperimenti condotti presso il Centro Nazionale di Acquacoltura di Domasi, il team del progetto ha testato la trappola per la raccolta intermittente con diverse esche in stagni (200 m2) popolati da diverse specie(Coptodon Rendalli vs. Oreochromis Shiranus) a diverse densità(1 vs. 2 vs. 3 pesci per mq.). Inoltre, sono stati eseguiti altri test per determinare il tempo e gli intervalli necessari per catturare una certa quantità di pesci. Come controllo e per confronto, altri stagni sono stati popolati con O. Shiranus e C. Rendalli alimentati con crusca di mais o pellet per la raccolta di singoli lotti, per rappresentare le forme abituali di acquacoltura rurale in Malawi.

Prove in azienda

Nel momento in cui la trappola era tecnicamente funzionante, sono state individuate le famiglie che volevano testare la trappola in condizioni quotidiane e reali. Per tre mesi, sei famiglie hanno testato la trappola e documentato le catture.