Gastinstellingen worden geselecteerd op basis van hun capaciteit om zowel klassikaal als in het veld les te geven en op basis van hun betrokkenheid bij actieve natuurbeschermingsuitdagingen waarbij technologie een belangrijke rol speelt. Het RISE Grumeti Fund in Tanzania is bijvoorbeeld een ideale trainingslocatie, met onderwijsfaciliteiten, accommodatie voor studenten en actieve, op technologie gebaseerde initiatieven zoals programma's tegen stropers en bescherming van neushoorns.

Verder geven we de voorkeur aan instellingen die onze toewijding aan het bevorderen van onderwijs voor vrouwen en beginnende natuurbeschermers delen, sterke banden hebben met lokale natuurbeschermings- en onderzoeksgemeenschappen en leiderschap tonen in het integreren van technologie in de natuurbeschermingspraktijk. Deze partnerschappen zijn essentieel om ervoor te zorgen dat ons programma zowel duurzaam is als diep verankerd in de gemeenschappen die het wil dienen.

Sterke partnerschappen met lokale NGO's en educatieve afdelingen zijn cruciaal geweest voor het succes van de Arribada Clubs. Deze partnerschappen maken het mogelijk om het lesprogramma aan te passen aan de specifieke prioriteiten van de gemeenschap op het gebied van natuurbehoud, zoals de bescherming van zeeschildpadden in Príncipe of het monitoren van de biodiversiteit in Kenia. Planning in samenwerking zorgt ervoor dat de clubs inspelen op lokale behoeften en een blijvende impact hebben.

De Arribada Clubs integreren natuurbehoudstechnologie in hun STEM-curriculum om leerlingen praktische toepassingen voor milieumonitoring en probleemoplossing te leren. Leerlingen leren GPS-kartering, bioakoestische gegevensanalyse, microcomputerprogrammering en 3D-printen om uitdagingen op het gebied van natuurbehoud aan te pakken. Ze ontwerpen prototypes, analyseren biodiversiteitsgegevens en maken digitale bibliotheken van natuurlijke specimens met behulp van 3D-scanning, waarbij ze hun kennis direct toepassen op natuurbehoud.

De Arribada Club biedt praktische STEM-educatie op maat voor natuurbehoud. Het lesprogramma wordt gegeven via naschoolse programma's in achtergestelde gemeenschappen en integreert lokale uitdagingen op het gebied van natuurbehoud in de lessen, zodat er een diepe band ontstaat tussen leerlingen en hun omgeving. Leerlingen doen praktische ervaring op met hulpmiddelen zoals GPS, microcomputers en bioakoestische monitoring en leren hoe deze technologieën het behoud van biodiversiteit ondersteunen. Dit onderwijs geeft de lokale jeugd technische vaardigheden die essentieel zijn voor zowel de persoonlijke groei als de groei van de gemeenschap en stimuleert toekomstige leiders op het gebied van natuurbehoud.

De bevindingen van het project werden verspreid via verschillende academische en publieke platforms, waaronder:

• Een academisch artikel in Ocean-Land-Atmosphere Research (een Science Partner Journal).
• Uitgelichte content op het AAASScience WeChat Public Platform, het officiële medium van de American Association for the Advancement of Science in China.
• Een casestudiebijdrage aan de Yangtze River Delta Pilot Site.
• Integratie in grote door NSFC ondersteunde oceanografische onderzoeksprojecten.

Afstemming op GBF: Komt overeen met GBF Doel 20.
Bijdrage: Verbetert wereldwijde beschermingsinspanningen door het delen van schaalbare methodologieën.

De invloed van natuurlijke en antropogene factoren op de vegetatiedynamiek werd onderzocht met behulp van een Generalized Additive Model (GAM). Dit model evalueerde niet-lineaire relaties tussen vegetatieveranderingen en belangrijke factoren:

• Spartina alterniflora werd voornamelijk beïnvloed door mariene milieuvariabelen zoals zoutgehalte en golfhoogte.
• Phragmites australis en Suaeda salsa werden beïnvloed door neerslag, antropogene druk (bijv. aquacultuur) en concurrentie tussen soorten.

Inzicht in deze factoren ondersteunt adaptief ecosysteembeheer en de bestrijding van invasieve soorten.

Afstemming op GBF: Ondersteunt GBF doelen 6 en 8.
Bijdrage: Voorspellende modellen verbeteren het reactieve behoud en bieden meetbare inzichten in de drijvende krachten.

Er is een spatiotemporele analyse uitgevoerd om distributiepatronen op lange termijn van wetlandvegetatie binnen het beschermde gebied van 1990 tot 2022 te onthullen.

• Figuur 1A illustreert veranderingen in de ruimtelijke patronen van de vegetatie in de loop van de tijd.
• Figuur 1B toont de procentuele vegetatiebedekking langs de zee-land gradiënt.

Analysetools zoals landschapspatroonindices, migratiemodellen en expansie-krimpdynamiek werden gebruikt om ecologische veranderingen te kwantificeren.

Belangrijkste bevindingen

• Spartina alterniflora vertoonde een hoge ruimtelijke aggregatie, maar vertoonde een afnemende trend in de loop van de tijd.
• Phragmites australis en Suaeda salsa vertoonden een grotere fragmentatie en een toenemende ruimtelijke dekking.
• Vegetatietrek vertoonde een significante heterogeniteit en een duidelijke bandvormige verspreiding langs de land-zee gradiënt.

Afstemming op GBF: Komt overeen met GBF Doel 2.
Bijdrage: Meetbare resultaten verbeteren de herstelplanning en vullen hiaten in uniforme beheerbenaderingen.

Er werd een uitgebreide geospatiale database ontwikkeld, waarin gegevens over vegetatiebedekking afkomstig van teledetectie werden geïntegreerd met belangrijke milieu-, klimaat- en antropogene variabelen. De meetgegevens omvatten het zoutgehalte van de bodem, de temperatuur van het zeeoppervlak, het zoutgehalte van het zeewater en de locaties van aquacultuurvijvers, waardoor een robuuste analytische basis werd gelegd.

Afstemming op GBF: Ondersteunt GBF Doel 21.
Bijdrage: Integreert verschillende gegevenslagen voor holistische analyse, waardoor waarde wordt toegevoegd aan gefragmenteerde gegevensbestanden over natuurbehoud.

Tijdreeksen van vegetatie-indexen werden afgevlakt met Gaussiaanse fitting om ruis te verminderen en belangrijke fenologische kenmerken te extraheren. Een random forest deep learning-algoritme werd toegepast om de moerasvegetatie in drie dominante typen in te delen: Spartina alterniflora, Phragmites australis en Suaeda salsa. De classificatienauwkeurigheid van 1990 tot 2022 werd gevalideerd door middel van veldonderzoeken.

Afstemming op GBF: Draagt bij aan GBF Doel 6.
Bijdrage: Vermindert de impact van invasieve soorten door Spartina alterniflora nauwkeurig te identificeren voor gerichte bestrijding, waardoor een belangrijke bedreiging voor de biodiversiteit wordt aangepakt.

Met behulp van het Google Earth Engine (GEE) platform werden systematisch teledetectiegegevens van de Landsat-reeks van 1990 tot 2022 verzameld, waaronder TM5, ETM+ (Landsat 7), OLI (Landsat 8) en OLI (Landsat 9) sensoren. Om de kwaliteit van de gegevens voor latere analyses te garanderen, werden de belangrijkste spectrale banden - NIR (Naber-infrarood), rood en groen - geselecteerd en samengevoegd.

GBF uitlijning: Ondersteunt GBF Doel 21.
Bijdrage: Verbetert de besluitvorming met real-time, gevalideerde datasets en voegt waarde toe aan bestaande beschermingsinspanningen door middel van technologische innovatie.