As instituições anfitriãs são selecionadas com base em sua capacidade de oferecer suporte à instrução em sala de aula e em campo, e em seu envolvimento com desafios ativos de conservação em que a tecnologia desempenha um papel significativo. Por exemplo, o RISE Grumeti Fund, na Tanzânia, é um local de treinamento ideal, oferecendo instalações educacionais, acomodações para os alunos e iniciativas ativas e habilitadas para a tecnologia, como programas de proteção contra a caça ilegal e rinocerontes.

Além disso, priorizamos instituições que compartilham nosso compromisso com o avanço da educação para mulheres e conservacionistas em início de carreira, que tenham fortes vínculos com as comunidades locais de conservação e pesquisa e que demonstrem liderança na integração da tecnologia à prática de conservação. Essas parcerias são essenciais para garantir que nosso programa seja sustentável e profundamente incorporado às comunidades que pretende atender.

Parcerias sólidas com ONGs locais e departamentos educacionais têm sido fundamentais para o sucesso dos Clubes Arribada. Essas parcerias permitem a personalização do currículo para refletir as prioridades de conservação específicas da comunidade, como a proteção das tartarugas marinhas em Príncipe ou o monitoramento da biodiversidade no Quênia. O planejamento colaborativo garante que os clubes atendam às necessidades locais e tenham um impacto duradouro.

Os Clubes Arribada integram a tecnologia de conservação em seu currículo STEM para ensinar aos alunos aplicações práticas de monitoramento ambiental e solução de problemas. Os alunos aprendem mapeamento por GPS, análise de dados bioacústicos, programação de microcomputadores e impressão 3D para enfrentar desafios de conservação. Eles projetam protótipos, analisam dados de biodiversidade e criam bibliotecas digitais de espécimes naturais usando a digitalização em 3D, aplicando diretamente seu aprendizado aos esforços de conservação.

O Clube Arribada oferece educação prática em STEM adaptada às necessidades de conservação. Oferecido por meio de programas pós-escolares em comunidades carentes, o currículo incorpora desafios locais de conservação nas aulas, promovendo uma conexão profunda entre os alunos e seu ambiente. Os alunos adquirem experiência prática com ferramentas como GPS, microcomputadores e monitoramento bioacústico, aprendendo como essas tecnologias apoiam a conservação da biodiversidade. Essa educação capacita os jovens locais com habilidades técnicas essenciais para o crescimento pessoal e comunitário, ao mesmo tempo em que promove futuros líderes em conservação.

Os resultados do projeto foram divulgados por meio de várias plataformas acadêmicas e públicas, incluindo:

• Um artigo acadêmico na Ocean-Land-Atmosphere Research (uma revista Science Partner).
• Conteúdo em destaque na plataforma pública AAASScience WeChat, a mídia oficial da Associação Americana para o Avanço da Ciência na China.
• Uma contribuição de estudo de caso para o site piloto do Delta do Rio Yangtze.
• Integração aos principais projetos de pesquisa oceanográfica apoiados pelo NSFC.

Alinhamento com a GBF: Alinha-se com a meta 20 da GBF.
Contribuição: Aprimora os esforços globais de conservação ao compartilhar metodologias escalonáveis.

A influência dos fatores naturais e antropogênicos na dinâmica da vegetação foi explorada usando um Modelo Aditivo Generalizado (GAM). Esse modelo avaliou as relações não lineares entre as mudanças na vegetação e os principais fatores:

• A Spartina alterniflora foi influenciada principalmente por variáveis ambientais marinhas, como salinidade e altura das ondas.
• Phragmites australis e Suaeda salsa foram afetados pela precipitação, pressões antropogênicas (por exemplo, aquicultura) e competição entre espécies.

A compreensão desses fatores apoia o gerenciamento adaptativo do ecossistema e o controle de espécies invasoras.

Alinhamento ao GBF: Apoia as Metas 6 e 8 do GBF.
Contribuição: Os modelos preditivos melhoram a conservação reativa, oferecendo percepções mensuráveis sobre os fatores determinantes.

A análise espaço-temporal foi realizada para revelar os padrões de distribuição de longo prazo da vegetação de áreas úmidas dentro da área protegida de 1990 a 2022.

• A Figura 1A ilustra as mudanças nos padrões espaciais da vegetação ao longo do tempo.
• A Figura 1B apresenta a porcentagem de cobertura vegetal ao longo do gradiente mar-terra.

Ferramentas analíticas, como índices de padrão de paisagem, modelos de migração e dinâmica de expansão-contração, foram usadas para quantificar as mudanças ecológicas.

Principais descobertas

• A Spartina alterniflora apresentou alta agregação espacial, mas mostrou uma tendência de declínio ao longo do tempo.
• Phragmites australis e Suaeda salsa apresentaram maior fragmentação e aumento da cobertura espacial.
• A migração da vegetação apresentou heterogeneidade significativa e uma clara distribuição em faixas ao longo do gradiente terra-mar.

Alinhamento do GBF: Alinha-se com a meta 2 do GBF.
Contribuição: Os resultados mensuráveis aprimoram o planejamento da restauração, preenchendo lacunas nas abordagens de gerenciamento uniforme.

Foi desenvolvido um banco de dados geoespacial abrangente, integrando dados de cobertura vegetal derivados de sensoriamento remoto com as principais variáveis ambientais, climáticas e antropogênicas. As métricas incluídas abrangeram a salinidade do solo, a temperatura da superfície do mar, a salinidade da água do mar e os locais dos tanques de aquicultura, fornecendo uma base analítica robusta.

Alinhamento ao GBF: Apoia a meta 21 da GBF.
Contribuição: Integra diversas camadas de dados para análise holística, agregando valor a conjuntos de dados de conservação fragmentados.

As séries temporais do índice de vegetação foram suavizadas usando o ajuste gaussiano para reduzir o ruído e extrair as principais características fenológicas. Um algoritmo de aprendizado profundo de floresta aleatória foi aplicado para classificar a vegetação de áreas úmidas em três tipos dominantes: Spartina alterniflora, Phragmites australis e Suaeda salsa. A precisão da classificação de 1990 a 2022 foi validada por meio de pesquisas de campo.

Alinhamento do GBF: Contribui para a meta 6 do GBF.
Contribuição: Reduz o impacto de espécies invasoras ao identificar com precisão a Spartina alterniflora para controle direcionado, abordando uma ameaça importante à biodiversidade.

Usando a plataforma Google Earth Engine (GEE), os dados de sensoriamento remoto da série Landsat de 1990 a 2022 foram sistematicamente adquiridos, abrangendo os sensores TM5, ETM+ (Landsat 7), OLI (Landsat 8) e OLI (Landsat 9). Para garantir a qualidade dos dados para análises subsequentes, as principais bandas espectrais - infravermelho próximo (NIR), vermelho e verde - foram selecionadas e fundidas.

Alinhamento GBF: Apoia a meta 21 do GBF.
Contribuição: Aprimora a tomada de decisões com conjuntos de dados validados e em tempo real, agregando valor aos esforços de conservação existentes por meio da inovação tecnológica.