Aproveitamento do sensoriamento remoto para o gerenciamento e a conservação ecológica na Reserva Natural Nacional de Yancheng, em Jiangsu, para áreas úmidas e aves raras
Solução completa
Grus japonensis na Reserva Natural Nacional de Pântanos e Aves Raras de Jiangsu Yancheng
Nanjing Normal University
A Reserva Natural Nacional de Pântanos e Aves Raras de Jiangsu Yancheng abriga o Grus japonensis, criticamente ameaçado de extinção, e outras espécies raras, que dependem de ecossistemas de lama de pântanos. No entanto, espécies invasoras como a Spartina alterniflora ameaçam a biodiversidade, causando degradação ecológica e diminuição da biodiversidade. Para resolver isso, a tecnologia de sensoriamento remoto é usada para monitorar a evolução da vegetação, oferecendo informações valiosas para o gerenciamento ecológico.
O Local Piloto do Delta do Rio Yangtze do Programa CoastPredict da Década do Oceano da ONU, liderado pela Universidade Normal de Nanjing, combina tecnologia de sensoriamento remoto e esforços de conservação para apoiar o gerenciamento em Yancheng. O sensoriamento remoto acompanhou a evolução da vegetação das principais áreas úmidas(Spartina alterniflora, Suaeda salsa e Phragmites australis) desde 1990, ajudando a compreender os impactos ambientais, as atividades humanas e as interações entre as espécies. Essa iniciativa ajuda a desenvolver estratégias de conservação mais eficazes, beneficiando tanto a reserva quanto o esforço global mais amplo.
Última atualização: 10 Oct 2025
93 Visualizações
Prêmio Tech4Nature
Descrição da tecnologia
Essa solução utiliza sensoriamento remoto, Sistemas de Informações Geográficas (GIS) e modelagem de gêmeos digitais, combinados com aprendizagem profunda e validação de campo, para monitorar a evolução de longo prazo da vegetação de áreas úmidas(Spartina alterniflora, Phragmites australis, Suaeda salsa). Ao integrar o processamento de dados de satélite, a aprendizagem automática, a análise espacial de GIS e a modelagem ecológica, ele permite um monitoramento preciso e dimensionável para apoiar a conservação de áreas úmidas e o gerenciamento de espécies invasoras. Um painel intuitivo garante acessibilidade para usuários não especializados, incluindo comunidades locais, promovendo a participação inclusiva.
Avanços e inovações notáveis
Aprendizagem profunda com sensoriamento remoto: Os algoritmos de aprendizagem profunda processam dados Landsat de séries temporais (1990-2022), obtendo uma classificação de alta precisão dos tipos de vegetação. Essa inovação permite o rastreamento detalhado da propagação de espécies invasoras e da recuperação da vegetação nativa, apoiando medidas de conservação direcionadas em um período de 32 anos.
GIS para análise espacial: As ferramentas de GIS mapeiam e analisam a distribuição da vegetação, identificando padrões de migração, fragmentação de habitat e tendências de agregação. Isso proporciona percepções espacialmente explícitas, essenciais para o planejamento eficaz da conservação e a priorização da restauração.
Modelagem de ecossistema de gêmeos digitais: Um gêmeo digital da área úmida de Yancheng integra sensoriamento remoto, camadas de GIS e métricas ambientais em tempo real (por exemplo, salinidade do solo, anomalias no nível do mar). Essa réplica virtual simula cenários como impactos de espécies invasoras ou efeitos de mudanças climáticas, permitindo a tomada de decisões proativa e orientada por dados.
Banco de dados ambiental abrangente: Um banco de dados multidimensional combina dados de vegetação com variáveis climáticas, marinhas e antropogênicas (por exemplo, temperatura da superfície do mar, distribuição de aquicultura). Esse conjunto de dados holístico oferece suporte à análise de fatores e informa as estratégias de conservação adaptativas.
Estrutura escalável e replicável: A metodologia, desenvolvida com base em dados de código aberto (Landsat, Sentinel) e no Google Earth Engine (GEE), é adaptável a diversos ecossistemas em todo o mundo, oferecendo uma ferramenta econômica para o monitoramento de espécies invasoras e mudanças de habitat.
Monitoramento econômico: O aproveitamento dos dados de satélite disponíveis gratuitamente e do GEE garante um monitoramento de baixo custo e alta eficiência, melhorando a resolução temporal e reduzindo as demandas de recursos para conservação de longo prazo.
Essa integração de tecnologias transforma o gerenciamento de áreas úmidas ao fornecer ferramentas preditivas, dimensionáveis e inclusivas, alinhando-se às Metas 2 (restaurar ecossistemas), 6 (controle de espécies invasoras), 8 (resiliência climática), 20 (fortalecer a capacidade), 21 (conhecimento acessível) e 22 (participação na tomada de decisões) do GBF. A abordagem de baixo custo e orientada por dados da solução garante sustentabilidade de longo prazo e ampla aplicabilidade.
Doadores e financiamento
Este projeto tem o apoio da Fundação Nacional de Ciências Naturais da China (Grant 42230406).
Galeria de fotos e vídeos
Contexto
Desafios enfrentados
A Jiangsu Yancheng Wetland & Rare Birds National Natural Reserve, localizada na província de Jiangsu, na China, é uma área protegida de importância global. Ela serve como um habitat essencial para algumas das espécies de pássaros mais ameaçadas do mundo, especialmente o Grus japonensis, e outras espécies raras de vida selvagem. A reserva também contém ecossistemas essenciais, especificamente as zonas úmidas de lama, que são cruciais para a sobrevivência dessas espécies.
Entretanto, apesar de sua importância ecológica, a reserva enfrenta vários desafios ambientais significativos. Um dos problemas mais urgentes é a invasão da Spartina alterniflora , uma espécie de planta exótica que começou a dominar os ecossistemas dos pântanos. Essa espécie invasora perturba o equilíbrio da vegetação nativa, levando à degradação ecológica e à diminuição da biodiversidade. Como resultado, o gerenciamento e o monitoramento eficazes dos ecossistemas da reserva tornaram-se cada vez mais essenciais para garantir a preservação de sua biodiversidade exclusiva.
Localização
Yancheng, Jiangsu, República Popular da China
Leste Asiático
Processar
Resumo do processo
Este projeto adota uma metodologia estruturada baseada em seis blocos de construção (BBs) interligados para monitorar sistematicamente a evolução a longo prazo da vegetação de áreas úmidas usando a tecnologia de sensoriamento remoto.
- O BB1 (Coleta de dados) e o BB2 (Identificação do tipo de vegetação de áreas úmidas) fornecem os insumos fundamentais para o BB3 (Quantificação de dados e criação de banco de dados).
- O BB3, por sua vez, apóia o BB4 (Análise das características espaciais e temporais) e o BB5 (Identificação dos principais fatores de evolução da vegetação).
- As percepções e descobertas derivadas desses estágios são compartilhadas por meio do BB6 (Comunicação Acadêmica) e do BB7 (Treinamento e Capacitação), aprimorando a troca de conhecimentos e ampliando o impacto mais amplo do projeto.
Cada bloco de construção é sequenciado de forma lógica para contribuir coletivamente com os objetivos gerais: conservar as áreas úmidas, evitar a disseminação de espécies invasoras e oferecer uma metodologia escalonável aplicável a ecossistemas semelhantes em todo o mundo.
Blocos de construção
Coleta de dados
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.
Fatores facilitadores
- Somente imagens de sensoriamento remoto com cobertura de nuvens ≤10% foram selecionadas, seguidas de correção radiométrica e atmosférica por meio de processamento em lote.
- As informações específicas da vegetação foram extraídas usando combinações de bandas otimizadas, aproveitando principalmente a alta refletância da vegetação na faixa NIR.
Lição aprendida
- As limitações nas resoluções espacial, temporal e espectral introduziram possíveis incertezas, destacando a importância de métodos robustos de correção radiométrica e geométrica.
- A fusão de dados entre diferentes sensores Landsat foi essencial para obter séries temporais consistentes de longo prazo, embora tenha exigido um processamento adicional substancial para harmonizar as resoluções espaciais e temporais.
Identificação do tipo de vegetação de áreas úmidas
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.
Fatores facilitadores
- O ajuste da curva gaussiana minimizou efetivamente o ruído nas curvas do índice de vegetação bruta, aumentando a precisão da classificação.
- O algoritmo de floresta aleatória aproveitou as diferenças espectrais entre as espécies, permitindo a extração robusta de recursos e a identificação confiável.
Lição aprendida
- As características espectrais relacionadas à umidade da vegetação e aos atributos estruturais melhoraram significativamente a separabilidade entre as espécies.
- As etapas de pré-processamento, como ajuste de curva e redução de ruído, foram essenciais para melhorar a confiabilidade da classificação de longo prazo.
Quantificação de dados e criação de banco de dados
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.
Fatores facilitadores
- A validação de campo confirmou a precisão das interpretações de sensoriamento remoto (consulte as Figuras 1 e 2).
- O banco de dados facilitou a integração de dados espaciais e ambientais, dando suporte a análises multivariáveis e modelagem ecológica.
Lição aprendida
- Os dados precisos de verdade terrestre são essenciais para validar os resultados do sensoriamento remoto e garantir a confiabilidade do banco de dados.
- Um banco de dados bem estruturado e com várias fontes melhora a eficiência da análise e permite estudos mais sofisticados de correlação e causalidade.
Análise das características espaciais e temporais da vegetação de áreas úmidas
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.
Fatores facilitadores
- A heterogeneidade temporal e espacial exige métodos de análise multifacetados.
- As análises espaciais fornecem percepções ecológicas cruciais que informam estratégias de conservação e gerenciamento direcionadas.
Lição aprendida
- A heterogeneidade temporal e espacial da dinâmica da vegetação exige abordagens analíticas multifacetadas.
- As análises espaciais revelaram padrões ecológicos críticos, auxiliando nas estratégias de gerenciamento direcionadas.
Principais fatores de evolução da vegetação
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.
Fatores facilitadores
- O GAM capturou com eficácia interações complexas e não lineares entre os fatores determinantes e as mudanças na vegetação.
- A integração de conjuntos de dados ambientais e de atividades humanas aumentou a robustez da atribuição de fatores.
Lição aprendida
- A coleta contínua de dados e o refinamento do modelo são essenciais para a precisão da previsão de longo prazo.
- A compreensão mecanicista dos fatores ecológicos é a base do desenvolvimento de estratégias de conservação voltadas para o futuro.
Comunicação acadêmica
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.
Fatores facilitadores
- A comunicação transparente de desafios e metodologias aumentou o envolvimento entre as disciplinas.
- A apresentação sistemática às partes interessadas aumentou a conscientização e facilitou a aplicação prática.
Lição aprendida
- A divulgação aberta e acessível promove a colaboração interdisciplinar e o compartilhamento global de conhecimento.
- A publicação de percepções acionáveis nos domínios científico e público acelera sua tradução em práticas de conservação.
Recursos
Treinamento e desenvolvimento de capacidades
Como parte da estratégia de impacto mais ampla do projeto, o treinamento e a capacitação foram priorizados para aprimorar a alfabetização técnica em sensoriamento remoto e análise geoespacial. Desde 2021, uma série de programas de treinamento tem sido organizada anualmente pela School of Geography da Nanjing Normal University, com foco em modelagem geoespacial e aplicativos de sensoriamento remoto. Nos últimos quatro anos, o programa treinou com sucesso mais de 4.000 participantes, incluindo jovens acadêmicos, voluntários de pesquisa e profissionais em início de carreira.
Alinhamento com a GBF: Apoia as Metas 20 e 22 da GBF.
Contribuição: Programas de treinamento em escala preenchem lacunas de capacidade, aprimorando os esforços locais de conservação.
Fatores facilitadores
- Os cursos de treinamento foram apoiados por professores experientes e currículos personalizados, enfatizando aplicações práticas em sensoriamento remoto e GIS.
- A colaboração com instituições acadêmicas e públicas ampliou o alcance e garantiu a participação de um grupo diversificado de alunos de várias disciplinas.
Lição aprendida
- A capacitação desempenha um papel fundamental na sustentação do impacto da pesquisa a longo prazo, permitindo que uma nova geração de pesquisadores se envolva no monitoramento de áreas úmidas e na análise ecológica.
- A educação contínua e o treinamento prático preenchem com eficácia a lacuna entre os resultados da pesquisa e as aplicações no mundo real, especialmente em contextos de conservação e gerenciamento de recursos.
Impactos
- Melhoria da eficiência do monitoramento: A tecnologia de sensoriamento remoto desenvolvida neste projeto permite o monitoramento econômico e de longo prazo da evolução da vegetação de áreas úmidas. Esse aprimoramento expandiu significativamente a escala de tempo para o monitoramento, permitindo uma compreensão mais abrangente da dinâmica das áreas úmidas e elevando efetivamente o padrão de monitoramento de conservação na reserva.
- Contribuição para o estudo de espécies exóticas invasoras: O projeto avançou nossa compreensão do processo de invasão da Spartina alterniflora e de outras espécies invasoras, destacando a influência de fatores ambientais, atividades humanas e competição interespecífica. Esses dados ajudam os pesquisadores a prever e gerenciar melhor a disseminação de espécies invasoras, garantindo intervenções oportunas e mais eficazes.
- Apoio à conservação da biodiversidade: Ao revelar os padrões evolutivos das espécies invasoras, a tecnologia estabelece as bases para a prevenção e o controle dessas ameaças na reserva. Isso beneficia diretamente o Grus japonensis e outras espécies nativas ao proteger habitats críticos de áreas úmidas, contribuindo para os esforços de conservação da biodiversidade a longo prazo.
- Aumento da conscientização sobre a conservação: O projeto promove a troca de conhecimentos sobre o uso de sensoriamento remoto na conservação de áreas úmidas, oferecendo percepções valiosas sobre o gerenciamento de áreas úmidas e o monitoramento da vegetação.
Beneficiários
- Grus japonensis
- Comunidades locais
- Reserva
- Academia
- Visitantes
Além disso, explique o potencial de escalabilidade de sua solução. Ela pode ser replicada ou expandida para outras regiões ou ecossistemas?
A solução proposta - construída com base na integração de tecnologias de sensoriamento remoto, algoritmos de aprendizagem profunda e estruturas analíticas ecológicas - demonstra uma forte escalabilidade entre regiões e tipos de ecossistemas. Sua arquitetura modular (BB1-BB7) permite a personalização, a replicação e a expansão em dimensões espaciais e temáticas, o que a torna especialmente adequada para enfrentar desafios como a disseminação de espécies invasoras, a fragmentação de habitats, a perda de biodiversidade e a degradação de ecossistemas.
Escalabilidade técnica
- O uso de conjuntos de dados acessíveis globalmente (por exemplo, Landsat, Sentinel) e plataformas de computação em nuvem, como o Google Earth Engine, garante baixas barreiras técnicas para implantação em outras regiões.
- Os classificadores de aprendizagem profunda e de aprendizado de máquina (por exemplo, Random Forest, GAM) são agnósticos em relação ao modelo e podem ser treinados novamente com dados localizados para acomodar diferentes composições de espécies e contextos ecológicos.
Transferibilidade geográfica e de ecossistema
- A metodologia foi aplicada com sucesso na Reserva Natural Nacional de Aves Raras de Yancheng, validando sua eficácia em áreas úmidas costeiras.
- Ela tem grande potencial para ser transferida para ambientes semelhantes, inclusive:
- Outras áreas úmidas costeiras do leste asiático afetadas por Spartina alterniflora ou invasores semelhantes (por exemplo, Delta do Rio Amarelo, Baía de Hangzhou)
- Ecossistemas de zonas úmidas interiores que sofrem salinização, fragmentação ou mudanças sazonais de vegetação
- Regiões estuarinas e deltas em todo o mundo, onde espécies invasoras e mudanças hidrológicas ameaçam a biodiversidade.
Extensão em potencial: Planícies costeiras de Tianjin-Hebei
- Atualmente, a solução está sendo ampliada conceitualmente para as planícies costeiras de Tianjin Binhai e Cangzhou, onde mais de 700 hectares de Spartina alterniflora alteraram as funções do ecossistema.
- Por meio da coordenação regional, as ferramentas de monitoramento e os modelos espaciais estão sendo adaptados para apoiar a governança ecológica entre jurisdições, demonstrando não apenas a escalabilidade técnica, mas também a institucional.
Expansão institucional e de capacitação
- A estrutura inclui um componente dedicado ao desenvolvimento de capacidade (BB7), que permite a transferência de conhecimento por meio de programas de treinamento organizados pela Universidade Normal de Nanjing, que já treinou mais de 4.000 participantes. Isso garante a absorção local e a sustentabilidade nas regiões recém-adotadas.
Relevância global
- A solução foi compartilhada por meio de publicações revisadas por pares, diálogos sobre políticas e colaborações internacionais, aumentando sua visibilidade e prontidão para replicação global.
- Sua natureza modular, orientada por dados e de baixo custo a torna adequada para adoção no Sul Global, onde ferramentas econômicas são urgentemente necessárias para a conservação e a adaptação climática.
Essa solução não é apenas replicável, mas também escalável em termos de escopo, adaptável em termos de método e sustentável por meio do desenvolvimento de capacidades, o que a torna uma contribuinte robusta para os esforços globais de conservação da biodiversidade e resiliência do ecossistema.
Estrutura Global de Biodiversidade (GBF)
Meta 2 do GBF - Restaurar 30% de todos os ecossistemas degradados
Meta 6 da GBF - Reduzir a introdução de espécies exóticas invasoras em 50% e minimizar seu impacto
Meta 8 do GBF - Minimizar os impactos das mudanças climáticas sobre a biodiversidade e desenvolver a resiliência
Meta 20 do GBF - Fortalecer a capacitação, a transferência de tecnologia e a cooperação científica e técnica para a biodiversidade
Meta 21 da GBF - Garantir que o conhecimento esteja disponível e acessível para orientar as ações de biodiversidade
Meta 22 do GBF - Garantir a participação de todos na tomada de decisões e no acesso à justiça e às informações relacionadas à biodiversidade
História
A Reserva Natural Nacional de Pântanos e Aves Raras de Jiangsu Yancheng é o lar do Grus japonensis, uma das espécies de aves mais ameaçadas do mundo. Durante anos, essa vasta área úmida serviu como um habitat essencial para esses grous e inúmeras outras espécies, dependendo de um delicado equilíbrio ecológico. No entanto, com o passar do tempo, as zonas úmidas começaram a enfrentar graves ameaças de espécies invasoras, especialmente a Spartina alterniflora, que rapidamente superou a vegetação nativa e colocou em risco as espécies que dependiam da área.
Há muito tempo, a reserva enfrentava dificuldades com as técnicas tradicionais de monitoramento, que eram lentas, caras e não tinham a capacidade de cobrir a vasta área de zonas úmidas de forma eficiente. Como resultado, mudanças ecológicas cruciais eram frequentemente detectadas tarde demais. Espécies invasoras como a Spartina se espalharam sem controle, e o impacto sobre a biodiversidade foi devastador.
O local piloto do Delta do Rio Yangtze do Programa CoastPredict da Década do Oceano da ONU, liderado pela Universidade Normal de Nanjing, combina tecnologia de sensoriamento remoto e esforços de conservação para apoiar o gerenciamento em Yancheng. Os dados de satélite forneceram percepções em tempo real sobre a dinâmica do ecossistema da zona úmida, incluindo a disseminação de Spartina alterniflora e a condição de plantas nativas como Phragmites australis e Suaeda salsa. Pela primeira vez, é possível monitorar como os fatores ambientais, as atividades humanas e a competição entre espécies estavam impulsionando as mudanças ecológicas em toda a reserva.
Além do controle de espécies invasoras, a tecnologia também possibilitou o estudo de tendências de vegetação de longo prazo, permitindo que a reserva compreendesse melhor como as mudanças climáticas, as variações de salinidade e as atividades humanas estavam afetando o ecossistema. A capacidade do projeto de rastrear esses fatores forneceu à reserva ferramentas poderosas para adaptar sua estratégia de conservação em tempo real.
Conecte-se com os colaboradores
Outros colaboradores
Zhenxia Liu
Universidade Normal de Nanjing
Pei Du
Universidade Normal de Nanjing
Yufeng Li
Universidade Normal de Nanjing
Taisheng Chen
Universidade de Ciência e Tecnologia de Suzhou