利用广义加法模型（GAM）探讨了自然和人为因素对植被动态的影响。该模型评估了植被变化与关键因素之间的非线性关系：

• 互花叶斯巴达主要受海洋环境变量（如盐度和波高）的影响。
• 葭草和Suaeda salsa则受到降水、人为压力（如水产养殖）和种间竞争的影响。

了解这些驱动因素有助于适应性生态系统管理和入侵物种控制。

与《全球生物多样性框架》保持一致：支持 GBF 目标 6 和 8。
贡献：预测模型改进了被动式保护，提供了可衡量的驱动因素见解。

我们进行了时空分析，以揭示 1990 年至 2022 年保护区内湿地植被的长期分布模式。

• 图 1A展示了植被空间格局随时间的变化。
• 图 1B显示了沿海陆梯度的植被覆盖百分比。

分析工具包括景观模式指数、迁移模型和扩张-收缩动力学，用于量化生态变化。

主要发现

• 水生植物表现出较高的空间聚集性，但随着时间的推移呈下降趋势。
• 葭藻和Suaeda salsa表现出更大的破碎性和不断增加的空间覆盖率。
• 植被迁移表现出明显的异质性，并沿海陆梯度呈明显的带状分布。

与 GBF 目标一致：与 GBF 目标 2 一致。
贡献：可衡量的成果可加强恢复规划，填补统一管理方法的空白。

开发了一个综合地理空间数据库，将遥感获得的植被覆盖数据与关键的环境、气候和人为变量整合在一起。所包含的指标包括土壤盐度、海面温度、海水盐度以及水产养殖池塘的位置，从而提供了一个强大的分析基础。

与 GBF 保持一致：支持 GBF 目标 21。
贡献：整合各种数据层进行整体分析，为分散的保护数据集增添价值。

利用高斯拟合对植被指数时间序列进行平滑处理，以减少噪声并提取关键物候特征。应用随机森林深度学习算法将湿地植被分为三种主要类型：Spartina alterniflora、Phragmites australis 和Suaeda salsa。通过实地调查验证了 1990 年至 2022 年的分类准确性。

与 GBF 一致：有助于实现 GBF 目标 6。
贡献：通过准确识别交替花叶斯巴达（Spartina alterniflora）以进行有针对性的控制，减少入侵物种的影响，从而解决生物多样性面临的主要威胁。

利用谷歌地球引擎（GEE）平台，系统地获取了 1990 年至 2022 年的 Landsat 系列遥感数据，包括 TM5、ETM+（Landsat 7）、OLI（Landsat 8）和 OLI（Landsat 9）传感器。为确保后续分析的数据质量，选择并融合了关键光谱波段--近红外（NIR）、红光和绿光。

GBF 校准：支持 GBF 目标 21。
贡献：利用实时、有效的数据集加强决策，通过技术创新为现有的保护工作增添价值。

根据监测数据和与村放牧委员会的反馈讨论结果，确定适当的牧场恢复活动。这往往需要对现有的村庄放牧计划进行调整，并随着牧场状况的变化而发展。例如，在 Ngoley 村，两年来收集的数据表明，有一种特别有问题的物种（Sphaeranthus，当地人称为 "Masida"）在长期干旱季节大量繁殖，限制了雨后适口物种的重新生长。为防止其进一步扩散，我们根据清除这种特殊物种的最佳做法，设计并实施了一项连根拔除计划。第一轮连根拔起后，数据显示该物种的出现频率立即下降，随后几个月的监测进一步证明，经过处理的地块上的本地适口草种正在恢复。这些有针对性的干预措施通过将生物多样性因素纳入当地规划和土地利用，直接促进了《全球生物多样性框架》目标 1 的实现；通过恢复退化的生态系统，直接促进了目标 2 的实现。此外，通过改善生态功能和恢复力，这些努力还增强了牧场抵御气候变异的能力，为生物多样性和当地社区的福祉提供了支持。

然后， 村 放牧委员会和感兴趣的社区成员一起到保护技术中心（CTC）参加牧场数据反馈会议，会议由一名亚太地区妇女协会团队成员和栖息地监测员共同主持。虽然仪表板可在任何移动设备上使用，但在保护技术中心，社区成员可根据大屏幕上直观显示的数据进行信息共享和参与式决策。通常，村放牧委员会会审查现有的土地使用计划，并根据每月收集的数据验证其有效性，从而相应地调整牧场资源分配。最后，如果仪表板显示牧场退化或入侵物种扩散，委员会就可以利用这些数据作为理由，向亚太妇女协会申请资金支持，用于牧场恢复干预措施，如清除入侵物种、重新播种或土壤侵蚀控制项目。通过这些以数据为依据的参与式机制，社区成员在管理和可持续利用其自然资源方面发挥了积极作用。这一模式有助于实现《全球生物多样性框架》的目标 2 和 22，增强土著人民和当地社区在生境恢复中的领导能力，确保他们的知识、权利和参与成为保护规划和实施的组成部分。

社区生境监测员由村放牧委员会选出，每月对选定的地块进行监测。监测员将接受有关数据收集协议、使用地理空间技术的最佳实践以及所使用手机和应用程序的基本故障排除技术的培训。此后，监测员每月都会走访每块地，并填写一份定制的 Survey123 表格，其中包括有关整个牧场的问题，以及在牧场内 100 米横断面上的 20 个样本中收集的定量指标。数据会提交到 Esri 托管的云服务器上。数据收集的重点是了解当前的放牧质量、现有的资源可用性以及入侵物种的频率，从而预测灌木丛侵占和适口性的趋势。

每个小区的牧草质量数据都通过 ArcGIS 控制面板进行实时分析。对于更复杂的入侵物种趋势指标，APW MELA 团队会运行 Arcade 脚本来计算地块上各种问题植物频率的变化。控制面板经过定制，可将其显示为趋势-时间序列图，每个受监测物种都可在一个折线图上直观显示。