Eenvoudige modelgebaseerde benadering met alleen veldgegevens en open-source kaarten om koolstofvoorraadschattingen voor REDD+ projecten te verbeteren

Waarom boskoolstof op privéterreinen ertoe doet

Naarmate de wereld zich op bossen richt om klimaatverandering te vertragen, is een verrassende bottleneck naar voren gekomen: vaak weten we niet met veel precisie hoeveel koolstof er in de bomen op specifieke percelen is opgeslagen. Die onzekerheid is van belang omdat ze de basis vormt voor de koolstofkredieten die verhandeld worden op groeiende markten, vooral voor REDD+-projecten die landeigenaren betalen om ontbossing te voorkomen. Deze studie toont aan dat landeigenaren geen dure drones of maatwerksatellietcampagnes nodig hebben om veel betere schattingen te krijgen. Door basisveldmetingen te combineren met gratis, wereldwijde kaarten, kunnen ze hun koolstofcijfers aanzienlijk aanscherpen en gedetailleerde kaarten maken van waar de koolstof zich daadwerkelijk bevindt.

Van een paar plots naar het volledige plaatje

Traditioneel betekende het schatten van boskoolstof op een boerderij of privéreservaat het uitzetten van plots, het meten van boomgroottes, het omzetten van die metingen naar biomassa en vervolgens aannemen dat een handvol plots representatief is voor honderden of duizenden hectares. Deze aanpak is kostbaar, traag en laat grote gaten achter, vooral in gevarieerde landschappen waar koolstof sterk kan veranderen over korte afstanden. Hoogwaardige oplossingen — zoals vliegende LiDAR of maatwerk satellietanalyse — kunnen die gaten dichten, maar ze zijn vaak te complex en te duur voor veel projecten. De auteurs besloten in plaats daarvan een eenvoudigere route te testen: beginnen met geolokaliseerde veldplots (waar elke plot bekende coördinaten en een gemeten koolstofvoorraad heeft), en vervolgens informatie lenen uit open, wereldwijde kaarten die al overal boshoogte of biomassa beschrijven.

Werken met wereldkaarten op lokaal niveau

Het team onderzocht vier grootschalige producten: twee mondiale of regionale biomassakaarten en twee mondiale kruinhoogtekaarten. Werkend in dicht Amazonebos in Pará, Brazilië, vergeleken ze elke kaart met “grondwaarheid” uit veldplots en een hoogwaardige drone‑gebaseerde LiDAR‑survey. Een kruinhoogtekaart in het bijzonder, van Lang en collega’s, kwam het beste overeen met lokale LiDAR‑hoogtes, ook al overschatte die gemiddeld iets de boomtoppen. De biomassakaarten daarentegen hadden moeite in zulk dicht bos, met zwakke correlatie en aanwijzingen voor “saturatie”, waarbij zeer hoge of dichtbeboste percelen er allemaal vergelijkbaar uitzien vanuit de ruimte. Deze tests bevestigden dat niet alle open‑source kaarten gelijk zijn en dat het selecteren en kalibreren van de beste kaart voor een bepaalde regio cruciaal is.

Locatie en hoogte laten het zware werk doen

Gewapend met een goede kruinhoogtekaart bouwden de auteurs eenvoudige voorspellingsmodellen die voor elke locatie twee gegevens gebruikten: de coördinaten (breedte- en lengtegraden) en de kruinhoogte uit de wereldkaart. Ze trainden de modellen op de helft van hun veldplots en vroegen ze koolstof te voorspellen voor de rest. Wanneer voorspellingen werden gedaan dicht bij bestaande plots — wat schattingen binnen een REDD+‑project nabootst — verminderde het alleen toevoegen van coördinaten de gemiddelde fout met ongeveer 18 procent vergeleken met het simpelweg gebruiken van één gemiddelde waarde voor het hele gebied. Het combineren van coördinaten met de wereldwijde kruinhoogtekaart verlaagde de fout met bijna 32 procent. Zelfs bij voorspellingen op grotere afstand, over de bredere regio, verbeterde de wereldkaart de nauwkeurigheid nog met bijna 19 procent, hoewel eenvoudige coördinaten op die grotere afstanden niet veel meer hielpen.

Getallen omzetten in wand‑tot‑wand kaarten

Aangezien de modellen pixel voor pixel werken, kunnen ze verspreide plotgegevens omzetten in continue “wand‑tot‑wand” koolstofkaarten met hoge resolutie over gehele projectgebieden. In plaats van één gemiddelde waarde per eigendom kunnen projectontwikkelaars gedetailleerde patronen zien: ruggen en dalen van koolstofdichtheid, vlekken die meer of minder koolstof opslaan, en potentiële hotspots voor behoud of herstel. Hetzelfde kader ondersteunt ook het in kaart brengen van onzekerheid, waardoor projectontwikkelaars en auditors een duidelijker beeld krijgen van hoe zeker ze per pixel en van het totale voor koolstof opgegeven bedrag moeten zijn.

Wat dit betekent voor projecten met boskoolstof

Voor landeigenaren, ngo’s en bedrijven die REDD+‑projecten uitvoeren is de boodschap van de studie praktisch en geruststellend. Je hebt geen geavanceerde, lokale remote sensing nodig om koolstofschattingen zinvol te verbeteren; een degelijke set geolokaliseerde veldplots plus de juiste open‑source kaarten kan je veel dichter bij de nauwkeurigheid van kostbare LiDAR‑campagnes brengen. De belangrijkste stappen zijn het kiezen en testen van een geschikte wereldwijde kruin‑ of biomassakaart, het kalibreren ervan met lokale veldgegevens, en vervolgens het gebruik van eenvoudige, goed gedocumenteerde modellen om koolstofkaarten te genereren. Naarmate wereldwijde kaartproducten blijven verbeteren, zou deze toegankelijke aanpak de koolstofboekhouding transparanter, consistenter en betrouwbaarder moeten maken in de snel groeiende markt voor boskoolstof.

Bronvermelding: Haneda, L.E., de Almeida, D.R.A., Kamimura, R.A. et al. Straightforward model-based approach using only field data and open-source maps to improve carbon stock estimates for REDD + projects. Sci Rep 16, 6558 (2026). https://doi.org/10.1038/s41598-026-37201-x

Trefwoorden: bostkoolstof, REDD+, biomassakaart, remote sensing, tropische bossen