Proste podejście modelowe wykorzystujące jedynie dane terenowe i otwarte mapy do poprawy szacunków zasobów węgla w projektach REDD+

Dlaczego węgiel leśny na gruntach prywatnych ma znaczenie

W miarę jak świat polega na lasach, by spowolnić zmiany klimatu, pojawiła się zaskakująca przeszkoda: często nie wiemy z dużą precyzją, ile węgla jest zgromadzone w drzewach na konkretnych działkach. Ta niepewność ma znaczenie, ponieważ stanowi podstawę kredytów węglowych kupowanych i sprzedawanych na rozwijających się rynkach, szczególnie w projektach REDD+, które płacą właścicielom ziemi za unikanie wylesiania. Badanie pokazuje, że właściciele gruntów nie potrzebują drogich dronów ani specjalnych kampanii satelitarnych, aby uzyskać znacznie lepsze oszacowania. Łącząc podstawowe pomiary terenowe z darmowymi, globalnymi mapami, mogą znacznie doprecyzować swoje dane o węglu i stworzyć szczegółowe mapy pokazujące, gdzie ten węgiel faktycznie się znajduje.

Od kilku działek do pełnego obrazu

Tradycyjnie szacowanie węgla leśnego na farmie lub prywatnej rezerwie oznaczało rozstawianie próbnych powierzchni, mierzenie rozmiarów drzew, przeliczanie tych miar na biomasę i zakładanie, że kilka działek reprezentuje setki lub tysiące hektarów. To podejście jest kosztowne, powolne i pozostawia duże luki, zwłaszcza w zróżnicowanym terenie, gdzie zasoby węgla mogą gwałtownie zmieniać się na krótkich odległościach. Rozwiązania wysokiej klasy — takie jak lotniczy LiDAR czy specjalistyczna analiza satelitarna — mogą wypełnić te luki, ale często są zbyt skomplikowane i drogie dla wielu projektów. Autorzy postanowili przetestować prostszą drogę: zacząć od geolokalizowanych działek terenowych (gdzie każda działka ma znane współrzędne i zmierzony zasób węgla), a następnie wykorzystać informacje z otwartych, globalnych map, które już opisują wysokość koron drzew lub biomasę w całym terenie.

Uczynienie map globalnych użytecznymi lokalnie

Zespół przeanalizował cztery produkty o dużym zasięgu: dwie globalne lub regionalne mapy biomasy oraz dwie globalne mapy wysokości koron. Pracując w gęstym lesie amazońskim w Pará w Brazylii, porównali każdą mapę z „prawdą terenową” pochodzącą z działek badawczych oraz z wysokiej jakości badaniem LiDAR wykonanym za pomocą drona. Jedna z map wysokości koron, autorstwa Lang i współpracowników, najlepiej dopasowała się do lokalnych wysokości z LiDAR-u, choć średnio nieco zawyżała wysokości wierzchołków drzew. Mapy biomasy, w kontraście, miały trudności w tak gęstym lesie, wykazując słabą korelację i oznaki „saturacji”, gdy bardzo wysokie lub ciasno rosnące drzewostany z przestrzeni wyglądały podobnie. Testy potwierdziły, że nie wszystkie mapy open-source są równe i że wybór oraz kalibracja najlepszej mapy dla danej regionu są kluczowe.

Pozwolenie lokalizacji i wysokości wykonać najcięższą pracę

Majac dobrą mapę wysokości koron, autorzy zbudowali proste modele predykcyjne wykorzystujące dwie informacje dla każdej lokalizacji: jej współrzędne (szerokość i długość geograficzna) oraz wysokość koron z mapy globalnej. Modele trenowano na połowie działek terenowych, a następnie proszono o przewidzenie węgla dla pozostałych. Gdy przewidywania robiono blisko istniejących działek — naśladując oszacowania w obrębie projektu REDD+ — dodanie samych współrzędnych zmniejszyło średni błąd o około 18 procent w porównaniu z użyciem jednej wartości średniej dla całego obszaru. Połączenie współrzędnych z globalną mapą wysokości koron zredukowało błąd o niemal 32 procent. Nawet przy prognozowaniu dalej, w szerokim regionie, mapa globalna nadal poprawiła dokładność o prawie 19 procent, choć proste współrzędne przestały znacząco pomagać na tych większych odległościach.

Przekształcanie liczb w mapy "od ściany do ściany"

Ponieważ modele działają piksel po pikselu, mogą przekształcić rozrzucone dane z działek w ciągłe, „od ściany do ściany” mapy węgla w wysokiej rozdzielczości na całych obszarach projektów. Zamiast jednej wartości średniej na własność, osoby prowadzące projekty mogą zobaczyć szczegółowe wzory: grzbiety i doliny gęstości węgla, płaty przechowujące więcej lub mniej węgla oraz potencjalne punkty krytyczne dla ochrony lub odbudowy. Ten sam układ wspiera również mapowanie niepewności, dając realizatorom projektów i audytorom jaśniejsze pojęcie o tym, jak pewni powinni być co do każdego piksela i całkowitej ilości węgla zgłaszanej dla kredytów.

Co to oznacza dla projektów dotyczących węgla leśnego

Dla właścicieli gruntów, organizacji pozarządowych i firm prowadzących projekty REDD+ przesłanie badania jest praktyczne i uspokajające. Nie potrzebujesz najnowocześniejszego, lokalnego teledetekcyjnego sprzętu, aby znacząco poprawić szacunki węgla; solidny zestaw geolokalizowanych działek terenowych plus odpowiednie mapy open-source mogą przybliżyć cię do dokładności kosztownych kampanii LiDAR. Kluczowe kroki to wybór i przetestowanie odpowiedniej globalnej mapy koron lub biomasy, skalibrowanie jej za pomocą lokalnych danych terenowych, a następnie użycie prostych, dobrze udokumentowanych modeli do generowania map węgla. W miarę jak globalne produkty mapujące będą się poprawiać, to dostępne podejście powinno uczynić rachunkowość węglową bardziej przejrzystą, spójną i wiarygodną na szybko rosnącym rynku węgla leśnego.

Cytowanie: 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

Słowa kluczowe: węgiel w lasach, REDD+, mapowanie biomasy, teledetekcja, lasy tropikalne