Прямой модельный подход, использующий только полевые данные и открытые карты, для улучшения оценок запасов углерода в проектах REDD+

Почему углерод лесов на частных землях важен

Поскольку мир рассчитывает на леса в замедлении климатических изменений, возник неожиданный узкий участок: мы часто не знаем с высокой точностью, сколько углерода хранится в деревьях на конкретных участках. Эта неопределённость важна, потому что она лежит в основе углеродных кредитов, которыми торгуют на растущих рынках, особенно в проектах REDD+, выплачивающих землевладельцам за предотвращение вырубки. В этом исследовании показано, что землевладельцам не нужны дорогие дроны или специализированные спутниковые кампании, чтобы значительно улучшить оценки. Объединив базовые полевые измерения с бесплатными глобальными картами, они могут существенно уточнить свои оценки углерода и создать детализированные карты того, где этот углерод фактически находится.

От нескольких пробных участков к полной картине

Традиционно оценка углерода леса на ферме или частном заповеднике означала разбивку пробных участков, измерение размеров деревьев, перевод этих измерений в биомассу и затем предположение, что несколько участков представляют сотни или тысячи гектаров. Этот подход дорог, медленен и оставляет большие пробелы, особенно в разнообразных ландшафтах, где запасы углерода могут резко меняться на коротких расстояниях. Премиальные решения — такие как авиационный LiDAR или специализированный спутниковый анализ — могут заполнить эти пробелы, но часто они слишком сложны и дороги для многих проектов. Авторы поставили себе задачу опробовать более простой путь: начать с геолокализованных полевых участков (где каждому участку известны координаты и измеренный запас углерода), а затем использовать информацию из открытых глобальных карт, которые уже описывают высоту кроны или биомассу повсеместно.

Как сделать глобальные карты полезными локально

Команда изучила четыре крупномасштабных продукта: две глобальные или региональные карты биомассы и две глобальные карты высоты полога. Работа в плотном амазонском лесу в штате Пара, Бразилия, включала сравнение каждой карты с «реальными» полевыми данными и высококачественным дроновым LiDAR-обследованием. Одна карта высоты полога, в частности от Лэнга и коллег, лучше всего соответствовала местным LiDAR-измерениям, хотя в среднем слегка переоценивала вершины деревьев. Карты биомассы, напротив, испытывали трудности в таких плотных лесах: слабая корреляция и признаки «насыщения», когда очень высокие или густые насаждения из космоса выглядят одинаково. Эти тесты подтвердили, что не все открытые карты равны, и что выбор и калибровка лучшей карты для данного региона имеют ключевое значение.

Пусть местоположение и высота сделают основную работу

Имея хорошую карту высоты полога, авторы построили простые предиктивные модели, использующие две характеристики для каждой точки: её координаты (широту и долготу) и высоту кроны из глобальной карты. Они обучали модели на половине полевых участков и просили предсказать углерод для остальных. Когда прогнозы делались близко к существующим участкам — имитируя оценки внутри проекта REDD+ — добавление одних только координат снизило среднюю ошибку примерно на 18 процентов по сравнению с простым использованием одного среднего значения для всей территории. Сочетание координат с глобальной картой высоты кроны уменьшало ошибку почти на 32 процента. Даже при прогнозировании на большем расстоянии, по более широкой территории, глобальная карта по-прежнему улучшала точность почти на 19 процентов, хотя одни координаты уже не давали существенной пользы на таких больших расстояниях.

Преобразование чисел в сплошные карты

Поскольку модели работают пиксель за пикселем, они могут преобразовывать рассеянные данные по участкам в непрерывные «стеновые» карты углерода с высоким разрешением по всей территории проекта. Вместо одного усреднённого значения на собственность разработчики проекта получают детализированные паттерны: хребты и впадины плотности углерода, участки, хранящие больше или меньше углерода, и потенциальные горячие точки для охраны или восстановления. Та же схема также поддерживает картирование неопределённости, давая разработчикам проектов и аудиторам более ясное представление о том, насколько можно доверять каждому пикселю и общей сумме углерода, заявленной для кредитов.

Что это означает для проектов по углероду лесов

Для землевладельцев, НПО и компаний, реализующих проекты REDD+, вывод исследования практичен и обнадёживает. Не требуется передовых локальных средств дистанционного зондирования, чтобы существенно улучшить оценки углерода; надёжный набор геолокализованных полевых участков в сочетании с подходящими открытыми картами может приблизить вас к точности дорогих LiDAR-кампаний. Ключевые шаги — выбрать и протестировать подходящую глобальную карту высоты полога или биомассы, откалибровать её с помощью местных полевых данных и затем использовать простые, хорошо документированные модели для генерации карт углерода. По мере улучшения глобальных картографических продуктов этот доступный подход должен сделать учёт углерода более прозрачным, согласованным и надёжным в быстрорастущем рынке углеродных кредитов лесного происхождения.

Цитирование: 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

Ключевые слова: углерод в лесах, REDD+, картирование биомассы, дистанционное зондирование, тропические леса