En enkel modellbaserad metod som endast använder fältdata och öppna kartor för att förbättra uppskattningar av kolstocker för REDD+‑projekt

Varför skogskol på privat mark spelar roll

När världen lutar sig mot skogar för att bromsa klimatförändringar har en oväntad flaskhals dykt upp: vi vet ofta inte med stor precision hur mycket kol som lagras i träden på specifika fastigheter. Den osäkerheten är viktig eftersom den ligger till grund för de koldioxidkrediter som köps och säljs på växande marknader, särskilt för REDD+‑projekt som betalar markägare för att undvika avskogning. Denna studie visar att markägare inte behöver dyra drönare eller skräddarsydda satellituppdrag för att få avsevärt bättre uppskattningar. Genom att kombinera enkla fältmätningar med fria, globala kartor kan de markant skärpa sina koluppskattningar och skapa detaljerade kartor över var kolet faktiskt finns.

Från några provytor till en helhetsbild

Traditionellt har uppskattning av skogskol på en gård eller privat reservat inneburit att man sätter ut provytor, mäter trädens storlek, konverterar dessa mätningar till biomassa och sedan antar att ett fåtal ytor representerar hundratals eller tusentals hektar. Detta tillvägagångssätt är kostsamt, långsamt och lämnar stora luckor, särskilt i varierad terräng där kolinnehållet kan förändras kraftigt över korta avstånd. Högklassiga lösningar — som flygburen LiDAR eller skräddarsydd satellitanalys — kan fylla dessa luckor, men de är ofta för komplexa och dyra för många projekt. Författarna valde istället att testa en enklare väg: börja med geolokaliserade fältprover (där varje provyta har kända koordinater och ett uppmätt kolinnehåll) och låna sedan information från öppna, globala kartor som redan beskriver skogshöjd eller biomassa överallt.

Få globala kartor att fungera lokalt

Teamet undersökte fyra storskaliga produkter: två globala eller regionala biomassakartor och två globala trädtoppshöjdskartor. I tät amazonsk skog i Pará, Brasilien, jämförde de varje karta mot "jordnära" data från fältprov och en högkvalitativ drönarbaserad LiDAR‑undersökning. En trädtoppshöjdskarta i synnerhet, från Lang och kollegor, stämde bäst överens med lokala LiDAR‑höjder, även om den i genomsnitt något överskattade trädtopparna. Biomassakartorna hade däremot svårare i sådan tät skog, med svag korrelation och tecken på "mättnad", där mycket höga eller tätvuxna bestånd ser likadana ut från rymden. Dessa tester bekräftade att inte alla öppna kartor är likvärdiga och att det är avgörande att välja och kalibrera den bästa för en given region.

Låta läge och höjd göra det tunga arbetet

Med en bra trädtoppshöjdskarta byggde författarna enkla prediktionsmodeller som använde två informationsbitar för varje plats: dess koordinater (latitud och longitud) och trädtoppshöjden från den globala kartan. De tränade modellerna på hälften av sina fältprover och bad dem förutsäga kol för resten. När förutsägelser gjordes nära befintliga provytor — vilket efterliknar uppskattningar inom ett REDD+‑projekt — minskade tillägget av enbart koordinater den genomsnittliga felmarginalen med cirka 18 procent jämfört med att använda ett enda medelvärde för hela området. Kombinationen av koordinater och den globala trädtoppshöjdskartan minskade felet med nästan 32 procent. Även vid förutsägelser längre bort, över den bredare regionen, förbättrade den globala kartan fortfarande noggrannheten med nästan 19 procent, även om enkla koordinater inte längre hjälpte särskilt mycket på dessa större avstånd.

Göra siffror till vägg‑till‑vägg‑kartor

Eftersom modellerna arbetar pixel för pixel kan de omvandla spridda provytor till kontinuerliga "vägg‑till‑vägg"‑kartor över kol med hög upplösning över hela projektområden. Istället för ett genomsnittligt värde per fastighet kan projektutvecklare se detaljerade mönster: åsryggar och dalgångar av koldensitet, fläckar som lagrar mer eller mindre kol och potentiella hotspots för bevarande eller restaurering. Samma ramverk stöder också kartläggning av osäkerhet, vilket ger projektutvecklare och revisorer en tydligare uppfattning om hur säkra de kan vara i varje pixel och i den totala kolmängd som krävs för krediter.

Vad detta betyder för skogskolsprojekt

För markägare, NGO:er och företag som driver REDD+‑projekt är studiens budskap praktiskt och lugnande. Du behöver inte toppmodern, lokal fjärranalys för att väsentligt förbättra koluppskattningar; en solid uppsättning geolokaliserade fältprover plus rätt öppna kartor kan ta dig mycket närmare noggrannheten hos kostsamma LiDAR‑kampanjer. Nyckelstegen är att välja och testa en lämplig global trädtopps‑ eller biomassakarta, kalibrera den med lokala fältdata och sedan använda enkla, väl dokumenterade modeller för att generera kolkartor. När globala kartprodukter fortsätter att förbättras bör denna tillgängliga metod göra kolredovisning mer transparent, konsekvent och tillförlitlig över den snabbt expanderande marknaden för skogskol.

Citering: 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

Nyckelord: skogskol, REDD+, biomassakartläggning, fjärranalys, tropiska skogar