Resposta à consulta sobre políticas: Sistema de monitoramento de reversão de longo prazo da Verra

Sylvera endossa o conceito de um Sistema de Monitoramento de Reversão de Longo Prazo (LTRMS) para tratar de preocupações relacionadas ao risco de reversão em projetos do Verified Carbon Standard (VCS) durante o período pós-credenciamento. Os créditos de carbono baseados na natureza têm riscos inerentes de permanência, e mecanismos como o LTRMS devem ser implementados para que os mercados voluntários de carbono (VCMs) funcionem com alta integridade. A permanência e o risco de reversão são componentes essenciais que devem ser continuamente monitorados e quantificados de forma sistemática, econômica e democratizada para garantir a validade das reivindicações de zero líquido quando as compensações são usadas para compensar as emissões. Depois que um evento de perda for detectado e quantificado, a entidade que administra o LTRMS contabilizaria a reversão e cancelaria os créditos de buffer de acordo.

A Verra deve monitorar os projetos de Agricultura, Silvicultura e Outros Usos da Terra (AFOLU) do VCS quanto a reversões durante o período pós-credenciamento? Se sim, por que, se não, por que não?

Sim, Verra deve monitorar os projetos VCS AFOLU quanto a reversões durante o período pós-credenciamento. A permanência é uma das críticas mais significativas aos projetos de crédito de carbono baseados na natureza, especialmente em relação às soluções tecnológicas. O monitoramento e a quantificação de longo prazo dos eventos de perda, e o cancelamento e a contabilidade do crédito de buffer correspondente, são necessários para apoiar VCMs de alta integridade. Além disso, o LTRMS permitiria que a Verra calibrasse melhor seus limites percentuais de buffer de risco para garantir que o pool de buffer seja suficiente para compensar as reversões de longo prazo. Isso também reforçaria o funcionamento adequado e a integridade dos projetos AFOLU nos VCMs.

Quais seriam as principais oportunidades, benefícios, desafios e riscos de a Verra fazer isso?

O LTRMS aumentaria a confiança na integridade e na credibilidade dos projetos AFOLU, o que estimularia mais investimentos em (i) créditos de carbono, (ii) capital natural e (iii) o fluxo de financiamento para o desenvolvimento verde. Além disso, o LTRMS deve ser implementado de maneira econômica, aproveitando as tecnologias de sensoriamento remoto e aprendizado de máquina, e os resultados do LTRMS devem ser disponibilizados publicamente para reforçar a confiança e a credibilidade no mercado. 

As principais preocupações de Sylvera estão relacionadas aos ciclos de feedback extremos e não lineares associados à mudança climática e ao possível déficit de créditos de buffer pool disponíveis para compensar as reversões de longo prazo. O LTRMS é um excelente primeiro passo, mas vemos outras oportunidades para aprimorar e criar mais confiança nos projetos AFOLU por meio da modelagem de riscos climáticos e da orientação dos resultados dessas simulações sobre as porcentagens de retenção de buffer de risco para projetos em andamento, a fim de mitigar e minimizar os riscos de reversão.

Que tipos de projetos VCS AFOLU podem ser monitorados atualmente para reversões de forma eficaz e eficiente usando as abordagens de monitoramento remoto disponíveis? Como se espera que as tecnologias de monitoramento remoto evoluam no futuro próximo, e isso deve permitir o monitoramento de tipos e atividades adicionais de projetos AFOLU (por exemplo, degradação)? Em caso afirmativo, quais e até quando?

Atualmente, Sylvera é capaz de monitorar reversões de biomassa acima do solo (AGB) em projetos de redução de emissões por desmatamento e degradação florestal (REDD+). Também estamos desenvolvendo ativamente modelos para detectar reversões em projetos de Manejo Florestal Aprimorado (IFM) e Aflorestamento, Reflorestamento e Revegetação (ARR). 

Esperamos que as tecnologias de sensoriamento remoto evoluam nos próximos anos para aprimorar os modelos de detecção existentes, por exemplo, para avaliar com mais precisão a degradação florestal e outras atividades de pequena escala. Atualmente, é difícil monitorar com precisão a degradação, mas ela está se mostrando uma fonte muito significativa de emissões. Um estudo recente descobriu que a floresta amazônica está perdendo mais carbono devido à degradação do que ao desmatamento. Estamos ansiosos para incorporar novas oportunidades de dados de satélite, como o BIOMASS, disponível até o final deste ano, e o NISAR, em 2023, em nossas classificações de crédito de carbono. Além disso, também esperamos que os dados públicos e comerciais aumentem em resolução, se tornem mais acessíveis e tenham melhor cobertura espacial e temporal, o que melhorará a precisão do monitoramento.

Carbono do solo:

Até o momento, o desafio mais significativo do sensoriamento remoto é sua aplicação aos reservatórios de biomassa abaixo do solo (BGB) e ao carbono orgânico do solo. Esses reservatórios armazenam até 80% do carbono terrestre e são vulneráveis às mudanças climáticas, à degradação e a outros distúrbios. Os modelos atuais de solo têm incertezas extremamente altas e a maior parte do solo não é diretamente observável por meio de sensoriamento remoto. No entanto, há vários caminhos promissores de pesquisa, muitos dos quais podem ser usados em conjunto.

Medições diretas:

A medição direta por satélite mais promissora para o carbono do solo é a espectroscopia visível, visível no infravermelho próximo (vis-NIR) e no infravermelho médio (MIR) (vis-NIR/MIR). Esses sensores foram usados em pesquisas recentes ao fazer medições diretas de amostras de solo, com resultados tão bons quanto os métodos tradicionais ao determinar o conteúdo de carbono do solo. Ao passar para os sensores de satélite, o espectro ainda não é suficientemente claro, mas há esperança de que melhore com os novos sensores hiperespectrais de alta resolução.

As turfeiras oferecem outras possibilidades de medições diretas. Por exemplo, tem havido esforços para usar o Radar de Abertura Sintética (SAR) para medir a "curvatura" de uma turfeira com alta resolução na direção z. Ao rastrear o crescimento ou a retração da turfa, é possível inferir o conteúdo de água, o que indica a taxa de decomposição. Também pode haver uma correlação entre a curvatura e a profundidade da turfa.

Também há interesse no uso do radar de penetração no solo para medir a profundidade da turfa, já que, teoricamente, deve haver uma clara mudança na densidade na fronteira entre a turfa e o solo abaixo.

Os sensores hiperespectrais podem ser usados para determinar a extensão das turfeiras, pois a maioria delas é amplamente coberta por um musgo esfagno, que tem uma assinatura espectral específica.

Medições indiretas

Uma alternativa à medição direta do carbono do solo é usar "proxies" relacionados ao conteúdo de carbono do solo. Por exemplo, um solo com alto teor de carbono geralmente contém mais umidade. Outro exemplo poderia ser relacionar os índices de crescimento da vegetação, como o índice de vegetação por diferença normalizada (NDVI), com o carbono do solo ou a biomassa abaixo do solo (BGB).

O Digital Soil Mapping (DSM) combina vários proxies e medições diretas e usa métodos de ML para correlacionar essas covariáveis com as medições de carbono do solo. Isso gera um modelo preditivo que pode ser aplicado a qualquer área. Um bom exemplo global disso é o projeto SoilGrids.

Métodos semelhantes de DSM foram desenvolvidos em menor escala para turfeiras no sudeste da Ásia. Esse é um campo de pesquisa emergente, mas, com dados precisos de treinamento de verdade terrestre, Sylvera poderia prever o treinamento de modelos DSM para biótopos e regiões específicos.

O carbono do solo agrícola apresenta outras oportunidades para o sensoriamento remoto do carbono do solo. É possível identificar determinadas espécies de culturas com sensores hiperespectrais. As medições in situ do BGB de culturas específicas permitiriam inferências do BGB em todas as áreas de cultivo. Os dados de satélite também podem ser usados para monitorar os fatores de mudança no carbono do solo, como as práticas agrícolas. Isso poderia incluir até mesmo análises hiperespectrais com alta resolução temporal para monitorar picos nas emissões locais de metano quando o fertilizante orgânico é aplicado.

O LTRMS e os ajustes periódicos propostos associados às porcentagens de retenção do VCS (com base nas perdas monitoradas por categoria de risco) aumentariam a confiança na resiliência de longo prazo do buffer pool AFOLU e dos créditos de projeto emitidos?

O LTRMS aumentaria absolutamente a confiança na resiliência de longo prazo do buffer pool AFOLU e dos créditos emitidos, desde que os resultados do LTRMS tivessem um ciclo de feedback direto para as porcentagens de retenção e alocações de buffer de risco para projetos em andamento e também fossem informados pelas evidências científicas mais atualizadas. Por exemplo, se o LTRMS detectar perdas extremas para a maioria dos projetos, com uma média de ~40% por projeto, e as alocações de buffer de risco para projetos em andamento permanecerem entre 10% e 20%, então as porcentagens de retenção prescritas deverão ser aumentadas para se alinharem com os resultados do LTRMS. Esse ciclo de feedback entre o LTRMS e as porcentagens de retenção estabelecidas pelo Verra aumentaria a confiança nos projetos de compensação de AFOLU e a segurança que o buffer pool oferece como um mecanismo de seguro. Além disso, Sylvera recomenda que os resultados do LTRMS sejam transparentes e estejam disponíveis ao público para aumentar ainda mais a confiança no mercado.

Uma modelagem adicional dos riscos climáticos que destacasse os ciclos de feedback não lineares, em conjunto com o LTRMS e as evidências científicas, também aumentaria a confiança nos créditos AFOLU.

Por quanto tempo a Verra deve monitorar as reversões após o término do período de crédito do projeto (por exemplo, 50 anos, 100 anos)?

Em termos de aumento da confiança na permanência dos projetos AFOLU, devem ser incentivados períodos mais longos. 100 anos está de acordo com as escalas de tempo do IPCC.

Com que frequência a Verra deve procurar monitorar os eventos de perda (por exemplo, trimestralmente, semestralmente)?

O monitoramento trimestral é viável, mas, em vez disso, recomendaria o monitoramento anual ou bianual inicialmente e, em seguida, planejaria a introdução de atualizações mais frequentes, por exemplo, trimestralmente, mensalmente e assim por diante, ao longo do tempo. A sazonalidade deve ser levada em conta nas florestas sazonais para garantir que não seja considerada perda florestal, por exemplo, comparando com o mesmo período dos anos anteriores. O aumento da frequência de monitoramento seria bem-vindo para entender esses padrões. Para uma maior frequência de monitoramento, os dados de SAR são mais apropriados e espera-se que o número de satélites lançados no futuro aumente.

Se a Verra deixar de operar ou gerenciar o LTRMS antes do fim desse compromisso de monitoramento, como a integridade ambiental poderá ser mantida (por exemplo, por meio do cancelamento de todos os créditos de buffer associados ao projeto)?

A Verra poderia atribuir a operação do LTRMS a uma empresa de observação da terra que esteja equipada para realizar esse monitoramento contínuo de forma transparente e econômica. Se o LTRMS deixar de ser operado pela Verra ou por seu cessionário, os créditos de buffer deverão ser cancelados ou mantidos em reserva para outros projetos AFOLU que ainda não tenham chegado ao fim de seu período de monitoramento.

Quais práticas recomendadas, padrões e/ou orientações o LTRMS deve seguir? Existem possíveis limitações à aplicabilidade, precisão, confiabilidade e credibilidade de uma abordagem de monitoramento remoto para identificar reversões de AFOLU?

O LTRMS deve ser realizado por meio de tecnologias de sensoriamento remoto, o que é muito menos dispendioso do que os procedimentos de verificação atuais. Os custos reduzidos do LTRMS eliminariam as barreiras para os participantes, como grupos liderados pela comunidade ou indígenas. O LTRMS deve ser transparente e os resultados devem ser disponibilizados publicamente para aumentar a confiança no mercado.

Os dados atuais podem ser facilmente usados para grandes desmatamentos ou atividades como sistemas de alerta de incêndios. A melhor prática não é apenas usar os melhores dados disponíveis para cada ano, mas também combinar diferentes modalidades de sensoriamento remoto para superar quaisquer incertezas e aumentar a robustez dos modelos e sistemas de monitoramento. 

Existem várias limitações relacionadas ao monitoramento de projetos florestais usando sensoriamento remoto. A detecção de atividades de pequena escala, como degradação, colheita seletiva ou qualquer atividade em menor escala, é limitada pela resolução dos dados de observação da Terra, consulte a pergunta 3. Se forem usados apenas dados ópticos, as áreas nubladas podem limitar o monitoramento. Isso pode ser atenuado com o uso de dados SAR ou lidar.

Ao usar o aprendizado de máquina para interpretar imagens de satélite, é essencial ter dados de treinamento precisos. Para quantificar a reversão, as alterações na cobertura florestal detectadas por meio de sensoriamento remoto devem ser interpretadas para inferir alterações no estoque de carbono da biomassa acima do solo (AGB) e, portanto, nas emissões de carbono. Os modelos alométricos de uso generalizado atualmente têm incertezas elevadas e demonstraram ser tendenciosos, subestimando o AGB em até 40%.

A Sylvera desenvolveu um recurso de última geração para a geração precisa e oportuna de dados de treinamento in-situ usando medições de lidar em várias escalas (MSL), para construir mapas AGB para grandes áreas de floresta, de dezenas a centenas de milhares de hectares. 

Essas medições de MSL são coletadas do solo e do ar: os dados de varredura a laser terrestre (TLS) são coletados de parcelas de amostra, enquanto os dados de varredura a laser de veículos aéreos desocupados são coletados em configurações de voo lento e rápido, varredura a laser de veículos aéreos desocupados (UAV-LS) e varredura a laser aerotransportada (ALS), respectivamente. Esse conjunto de dados, coletados em escala espacial, desde a árvore individual até a região, combinado com novos algoritmos de processamento, proporciona a capacidade sem precedentes de estimar com precisão o AGB: os mapas resultantes têm resolução de 10 m e incertezas geralmente inferiores a 10%.

Que tipo de práticas de supervisão/garantia de qualidade são necessárias para garantir que o LTRMS funcione adequadamente e que a identificação e a quantificação dos estornos no período pós-credenciamento sejam precisas?

Para garantir que o LTRMS funcione adequadamente, todos os dados devem ser disponibilizados ao público e informados pelas informações científicas mais atualizadas. O LTRMS pode ser supervisionado pelo Verra ou por um conselho de governança independente, se for considerado necessário.