政策咨询反馈：Verra长期逆转监测系统

Sylvera “长期逆转监测系统”（LTRMS）的概念，以解决“验证碳标准”（VCS）项目在配额发放后阶段存在的逆转风险问题。基于自然的碳信用额本身存在持久性风险，必须建立 LTRMS 等机制，才能确保自愿碳市场（VCMs）以高度诚信的方式运作。 持久性和逆转风险是必须持续监测和量化的关键要素，需以系统化、经济高效且民主化的方式进行，以确保在使用碳抵消来补偿排放时，净零排放主张的有效性。在检测并量化损失事件后，负责管理LTRMS的实体将对逆转情况进行核算，并相应地注销缓冲信用额。 

Verra 是否应在配额发放后期间对 VCS 农业、林业及其他土地利用（AFOLU）项目进行逆转监测？如果是，原因是什么？如果不是，原因又是什么？

是的，Verra 应当在碳信用额发放后的期间内，对 VCS AFOLU 项目进行逆转情况的监测。持久性是针对基于自然的碳信用项目最主要的批评之一，尤其是与技术解决方案相比。 为了支持高完整性的碳市场（VCMs），必须对损失事件进行长期监测和量化，并相应地进行缓冲信用额度的注销和核算。此外，长期追踪和报告管理系统的建立将使Verra能够更好地校准其风险缓冲百分比阈值，以确保缓冲池足以补偿长期逆转造成的损失。这也将增强VCMs中AFOLU项目的正常运作和完整性。

Verra 采取这一举措的主要机遇、益处、挑战和风险分别是什么？

长期土地利用监测系统（LTRMS）将增强市场对农业、林业和其他土地利用（AFOLU）项目完整性和可信度的信心，从而进一步刺激对（i）碳信用额、（ii）自然资本以及（iii）流向绿色发展的资金的投资。此外，应利用遥感和机器学习技术，以成本效益高的方式实施LTRMS，并将LTRMS的结果向公众公开，以增强市场信心和可信度。 

Sylvera主要关注的气候变化相关极端非线性反馈循环，以及用于应对长期逆转情况的缓冲池信用额度可能出现的短缺。LTRMS 是一个极好的开端，但我们认为，通过气候风险建模，并利用这些模拟结果来指导正在进行的项目中风险缓冲金的预留比例，从而进一步增强和建立对 AFOLU 项目的信任，以缓解和最小化逆转风险，这方面仍存在更多机遇。

目前，利用现有的远程监测方法，可以对哪些类型的VCS农业、林业和其他土地利用（AFOLU）项目进行有效且高效的逆转监测？预计远程监测技术在不久的将来将如何发展？这是否意味着能够对更多类型的AFOLU项目及活动（例如退化）进行监测？如果是，具体包括哪些项目及活动，又将在何时实现？

Sylvera 目前Sylvera 监测“减少毁林和森林退化所致排放量”（REDD+）项目中地上生物量（AGB）的变化趋势。此外，我们正在积极开发模型，以监测“森林管理改善”（IFM）以及“造林、再造林和植被恢复”（ARR）项目中的变化趋势。 

我们预计，未来几年遥感技术将不断发展，从而完善现有的检测模型，例如更准确地评估森林退化及其他小规模活动。目前，森林退化虽难以精确监测，但已被证实是排放的重要来源。一项最新研究发现，亚马逊雨林因退化而损失的碳量已超过因砍伐而损失的碳量。我们期待将新的卫星数据资源纳入碳信用评级体系，例如将于今年年底投入使用的BIOMASS，以及2023年上线的NISAR。此外，我们预计公共和商业数据的分辨率将提高，获取渠道将更加便捷，且在空间和时间覆盖范围上将有所提升，从而提高监测的准确性。

土壤碳：

迄今为止，遥感技术面临的最大挑战在于将其应用于地下生物量（BGB）库和土壤有机碳的研究。这些库储存了高达80%的陆地碳，且极易受到气候变化、退化及其他干扰的影响。当前的土壤模型存在极高的不确定性，而且大多数土壤无法通过遥感技术直接观测。不过，目前已有若干极具前景的研究方向，其中许多可以结合使用。

直接测量：

在土壤碳的直接卫星测量方法中，最具前景的是可见光-近红外（vis-NIR）光谱法和中红外（MIR）光谱法（即vis-NIR/MIR光谱法）。在近期针对土壤样本的直接测量研究中，此类传感器已被应用，其在测定土壤碳含量方面的结果与传统方法同样准确。 虽然目前应用卫星传感器进行测量时，光谱图像尚不够清晰，但随着新型高分辨率高光谱传感器的问世，情况有望得到改善。

泥炭地为直接测量提供了更多可能性。例如，已有研究尝试利用合成孔径雷达（SAR）以高分辨率在Z轴方向测量泥炭沼泽的“曲率”。通过追踪泥炭的膨胀或收缩，可以推断其含水量，从而反映出分解速率。此外，曲率与泥炭深度之间可能也存在相关性。

人们还对利用地质雷达测量泥炭地的深度表现出兴趣，因为理论上，在泥炭层与下方地层的分界处，密度应存在明显变化。

高光谱传感器可用于确定泥炭地的范围，因为泥炭地大多被泥炭藓覆盖，而泥炭藓具有特有的光谱特征。

间接测量

除了直接测量土壤碳含量外，另一种方法是使用与土壤碳含量相关的“替代指标”。例如，碳含量高的土壤通常含水量也较高。另一个例子是将植被生长指数（如归一化差值植被指数（NDVI））与土壤碳或地下生物量（BGB）建立关联。

数字土壤制图（DSM）综合了多种替代指标和直接测量数据，并利用机器学习方法将这些协变量与土壤碳的实地测量数据建立关联。由此生成的预测模型可应用于任何区域。SoilGrids项目便是这一方法的一个很好的全球性范例。

针对东南亚的泥炭地，已开发出类似的数字高程模型（DSM）方法，但应用范围较小。这是一个新兴的研究领域，但只要拥有准确的实地实测训练数据，Sylvera 针对特定的生物群落和地区训练数字高程模型。

农业土壤碳为土壤碳的遥感监测提供了更多机遇。利用高光谱传感器可以识别某些作物种类。 对特定作物的生物生物量（BGB）进行原位测量，有助于推断整个农田的生物生物量。卫星数据也可用于监测土壤碳变化的驱动因素，例如农业实践。这甚至可以包括高时间分辨率的高光谱分析，以监测施用有机肥料时局部甲烷排放的峰值。

LTRMS 及其相关的、针对 VCS 预扣比例的拟议定期调整（基于按风险类别监测的损失情况），是否会增强人们对 AFOLU 缓冲池及已发放项目配额长期韧性的信心？

只要LTRMS的结果能够直接反馈到正在进行项目的扣留比例和风险缓冲分配中，并且基于最新的科学证据，LTRMS必将增强人们对AFOLU缓冲池及已发放信用额长期韧性的信心。 例如，如果 LTRMS 检测到大多数项目平均损失率高达约 40%，而正在进行的项目风险缓冲分配仍维持在 10% 至 20% 之间，则应提高规定的扣留比例，使其与 LTRMS 的结果保持一致。 LTRMS 与 Verra 既定扣留比例之间的这种反馈机制，将增强市场对 AFOLU 抵消项目的信心，并提升缓冲池作为保险机制所提供的保障。此外，Sylvera LTRMS 的结果应保持透明并向公众公开，以进一步增强市场信心与信任。

若结合LTRMS和科学证据，进一步开展强调非线性反馈循环的气候风险建模，也将增强对AFOLU碳信用的信心。

在项目计入期结束后，Verra 应监测减排量逆转现象多长时间（例如 50 年、100 年）？

为了增强人们对AFOLU项目持久性的信心，应鼓励采用更长的期限。100年这一期限与IPCC的时间尺度相一致。

Verra 应以何种频率对损失事件进行监控（例如，每季度一次、每半年一次）？

季度监测是可行的，但建议初期采用年度或半年一次的监测频率，随后再逐步增加监测频率，例如先从季度监测开始，再过渡到月度监测等。 在季节性森林中必须考虑季节性因素，以确保监测结果不会被视为森林损失，例如通过与往年同期数据进行对比。提高监测频率有助于理解这些规律，因此值得鼓励。若需提高监测频率，合成孔径雷达（SAR）数据更为合适，且预计未来发射的卫星数量将有所增加。

如果Verra在本监测承诺期结束前停止运营或管理LTRMS，应如何维持环境完整性（例如，通过注销与该项目相关的所有缓冲信用额）？

Verra 可以将 LTRMS 的运营权授予一家具备条件、能够以经济高效且透明的方式开展此类持续监测的地球观测公司。如果 LTRMS 停止运营（无论是由 Verra 还是其受让人终止），则缓冲信用额应予以注销，或保留作为储备，供尚未达到监测期结束的其他 AFOLU 项目使用。

LTRMS 应遵循哪些最佳实践、标准和/或指导方针？在利用遥感监测方法识别农业、林业和其他土地利用（AFOLU）土地利用类型逆转方面，其适用性、准确性、可靠性和可信度是否存在潜在局限性？

LTRMS 应通过遥感技术实施，其成本远低于当前的核查程序。LTRMS 成本的降低将消除社区主导组织或原住民团体等参与者面临的障碍。LTRMS 应保持透明，并向公众公开结果，以增强市场信心。

现有数据可轻松应用于大规模森林砍伐监测或火灾预警系统等活动。最佳实践不仅在于每年使用最优质的数据，还应结合不同的遥感技术，以消除不确定性，并提高模型和监测系统的可靠性。 

利用遥感技术监测林业项目存在诸多局限。对于退化、择伐等小规模活动，或任何其他小范围活动的检测，均受地球观测数据分辨率的限制，详见问题3。若仅使用光学数据，多云区域可能会限制监测效果。通过使用合成孔径雷达（SAR）或激光雷达（LIDAR）数据，可缓解这一问题。

在利用机器学习分析卫星图像时，准确的训练数据至关重要。为了量化森林退化，必须对遥感技术检测到的森林覆盖变化进行解读，从而推断地上生物量（AGB）碳储量的变化，进而推算碳排放量。目前广泛使用的全计量模型存在较高的不确定性，且研究表明这些模型存在偏差，可能导致对地上生物量的低估幅度高达40%。

Sylvera 尖端技术，能够利用多尺度激光雷达（MSL）测量数据准确、及时地生成实地训练数据，从而为面积达数万至数十万公顷的大片森林构建地上生物量（AGB）图。 

这些地表干重（AGB）数据既来自地面，也来自空中：地面激光扫描（TLS）数据采集自样地，而无人机激光扫描数据则分别在低速和高速飞行模式下采集，即无人机激光扫描（UAV-LS）和机载激光扫描（ALS）。 这组数据涵盖从单株树木到区域的各个空间尺度，结合创新的处理算法，提供了准确估算AGB的前所未有的能力：生成的地图分辨率达10米，不确定度通常小于10%。

为了确保LTRMS正常运行，并保证在入账后期间对冲销交易的识别和量化准确无误，需要采取哪些监督/质量保证措施？

为确保长期减排机制（LTRMS）正常运作，所有数据必须向公众公开，并以最新的科学信息为依据。如有必要，LTRMS可由Verra或独立治理委员会进行监督。