Tecnologias de medição de carbono
Sensoriamento remoto, radares, drones e aeronaves criam mapas de biomassa para o comércio de crédito
Os créditos de carbono estão se tornando um grande negócio. Recentemente, a Delta Airlines foi processada por um cliente insatisfeito porque a empresa afirmava ser neutra em carbono. No processo é alegado que isso não era de fato verdade. A queixa é de que a companhia aérea confiou em compensações de carbono que não eram reais. Empresas compram créditos de carbono no mercado de commodities para neutralizar suas emissões por meio de projetos planejados para absorver dióxido de carbono do ar.
Reivindicar neutralidade de carbono é importante – os consumidores se sentem melhor em relação às suas escolhas e estão dispostos a pagar mais por produtos e serviços que afirmam ser neutros. A questão é sobre confiança – e uma entidade imparcial que possa avaliar com precisão esses projetos em termos de verdadeira capacidade de absorção de carbono – e como rastreá-los ao longo do tempo.
Métodos convencionais se baseiam em medições de diâmetro e altura das árvores para estimar o volume do tronco ou o carbono sequestrado e armazenado nas partes vegetativas das árvores em crescimento. Em termos simples, isso significa usar uma fita métrica para medir o diâmetro das árvores em uma parcela de amostra como entrada para uma função alométrica, que fornece uma estimativa da capacidade de absorção de carbono acima do solo ou da biomassa de uma área do projeto (por exemplo, a Floresta Amazônica).
A Organização das Nações Unidas, por exemplo, utiliza essa abordagem à medida que incentiva as nações-membros a promoverem a sustentabilidade ambiental e a neutralidade de carbono. Esses métodos são intensivos em termos de esforço manual, propensos a erros e limitados em termos de dados coletados.
Sensoriamento remoto usando LiDAR (Detecção e Varredura a Laser), câmeras e radares também estão sendo utilizados em plataformas terrestres (estáticas e móveis), drones e aeronaves para criar mapas de cores e mapas 3D de projetos de biomassa. Imagens de satélite também são utilizadas. Esses dados podem então ser usados para estimar a capacidade de absorção de carbono de diferentes projetos de biomassa.
“Fazer progresso em direção ao objetivo de emissão líquida zero para a sociedade começa com ter dados para medir ações e seu impacto no clima”, diz Allister Furey, fundador e CEO da Sylvera. “Não podemos compreender o impacto real de projetos e investimentos sem entender quanto carbono existe no mundo. É por isso que a Sylvera desenvolveu as metodologias mais precisas de medição da biomassa em florestas.”
Os dados em nível do solo fornecem maior precisão e resolução, mas são caros de serem coletados em áreas extensas. Sensores de maior altitude proporcionam mais eficiência em termos de área do projeto coberta por hora, mas possuem menor resolução e precisão. Dados de satélite têm ainda menor resolução, mas monitoram continuamente grandes áreas à medida que orbitam a Terra. O desafio é unir esses diferentes conjuntos de dados de altitudes para alcançar o equilíbrio correto entre precisão, escalabilidade e atualidade.
É aí que entra a Sylvera (em latim, Sylva significa “floresta”; e era diz respeito ao tempo – “florestas no tempo”), uma startup sediada em Londres, no Reino Unido, criada em 2020, com a missão de “incentivar investimentos em impacto climático real” com melhores dados sobre o armazenamento de carbono na natureza. Ela rompe com abordagens tradicionais utilizando MSL (Multi-Scale LiDAR), ML (Aprendizado de Máquina) e dados de satélite para alcançar o equilíbrio entre precisão, resolução, escalabilidade e atualização de dados. Além disso, a Sylvera desenvolve softwares que, de forma independente e precisa, automatizam a avaliação de projetos de carbono que capturam, removem ou evitam emissões.
Os dados de carbono de campo calibram os modelos de aprendizado de máquina da empresa para avaliar e fornecer avaliações independentes de carbono globais para diferentes projetos que capturam, removem ou evitam emissões. As avaliações podem ser usadas para precificar o valor de projetos de carbono nos mercados de commodities (semelhante às classificações da S&P ou Moody’s sobre a qualidade de títulos).
A Sylvera anunciou em meados de julho um investimento da Série B no valor de US$ 57 milhões (R$ 273 milhões na cotação atual) – já havia arrecadado US$ 38 milhões (R$ 182 milhões) anteriormente – com a Balderton Capital liderando a rodada, com a participação de investidores que já haviam feito aportes na empresa, como Index Ventures, Insight Partners, Salesforce Ventures, Speedinvest, Seedcamp e LocalGlobe, além de novos investidores como Fidelity Strategic Ventures, Bain & Company e 9Yards Capital. A Sylvera possui cerca de 150 funcionários, estabeleceu parcerias com a S&P Global e atraiu clientes que vão de grandes instituições de serviços financeiros até governos soberanos.
A abordagem da Sylvera pode ser resumida da seguinte forma:
1 – Identificar regiões de interesse (geralmente, cerca de 50.000 hectares) representativas das florestas em nível regional ou nacional, garantindo que essas áreas capturem as variações na estrutura, estado, sucessão e taxonomia florestal para as quais os dados MSL são adquiridos. A área selecionada abrange o máximo possível da variação em AGB (biomassa acima do solo) encontrada em toda a região mais ampla (por exemplo, bioma). Isso inclui, por exemplo, a coleta de dados em áreas não florestais (por exemplo, áreas agrícolas, etc.).
2 – O TLS (Escaneamento Terrestre a Laser) é utilizado para criar nuvens de pontos 3D de alta resolução (resolução de 5 a 10 metros) em várias áreas de um hectare dentro da área selecionada no bioma. As nuvens de pontos permitem a estimativa do volume individual das árvores, biomassa acima do solo e carbono. A precisão desses métodos baseados em TLS é validada por meio de medições diretas e por meio do chamado “teste destrutivo” (tipo de avaliação que determina como um componente se comporta sob pressão) para a pesagem de um número selecionado de árvores. A Sylvera afirma uma precisão potencial de até 3% em relação a esses dados de colheita de referência gerados por testes destrutivos.
Em contraste, as alometrias convencionais (que relacionam o tamanho das árvores com a massa por meio de medições como o diâmetro do tronco) têm um erro próximo a 40%, especialmente para árvores maiores. Isso ocorre porque as técnicas convencionais são manuais, mais esparsas e propensas a erros. A abordagem da Sylvera automatiza o processo, criando dados mais ricos, densos e de alta resolução.
3 – O UAV-LS (Escaneamento a Laser por Veículo Aéreo Não Tripulado) é então realizado em áreas coincidentes e maiores (por exemplo, milhares de hectares). O ALS (Escaneamento a Laser Aéreo) utiliza drones ou aeronaves convencionais em altitudes mais altas sobre áreas extensas para adquirir dados de LiDAR.
Os dados aéreos são obtidos usando um sistema comercial de LiDAR de 1550 nm (nanômetros), digitalizado por polígonos e baseado em ToF (Tempo de Voo), projetado especialmente para mapeamento 3D aéreo. Diversas métricas que descrevem a estrutura da floresta podem então ser obtidas a partir das nuvens de pontos resultantes (que possuem centenas de pontos por metro quadrado), como cobertura arbórea, mapas de altura do dossel e distribuições 3D de material vegetal.
4 – Em seguida, o aprendizado de máquina (ML) é usado para prever a biomassa acima do solo da floresta em todas as seções do UAV-LS e ALS a partir das métricas mencionadas anteriormente. As estimativas derivadas do TLS do Passo 2 fornecem os dados de treinamento. O ML correlaciona a biomassa acima do solo com as mudanças na estrutura da floresta. Métodos rigorosos de validação cruzada são utilizados para compreender e quantificar as incertezas nessas abordagens.
5 – O último passo para gerar estimativas em escala regional da biomassa acima do solo (ABG) e estoques de carbono florestal é usar dados multimodais de satélite (por exemplo, radar, LiDAR e ópticos), onde os dados MSL treinam novos modelos de aprendizado de máquina. Os dados de satélite podem ser obtidos de operadoras de satélites comerciais e governamentais.
Os modelos de ML podem monitorar áreas inteiras do projeto (veja foto 3) ao longo do tempo. O uso de imagens de satélite proporciona excelente escalabilidade e atualização dos dados, resultando em monitoramento e atualizações regulares da classificação de carbono de projetos específicos.
O foco atual é coletar dados de todos os diferentes tipos de florestas (por exemplo, tropicais, subtropicais, temperadas e boreais, e suas várias subcategorias) e confiar em modelos de aprendizado de máquina (ML) e dados de satélite para monitorar a biomassa acima do solo (ABG) e o conteúdo de carbono. Mudanças na vegetação do bioma (diferentes daquelas usadas no desenvolvimento anterior do modelo de ML) podem justificar a repetição dos passos acima, embora isso seja provável ao longo de um período mais longo (5-10 anos). Com base nos dados de MSL, de satélite e ML, a Sylvera fornece aos clientes classificações de carbono do tipo mostrado na foto 4.
O mercado de commodities pode usar essas classificações para precificar créditos de carbono para projetos similares às classificações de títulos ou fundos mútuos da S&P e Moody’s. Isso também pode proporcionar aos compradores e órgãos reguladores confiança e garantia para avaliar seus requisitos e certificações de compensação de carbono.
Fonte: Forbes
ÚLTIMAS NOTÍCIAS: PF PRENDE HOMEM SUSPEITO DE SER O ‘MAIOR DEVASTADOR’ DA FLORESTA AMAZÔNICA
ÚLTIMAS NOTÍCIAS: ESTAÇÃO DE TRATAMENTO DE ESGOTO (ETE) DE BILHÕES DE DÓLARES ATENDERÁ 400.000 NOVOS MORADORES DO OESTE DE SYDNEY
