by Gerry Elias, Managing Partner
21/06/2026A confiança em um crédito de carbono depende do rigor e da integridade da ciência que o alicerça no nível do projeto. No Projeto Katingan Mentaya, isso significou desenvolver um sistema robusto de medição e monitoramento que integra ecologia de campo, sensoriamento remoto por satélite e machine learning. Tudo isso precisou ser aplicado não apenas à dinâmica de um ecossistema florestal complexo, mas também a um profundo domo de turfa milenar localizado sob a floresta.
Uma história de dois estoques de carbono
A maior parte das florestas armazena carbono acima do solo, nos troncos, galhos e folhas das árvores vivas. O Projeto Katingan Mentaya (KMP) também faz isso, mas protege algo ainda mais relevante.
Este Projeto protege 157.875 hectares de floresta em Kalimantan Central, na Indonésia, e, ao mesmo tempo, a floresta protege uma espessa camada de turfa sob o solo. A turfa é composta por matéria orgânica parcialmente decomposta acumulada ao longo de milhares de anos. Em um estado intacto e saturado de água, ela permanece estável. Porém, quando drenada e exposta ao ar, como ocorre após o desmatamento e a conversão do uso da terra, ela oxida e libera CO₂. A turfa seca também representa um grave risco de incêndio. Uma vez iniciados, os focos podem permanecer ativos no subsolo por meses, liberando ainda mais CO₂.
Mensurar e proteger o carbono presente nesses dois estoques exige abordagens científicas distintas.
Enxergando a biomassa acima do solo
O cálculo do carbono acima do solo começa com a medição individual das árvores. No Projeto Katingan Mentaya as equipes Técnica e de Campo estabeleceram 80 parcelas circulares de amostragem, cada uma com 30 metros de raio, distribuídas por meio de um desenho amostral aleatório estratificado. Dentro dessas parcelas, todas as árvores com diâmetro de tronco igual ou superior a 10 cm na altura do peito (cerca de 130 cm acima do solo) foram identificadas, medidas e registradas, totalizando 17.788 árvores. Em uma parte significativa da amostra, a altura das árvores também foi medida com um hipsômetro ultrassônico.
Essas medições foram convertidas em estimativas de biomassa por meio de equações alométricas, modelos matemáticos que traduzem diâmetro e altura em biomassa total. A metodologia segue o modelo alométrico de Chave et al. (2014), um dos mais utilizados na ciência de carbono em florestas tropicais, utilizando valores de densidade da madeira específicos por espécie extraídos de uma base de dados global. Esse processo resultou em estimativas de biomassa variando de quase zero em áreas altamente degradadas até cerca de 270 toneladas por hectare nas áreas de floresta mais densas e menos perturbadas.
Embora as parcelas forneçam uma base sólida para estimativas, elas não conseguem, sozinhas, representar toda a variabilidade espacial de uma paisagem com 150 mil hectares. As florestas são dinâmicas: a degradação causada pela extração ilegal de madeira ocorre de forma desigual, e a regeneração após distúrbios varia no espaço. Para gerar um mapa contínuo e espacialmente explícito do carbono em toda a área do projeto, os dados de campo são integrados ao sensoriamento remoto por satélite.
Do solo aos satélites
Para obter uma visão mais completa e precisa da floresta, utiliza-se uma combinação de diferentes sistemas de observação da Terra, em que cada sensor oferece capacidades complementares.
O Global Ecosystem Dynamics Investigation (GEDI), instalado na Estação Espacial Internacional, utiliza LiDAR espacial para emitir pulsos de laser sobre a copa da floresta e medir seu retorno. Isso produz estimativas altamente precisas da altura da vegetação e de sua estrutura vertical, elementos fundamentais para estimar biomassa.
As imagens Harmonised Landsat–Sentinel-2 (HLS) combinam dados do programa Landsat e da missão Sentinel-2 para gerar observações multiespectrais de alta resolução. Essas imagens ópticas registram condições da floresta, área foliar e dinâmicas sazonais, oferecendo informações detalhadas sobre a saúde e a variabilidade do dossel.
A missão Sentinel-1, operada pela Agência Espacial Europeia, utiliza radar de abertura sintética (SAR), capaz de coletar dados dia e noite, inclusive sob cobertura de nuvens. Essa confiabilidade é essencial em regiões tropicais, onde a presença constante de nuvens limita o uso de imagens ópticas.
Também são utilizadas imagens PlanetScope PSB.SD, da constelação de satélites SuperDove da Planet Labs. Enquanto GEDI, HLS e Sentinel-1 alimentam o modelo de biomassa, os dados Planet permitem monitoramento quase em tempo real da cobertura da terra. Isso possibilita detectar distúrbios florestais, delimitar mudanças com precisão e monitorar incursões de exploração ilegal dentro da área do projeto.
Com resolução espacial de três metros e revisita quase diária, esse conjunto de dados oferece o detalhamento necessário para identificar perturbações de pequena escala que satélites de resolução mais ampla não detectariam. Após a identificação de mudanças na cobertura da terra com os dados Planet, os mapas de biomassa são usados para quantificar o impacto de carbono associado àquela perda específica.
Vale destacar que, assim como outros sistemas ópticos, como Landsat e Sentinel-2, as imagens Planet também são afetadas pela cobertura de nuvens, tornando os dados SAR um complemento essencial para o monitoramento contínuo.
Além dessas bases públicas, o projeto também integra mapas anuais de biomassa acima do solo produzidos pela Chloris Geospatial. A tecnologia da empresa combina dados de satélite e LiDAR aéreo com modelos de aprendizado de máquina para gerar estimativas diretas de estoque e variação de biomassa em resolução de 30 metros, incluindo quantificação de incertezas por pixel desde o ano 2000. Esses mapas são baseados em conjuntos de dados globais, revisados por pares e validados de forma independente. Representam o estado da arte na mensuração de biomassa por satélite e são utilizados como referência para orientar onde as parcelas de campo devem ser instaladas e quais condições de biomassa devem ser amostradas.
A validação em campo permanece essencial para calibrar as estimativas baseadas em sensoriamento remoto, conectando os modelos às medições reais e reduzindo vieses sistemáticos. As parcelas de campo oferecem alta precisão, mas não cobrem continuamente toda a paisagem. Já os satélites cobrem toda a área, mas dependem de calibração local para alcançar confiabilidade na escala do projeto. A combinação dos dois métodos, integrada por aprendizado de máquina, gera resultados muito mais precisos e informativos.
Treinando o modelo: aprendizado de máquina e calibração local
Após o processamento de todos os fluxos de dados, aplica-se uma estrutura de aprendizado de máquina em duas etapas. Na primeira, métricas estruturais derivadas do GEDI — como altura do dossel, cobertura e perfil vertical — são previstas para toda a área do projeto a partir dos dados HLS e Sentinel-1. Isso preenche as lacunas espaciais deixadas pela amostragem descontínua do GEDI, produzindo estimativas contínuas da estrutura florestal em resolução de 30 metros.
Na segunda etapa, as medições de campo treinam um modelo local capaz de prever biomassa acima do solo com base em toda a combinação de dados estruturais e ópticos. Essa calibração local é essencial para adaptar os dados globais às condições ecológicas específicas da floresta de turfa do Projeto Katingan Mentaya, considerando composição de espécies, densidade da madeira e as relações particulares entre características do dossel e biomassa nesse ecossistema. O resultado é um mapa de biomassa substancialmente mais preciso do que um modelo global aplicado sem ajustes locais.
Como os dados de satélite são atualizados anualmente, o modelo pode ser executado todos os anos para produzir novos mapas de biomassa da área do projeto, acompanhando a regeneração de áreas em recuperação, detectando novos processos de degradação e monitorando os impactos de carbono associados ao desmatamento. As parcelas de campo são medidas novamente a cada cinco anos; entre esses ciclos, as atualizações por sensoriamento remoto mantêm o monitoramento contínuo. Assim, a contabilidade de carbono deixa de ser periódica e passa a ser permanentemente atualizada.
Abaixo da superfície
Mensurar o carbono armazenado na turfa apresenta um desafio completamente diferente. Ao contrário do dossel florestal, a turfa não é visível diretamente do espaço. Sua profundidade varia significativamente — de uma camada fina nas bordas da cúpula a vários metros no centro — e essa profundidade determina tanto o volume de carbono armazenado quanto o tempo necessário para sua perda em cenários de desmatamento e drenagem.
Para enfrentar esse desafio, foi desenvolvido um Modelo Digital de Terreno (DTM) da superfície da turfa utilizando dados de elevação das missões ICESat-2 (NASA) e GEDI, combinados com medições de profundidade coletadas em campo. Uma vez mapeada corretamente, a característica forma em cúpula das turfeiras tropicais permite inferir a espessura da turfa em cada ponto da paisagem.
As emissões provenientes da turfa são impulsionadas principalmente pela profundidade do lençol freático. Quando áreas de turfa são drenadas, o nível da água diminui, a oxidação acelera e ocorre a liberação de CO₂. A taxa de emissão depende tanto da profundidade do lençol quanto da intensidade do uso da terra. A maior parte dos projetos — e até mesmo as diretrizes do Painel Intergovernamental sobre Mudanças Climáticas (IPCC) — utiliza fatores de emissão Tier 1, baseados em médias gerais por categoria de uso da terra, sem capturar variações específicas do local.
No Projeto Katingan Mentaya, foi além. A equipe técnica desenvolveu fatores de emissão Tier 2 com base em um modelo preditivo construído a partir de dados revisados por pares, incorporando profundidade do lençol freático e classe de uso da terra como variáveis. Emissões de metano e carbono transportado pela água também são medidas separadamente com fatores específicos. Essa abordagem captura a variação espacial das emissões de forma muito mais precisa do que médias generalizadas, além de permitir atualizações contínuas conforme novos dados científicos e medições de campo se tornam disponíveis.
O modelo de emissões da turfa também considera subsidência, decomposição microbiana e combustão da turfa, simulando o esgotamento gradual do estoque de carbono ao longo do tempo em toda a área do projeto.
O que isso significa para a qualidade dos créditos
A combinação dessas abordagens — mapeamento de biomassa calibrado localmente, monitoramento anual por satélite, estratificação profunda da turfa, monitoramento contínuo e fatores de emissão Tier 2 — resulta em uma estrutura de contabilidade de carbono mais precisa, conservadora e transparente do que os padrões exigem.
O conservadorismo está incorporado em diferentes etapas. O mapeamento contínuo da biomassa captura degradações pontuais e distúrbios naturais que seriam ignorados em abordagens baseadas apenas em parcelas. A delimitação das zonas de turfa aplica limites deliberados: apenas áreas com profundidade significativa são contabilizadas. Já os fatores Tier 2 consideram taxas específicas de oxidação da turfa no local, em vez de médias mais favoráveis do IPCC.
O ciclo anual de atualização também é relevante para compradores e investidores, pois garante que o monitoramento esteja sempre atualizado. Distúrbios naturais, como enchentes, incêndios ou invasões, são detectados e contabilizados no mesmo ano em que ocorrem. Entre 2021 e 2023, o projeto registrou 461,8 hectares de desmatamento, equivalente a apenas 0,3% da área total do projeto, com o impacto de carbono de cada evento calculado e descontado do total de créditos.
Olhando para o futuro
Toda metodologia possui limitações, e a ciência está em constante evolução. A Permian Global e a PT. Rimba Makmur Utama, organizações responsáveis pela gestão do Projeto Katingan Mentaya, concluíram recentemente a primeira renovação da linha de base do projeto. Esse processo permitiu incorporar avanços em sensoriamento remoto e ciência da turfa que não estavam disponíveis no lançamento inicial do projeto. Novos fatores de emissão Tier 2, modelos atualizados de biomassa e um DTM renovado refletem o esforço contínuo para manter a ciência alinhada aos avanços mais recentes.
Este artigo foi publicado no site da Permian Global. Confira o conteúdo original aqui.
