Métodos Bottom-up e Top-down para estimativas de fontes e sumidouros de gases de efeito estufa

Abstract

As emissões de gases com efeito de estufa (GEE) são a principal causa das alterações climáticas, pelo que a sua monitorização é essencial para estabelecer políticas de mitigação à escala local e global. Nas últimas décadas, o número de estudos publicados sobre as potenciais fontes e sumidouros de GEE tem aumentado exponencialmente. Apesar disso, a identificação de fontes pontuais continua a ser um desafio devido à falta de dados ou à incerteza atmosférica. Além disso, em comparação com o número de estudos dedicados a lidar com as fontes de GEE, menos estudos têm sido realizados em relação à identificação da remoção de GEE, principalmente devido à absorção de CO2 através da fotossíntese. Neste trabalho exploramos a identificação de não somente fontes, mas também remoções de GEE no Brasil usando duas abordagens. Na primeira abordagem, comparamos dois inventários GEE (bottom up), sendo um tradicional e outro com uma abordagem que combina dados de sensoriamento remoto, modelos de aprendizado de máquina e diretrizes do IPCC para relatar fontes e emissões pontuais em nível global. Na segunda abordagem (top-down), propomos uma estrutura simples baseada em dados do Orbiting Carbon Observatory-2 (OCO-2) para detectar fontes e sumidouros de CO2 no território brasileiro. Apesar das diferenças entre as abordagens, principalmente na intensidade, ambas apontam que as regiões com maior frequência de sumidouros estão localizadas na Caatinga e no domínio mais profundo da Amazônia; enquanto que as regiões com maior frequência de fontes estão localizadas na transição entre os biomas Cerrado e Amazônia. A Mudança no Uso e Cobertura do Solo (LULCC) e atividades como o uso do fogo também apontam que essa região está sofrendo com a ação antrópica. Por outro lado, os dados de Fluorescência de Clorofila Solar Induzida (SIF) apontam que a atividade fotossintética no domínio da Caatinga está aumentando ao longo dos últimos anos. Portanto, apesar das incertezas relacionadas a ambas as abordagens, elas concordam na identificação de fontes e sumidouros; no entanto, discordam na quantidade estimada, principalmente devido à diferença metodológica, fundamentalmente baseadas em bottom-up (inventários) and top-down (a partir da concentração atmosférica).

Greenhouse gas (GHG) emissions are the main cause of climate change; therefore, its monitoring is essential to establish mitigation policies from local to global scale. Over the last decades, the number of studies published about GHG emissions and removals are exponentially increasing. Despite that, the identification of point sources is still a challenge due to data lake or atmospheric uncertainty. Moreover, compared to number of studies dedicated to deal with GHG sources, fewer studies have been conducted regarding the GHG removal identification, mainly due to CO2 absorption through photosynthesis. In this work, we explore the identification not only of GHG sources, but also GHG removals in Brazil using two approaches. In the first one we compared a traditional GHG inventory with a new one that combines remote sensing data, machine learning models and IPCC guidelines to report point source and emission at global level. The second approach, we propose a simple framework based on Orbiting Carbon Observatory-2 (OCO-2) data to detect CO2 source and sinks in the Brazilian territory. Despite the differences between the approaches, mainly in the intensity, both point out that the regions with more sink frequency is located at Caatinga and deepest Amazon domain; meanwhile, the regions with more source frequency is located at the transition between Cerrado and Amazon biomes. Land use and Land Cover Change (LULCC) and activities such as Fire Scar also point out that this region is suffering from anthropogenic action. In the other hand, Solar Induced chlorophyll Fluorescence data point out that Caatinga domain photosynthetic activity is increasing. Therefore, despite the uncertainties related with both approaches, two distinguish methods agrees in the source and sink identification; however, they disagree in the estimated quantity, manly due methodological difference as the first one is a bottom-up approach meanwhile the other one is a top-down one.