Kulstof i Rwandas træer kortlagt fra luften

Som det første land kan Rwanda nu fremlægge en national opgørelse over kulstofindholdet i sine træer, hvor hvert eneste træ i landet er talt med. Metoden er udviklet af forskere ved Københavns Universitet i samarbejde med rwandiske myndigheder og forskere.

”De nuværende internationale opgørelser over skoves kulstofindhold er behæftet med stor usikkerhed. Ved at kortlægge indholdet af kulstof i alle træer individuelt opnår vi en markant forøgelse af nøjagtigheden. Samtidig betyder forskelle i forudsætninger, mål og tilgængelige data, at der i dag er stor variation i, hvordan forskellige lande laver deres opgørelser. Vi håber, at denne metode vil blive den nye standard, så det fremover bliver lettere at sammenligne mellem lande,” siger ph.d.-forsker Maurice Mugabowindekwe, Institut for Geovidenskab og Naturforvaltning (IGN), Københavns Universitet.

Han er hovedforfatter på den videnskabelige artikel, der præsenterer den nye metode. Artiklen er netop udgivet i et de mest ansete tidsskrifter på feltet, Nature Climate Change.

Maurice Mugabowindekwe er selv rwander, hvilket har været praktisk for arbejdet. Imidlertid er der videnskabelige årsager til, at den nye metode blev udviklet netop for Rwanda, understreger han:

”Rwanda er repræsentativt for mange tropiske lande. Der er en stor variation i landskaber med såvel savanner, skovstrækninger, skove med forskellige grader af fugtighed, buskområder, landbrugsegne og byområder med bevoksning. Vi ønskede at efterprøve metoden for alle disse typer af landskaber. Samtidig har Rwanda tilsluttet sig flere internationale aftaler om beskyttelse af skove og forebyggelse af klimaforandringer. For eksempel har man forpligtet sig under Bonn Challenge til at genskabe 80 % af overfladearealet. Derfor er det særdeles relevant af have en pålidelig metode til at kortlægge træernes indhold af kulstof.”

Den første metode som behandler træer individuelt

Beskyttelse af naturskov og plantning af nye træer er anerkendt som vigtige elementer i forebyggelse af klimaforandringer. Imidlertid har det været svært at vurdere effekten af konkrete initiativer på området, fordi der har været stor usikkerhed om træernes indhold af kulstof. Det er dette problem, som forskerne fra Københavns Universitet har løst.

Metoden udnytter, at der findes databaser, der angiver forholdet mellem trækronens omfang og det samlede indhold af kulstof i et træ.

”Inden for skovforskning har det længe været udbredt at kortlægge individuelle træer og beregne deres indhold af kulstof. Grundlæggende gør vi det samme, men i en landsdækkende skala i stedet for lokalt,” siger forsker Ankit Kariryaa, der arbejder 50:50 for IGN og Datalogisk Institut (DIKU).

Forskere fra disse to institutter på Københavns Universitet har udviklet metoden med IGN som projektleder.

Den nye metode vil være en hjælp til Rwanda, når landet skal vurdere arbejdet med at opfylde sine forpligtelser under aftaler som den globale traktat om klimasikring gennem skovbeskyttelse REDD+ og det afrikanske initiativ for landskabsbeskyttelse AFR 100.

Mange træer står uden for skovene

Kortlægning af samtlige træer i et helt land med håndkraft ville være et enormt arbejdskrævende og uforholdsmæssigt dyrt forehavende. Det ville simpelthen ikke være realistisk. Derfor er den nye metode et gennembrud.

”Det er vigtigt at have en holistisk tilgang, hvor man også har et blik for træer uden for skovene,” siger Ankit Kariryaa.

Han henviser til, at 72 % af de kortlagte træer befandt sig i landbrugsområder og savanner, mens 17 % stod i plantager.

Samtidig viste det sig, at den relativt beskedne andel af træerne, som står i naturskov – 11 % af det samlede antal træer – rummer 51 % af den totale mængde kulstof. Med andre ord har naturskov et meget højt indhold af kulstof i forhold til mængden af træer.

”Dette peger på, at beskyttelse af naturskovene er mere effektivt i forhold til forebyggelse af klimaforandringer, end det er at rejse plantager,” siger Maurice Mugabowindekwe.

Regnskov ligner et stort grønt tæppe

Forholdet mellem trækronens omfang og træets indhold af kulstof er ikke konstant. Et meget stort træ indeholder langt mere kulstof end en klynge af mindre træer, hvor kronerne tilsammen har det samme omfang som kronen på det store træ. Derfor er det afgørende for metoden, at computeren kan genkende enkelte træer. Hvis klyngen fejlagtigt blev set af computeren som et enkelt træ, ville indholdet af kulstof blive vurderet alt for højt. Forskerne udnytter et såkaldt neuralt netværk til at genkende de enkelte træer.

”Især for regnskov er det meget udfordrende at afgøre, hvor mange træer, der egentlig er med på et billede. Umiddelbart ligner hele skoven bare ét stort grønt tæppe. Men ved hjælp af metoder fra Machine Learning og Computer Vision kan vores system også bruges til at lære computeren til at skelne de enkelte træer fra hinanden i tætte skovområder,” forklarer professor Christian Igel, DIKU.

Kernen i Machine Learning er at træne computeren ved hjælp af et sæt billeder, hvor man kender det rigtige svar. I det rwandiske studie bestod træningssættet af ca. 97.500 billeder, hvor træerne på billederne var kortlagt med håndkraft. Billederne repræsenterede samtlige typer af landskaber i landet.

Studiet benyttede offentligt tilgængelige fotos fra fly og satellitter med en opløsning på 25 x 25 cm. Billederne var optaget i 2008 og 2009. Flere end 350 millioner træer var med på billederne, som var stillet til rådighed af Rwandas myndighed for landskabsforvaltning og University of Rwanda.

Anvendelser uden for Rwanda

I juli 2022 besøgte ni forskere fra Københavns Universitet Rwanda for at udføre feltarbejde samt præsentere resultaterne fra den første landsdækkende kortlægning for landets myndigheder og andre interessenter fra skovsektoren.

”Præsentationen blev modtaget med stor interesse,” siger Maurice Mugabowindekwe. På stedet blev han bedt om en opdateret kortlægning baseret på nyere luftfotos fra 2019. Det arbejde er han nu i gang med.

Desuden er metoden blevet testet i en håndfuld andre lande herunder Tanzania, Burundi, Uganda og Kenya.

”Vi håber, at det også vil være muligt at få landsdækkende billeder i høj opløsning for disse og flere andre lande, så metoden kan blive udbredt. Samtidig argumenterer vi for, at bevillinger til at skabe lokale databaser baseret på feltarbejde bør ledsages af midler til at optage eller indkøbe billedmateriale i høj opløsning,” siger Maurice Mugabowindekwe og tilføjer:

”Resultaterne har været gode, når vi har overført metoden direkte til et nyt land eller region. Hvis man desuden træner modellen med et lokalt sæt af billeder, bliver nøjagtigheden endnu højere. Efter min mening er opgørelser over placering, størrelse og kulstofindhold af træer det første skridt i retning af at fastslå effekten af bevarelse af landskaber. Hvis man ikke er i stand til at skabe en troværdig opgørelse, vil man mangle et grundlag for at følge effekten af landskabsbevarelse. Det kan gøre beskyttelse og bæredygtig drift af såvel skove som andre træ-dominerede landskaber umulig. Derfor er dette forskning, der kan gøre en forskel.”

Den videnskabelige artikel “Nation-wide mapping of tree level carbon stocks in Rwanda” bliver publiceret I det ansete tidsskrift Nature Climate Change 22.12.2023.