Efficient, innovative, and inclusive options to overcome monitoring challenges in the early phases of REDD+

Reducing Emissions from Deforestation and forest Degradation (REDD) is the major international political achievement to protect tropical forests’ carbon stocks. The basic idea of REDD+ is to pay forest owners (either through national government funds or directly) to reduce forest emissions and increase forest carbon sequestration. Such a simple idea is facing a number of challenges. This thesis analyses some of the forest monitoring technical challenges that countries can face, particularly during the early phases of REDD+ projects. The objective of this thesis is to provide a better understanding on approaches that could enable effective planning and implementation of monitoring activities. In doing so, this cumulative thesis focuses on three main concepts related to monitoring, reporting, and verification (MRV) systems: innovation, inclusion, and efficiency. Scientific and technological innovations support MRV systems, providing effective instruments to design and execute REDD+. Inclusion refers to the possibility of tropical countries or provinces to participate in REDD+; in fact, the capacity to implement a reliable MRV system determines the possibility of joining and executing an effective REDD+ program. Finally, pursuing efficiency is paramount, since most developing countries grapple with a shortage of resources, and the REDD+ mechanism copes even with a critical lack of finance. The first article presents a model, which using only available and easily accessible data and software, predicts the risk of deforestation. The model combines a machine learning technique with GIS and uses environmental, social, demographic, and economic variables as proxies of deforestation. The machine learning approach is random forests; it is a decision tree–based method, which combining many classification trees produces a prediction of the variable of interest. We tested the model using data from Nicaragua. Results show that the accuracy of the model in predicting areas under moderate and high risk of deforestation can be considered satisfactory for some REDD+ purposes, e.g., when identifying potential target areas for REDD+ projects. Furthermore, the adoption of the model may be effective in the first phase of projects: when a country is still developing the capacity to build its own sound and accurate datasets. Therefore, the model is suitable for a stepwise implementation approach of REDD+ projects in regions with limited availability of data, capital, technical infrastructure, or human capacities. The second article examines three key factors affecting the generation of forest carbon credits from REDD+. The factors are (i) setting Reference Levels (RLs); (ii) supplying of emission reduction due to REDD+; (iii) uncertainties in forest carbon emissions estimates. This article includes two analyses: a simulation study and a sensitivity analysis . In the simulation study, the interrelationships between the costs of forest carbon monitoring, the associated reliability, and the resulting accountable carbon credits were investigated. Findings of the simulation study highlight that combining statistically rigorous sampling methods with Lidar data can significantly boost the accountable amount of forest carbon credits that can be claimed. We found that innovative monitoring techniques have a positive effect on the efficiency of MRV systems, and that despite having a larger initial cost, the investment in MRV system, based on Lidar, could be paid-off by the potential result-based payments. Conceiving an MRV system as an investment can encourage the implementation of well-defined, long-term monitoring strategies. In the sensitivity analysis, the above-mentioned three factors are ranked according to their impact on the generation of carbon credits. Findings show that the amounts of accountable avoided emissions under a REDD+ scheme mainly vary according to the monitoring technique adopted.

La Riduzione delle Emissioni da Deforestazione e Degradazione forestale (REDD) è uno dei più importanti risultati ottenuti nell’ambito delle politiche internazionali per la protezione delle foreste tropicali. Il meccanismo dei REDD+ si fonda su un’idea semplice: ricompensare (direttamente o attraverso fondi governativi) coloro che posseggono il diritto di gestire le foreste al fine di incentivarli a ridurre la deforestazione ed aumetare la capacità di sequestro e stoccaggio di carbonio nelle foreste. Quest’idea, teoricamente semplice, trova nella pratica molteplici difficoltà applicative. Questa tesi di dottorato analizza alcune delle difficoltà che possono emergere durante lo sviluppo di un progetto REDD+. L’obiettivo della tesi è di anallizzare e presentare alcuni approcci che permettono un’efficace pianificazione e implementazione delle attività di monitoraggio forestale in ambito REDD+. A tal fine, la tesi è focalizzata su tre aspetti fondamentali riguardanti i sistemi di monitoring, reporting, and verification (MRV) (monitoraggio, comunicazione e verifica): innovazione, inclusione ed efficienza. Le innovazioni scientifiche e tecnologiche supportano i sistemi di MRV perché forniscono strumenti efficienti per pianificare e mettere in atto vari aspetti collegati ai progetti REDD+. Il secondo aspetto analizzato, l’inclusione, si riferisce alla possibilità di ogni paese tropicale, o provincia, di prender parte ai REDD+ e di goderne dei benefici derivanti. Il terzo aspetto riguarda l’efficienza: quest’ultima è essenziale dal momento che molti paesi in via di sviluppo presentano una drastica carenza di risorse e il meccanismo dei REDD+ non sembra attualmente in grado di fornire le risorse necessarie per soccombere a tale carenza. Il primo articolo incluso nella tesi presenta un modello che utilizzando dati disponibili e facilmente accessibili prevede il rischio di deforestazione. Il modello combina l’algoritmo random forests con il GIS e usa variabili ambientali, sociali, demografiche ed economiche per prevedere il rischio di deforestazione. Il modello è stato testato usando dati del Nicaragua. I risultati mostrano che il modello prevede il rischio di deforestazione con un’accuratezza che ne consente l’applicazione nelle prime fasi dei progetti REDD+, ad esempio per identificare aree adatte all’implementazione di progetti. Il modello può essere applicato in particolar modo da quei paesi che non hanno un’efficace sistema di monitoraggio delle foreste e non possiedono un inventario accurato e preciso delle proprie risorse forestali. L’approcio presentato può supportare la partecipazione a progetti REDD+ di quei paesi che seppur non possedendo le capacità necessarie per portare a termine un progetto REDD+ hanno intenzione di investire maggiori risorse nel settore forestale. Il secondo articolo esamina tre fattori chiave che influenzano la generazione di crediti di carbonio forestale: (i) i livelli di riferimento (RLs); (ii) riduzione effettiva delle emissioni grazie ai REDD+; (iii) incertezze nella stima degli stock di carbonio forestale. L’articolo include un’analisi di sensitività e un simulation study. Nel simulation study sono state analizzate le correlazioni tra i costi di monitoraggio del carbonio forestale, l’accuratezza di monitoraggio e i crediti di carbonio contabilizzabili. I risultati mostrano che integrando metodi di campionamento statistico con dati Lidar aumentano notevolmente i crediti di carbonio che possono essere contabilizzati dai paesi aderenti ai REDD+. Pertanto, tecniche innovative per monitorare le foreste hanno un effetto positivo sull’efficienza dei sistemi di MRV, e sebbene i costi di investimento iniziali siano decisamente alti, i compensi derianti dalla vendita dei crediti di carbonio possono ripagare gli investienti. Si conclude che è possibile concepire i sistemi di MRV come degli investimenti. Nell’analisi di sensitività i suddetti tre fattori sono stati classificati in base alla loro influenza sulla produzione di crediti di carbonio. E’ emerso che la contabilizzazione delle emissioni dal settore forestale è principalmente determinata dalla tecnica di monitoraggio che viene impiegata.