A spatially explicit dynamic biomass baseline for forest-management carbon projects in China

Résumé technique : Une référence de biomasse dynamique spatialement explicite pour les projets de gestion forestière carbone en Chine

Énoncé du problème
Les projets de carbone forestier, en particulier les initiatives de Gestion Forestière Améliorée (GFA), reposent sur des références contrefactuelles pour déterminer l'« additionnalité » — les gains de carbone réalisés au-delà de ce qui se serait produit sans le projet. Les méthodologies de référence actuelles souffrent souvent de biais significatifs. Les niveaux de référence statiques et les moyennes régionales grossières ne parviennent pas à rendre compte de la nature dynamique de la biomasse forestière, qui est influencée par l'âge des peuplements, les rotations de gestion historiques et les perturbations naturelles ou anthropiques. Ces simplifications excessives peuvent conduire à deux erreurs critiques : des références fixées trop bas surestiment les gains d'atténuation (surcrédit), tandis que des références fixées trop haut occultent les véritables accomplissements des projets. Les méthodes d'évaluation ex-post existantes (par exemple, l'appariement ou les contrôles synthétiques) sont utiles pour la révision, mais ne peuvent pas fournir de références ex-ante spatialement explicites et standardisées, requises lors de la phase d'enregistrement du projet. Il est nécessaire d'un cadre qui intègre la croissance dépendante de l'âge, le potentiel de biomasse spatiale, la continuité de la gestion historique et les risques de perte observés dans un système de projection unique et auditable.

Méthodologie
Les auteurs ont développé un cadre de référence contrefactuel dynamique et spatialement explicite pour la Chine, utilisant une approche couplée de courbes de croissance. La méthodologie suit les étapes suivantes :

1. Stratification des données et ajustement des courbes de croissance :

   • Un ensemble de données nationales comprenant 24 237 relevés de parcelles forestières a été stratifié en 155 strates écologiques basées sur la zone de végétation, le type de forêt et l'origine (naturelle ou plantée).
   • Pour chaque strate, des courbes d'accumulation âge-biomasse ont été ajustées à l'aide de fonctions de Richards, logistiques et de Weibull. Une bibliothèque de 67 courbes de croissance finales a été établie.
   • L'analyse d'incertitude a indiqué que le terme de biomasse asymptotique (la biomasse potentielle maximale) était le principal moteur d'incertitude de ces courbes ajustées.

2. Estimation du plafond de biomasse spatiale ($B_{eco}$) :

   • Pour traiter l'incertitude liée au terme asymptotique, les auteurs ont remplacé l'asymptote statique dans les équations de croissance par une estimation spatialement explicite de la biomasse quasi naturelle atteignable ($B_{eco}$).
   • $B_{eco}$ a été modélisé à l'aide d'un ensemble de 50 modèles de Forêts Aléatoires (Random Forest) entraînés sur des pixels de forêts matures à faible perturbation (sélectionnés dans des zones protégées et des réserves naturelles).
   • Les prédicteurs comprenaient des variables climatiques (ex. : amplitude thermique mensuelle), des propriétés du sol, la topographie, la distance aux zones protégées et la couverture arborée. Le modèle a obtenu un $R^2$ de 0,39 lors d'une validation croisée par blocs spatiaux.

3. Cadre de courbe de croissance couplée :

   • Le cadre couple la forme de la courbe de croissance spécifique à la strate avec le plafond de $B_{eco}$ au niveau du pixel.
   • Une analyse de sensibilité a comparé un modèle standard ($M_0$, où seule l'asymptote varie avec $B_{eco}$) à un modèle alternatif ($M_1$, où les taux de croissance varient également avec $B_{eco}$). L'étude a révélé que $M_1$ n'apportait qu'une amélioration négligeable (<5 % de réduction de la RMSE) pour la plupart des strates, justifiant l'utilisation du modèle $M_0$, plus parcimonieux, pour une application nationale.

4. Projection de scénarios contrefactuels :

   • Des trajectoires contrefactuelles annuelles ont été projetées de 2000 à 2020 (avec des horizons de 20 ans) selon trois scénarios :
     • BAU (Business as Usual / Activité normale) : Croissance ininterrompue sans récolte ni réinitialisation de la biomasse.
     • S1 (Gestion contrainte) : Continuation des rotations de gestion historiques (ex. : rotation courte de 15 ans, rotation longue de 60 ans) et des réinitialisations de biomasse.
     • S2 (Perte observée) : S1 plus les probabilités et sévérités estimées empiriquement des événements de perte de biomasse dérivées de la série temporelle du China Forest Aboveground Biomass Dynamic (CFATD). Note : Ces pertes sont identifiées par le changement de biomasse, sans être attribuées à des moteurs spécifiques (ex. : incendie vs récolte).

Résultats clés

• Divergence des références : Le scénario BAU (incontraint) a systématiquement produit des références plus élevées que les scénarios de gestion contrainte (S1 et S2). La différence moyenne nationale entre BAU et S1 est passée de 9,98 Mg ha⁻¹ à 10 ans à 14,40 Mg ha⁻¹ à 20 ans (pour un début en 2000). Pour un début en 2020, cet écart a atteint 29,30 Mg ha⁻¹ à 10 ans et 36,99 Mg ha⁻¹ à 20 ans.
• Facteurs de biais : La divergence était plus prononcée dans les plantations à rotation courte, l'huile de palme et les systèmes agroforestiers. Les forêts plantées présentaient des écarts BAU–S1 nettement plus importants que les forêts naturelles. Spatialement, les plus grandes disparités se sont produites dans les provinces du sud avec un fort potentiel de croissance et une gestion intensive (ex. : Hainan, Guangdong, Guangxi, Fujian).
• Contribution des strates écologiques : Un petit nombre de strates a dominé la différence nationale. Les six principales strates écologiques (incluant le pin de Masson, le sapin chinois et les forêts typiques de feuillus persistants, tant naturels que plantés) ont contribué à plus de 70 % de la différence totale nationale BAU–S1.
• Impact des événements de perte : L'intégration des événements de perte de biomasse observés (S2) a eu un effet minimal sur les moyennes nationales par rapport à S1 (différences < 0,22 Mg ha⁻¹), bien qu'elle ait modifié les trajectoires locales et le calendrier des déclins.
• Propagation de l'incertitude : L'incertitude des projections de référence était dominée par le plafond de biomasse atteignable ($B_{eco}$), qui représentait la vaste majorité de la variance. L'incertitude liée aux paramètres des événements de perte (probabilité et rétention) était négligeable à l'échelle nationale (< 0,04 % de contribution à la largeur de l'intervalle), bien qu'elle fût légèrement plus élevée dans certaines strates sensibles.

Signification et affirmations
L'article affirme fournir une « référence nationale pour la fixation des bases de référence » qui permet une quantification précise et crédible des résultats de l'atténuation climatique pour les projets de GFA en Chine. La portée du cadre réside dans sa capacité à :

1. Limiter la discrétion des développeurs : En utilisant des données indépendantes et externes (inventaires forestiers nationaux et télédétection) plutôt que des rapports spécifiques au projet, le cadre réduit le risque de surcrédit systématique.
2. Assurer l'auditabilité et la mise à jour : La base de données est construite sur des règles cohérentes et peut être mise à jour à mesure que de nouvelles données d'inventaire ou de produits de biomasse deviennent disponibles.
3. Représenter la continuité historique : Contra�à une référence statique, ce cadre dynamique intègre explicitement les rotations de gestion historiques et les régimes de perte observés, empêissant la classification erronée de la récupération naturelle ou de l'accumulation continue de carbone comme étant une additionnalité du projet.
4. Soutenir l'élaboration de politiques : Les auteurs postulent que ce cadre peut servir de module fondamental pour le développement de méthodologies de GFA en Chine, répondant aux problèmes actuels de règles fragmentées et d'insuffisance de prévention des risques.

Les auteurs maintiennent une position modeste, notant que bien que le cadre fournisse un module de biomasse contrefactuel robuste, il ne résout pas tous les défis de crédit carbone tels que les fuites, la permanence, le bois récolté ou le carbone du sol. Ils soulignent que le cadre est un outil pour l'évaluation transparente de l'additionnalité, et non une solution complète pour l'ensemble de la comptabilisation des stocks de carbone.