ยกระดับ Carbon Credit ด้วย Biodiversity และ GeoAI (Ep. 1/2)
เมื่อ “ป่า” ไม่ได้มีค่าเท่ากันทั้งหมด
ในช่วงไม่กี่ปีที่ผ่านมา “Carbon Credit” กลายเป็นกลไกสำคัญในการขับเคลื่อนโลกสู่ Net Zero แต่คำถาม คือ
สามารถวัด “คาร์บอน” ได้แม่นยำแค่ไหน?
หลายระบบในปัจจุบันยังใช้วิธีประเมินแบบง่าย ๆ เช่น “พื้นที่ป่า 1 เฮกตาร์ = คาร์บอน X ตัน”
ซึ่งฟังดูเหมือนจะสะดวก แต่ในความเป็นจริง นี่คือการ simplify มากเกินไป ธรรมชาติซับซ้อนกว่านั้น
ป่าไม่เท่ากัน: จุดอ่อนของ Carbon Credit ยุคแรก
ความจริงคือ “ป่า” แต่ละประเภทมีความสามารถในการกักเก็บคาร์บอนไม่เท่ากันเลย เช่น
- ป่าชายเลน : กักเก็บคาร์บอนสูงมาก (โดยเฉพาะในดิน)
- ป่าดิบ : biomass สูง
- ปลูกเชิงเดี่ยว : โตเร็ว แต่เก็บคาร์บอนไม่ยั่งยืน
- ป่าแล้ง : น้อยกว่า แต่ยังมีคุณค่า
ดังนั้น การใช้ค่าเฉลี่ยเดียว อาจทำให้เกิด
- Over-credit (ให้เครดิตเกินจริง)
- Under-credit (ประเมินต่ำเกินไป)
- ความไม่เชื่อมั่นในตลาด
Biodiversity: ตัวแปรที่ถูกมองข้าม
อีกหนึ่งปัจจัยสำคัญคือ “ความหลากหลายทางชีวภาพ (Biodiversity)”
ป่าที่มีความหลากหลายสูง
- มีความเสถียรมากกว่า
- ทนต่อโรคและไฟป่า
- กักเก็บคาร์บอนได้ยาวนานกว่า
ในขณะที่ป่าแบบ monoculture (ปลูกชนิดเดียว)
- เสี่ยงล้มทั้งระบบ
- คาร์บอนสูญเสียได้ง่าย
Biodiversity ไม่ใช่แค่เรื่องสิ่งแวดล้อม แต่คือ “คุณภาพของ Carbon Credit”
คาร์บอนระดับสปีชีส์ (Species Level): มิติใหม่ของการประเมิน
เพราะพืชแต่ละชนิด
- มีอัตราการเติบโตต่างกัน
- มี biomass ต่างกัน
- มีการกักเก็บคาร์บอนต่างกัน
รวมถึง
- Above-ground carbon (ลำต้น ใบ กิ่ง)
- Below-ground carbon (ราก + ดิน)
ที่น่าสนใจคือ “คาร์บอนในดิน” อาจมีมากกว่าที่เราเห็นบนพื้นดิน
ใน Ep.2 จะพูดถึงเทคโนโลยีที่เกี่ยวข้อง Remote Sensing, Geo AI เพื่อสนับสนุนการประเมินคาร์บอนในมิติใหม่ และ Use cases ต่างๆ
