Improving Carbon Credit Quality through Net CO2 Exchange Estimation in Forestry Sites

This Master’s Thesis investigates the precise estimation of Carbon stored in vegetation to support natural capital-related decision-making, especially to enable transparency and trustability in the Carbon Credits landscape. The objective of the Thesis is to analyze which methodologies and technologies allow to provide high quality Carbon Estimates while ensuring business and technical viability. The preliminary analysis brought on by utilising the Eddy Covariance technique (EC) and Aboveground Live Forest Biomass estimation (ALFB), alongside data from Eddy Covariance stations, LiDAR scans, and satellite analysis with Machine Learning algorithms, led to the following key findings: (i) EC Technique provides accurate CO2 measurements but is cost-intensive due to sen- sor installations, and whereas (ii) ALFB to offer a portable, infrastructure-independent alternative with LiDAR scanning for broader coverage. Despite satisfactory precision for the reference market, the project’s cost-effectiveness is questioned, leading to the consideration of a satellite-focused approach, which eliminates the need for physical sensors and LiDAR scans. This method leverages AI applied to satellite imagery and proves particularly useful in afforestation and reforestation projects. These findings hold significance in the Carbon Credits landscape, ensuring transparency and high accuracy in carbon measurement, valuable for Carbon Credits trading and in- setting. Moreover, this research demonstrates the practical application of Data Science and Ap- plied Mathematics in democratizing Carbon Credit access while enhancing transparency in carbon projects. By combining satellite and ground data, upscaled with Machine Learning (ML) algorithms, cost-effective and accurate estimates are attainable. In conclusion, this Master’s Thesis contributes to Mathematical Engineering by showcas- ing the value of a data-driven approach to natural capital preservation, since it helps in closing the gap between theoretically sound, precise carbon estimation techniques and cost-effective methods that can be applied in practice.

Questa Tesi Magistrale indaga la precisa stima del carbonio immagazzinato nella veg- etazione al fine di supportare il processo decisionale relativo al capitale naturale, in particolare per favorire trasparenza e affidabilità nel panorama dei Crediti di Carbonio. L’obiettivo della Tesi è analizzare quali metodologie e tecnologie permettano di fornire stime del carbonio di alta qualità, assicurando al contempo la fattibilità dal punto di vista di business e tecnico. L’analisi preliminare, condotta mediante l’utilizzo della tecnica di Eddy Covariance (EC) e la stima della biomassa forestale viva in superficie (ALFB), in combinazione con dati provenienti dalle stazioni di Eddy Covariance, scansioni LiDAR e analisi satellitari mediante algoritmi di Machine Learning, ha portato i seguenti risul- tati chiave: (i) la Tecnica EC fornisce misurazioni accurate della CO2, ma è onerosa a causa delle installazioni dei sensori, mentre (ii) ALFB offre un’alternativa portatile e in- dipendente dall’infrastruttura con funzionalità di scansione LiDAR per una copertura più ampia. Nonostante la precisione soddisfacente per il mercato di riferimento, l’efficacia in termini di costi del progetto viene messa in dubbio, portando a prendere in considerazione un approccio incentrato sull’analisi delle immagini satellitari, che elimina la necessità di sen- sori fisici e scansioni LiDAR. Questo metodo sfrutta l’Intelligenza Artificiale applicata alle immagini satellitari e si rivela particolarmente utile nei progetti di riforestazione e afforestazione. Questi risultati hanno un significato nel panorama dei crediti di carbonio, garantendo trasparenza ed elevata precisione nella misurazione del carbonio, utili per la messa a mercato e l’in-setting di Crediti di Carbonio. Inoltre, questa ricerca dimostra l’applicazione della Data Science e della Matematica Ap- plicata nel democratizzare l’accesso ai Crediti di Carbonio, migliorando contemporanea- mente la trasparenza nei progetti sul carbonio. Combinando dati satellitari e terrestri, potenziati con algoritmi di Machine Learning, è possibile ottenere stime accurate e ad un costo soddisfacente. In conclusione, questa Tesi Magistrale contribuisce all’Ingegneria Matematica mettendo in mostra il valore di un approccio basato sui dati per la conservazione del capitale naturale, in quanto contribuisce a colmare il divario tra tecniche di stima del carbonio teoricamente solide e precise e metodi economici che possono essere applicati nella pratica.