Studying the vegetation impact of terrestrial ecosystems on reducing the carbon footprint in in the territory of the Russian Federation

Cover Page

Cite item

Abstract

Plant communities of terrestrial ecosystems of the Russian Federation are studied in terms of their ability to reduce the carbon footprint as a result of carbon dioxide sequestration. The classification of typical plant communities and the division of the territory depending on the climatic and regional characteristics is given, with further provision of values of the specific absorption capacity of growing plant communities according to the division presented. To assess the biomass of vegetation, as well as its dynamics of change, an analysis of the remote sensing method was carried out as the most preferred method for determining biomass in real time. The characteristics of currently used remote sensing systems, including IKONOS, Quickbird, Worldview, ZY-3, SPOT, Sentinel, Landsat and MODIS are given. The main indicators used for the indexation assessment of vegetation biomass are listed, with subsequent prediction based on them of the efficiency of carbon dioxide uptake by plant communities.

Full Text

Введение На сегодняшний день растительные сообщества являются одним из наиболее крупных естественных источников поглощения углекислого газа на планете. Рассматривая вопрос воспроизводства растительности как основного способа секвестрации углекислого газа, можно уверенно говорить об увеличении интенсивности поглощения углекислого газа при увеличении биомассы растительности [1]. Однако полномасштабные научные исследования, проводимые в этой области в последнее десятилетие, позволяют утверждать, что помимо естественной биомассы растительности на интенсивность поглощения углекислого газа из атмосферы влияет также поглощающая способность отдельных видов растительных сообществ [2]. В таком случае, говоря о принудительном увеличении интенсивности секвестрации углекислого газа растительными сообществами, можно опираться не только на увеличение проективного покрытия зеленых насаждений и прирост их биомассы, но также и на выбор определенных видов растительных сообществ, обладающих максимальной поглощающей способностью [3]. Анализ предметной области На территории Российской Федерации произрастает более 11 000 видов сосудистых растений, насчитывается свыше 10 000 видов водорослей и около 5000 видов лишайников, которые также способны поглощать углекислый газ из атмосферы, однако в значительно меньшем количестве [4]. Рассматривать поглощающую способность каждого отдельного вида растений задача невыполнимая, да и ненужная, так как в зависимости от целого ряда территориальных, климатических и почвенных особенностей на той или иной территории произрастает широкое видовое разнообразие растений. В этой связи, оценивая поглощающую способность растительных сообществ, наиболее логичным вариантом является оценка поглощающей способности основных природных экосистем, характерных для различных климатических зон России, а не отдельных видов растений [5]. Территория Российской Федерации по широтному делению охватывает семь базовых природных зон: арктическая пустыня, тундра, тайга, зона смешанных и широколиственных лесов, степь, пустыня и субтропики. Кроме этого, из-за плавного перехода от одной области к другой выделяют три подзоны: лесотундра, лесостепь и полупустыня. Растительные сообщества, произрастающие в каждой из упомянутых природно-климатических зон, могут существенно различаться на разных территориях страны, однако у каждой зоны есть общие базовые виды растений, которые являются основой той или иной природной зоны [6]. Оценку интенсивности секвестрации углекислого газа растительными сообществами целесообразно производить лишь в тех природных зонах, где зеленые насаждения имеют существенное проективное покрытие и значительную биомассу, в результате чего на территории Российской Федерации исследования по данной тематике проводятся в основном для трех природных зон (тундра, зона смешанных и широколиственных лесов, субтропические леса [4]), а также для искусственных лесопосадок, например при лесовосстановлении на техногенно нарушенных территориях [7]. На сегодняшний день проведено достаточное количество научных исследований с целью оценки поглощающей способности растительных сообществ и целых экосистем на территории различных стран, при этом большинство ученых сходится во мнении, что наибольшей поглощающей способностью по отношению к углекислому газу обладают виды с наиболее развитой удельной массой, то есть древесные растения [8]. В работе Б.Г. Федорова и соавт. приводится удельная поглощающая способность некоторых видов древесных растений за один вегетационный период. Так, ель поглощает 6,6 т CO2/га, осина - 7,1 т CO2/га, береза - 8,1 т CO2/га, сосна - 11 т CO2/га, липа - 16,5 т CO2/га, дуб - 29,7 т CO2/га, тополь - 46,2 т CO2/га [2] В работе Б. Красуцкого приводится удельная поглощающая способность растительных сообществ в соответствии с природно-климатическими зонами. Так, в таежных лесах годовая величина улавливания углекислого газа составляет 3,8-7,4 т/га, в зоне смешанных лесов - 4,2-11,6 т/га, субтропических - 5,7-17,5 т/га [5]. Кроме этого, среди множества научных трудов российских ученых можно даже найти данные о среднем удельном поглощении CO2 по регионам России. В лесах Урала ежегодное улавливание углекислого газа оценивается в 6,1 т CO2/га, в Восточной Сибири - 5,7 т CO2/га, в лесах Западной Сибири и Дальнего Востока - 4,95 т CO2/га [9]. Помимо видового разнообразия растительности на определенной территории, на интенсивность поглощения CO2 в значительной степени влияет возраст древесной растительности. Молодые древесные растения депонируют углерод в 3-6 раз эффективнее средневозрастных и стареющих деревьев [10]. Таким образом, для корректного определения поглощающей способности растительных сообществ необходимо учитывать не только региональную специфику, но и возрастную структуру древостоев, что является достаточно сложной задачей, так как естественные насаждения чаще всего очень неоднородны по составу, возрастным группам и категориям состояния. Кроме видового разнообразия, в основном диктуемого природно-климатическими условиями, важным фактором, влияющим на интенсивность поглощения растительными сообществами углекислого газа из атмосферы, является биомасса растительности. При этом определение биомассы растительности может осуществляться непосредственно в полевых условиях путем деструктивного отбора проб, а также неразрушающим методом дистанционного зондирования. Дистанционное зондирование земли на сегодняшний день является наиболее предпочтительным в использовании методом, так как обеспечивает мониторинг растительности в режиме реального времени, позволяет регулярно обновлять данные о площади распространения растительных сообществ и их биомассе, а также применим для картирования неоднородности биомассы [11]. Применение спутников и беспилотных летательных аппаратов особенно актуально при получении характеристических данных растительности с больших площадей, а также труднодоступных территорий [12]. Широкое применение при изучении растительности, в том числе и лесных насаждений, приобрел дистанционный мониторинг после запуска спутника Landsat. В настоящее время мониторинг осуществляется на базе значительного числа спутниковых систем, таких как IKONOS, Quickbird, Worldview, ZY-3, SPOT, Sentinel, Landsat и MODIS [13]. В таблице представлены основные технические характеристики съемочной аппаратуры перечисленных спутниковых систем. Несомненное преимущество дистанционного мониторинга при помощи спутниковых снимков, как уже говорилось ранее, заключается в проведении исследования на больших территориях с оценкой биомассы деревьев в глобальном масштабе [11]. Однако осуществление такого вида съемки ограничивается низкой способностью проникновения сквозь облака, а также низкой детализированностью снимков. В последние годы удалось решить проблему проникающей способности при помощи радиолокационного дистанционного зондирования. Дополнительным преимуществом этого метода является получение более подробной информации о структуре растительности. С начала XXI в. интенсивно вовлекаются не только бортовые радиолокационные, но и космические системы, такие как Terra-SAR, RADARSAT, ALOS и PALSAR [14]. Основные технические характеристики съемочной аппаратуры некоторых спутниковых систем Название спутниковой системы Обзорность, км Периодичность, сут. Пространственное разрешение, м/пикс Спектральные характеристики IKONOS 11 3 3,2 С, З, К, БИК QuickBird-2 16,5 3-4 2,5 С, З, К, БИК Worldview 17,6 2-4 0,5 ПАН ZY-3 50 1-3 5,8 С, З, К, БИК Spot 5 60 1-4 10 С, З, К Sentinel 290 10 20 С, З, К, БИК Landsat 7 185 16 60 З, К, БИК MODIS 2300 <1 250-1000 С, З, К, БИК Примечание. Перечень спектральных каналов съемочной аппаратуры: С - синий; З - зеленый; К - красный; БИК - ближний инфракрасный; ПАН - панхроматический. The main technical characteristics of the shooting equipment of some satellite systems The name of the satellite system Visibility, km Frequency, days Spatial resolution, m/pixels Spectral characteristics IKONOS 11 3 3.2 B, G, R, NIR QuickBird-2 16.5 3-4 2.5 B, G, R, NIR Worldview 17.6 2-4 0.5 PAN ZY-3 50 1-3 5.8 B, G, R, NIR Spot 5 60 1-4 10 B, G, R Sentinel 290 10 20 B, G, R, NIR Landsat 7 185 16 60 З, К, NIR MODIS 2300 <1 250-1000 B, G, R, NIR Note. The list of spectral channels of the shooting equipment: B - blue; G - green; R - red; NIR - near infrared; PAN - panchromatic. При необходимости индивидуальной оценки деревьев исследуемого лесного массива для определения вертикальной структуры леса или же размера отдельных экземпляров, что напрямую связано со значением биомассы, может быть применен метод лидарного дистанционного зондирования. С его помощью можно точно измерить плотность древостоя, высоту и плотность кроны. Технология лидарного зондирования позволяет получить 3D-информацию структуры лесного массива, а при совместном использовании с другими методами дистанционного мониторинга - увеличить точность оценки биомассы [11]. Картирование и получение прочих характеристик растительности при помощи методов дистанционного зондирования базируется на основе данных спектров отраженного излучения. Такие спектры обусловлены разным поглощением излучения различных длин волн биологическими пигментами, в частности хлорофиллом. Физиологическое состояние растительности параллельно изменяется с концентрацией пигментов в ее клетках и тканях и уровнем влагообеспеченности, поэтому эти показатели характеризуют здоровье растений [15; 16]. Для количественной оценки растительности, в частности ее наземной биомассы, полученные при дистанционном зондировании снимки обрабатываются при помощи вегетационных индексов. Вегетационные индексы представляют собой арифметические комбинации значений коэффициентов спектральной яркости в отдельных спектральных каналах аэрокосмического изображения. Данные выражения выводятся на основе эмпирических наблюдений и имеют целью увеличение информативности сигнала в отдельных каналах для исследований растительности при одновременном снижении влияния побочных факторов: атмосферы, яркости почвы, эффекта насыщения, зависимости от геометрии наблюдений [17]. На данный момент существует около 160 индексов, которые рассчитываются по широким и узким спектральным зонам в зависимости от спектральной яркости объектов. На рис. 1 представлен график зависимости спектральной яркости основных природных объектов от длины волны [11]. Рис. 1. Зависимость спектральной яркости основных природных объектов от длины волны Figure 1. Dependence of the spectral brightness of the main natural objects on the wavelength Спектральные вегетационные индексы рассчитываются по значениям наиболее стабильных участков спектра, а именно красной и ближней инфракрасной областей. Первая область (0,62-0,75 мкм) характеризуется максимумом поглощения солнечной радиации зеленым пигментом растений, а вторая (0,75-1,3 мкм) - максимальным отражением энергии [18]. Оценка состояния растительности, а также выявление территорий, занятых или свободных от насаждений, возможны при помощи индексов группы Broadband Greenness. Наиболее популярным индексом является NDVI (Normalized Difference Vegetation Index), позволяющий количественно оценить биомассу растений и определяющийся по формуле NDVI = (NIR - RED) / (NIR + RED), где NIR - отражение в ближней инфракрасной области спектра; RGB - отражение в видимой области спектра. Данный индекс принимает положительные значения для растительности, и чем оно больше, тем выше значение биомассы [15; 19]. Существует множество работ, в которых используется NDVI в качестве оценки биомассы. Данный индекс успешно применен при ее моделировании на сезонных водно-болотных, лесных и сельско-хозяйственных угодьях [14]. Существует устойчивая корреляция между показателем NDVI и продуктивностью для различных типов экосистем, отраженная на рис. 2 [9]. Однако чаще расчет NDVI употребляется на основе серии разновременных (разносезонных) снимков с заданным временным разрешением, позволяя получать динамическую картину процессов изменения границ и характеристик различных типов растительности (месячные вариации, сезонные вариации, годовые вариации) [20]. Рис. 2. Корреляция между показателем NDVI и продуктивностью для различных типов экосистем Figure 2. Correlation between NDVI and productivity for different types of ecosystems Будучи искусственным безразмерным показателем, NDVI предназначен для измерения эколого-климатических характеристик растительности, но в то же время может показывать значительную корреляцию с некоторыми параметрами, совсем другой области: продуктивностью (временные изменения), биомассой, влажностью и минеральной (органической) насыщенностью почвы, испаряемостью (эвапотранспирацией), объемом выпадаемых осадков, мощностью и характеристиками снежного покрова и др. [21]. В некоторых случаях применение только NDVI не может дать корректную оценку полученных данных со снимков. Например, при достижении определенного порога развития растения индекс теряет чувствительность, то есть если растение развивается очень активно, то по NDVI нельзя отличить аномально зеленое растение от «обычного» зеленого [22]. В этой связи дополнительно с интерпретированием снимков на основании вегетационного индекса NDVI при оценке снижения выбросов углерода путем восстановления сельскохозяйственных угодий часто используются четыре вегетационных индекса: RVG (Ratio Vegetation Index), SAVI (Soil Adjusted Vegetation Index), GCC (Green Chromatic Coordinate) и fc (Fractional Green Vegetation Cover). Например, SAVI был выбран для уменьшения влияния почвы при интерпретировании результатов, так как не вся исследуемая территория покрыта растительностью [23]. Существуют и другие вегетационные индексы, которые, по сути, являются альтернативой индексу NDVI. Так, если нет возможности использовать для съемки камеру с инфракрасным каналом, достаточно часто используют индекс VARI (Visible Atmospheric Resistant Index) - показатель фотосинтетической активности, разработанный специально для работы с RGB-камерами, который определяется по формуле VARI = (Green - Red) / (Green + Red - Blue), где Green - значения пикселов из зеленого канала; Red - значения пикселов из красного канала; Blue - значения пикселов из синего канала [24]. Безусловно, наземная биомасса зеленых насаждений характеризуется наиболее динамично меняющимся содержанием углерода. Применимость дистанционного мониторинга к определению такого типа биомассы делает возможным его использование для прогнозирования эффективности поглощения углекислого газа [10]. На сегодняшний день уже известны методы оценки поглощения углерода путем его связывания внутри лесного массива. Так, в «Руководящих принципах эффективной практики Межправительственной группы экспертов по изменению климата» подсчет эффективности поглощения углерода базируется на использовании значения биомассы лесных насаждений с последующим преобразованием этого значения в массу углерода, исходя из предположения, что в биомассе содержится 49 % углерода. В дальнейшем представляется возможным произвести пересчет результата в единицы CO2 посредством умножения значения на 3,67, что составляет отношение атомной массы СО2 и C соответственно [25]. Подобная методика определения уловленного углерода и углекислого газа использовалась учеными из Индии, Новой Зеландии и Южной Африки для изучения способности улавливания углекислого газа конкретными видами растений [26]. Тем не менее в работе Г.П. Аснера и соавт. по изучению лесов Амазонии отмечено, что разница между значениями, рассчитанными по данному методу и полученными при помощи воздушного лидарного зондирования, составляет более 30 %. Одной из вероятных причин этого названа неоднородность плотности углерода в лесах в различных масштабах [27]. Прогнозирование эффективности поглощения углекислого газа лесным массивом должно базироваться не только на полученном значении биомассы. Следует отметить, что протекание данного процесса зависит от климатических и временных характеристик, а также вида произрастающей растительности [28]. Один вид, произрастая в разных регионах, может демонстрировать отличающиеся между собой скорости поглощения углерода. В исследовании Б. Бернал и соавт. проанализированы 1197 точек древостоя по всему миру с целью определения коэффициента поглощения углерода в зависимости от климатических условий произрастания. В результате установлено, что темпы поглощения хвойными, дубовыми и широколиственными породами деревьев в тропических регионах характеризовались наибольшей скоростью. При этом эвкалипт показал стабильно высокий коэффициент поглощения вне зависимости от условий произрастания (рис. 3) [29]. Наряду с прогнозированием эффективности поглощения углерода можно осуществлять прогноз его выделения при анализе снимков с территорий обезлесения, деградации или уничтожения растительности. Скорость поглощения углерода (тонны СО2 га-1 год-1)СКВ, исключая эвкалиптЭвкалиптЭвкалиптЭвкалиптЭвкалипт Рис. 3. Зависимость поглощения углекислого газа растительностью в различных климатических условиях рис. 4 Figure 3. Dependence of carbon dioxide uptake by vegetation in different climatic conditions При проведении дистанционного мониторинга следуют обращать внимание на возрастную структуру и схему произрастания деревьев. Существуют исследования старовозрастных деревьев с точки зрения их способности поглощать углерод. Часть из них указывают на отсутствие такой способности в связи со снижением производства биомассы и потерей деревьев из-за естественных природных нарушений, таких как удары молнии, поражение болезнями и грибами. При этом представители молодовозрастного леса характеризуются производством биомассы на высоком уровне в течение длительного времени, что способствует эффективному поглощению [10]. Схемы произрастания видов в лесном сообществе, а именно их плотность и пространственное расположение относительно друг друга, являются немаловажным фактором при прогнозировании поглощения. Например, в отчете Международного союза охраны природы сказано, что для связывания наибольшего количества углерода необходимо производить мозаичную посадку деревьев с использованием более низкой плотности их посадки. В этом случае будет задействована максимальная площадь земли, что обеспечивает эффективное связывание углерода на большей территории [25]. Однако в исследованиях Ю. Пан и соавт. основной причиной увеличения поглощения углерода в лесах умеренного климата наряду с существенным ростом площади лесов называется повышение плотности их посадки [28]. Заключение Проблема снижения углеродного следа выходит на лидирующие позиции на международной арене. Все чаще поднимаются вопросы о внедрении технологий улавливания и хранения углекислого газа, особенно на территории Арктики в связи с ее хрупкой экосистемой. К настоящему времени часть стран Евросоюза предпринимает попытки уменьшения углеродного следа путем введения налогового регулирования. Растительные сообщества занимают значительную территорию Российской Федерации, вследствие чего способны поглощать углекислый газ на большой площади. Одновременно с этим Россия характеризуется различными климатическими зонами и видами произрастающей растительности, которая имеет отличные значения удельной поглощающей способности. Поэтому для оценки растительности как инструмента секвестрации углекислого газа следует использовать методы дистанционного зондирования, которые эффективны при выделении определенных видов на больших территориях.
×

About the authors

Marina A. Pashkevich

Saint Petersburg Mining University

Email: mpash@spmi.ru
ORCID iD: 0000-0001-7020-8219

Dr.Sci. (Eng.), Head of the Department of Geoecology

2 21st Line, Saint Petersburg, 199106, Russian Federation

Anna E. Korotaeva

Saint Petersburg Mining University

Author for correspondence.
Email: s205056@stud.spmi.ru
ORCID iD: 0000-0002-0211-6782

postgraduate student

2 21st Line, Saint Petersburg, 199106, Russian Federation

References

  1. Di Vita G, Pilato M, Pecorino B, Brun F, D’Amico M. A Review of the role of vegetal ecosystems in CO2 capture. Sustain. 2017;9:1840. http://doi.org/10.3390/SU9101840
  2. Fyodorov BG, Moiseev BN, Sinyak YuV. Absorption capacity of Russian forests and carbon dioxide emissions by energy facilities. Problemy Prognozirovaniya. 2011; 126(3):127-42. (In Russ.)
  3. Akita N, Ohe Y. Sustainable forest management evaluation using carbon credits: from production to environmental forests. Forests. 2021;12(8):1-18. http://doi.org/10.3390/f12081016
  4. Cherepovitsyn AE, Sidorova AE, Smirnova AE. Feasibility of using CO2 sequestration technologies in Russia. Neftegazovoe Delo. 2013;(5):459-473. (In Russ.)
  5. Krasutsky BV. Absorption of carbon dioxide woods of Chelyabinsk region: modern ecological and economical aspects. Tyumen State Univ. Herald Nat. Resour. Use Ecol. 2018;4(3):57-68. http://doi.org/10.21684/2411-7927-2018-4-3-57-68
  6. Koroleva NE. The main types of plant communities “Russian Svalbard.” Trudy Karel’skogo Nauchnogo Centra RAN. 2016;(7):3-26. (In Russ.) http://doi.org/10.17076/bg323
  7. Bykova MV, Alekseenko AV, Pashkevich MA, Drebenstedt C. Thermal desorption treatment of petroleum hydrocarbon-contaminated soils of tundra, taiga, and forest steppe landscapes. Environю. Geochem. Health. 2021;43(6):2331-2346. http://doi.org/10.1007/S10653-020-00802-0
  8. Kurbatova AI. Analytical review of modern studies of changes in the biotic components of the carbon cycle. RUDN Journal of Ecology and Life Safety. 2020;28(4):428-438. (In Russ.) http://doi.org/10.22363/2313-2310-2020-28-4-428-438
  9. Zamolodchikov D, Grabovskiy V, Kurc V. Managing the carbon balance of Russia’s forests: past, present and future. Ustojchivoe Lesopol'zovanie. 2014;2(39):23-31. (In Russ.)
  10. Mancini MS, Galli A, Niccolucci V, Lin D, Bastianoni S, Wackernagel M, Marchettini N. Ecological footprint: refining the carbon footprint calculation. Ecol. Indic. 2016;61: 390-403. http://doi.org/10.1016/j.ecolind.2015.09.040
  11. Xu D, Wang H, Xu W, Luan Z, Xu X. LiDAR applications to estimate forest biomass at individual tree scale: opportunities, challenges and future perspectives. Forests. 2021;12(5):1-19. http://doi.org/10.3390/f12050550
  12. Calders K, Jonckheere I, Nightingale J, Vastaranta M. Remote sensing technology applications in forestry and REDD+. Forests. 2020;11(2):10-13. http://doi.org/10.3390/f11020188
  13. Chen L, Ren C, Zhang B, Wang Z, Xi Y. Estimation of forest above-ground biomass by geographically weighted regression and machine learning with sentinel imagery. Forests. 2018;9(10):1-20. http://doi.org/10.3390/f9100582
  14. Kumar L, Mutanga O. Remote sensing of above-ground biomass. Remote Sens. 2017;9(9):1-8. http://doi.org/10.3390/rs9090935
  15. Adamovich TA, Kantor GYa, Ashikhmina TYa, Savinykh VP. The analysis of seasonal and long-term dynamics of the vegetative NDVI index in the territory of the State Nature Reserve “Nurgush”. Teoreticheskaya i Prikladnaya Ecologiya. 2018;(1):18-24. (In Russ.)
  16. Ferwerda JG, Skidmore AK, Mutanga O. Nitrogen detection with hyperspectral normalized ratio indices across multiple plant species. Int. J. Remote Sens. 2005;26(18):4083-4095. http://doi.org/10.1080/01431160500181044
  17. Seward A, Ashraf S, Reeves R, Bromley C. Improved environmental monitoring of surface geothermal features through comparisons of thermal infrared, satellite remote sensing and terrestrial calorimetry. Geothermics. 2018;73:60-73. http://doi.org/10.1016/j.geothermics.2018.01.007
  18. Adão T, Hruška J, Pádua L, Bessa J, Peres E, Morais R, Sousa JJ. Hyperspectral imaging: a review on UAV-based sensors, data processing and applications for agriculture and forestry. Remote Sens. 2017;9(11):1110. http://doi.org/10.3390/rs9111110
  19. Strizhenok AV, Ivanov AV. Ecological assessment of the current state of environmental components on the territory of the impact of cement production industry. J. Ecol. Eng. 2017;18(6):160-165. http://doi.org/10.12911/22998993/76850
  20. Kusumaning Asri A, Lee HY, Pan WC, Tsai HJ, Chang HT, Candice Lung SC, Su HJ, Yu CP, Ji JS, Wu CD, Spengler JD. Is green space exposure beneficial in a developing country? Landsc Urban Plan. 2021;215:104226. http://doi.org/10.1016/J.LANDURBPLAN.2021.104226
  21. John J, Jaganathan R, Dharshan Shylesh DS. Mapping of Soil moisture index using optical and thermal remote sensing. Lect. Notes Civ. Eng. 2022;171:759-767. http://doi.org/10.1007/978-3-030-80312-4_65
  22. Laefer DF. Harnessing remote sensing for civil engineering: then, now, and tomorrow. Lecture Notes in Civil Engineering. 2020;33:3-30.
  23. Liu N, Harper RJ, Handcock RN, Evans B, Sochacki SJ, Dell B, Walden LL, Liu S. Seasonal timing for estimating carbon mitigation in revegetation of abandoned agricultural land with high spatial resolution remote sensing. Remote Sens. 2017;9(6):545. http://doi.org/10.3390/rs9060545
  24. Chevrel S, Bourguignon A. Application of optical remote sensing for monitoring environmental impacts of mining: from exploitation to postmining. L. Surf. Remote Sens. Environ. Risks. Elsevier; 2016. p. 191-220. http://doi.org/10.1016/B978-1-78548-105-5.50006-2
  25. IUCN and WRI. A guide to the Restoration Opportunities Assessment Methodology (ROAM): assessing forest landscape restoration opportunities at the national or sub-national level. Switzerland: IUCN; 2014.
  26. Veludo G, Cunha M, Sá MM, Oliveira-Silva C. Offsetting the impact of CO2 emissions resulting from the transport of Maiêutica’s academic campus community. Sustainability. 2021;13:10227. https://doi.org/10.3390/su131810227
  27. Asner GP, Powell GVN, Mascaro J, Knapp DE, Clark JK, Jacobson J, Kennedy-Bowdoin T, Balaji A, Paez-Acosta G, Victoria E., Secada L., Valqui M, Hughes RF. High-resolution forest carbon stocks and emissions in the Amazon. Proc. Natl. Acad. Sci. USA. 2010;107(38):16738-16742. http://doi.org/10.1073/pnas.1004875107
  28. Pan Y, Birdsey RA, Fang J, Houghton R, Kauppi PE, Kurz WA, Phillips OL, Shvidenko A, Lewis SL, Canadell JG, Ciais Ph, Jackson RB, Pacala SW, McGuire AD, Piao S, Rautiainen A, Sitch S, Hayes D. A large and persistent carbon sink in the world’s forests. Science. 2011;333(6045):988-993. http://doi.org/10.1126/science.1201609
  29. Bernal B, Murray LT, Pearson TRH. Global carbon dioxide removal rates from forest landscape restoration activities. Carbon Balance Manag. 2018;13(1), 22. https://doi.org/10.1186/s13021-018-0110-8

Copyright (c) 2021 Pashkevich M.A., Korotaeva A.E.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies