Bagaimana Menghitung Jumlah Karbon dalam Sebuah Pohon? Metode, Ketidakpastian, dan Akuntansi

Ada satu angka populer yang beredar: sebuah pohon menyerap sekitar 22 kilogram CO₂ per tahun. Angka itu menenangkan, sederhana, dan cukup sering keliru sehingga berbahaya sebagai dasar akuntansi karbon. Spesies pohon yang sama yang tumbuh di dua iklim berbeda dapat berbeda hingga tiga kali lipat. Pohon muda dan pohon dewasa dari spesies yang sama dapat berbeda hingga sepuluh kali lipat. Pertanyaannya bukan “berapa banyak,” melainkan “bagaimana kita menghitungnya untuk pohon ini, di tempat ini, pada umur ini, dengan ketidakpastian yang dapat dipertanggungjawabkan di sekitar angka tersebut?”

Perhitungan ini tidak misterius. Ia adalah rantai empat langkah, ditambah langkah kelima: propagasi ketidakpastian, yang telah menjadi tidak bisa ditawar di bawah kerangka regulasi 2026. Setiap langkah memiliki metode yang dapat dipertanggungjawabkan dan titik yang sudah lazim diketahui tempat para praktisi mengambil jalan pintas. Ketidakpastian biomassa di atas permukaan pada skala petak dalam literatur yang ditelaah sejawat masih berkisar 10–40%, dan galat alometrik pada tingkat pohon saja dapat menyumbang 30–75% dari total ketidakpastian dalam estimasi karbon dari tegakan hingga bentang lahan1. Pertanyaan audit pada 2026 bukan hanya “berapa estimasi Anda?” tetapi “berapa selang kepercayaan Anda, dan bagaimana Anda menyusunnya?”

Langkah 1: dari dimensi pohon ke biomassa di atas permukaan

Biomassa di atas permukaan (AGB) diestimasi dari dimensi pohon yang dapat diukur, yang paling umum diameter setinggi dada (DBH, diukur pada 1.3 m), tinggi pohon (H), dan kerapatan kayu (ρ). Bentuk fungsional yang dominan dalam literatur kehutanan tropis adalah persamaan alometrik pantropis Chave2:

Ini adalah persamaan pantropis, artinya persamaan ini dicocokkan lintas banyak spesies dan wilayah. Ia titik awal yang cukup memadai tetapi titik akhir yang berbahaya untuk penerapan berisiko tinggi, karena biasnya bersifat sistematis, bukan acak. Tinggi pohon biasanya menjadi biang keladinya. Karena hubungan tinggi–diameter suatu wilayah dapat berbeda tajam dari rerata pantropis, tinggi pohon harus diintegrasikan secara eksplisit ke dalam model biomassa pantropis alih-alih dibiarkan implisit di dalam diameter3. Di hutan Amazon Timur Laut, hubungan pantropis melebih-lebihkan biomassa hutan tergenang (várzea) sekitar 17% dan meremehkan terra-firme dengan selisih serupa, sementara mengganti dengan model tinggi–diameter yang dicocokkan secara lokal memangkas selisih itu menjadi kira-kira 1%4. Masalah ini diperparah di lapangan: pengukuran lapangan rutin secara sistematis meremehkan tinggi pohon-pohon tinggi, dan galat itu terpropagasi langsung ke biomassa5. Konsekuensinya adalah paradoks yang tak asing: sebuah peta pantropis regional bisa jadi tak bias secara agregat sementara setiap proyek lokal yang dicakupnya keliru parah.

Pemindaian laser dari udara telah membuat taruhan ekonominya gamblang. Di Guyana Prancis, mengganti alometri tinggi pantropis dengan hubungan lokal turunan-ALS memangkas galat tinggi rata-rata hampir separuh dan menggeser estimasi AGB sebesar 40–54 t/ha, sebuah ayunan 11–13% yang lebih besar daripada margin lazim sebuah proyek karbon6. Persamaan alometrik spesifik-spesies atau spesifik-lokasi secara konsisten mengungguli bentuk pantropis, terutama untuk spesies dengan arsitektur tak lazim (palma, paku pohon, spesies berbanir kuat) dan untuk spesies agroforestri yang tidak sesuai dengan struktur berdominasi-batang pohon hutan alami7.

Kapan alometri spesifik-spesies sepadan dengan biayanya

Persamaan alometrik khusus memerlukan pengambilan sampel destruktif: menebang sekumpulan pohon acuan yang mencakup rentang ukuran tegakan, menimbang biomassa segar, dan mengukur fraksi kering. Untuk satu spesies sepanjang umur proyek, ini biasanya 15 hingga 25 pohon. Biayanya nyata, tetapi penurunan ketidakpastiannya biasanya lebih besar daripada intervensi lain mana pun dalam proyek karbon pohon, kerap memangkas selang prediksi di sekitar estimasi biomassa tingkat tegakan sebesar 40 hingga 60 persen8.

Sebuah poin yang lebih halus muncul dalam karya terkini: persamaan alometrik semestinya dipilih berdasarkan kinerja prediktif pada tingkat petak, bukan RMSE atau AIC tingkat pohon. Galat sisa saling meniadakan antar pohon di dalam satu petak, sehingga model yang paling baik memprediksi satu pohon individu kerap bukan model yang paling baik memprediksi total petak, yang merupakan besaran yang penting bagi akuntansi karbon9. Proyek yang memilih model berdasarkan statistik yang keliru sedang mengukur hal yang keliru.

Langkah 2: kerapatan kayu adalah pengali yang terabaikan

Kerapatan kayu (ρ, dalam g/cm³) masuk ke persamaan tipe-Chave secara linear, sehingga galat 10% pada ρ langsung berubah menjadi galat 10% pada AGB. Kerapatan bervariasi lebih besar antar spesies daripada suku mana pun dalam persamaan itu10. Sebuah pionir cepat-tumbuh seperti Ochroma pyramidale (balsa) memiliki ρ sekitar 0.15 g/cm³; kayu keras seperti Milicia excelsa memiliki ρ sekitar 0.65; sebagian akasia rapat melampaui 0.85. Laju karbon pohon generik yang tidak menyesuaikan diri dengan ρ tingkat-spesies berarti mengasumsikan sebuah rata-rata, dan dalam sistem agroforestri campuran-spesies, asumsi itu adalah sumber tunggal terbesar galat sistematis dalam estimasi AGB.

Global Wood Density Database adalah acuan baku untuk nilai ρ yang ditelaah sejawat lintas sekitar 16,000 spesies11, dengan pemutakhiran berkelanjutan yang berfokus pada agroforestri. Taruhan ketika basis data ini tidak digunakan dengan baik memang nyata: bersandar pada rerata-genus alih-alih kerapatan spesifik-spesies menggembungkan ketidakpastian tingkat-petak, dan dalam sistem miombo dan kakao Afrika kerapatan bawaan dapat salah mengestimasi biomassa untuk kelompok spesies tertentu. Untuk penerapan yang tidak memiliki nilai tingkat-spesies, ρ tingkat-genus atau tingkat-famili adalah cadangan yang dapat dipertanggungjawabkan; rata-rata global tidak.

Kakao adalah ilustrasi yang gamblang. Alometri generik dan pantropis salah mengestimasi AGB per-pohon pada Theobroma cacao, dan persamaan spesifik-kakao dapat menggeser estimasi penyerapan tingkat-tegakan secara berarti: selisih yang dipublikasikan berkisar dari beberapa persen hingga puluhan persen bergantung pada lokasi dan persamaan acuannya12. Rentang itu memiliki implikasi langsung bagi pasar kredit agroforestri kakao Afrika Barat, tempat kanopi peneduh memikul sebagian besar karbon sistem.

Langkah 3: biomassa di bawah permukaan dan fraksi karbon

Biomassa di atas permukaan kira-kira 70 hingga 80 persen dari total biomassa pohon. Biomassa di bawah permukaan (BGB) hampir selalu diestimasi melalui rasio akar:pucuk alih-alih digali, karena penggalian dalam skala besar tidaklah praktis13. Nilai bawaan IPCC untuk hutan lembap tropis secara historis berkisar 0.24–0.3714, tetapi sintesis global atas data pohon-individu menetapkan ulang patokan bidang ini: rerata global R:S yang sebenarnya lebih dekat ke 0.25 ± 0.10, dan nilai itu menurun seiring ukuran pohon, sehingga estimasi yang dibangun di atas petak kecil dan pohon muda secara sistematis melebih-lebihkannya15. Hutan lembap tropis berada di ujung rendah (R:S ~0.20–0.24); sistem boreal dan kering lebih tinggi. Satu nilai bawaan tunggal lintas portofolio proyek campuran dapat memunculkan galat 20–40% pada karbon di bawah permukaan. Dalam agroforestri dan restorasi lahan kering, tempat akar dapat mendekati 30–40% total karbon, galat itu bersifat material.

Konversi dari biomassa ke karbon menggunakan fraksi karbon (CF). Nilai bawaan IPCC adalah 0.47, sebuah angka yang sebagian besar telah dipensiunkan oleh kimia kayu modern. Sintesis global menemukan bahwa karbon volatil (terpena, fenolik, dan senyawa lain yang hilang selama pengeringan oven) rata-rata sekitar 1.4% dari massa kering dan secara sistematis terlewat oleh metode laboratorium baku16. Atas dasar yang sebenarnya dan terkoreksi-volatil, spesies tropis rata-rata mengandung kira-kira 48–52% karbon, berkisar dari sekitar 45% hingga >55% lintas takson; kayu keras iklim sedang lebih dekat ke 48%, konifer pada 50–52%17. Menggunakan 0.47 padahal nilai sebenarnya 0.51 memunculkan bias rendah sistematis sekitar 8% yang langsung terpropagasi ke tonase yang dikreditkan. Panduan GHG Protocol dan IPCC 2019 Refinement kini sama-sama mengarah pada fraksi spesifik-kelompok-spesies, dan basis data yang ditelaah sejawat (Doraisami et al., Thomas & Martin) semestinya menjadi acuan bawaan.

Kalkulator di bawah menjalankan seluruh rantai itu pada satu pohon. Geser diameter, tinggi, dan kerapatan kayu, lalu amati estimasi biomassa di atas permukaan mengalir melalui rasio akar:pucuk dan fraksi karbon menuju stok dalam kilogram karbon, lalu menuju setara CO₂-nya. Perhatikan betapa langsung kerapatan kayu menskalakan hasilnya: ia mengalikan biomassa satu-lawan-satu, sehingga dua pohon berukuran identik tetapi berbeda spesies dapat menyimpan jumlah karbon yang sangat berbeda.

Langkah 4: dari stok ke penangkapan tahunan

Penangkapan karbon tahunan adalah turunan dari kurva pertumbuhan pohon, bukan reratanya. Pohon tidak menyerap karbon pada laju yang datar, dan laju pertumbuhan awal sangat bervariasi menurut spesies dan konteks. Kayu keras yang lambat-tumbuh mungkin membangun sedikit biomassa pada tahun-tahun pertamanya sembari berinvestasi pada akar dan struktur, sedangkan spesies tropis cepat-tumbuh (kakao, Terminalia, Albizia, Gliricidia) dapat mencapai dua meter dalam dua hingga tiga tahun dengan penangkapan awal yang berarti. Yang konsisten lintas spesies adalah bentuk kurva, bukan laju awalnya: penyerapan biasanya memuncak di suatu titik dalam fase eksponensial sebelum melandai saat pohon mendekati kanopi dan dimensi dewasanya. Menggunakan satu “laju tahunan rata-rata” tunggal sepanjang proyek 30 tahun akan salah menempatkan kredit dalam waktu, melebih-lebihkan sebagian tahun dan meremehkan tahun lain, dan itu adalah tanda bahaya bagi standar karbon serius mana pun.

Para rimbawan memiliki kosakata yang presisi untuk hal ini. Riap tahunan berjalan (CAI) adalah karbon yang ditambahkan sebuah pohon pada suatu tahun tertentu, kemiringan lokal kurva pertumbuhannya. Riap tahunan rata-rata (MAI) adalah stok sejauh ini dibagi umur, rata-rata seumur hidup hingga saat ini. Perkakas di bawah memetakan keduanya terhadap umur untuk kurva pertumbuhan Chapman-Richards. CAI menanjak ke puncak lalu menurun; MAI memuncak belakangan, tepat di titik tempat kedua kurva berpotongan, umur yang dibaca seorang rimbawan sebagai titik pertumbuhan rata-rata tercepat. Sebuah proyek yang mengkredit “laju rata-rata” yang datar sedang menghargai dataran MAI dan mengabaikan gundukan CAI di bawahnya.

Pendekatan yang dapat dipertanggungjawabkan adalah mengestimasi stok karbon pada dua umur menggunakan rantai alometrik di atas, dan melaporkan perubahan sepanjang selang itu sebagai penangkapan inkremental. Untuk proyek dengan cakrawala lebih panjang, mencocokkan kurva pertumbuhan spesifik-spesies (kerap bentuk Chapman-Richards atau Von Bertalanffy) pada data kohort menghasilkan fungsi penangkapan yang kontinu, tahun demi tahun. Inilah perbedaan antara profil penyerapan yang selaras dengan biologi dan profil yang berupa garis lurus demi kenyamanan.

Langkah 5: anggaran ketidakpastian

Tak satu pun dari empat langkah di atas cukup dengan sendirinya. Verifikator tidak lagi menerima estimasi AGB titik-tunggal; mereka menuntut selang kepercayaan yang dapat dipertanggungjawabkan di sekitarnya. Bidang ini telah berhimpun pada propagasi galat Monte Carlo sebagai praktik terbaik, yang diimplementasikan dalam paket R sumber-terbuka BIOMASS18 dan penerus-penerusnya.

Anggaran ketidakpastian yang ketat kini memperhitungkan empat sumber: (1) galat pengukuran pohon pada DBH, tinggi, dan identifikasi spesies; (2) variabilitas sisa model alometrik, sebaran dari pencocokan Chave asli; (3) ketidakpastian parameter alometrik, kovarians dari koefisien-koefisien tercocokkan itu sendiri; dan (4) ketidakpastian pengambilan sampel, seberapa representatif petak-petak yang diukur terhadap populasi. Dua pelajaran semestinya dibangun ke dalam setiap rencana proyek. Pertama, sebuah analisis ketidakpastian dari tingkat pohon hingga bentang lahan menemukan bahwa persamaan alometrik saja menyumbang 30–75% dari total, kerap lebih besar daripada galat penginderaan jauh, yang berarti mengkalibrasi alometri biasanya lebih berharga daripada memperhalus satelit1. Kedua, mengabaikan korelasi spasial antar pengamatan pohon dan petak menggembungkan ukuran sampel efektif dan meremehkan ketidakpastian yang sebenarnya, sebuah kelalaian yang umum dan berdampak.

Anggaran di bawah menggabungkan sumber-sumber itu menjadi satu angka. Tetapkan koefisien variasi untuk pengukuran, untuk alometri (galat sisa ditambah parameter), dan untuk pengambilan sampel, lalu baca selang 95% gabungan pada stok per-hektar nominal. Karena galat-galat independen dijumlahkan secara kuadratur, sumber tunggal terbesar mendominasi total: batang bagian-varians memperlihatkan mengapa memoles suku kecil nyaris tidak menggeser selang itu, sedangkan memangkas suku terbesar, biasanya alometri, adalah satu-satunya tuas yang memperketatnya.

Panduan GHG Protocol Land Sector and Removals secara eksplisit mewajibkan ketidakpastian dikuantifikasi dan diungkapkan19. ICVCM Core Carbon Principles kini menghukum metodologi yang menggunakan estimasi titik-tunggal tanpa selang kepercayaan. Era “±30% implisit” telah berakhir.

Dari satu pohon ke satu hektar

Sebuah proyek karbon tidak dibayar untuk pohon-pohon tunggal; ia dibayar untuk sebuah tegakan. Perhitungan per-pohon adalah operasi satuannya, tetapi angka yang dilaporkan adalah stok per-hektar, yang dibangun dengan menjumlahkan stok pohon di dalam petak-petak terukur dan menskalakannya ke luas proyek. Dua hal berubah pada langkah itu. Galat yang tampak mengkhawatirkan pada satu pohon sebagian saling meniadakan di dalam satu petak, karena model yang melebih-lebihkan pohon gemuk cenderung meremehkan pohon kurus, dan itulah alasan sebenarnya persamaan alometrik semestinya dipilih untuk prediksi tingkat-petak alih-alih kecocokan tingkat-pohon. Lalu muncul sumber ketidakpastian yang sama sekali tak berkaitan dengan alometri: apakah segelintir petak terukur itu mewakili keseluruhan luas sama sekali.

Pertanyaan pengambilan sampel itu adalah disiplin tersendiri. Berapa banyak petak, seberapa besar, dan bagaimana menempatkannya lintas mosaik umur, campuran spesies, dan tanah, itulah yang menentukan apakah sebuah estimasi tingkat-tegakan dapat dipercaya atau sekadar nilai titik dengan galat yang digambar belakangan. Statistik yang sama yang menakar kampanye tanah juga menakar kampanye biomassa; kami membahas persoalan berapa-banyak-dan-di-mana secara langsung dalam Seberapa Besar Seharusnya Kampanye Pengambilan Sampel Karbon Tanah Anda? dan pertanyaan pendahulunya, apakah sebuah lokasi baru bahkan jatuh di dalam domain tempat alometri itu dikalibrasi, dalam Representatif terhadap Apa?

Dari darat ke langit: penginderaan jauh

Dekade 2020-an telah mengubah karbon hutan dari disiplin berbasis-petak menjadi disiplin petak-plus-satelit, dengan sejumlah peringatan penting bagi pengembang proyek:

• GEDI (lidar wahana antariksa milik NASA) menyediakan tinggi kanopi dan biomassa dengan jejak 25-m secara global, tetapi dalam agroforestri Afrika Barat prediksi L4A-nya memiliki galat ~9× lebih tinggi daripada AGB lapangan20. Ia bekerja baik di hutan berkanopi-rapat di atas ~50 Mg/ha; untuk sistem tanaman-pohon petani kecil ia tidak dapat diandalkan.
• Misi Biomass ESA diluncurkan pada 29 April 2025. Radar apertur sintetis pita-P miliknya (panjang gelombang sekitar 70 cm) menembus kanopi untuk mengindra batang dan cabang besar, tempat sebagian besar karbon hutan berada21. Uji tomografi dari udara di Guyana Prancis memulihkan AGB dengan galat di bawah ~10% hingga 500 Mg/ha, sebuah rentang tempat radar berpanjang-gelombang lebih pendek menjadi jenuh22. Misi ini mengecualikan Amerika Utara dan Eropa karena pembatasan spektrum radar.
• Pemindaian laser terestrial dengan pemodelan struktur kuantitatif (TLS + QSM) adalah baku emas non-destruktif saat ini untuk AGB pohon-individu: sebuah sintesis studi validasi-destruktif melaporkan konkordansi mendekati-satu (CCC ≈ 0.98) dan bias rata-rata di bawah 1% terhadap pohon-pohon yang ditebang23. Ia dengan cepat menjadi kumpulan data acuan untuk kalibrasi satelit.

Sebuah peringatan berlaku bagi metodologi kredit berbasis-peta mana pun: sebagian besar peta biomassa pembelajaran-mesin melaporkan R² tinggi pada validasi-silang acak dan gagal pada validasi terblokir-secara-spasial, artinya akurasi yang tampak sebagian besar adalah artefak autokorelasi-spasial24. Pembeli yang mengevaluasi metodologi semacam itu semestinya menuntut validasi blok-spasial sebelum memercayai angka-angkanya. Apakah sebuah petak baru bahkan jatuh di dalam domain terkalibrasi sebuah model adalah pertanyaan pendahulu yang kami bahas dalam Representatif terhadap Apa?

Contoh perhitungan: dua spesies, petak sama, jawaban berbeda

Perhatikan dua pohon peneduh dalam sistem agroforestri kakao Afrika Barat, keduanya berumur sepuluh tahun, keduanya diukur di petak yang sama.

Petak sama, umur sama, perbedaan dua kali lipat pada penangkapan tahunan. Terminalia yang cepat-tumbuh menambah volume dengan pesat; Khaya yang lambat-tumbuh memadatkan kayu rapat yang akan mendominasi stok tegakan pada tahun ketiga puluh. Sebuah program yang menerapkan satu laju per-pohon tunggal pada keduanya meleset separuh pada salah satunya, dan entah melebih-lebihkan atau meremehkan penyerapan yang dilaporkannya pada setiap siklus verifikasi.

Perbesar satu tingkat dan pelajaran kedua muncul. Stok karbon yang dilaporkan pada agroforestri kakao merentang satu orde besaran, dari kira-kira 10 Mg C/ha pada sistem muda tanpa naungan hingga jauh di atas 100 Mg C/ha pada sistem ternaungi dewasa, digerakkan jauh lebih oleh kanopi peneduh daripada oleh kakao25. Pohon kakao itu sendiri biasanya hanya memikul sebagian kecil karbon sistem; penggerak dominannya adalah komposisi pohon-peneduh dan, terutama, keberadaan pohon sisa yang tertinggal dari hutan sebelumnya, yang dapat menyimpan karbon beberapa kali lipat dibanding pohon peneduh tanaman. Itu memiliki implikasi langsung bagi adisionalitas di bawah tanggal batas Regulasi Deforestasi Uni Eropa 31 Desember 2020 dan bagi bagaimana proyek menyegmentasi inventarisasi garis-dasar mereka, sebuah poin yang kami bahas dalam Beberapa Pohon Menyimpan Sebagian Besar Karbon.

Apa yang kini diwajibkan kerangka regulasi 2026

Empat kerangka mendefinisikan aturan akuntansi yang harus dipenuhi penyerapan berbasis-pohon. GHG Protocol Land Sector and Removals Standard beserta Panduan pendampingnya (difinalisasi 2026, berlaku untuk pelaporan mulai 2027)19 adalah aturan akuntansi korporat yang fundamental: pelaporan terpisah antara emisi bruto dan penyerapan bruto, pelacakan perubahan-penggunaan-lahan yang rinci, dan kuantifikasi yang dapat dipertanggungjawabkan dengan ketidakpastian yang diungkapkan lintas kelima pool karbon. SBTi FLAG v1.2 (Maret 2026) mewajibkan penurunan linear tahunan 3.03%, penyerapan biogenik yang dilacak terpisah, dan komitmen tanpa-deforestasi. Core Carbon Principles ICVCM kini telah menyetujui delapan program kredit sebagai memenuhi-syarat-CCP dan 38 metodologi sebagai disetujui-CCP, menolak 22, dengan metodologi ARR milik ACR yang bersyarat hanya pada pembentukan hutan alami. Regulasi Penyerapan Karbon dan Pertanian Karbon Uni Eropa (2024/3012), yang berlaku sejak akhir 2024, diperkirakan akan mengadopsi delegated act-nya tentang metodologi pertanian karbon (penghutanan, agroforestri, pembasahan-ulang lahan gambut) pada musim panas 2026, dengan sertifikasi pertama pada akhir 2026.

Sebuah proyek yang ingin lolos audit di bawah ketiga rezim itu kini perlu melakukan enam hal secara bersamaan: menggunakan persamaan alometrik yang dikalibrasi secara lokal atau spesifik-spesies dengan galat sisa yang terdokumentasi; menerapkan kerapatan kayu dan fraksi karbon spesifik-spesies dari basis data yang ditelaah sejawat alih-alih nilai bawaan 0.47/0.50; mempropagasi ketidakpastian via Monte Carlo lintas pengukuran pohon, alometri, dan pengambilan sampel; mengkuantifikasi karbon di bawah permukaan dengan rasio R:S yang terstratifikasi-iklim alih-alih nilai bawaan tunggal; memvalidasi setiap produk penginderaan jauh dengan validasi-silang terblokir-secara-spasial; dan memisahkan penyerapan dari pengurangan baik dalam pelaporan maupun penetapan target.

Poin-poin utama