Mês passado, uma equipe internacional de cientistas, incluindo William Riley e Qing Zhu do Berkeley Lab, publicou uma atualização sobre o orçamento global de metano como parte do Global Carbon Project. Eles estimaram as emissões globais anuais de metano em quase 570 milhões de toneladas para a década de 2008 a 2017, o que é 5% mais alto do que as emissões registradas no início dos anos 2000 e o equivalente a 189 milhões de carros a mais nas estradas do mundo.

Fontes antropogênicas como agricultura, desperdício, e os combustíveis fósseis contribuíram com 60% dessas emissões, enquanto as áreas úmidas constituíam a maior fonte natural de metano. Riley, um cientista sênior do Berkeley Lab, concentra-se na modelagem de como os ecossistemas terrestres - como pântanos - interagem com o clima. Trabalhando com Zhu, eles construíram um dos modelos de computador que permite aos cientistas quantificar essas emissões de metano de pântanos em escala global.

Embora as emissões globais de metano nos pântanos tenham permanecido praticamente inalteradas entre a última década e o início dos anos 2000, essas paisagens continuaram a introduzir algumas das maiores incertezas na estimativa do orçamento global de metano. Riley explica o envolvimento de sua equipe no Projeto Global Carbon e seus esforços para reduzir essa incerteza.

P. O que é o Global Carbon Project e como você se envolveu?

É um grupo vagamente estruturado de cientistas internacionais que trabalham desde 2001 para construir orçamentos globais para gases de efeito estufa, entre outros esforços. Esses orçamentos incluem dióxido de carbono, metano, e óxido nitroso. Muito do trabalho se concentra na caracterização desses orçamentos, entender por que eles podem estar mudando, e o que a comunidade científica pode fazer para estimá-los melhor.

Como parte do projeto Redução da Incerteza nas Interações Biogeoquímicas por meio de Síntese e Computação (RUBISCO), que é uma área de foco científico do Berkeley Lab, trabalhamos com orçamentos globais de carbono. O grupo Berkeley Lab construiu um dos modelos originais de metano de pântano global, e é por isso que fomos convidados a participar do Projeto Carbono Global.

P. Por que devemos nos preocupar com o metano?

O metano é emitido por uma variedade de fontes antropogênicas, como aterros sanitários, agricultura, e combustíveis fósseis, bem como sistemas naturais como pântanos. É o segundo gás de efeito estufa mais importante para o qual os humanos contribuem. Desde os tempos pré-industriais, os aumentos no metano atmosférico contribuíram para um quarto do efeito de aquecimento climático dos gases de efeito estufa. Isso é grande.

Mas, ao contrário do dióxido de carbono, o metano tem uma vida útil mais curta na atmosfera. Se fizermos grandes mudanças em nossas emissões, o metano pode ser removido com relativa rapidez.

P. As emissões de metano são difíceis de estimar?

Existem muitas fontes de metano. Para fazer um orçamento, você precisa somar todos eles. Podemos estimar razoavelmente as contribuições das emissões de metano causadas pelo homem. Contudo, é difícil estimar as emissões de metano de fontes biogênicas, como pântanos, que são estimados em 20% a 30% do orçamento global de emissões de metano.

Em pântanos, o metano é produzido a partir da atividade microbiana. Depois de produzido, existem vários caminhos nos quais o metano é consumido e transportado do solo para a atmosfera:plantas, borbulhando, e difusão. Todos esses processos são incertos por si só e colocá-los juntos torna difícil fazer previsões. Plantas, por exemplo, pode extrair metano do solo e liberá-lo diretamente na atmosfera, contornando a etapa de oxidação que de outra forma está ativa na interface solo-ar quando a terra não está submersa. É um conjunto mais complicado de processos físicos e biológicos em comparação com a modelagem e previsão das emissões de dióxido de carbono.

Também é um desafio identificar quanta área de terra está sob as zonas úmidas a partir de imagens de satélite. A cobertura de pântanos transitórios, por exemplo, pode mudar ao longo de uma estação ou vários anos por causa da drenagem. Também, pântanos costumam ter vegetação emergente, o que pode complicar as estimativas de sensoriamento remoto.

P. Qual é a contribuição de sua equipe para fazer melhores estimativas de emissões de pântanos?

Como parte do Projeto Carbono Global, existem 13 centros de modelagem principais usando 13 modelos independentes para estimar as emissões de metano de zonas úmidas, e nós somos um desses grupos. Nosso modelo, que está integrado no modelo do sistema terrestre do Departamento de Energia, E3SM (Energy Exascale Earth System Model), representa áreas úmidas amplamente distribuídas e inclui muitos processos que são relevantes para essas paisagens. Tal como acontece com outros modelos, variáveis ​​como temperatura, precipitação, e os dados de emissões de metano coletados continuamente de 80 áreas úmidas que fazem parte da rede FLUXNET global são usados ​​para avaliar e melhorar o modelo. Dentro dessas comparações no nível do site, também incluímos informações sobre o tipo de pântano:samambaias, pântanos, pântanos, etc .; vegetação, qual é a entrada de carbono no sistema; atividade microbiana; junto com estimativas de profundidade do lençol freático, que é um forte controlador das emissões de metano.

Essas informações nos permitem avaliar uma ampla gama de processos e interações que, em última análise, influenciam nossas estimativas de emissão. Mas esses processos biológicos complexos também introduzem uma grande faixa de incerteza nas previsões de emissão de metano. Nosso objetivo era construir um modelo que representa esses processos importantes de uma forma relativamente mecanicista que pode ser testado diretamente em relação às observações de campo.

P. Sabemos se alguns modelos têm melhor desempenho do que outros?

Ainda não está claro qual abordagem é a melhor. Mas acho que vale a pena usar todo o espectro de modelos, do mais simples ao mais matizado. Eventualmente, todos esperamos melhorar a previsibilidade das emissões de metano dos pântanos.

As emissões finais relatadas no artigo são uma média das estimativas de cada um dos 13 modelos.

P. As áreas úmidas em certas regiões emitem mais metano do que em outras?

Existe um grande gradiente latitudinal nas emissões de metano em zonas úmidas. Os fluxos são maiores nos trópicos do que nas altas latitudes e zonas temperadas. É muito mais quente nos trópicos, então você tem muita atividade biológica e mais produção de metano do que nas altas latitudes, onde é muito frio. Estimamos as emissões anuais totalizando mais de 110 milhões de toneladas de áreas úmidas tropicais contra cerca de 10 milhões de toneladas de latitudes elevadas.

Esse padrão não é surpreendente e é reconhecido há muito tempo. Também, essas emissões são naturais, então eles vão continuar, contanto que não drenemos os pântanos, o que acontece.

P. Você espera que as emissões das zonas úmidas aumentem no futuro?

Nossas simulações sugerem que as emissões de metano continuarão a aumentar à medida que o mundo aquece e as concentrações de dióxido de carbono na atmosfera aumentam. Nosso grupo está participando dos esforços contínuos do GCP para sintetizar esses tipos de estimativas futuras de vários grupos de modelagem globais.

P. Quais são as suas próximas etapas para melhorar os recursos de estimativa de seu modelo atual?

Estamos pensando em usar ferramentas de aprendizado de máquina para ajudar a construir relações entre as emissões de metano das zonas úmidas e todos os fatores que acreditamos controlar essas emissões. A entrada será dados de emissões coletados nos locais do Pantanal FLUXNET, juntamente com outras variáveis ​​relevantes - características do wetland, vegetação, clima — pertencente a essas regiões. Depois de conhecer os pontos fortes da relação entre essas variáveis ​​e as emissões de metano, você pode extrapolar para outros locais de zonas úmidas para os quais não temos dados de emissões. Claro, esse tipo de abordagem exigirá testes em um subconjunto de locais onde as observações de benchmarking estão disponíveis para garantir a adequação das extrapolações regionais e globais.

Também estamos interessados ​​em integrar esses tipos de modelos de aprendizado de máquina restritos por observação com os modelos mais mecanicistas, com a esperança de melhorar a previsibilidade geral das representações globais.