Abstrak
Sebagai bagian dari proyek Penilaian dan Proses Siklus Karbon Regional-2 (RECCAP-2) dari Proyek Karbon Global, di sini kami memperkirakan anggaran GRK (sumber dan serapan antropogenik dan alami) untuk kawasan Asia Selatan (SA) secara keseluruhan dan setiap negara (Afghanistan, Bangladesh, Bhutan, India, Nepal, Pakistan, dan Sri Lanka) untuk dekade 2010–2019 (2010-an). Negara-negara di kawasan ini mengalami peningkatan pesat dalam konsumsi bahan bakar fosil dan permintaan lahan pertanian, yang menyebabkan peningkatan deforestasi dan emisi gas rumah kaca yang lebih tinggi. Studi ini mensintesis hasil model vegetasi global dinamis top-down (TD) dan bottom-up (BU), inventarisasi GRK BU, peningkatan skala observasi berbasis darat, dan emisi langsung untuk GRK utama. Fluks untuk karbon dioksida (CO 2 ), metana (CH 4 ), dan nitrogen oksida (N 2 O) yang dianalisis mencakup emisi bahan bakar fosil, produktivitas bioma bersih, perubahan penggunaan lahan, perairan pedalaman, lahan basah, dan tanah dataran tinggi dan terendam. Analisis kami menunjukkan bahwa total emisi GRK secara keseluruhan berkontribusi pada peningkatan bersih sebesar 34%–43% selama tahun 2010-an dibandingkan dengan tahun 2000-an, yang terutama didorong oleh kegiatan industri. Namun, ekosistem terestrial bertindak sebagai pengecualian penting dengan berfungsi sebagai penyerap CO 2 pada tahun 2010-an, yang secara efektif menyerap karbon atmosfer. Penyerap tersebut secara signifikan lebih kecil daripada emisi karbon keseluruhan. Secara keseluruhan, emisi GRK tahun 2010-an berdasarkan BU dan TD adalah 4.517 ± 639,8 dan 4.532 ± 807,5 Tg CO 2 eq, dengan emisi CO 2 , CH 4 , dan N 2 O masing-masing sebesar 2.165,2 ± 297,1, 1.404 ± 95,9, dan 712 ± 466 Tg CO 2 eq berdasarkan model BU 2.125 ± 515,1, 1.531 ± 205,2, dan 876 ± 446,0 Tg CO 2 eq berdasarkan model TD. Total emisi dari Afrika Selatan pada tahun 2010-an mencakup sekitar 8% dari pangsa global. Penyerap CO2 terestrial yang diperkirakan oleh model BU dan TD masing-masing adalah 462,9 ± 195,5 dan 210,0 ± 630,4 Tg CO2 . Di antara negara-negara Afrika Selatan, India merupakan penghasil emisi terbesar yang menyumbang 80% dari total emisi GRK di kawasan tersebut, diikuti oleh Pakistan (10%) dan Bangladesh (7%).
Poin-poin Utama
- Total emisi GRK di Asia Selatan meningkat sebesar 34%–43% pada tahun 2010-an dibandingkan dengan tahun 2000-an
- Emisi GRK di kawasan ini pada tahun 2010-an dari model TD (4,532 ± 807.5 Tg CO 2 eq) dan BU (4,517 ± 639.8 Tg CO 2 eq) dibandingkan dengan baik
- Pada tahun 2010-an, ekosistem daratan berperan sebagai penyerap CO2 , meskipun jumlah penyerapnya jauh lebih kecil dibandingkan dengan total emisi karbon.
Ringkasan Bahasa Sederhana
Asia Selatan (SA) adalah salah satu daerah tropis dan subtropis terbesar dan memiliki aktivitas industri yang luas, menghasilkan sejumlah besar gas rumah kaca (GRK). Wilayah ini juga memiliki banyak daerah alami seperti hutan, yang memancarkan dan menyerap GRK, sehingga sulit untuk memperkirakan berapa banyak GRK yang dilepaskan ke atmosfer secara keseluruhan. Dengan demikian, memahami bagaimana aktivitas manusia dan alam di SA berkontribusi terhadap lebih banyak emisi GRK di atmosfer dan perubahan iklim diperlukan untuk pemahaman yang lebih dalam tentang tren emisi, pendorongnya, dan umpan balik GRK-iklim. Studi kami mengukur berapa banyak GRK yang dilepaskan negara-negara Asia Selatan ke atmosfer pada tahun 2010-an. Informasi khusus negara tersebut sangat penting, terutama untuk Perjanjian Iklim Paris (UNFCCC, 2015; https://unfccc.int/sites/default/files/english_paris_agreement.pdf ), yang meminta negara-negara untuk melaporkan dengan tepat berapa banyak yang mereka tambahkan atau ambil dari atmosfer. Studi kami difokuskan pada tiga GRK utama: CO2, CH4, dan N2O. Hasil studi menunjukkan bahwa anggaran GRK merupakan sumber bersih atmosfer selama tahun 2010-an. Namun, ekosistem daratan bertindak sebagai pengecualian penting dengan berfungsi sebagai penyerap CO2 bersih, yang secara efektif menyerap karbon atmosfer.
1 Pendahuluan
Asia Selatan (SA) telah mengalami transformasi lingkungan yang cepat selama beberapa dekade terakhir akibat pertumbuhan penduduk, revolusi hijau, industrialisasi, dan penggundulan hutan. Dengan populasi yang membengkak dan ekonomi yang tumbuh cepat, negara-negara ini kemungkinan akan mengalami pembangunan lebih lanjut dan meningkatkan produksi energi menggunakan bahan bakar fosil. Perlu dicatat bahwa pertumbuhan Produk Domestik Bruto (PDB) yang cepat di SA meningkatkan permintaan energi dan ketergantungannya pada bahan bakar fosil sebagai sumber energi. SA menyumbang 9,3% emisi global pada tahun 2019, dengan India sendiri bertanggung jawab atas 7,3% (Crippa, Guizzardi et al., 2020 ; Crippa, Solazzo et al., 2020 ).
Secara geografis, SA merupakan salah satu wilayah tropis terbesar yang meliputi area seluas 5,13 × 106 km 2 . Wilayah ini memiliki variabilitas sumber dan penyerap terestrial yang tinggi (Cervarich et al., 2016 ), yang membuat estimasi tren temporal dalam emisi GRK terestrial bersih menjadi tantangan. Dengan demikian, pengetahuan yang lebih mendalam tentang bagaimana ekosistem SA merespons berbagai faktor lingkungan, seperti perubahan iklim dan CO 2 atmosfer , diperlukan untuk pemahaman yang lebih mendalam tentang tren, pendorongnya, dan umpan balik karbon-iklim.
SA juga mengalami peningkatan permintaan pangan, yang mengakibatkan perubahan penggunaan lahan dan tutupan lahan (LULCC) yang signifikan, seperti pertanian intensif, penggembalaan berlebihan, dan konversi lahan hutan menjadi lahan pertanian (Xu et al., 2021 ). Ada banyak kekhawatiran tentang bagaimana perubahan cepat dalam aktivitas LULCC ini memengaruhi volume endapan serasah, bahan organik tanah, dan vegetasi. Dengan demikian, perubahan ini memiliki implikasi penting namun tidak pasti bagi anggaran karbon regional dan anggaran GRK lainnya.
Lebih jauh lagi, kebakaran hutan secara signifikan mempengaruhi anggaran GRK dengan melepaskan karbon dan GRK lain yang tersimpan dalam vegetasi secara cepat. Studi telah menunjukkan bahwa emisi SA dari kebakaran, yang diakibatkan oleh perubahan penggunaan lahan dan non-penggunaan lahan, adalah sekitar 422 ± 230 Tg CO 2 per tahun, yang mencakup sekitar 6% dari emisi kebakaran global yang dirata-ratakan selama periode 1997-2016 (van der Werf et al., 2017 ). Emisi yang hanya disebabkan oleh perubahan non-penggunaan lahan adalah 60 ± 33 Tg CO 2 /thn (van der Werf et al., 2017 ), yang menunjukkan variabilitas antartahunan yang penting. Kebakaran ini, yang dapat dipicu oleh aktivitas manusia dan fenomena alam, sering kali mengakibatkan emisi simultan dari sumber biomassa.
Wilayah ini berkontribusi signifikan terhadap emisi CH4 , terutama karena penanaman padi (Gumma et al., 2011 ) dan peternakan (Xu et al., 2021 ). Setelah Revolusi Hijau (Pingali, 2012 ), emisi CH4 telah melonjak, didorong oleh adopsi varietas tanaman berproduksi tinggi secara luas, penggunaan pupuk nitrogen yang lebih intensif, dan perluasan lahan pertanian untuk memenuhi permintaan pangan yang meningkat dari populasi Afrika Selatan yang terus bertambah. Data atmosfer jangka panjang menunjukkan bahwa aktivitas industri dan pertanian telah meningkatkan emisi CH4 ke atmosfer secara signifikan ( misalnya, Dlugokencky et al., 2011 ; Etheridge et al., 1992 ; Ghosh et al., 2015 ).
Afrika Selatan juga telah menjadi salah satu episentrum dunia dalam titik panas polusi nitrogen oksida (N 2 O) dan nitrogen (N) (Raghuram et al., 2021 ; Tian et al., 2020 , 2024 ). Meningkatnya permintaan pangan dan energi dari populasi yang terus bertambah telah meningkatkan emisi N 2 O antropogenik dari pertanian, produksi limbah, dan pembakaran bahan bakar fosil di sektor energi, transportasi, industri, perkotaan, dan sektor lainnya di dunia.
Perubahan iklim mengubah emisi dan fluks gas rumah kaca ini dan kondisi lingkungan yang mendasarinya di wilayah tersebut. Menurut penelitian sebelumnya (Cervarich et al., 2016 ; Friedlingstein et al., 2022 ; IPCC, 2021 ; Patra et al., 2013 ), Afrika Selatan saat ini menyumbang 8%–10% dari emisi gas rumah kaca global tahunan di Planet ini dan menghadapi tantangan yang lebih besar dalam memenuhi kontribusi yang ditentukan secara nasional (NDC) yang dibuat di COP26 (UNFCCC, 2021 ) dalam skenario pertumbuhan ekonomi yang cepat dan meningkatnya permintaan barang dan jasa. Namun, agar mitigasi efektif, diperlukan estimasi yang akurat tidak hanya emisi CO 2 tetapi juga emisi gas rumah kaca non-CO 2 .
Studi ini memperluas dan membangun penelitian sebelumnya (Cervarich et al., 2016 ; Friedlingstein et al., 2022 ; Patra et al., 2013 ) dengan menggali lebih dalam analisis anggaran tiga GRK utama (CO 2 , CH 4 , dan N 2 O) untuk SA dan memberikan penilaian komprehensif tentang distribusinya di setiap negara di kawasan tersebut.
Studi ini mengukur fluks bersih GRK di tiap negara untuk membantu menilai kontribusi bersih GRK negara tersebut terhadap atmosfer. Estimasi di tingkat negara tersebut sangat penting, terutama dalam Perjanjian Iklim Paris 2015 (UNFCCC, 2015 ), yang mengharuskan kuantifikasi eksplisit sumber dan serapan GRK di tingkat nasional untuk memberlakukan kebijakan iklim secara efektif.
Kami melaporkan anggaran GRK, yang mencakup CO 2 , CH 4 , dan N 2 O, dan variabilitas spasial serta dekade untuk SA dan setiap negara yang berkontribusi (Afghanistan, Bangladesh, Bhutan, India, Nepal, Pakistan, dan Sri Lanka) untuk periode 2010–2019 (selanjutnya disebut 2010-an), periode studi standar RECCAP-2, dan membandingkan hasil tahun 2010-an dengan dekade sebelumnya (2000-an). Kami melaporkan hasil untuk negara-negara di kawasan yang menempati 12 atau lebih sel grid 0,5° × 0,5°. Maladewa adalah satu-satunya negara yang tidak memenuhi kriteria ini. Jumlah sel grid 0,5° × 0,5° dan % pangsa wilayah SA yang mencakup masing-masing dari tujuh negara yang tersisa adalah sebagai berikut: Afghanistan (244, 12%), Bangladesh (40, 2%), Bhutan (12, 1%), India (1.144, 63%), Nepal (52, 3%), Pakistan (328, 17%), dan Sri Lanka (24, 1%). Studi ini merupakan bagian dari upaya untuk mempelajari keseimbangan GRK Asia Selatan di bawah payung fase ke-2 Penilaian dan Proses Siklus Karbon Regional (RECCAP-2), sebuah inisiatif dalam kerangka Proyek Karbon Global internasional ( www.globalcarbonproject.org/reccap/ , Ciais et al., 2022 ).
2 Bahan dan Metode
Kami mensintesiskan fluks GRK dari kumpulan terestrial dan non-terestrial. Fluks terestrial memperhitungkan emisi antropogenik, khususnya emisi LULCC (E LULC ), dan sumber dan serapan GRK alami. Sebaliknya, fluks non-terestrial memperhitungkan emisi bahan bakar fosil dan antropogenik yang melibatkan semua aktivitas industri untuk CO 2 , CH 4 , dan N 2 O (Gambar 1 ). Untuk melakukannya, kami menggabungkan keluaran dari berbagai model dan produk data, termasuk (a) hasil model vegetasi global dinamis (DGVM) sebagai pendekatan bawah-atas (selanjutnya BU), (b) model inversi atmosfer sebagai pendekatan atas-bawah (selanjutnya TD), bahan bakar fosil, kebakaran, CO 2 , CH 4 , dan N 2 O yang disebabkan oleh sungai yang dipertukarkan dengan atmosfer, dan fluks perdagangan kayu dan tanaman, dan produk data penginderaan jauh, (c) hasil model pembukuan untuk menilai fluks karbon dan anggaran karbon terestrial.
Model BU biasanya berjalan pada 0,5° × 0,5°, sedangkan model TD berjalan pada resolusi yang relatif kasar. Tidak mudah untuk mendefinisikan resolusi model TD, yang melibatkan (1) model transportasi maju (biasanya memiliki resolusi spasial 2,5° × 2,5°), dan model invers untuk optimasi fluks pada level grid model maju dengan asumsi korelasi spasial fluks apriori 1.000 km atau lebih luas atau memecahkan, misalnya, sekitar 84 daerah independen dalam metode matriks. Resolusi temporal untuk model BU bervariasi dari resolusi per jam hingga harian. Model TD berkisar dari interval waktu mingguan hingga bulanan, tergantung pada desain model dan ketersediaan data. Untuk studi ini, kami mengkompilasi hasil pada resolusi spasial 0,5° × 0,5° dan resolusi temporal tahunan untuk tahun 2000–2019. Jika data untuk keluaran model tidak tersedia untuk seluruh dekade tahun 2010-an, kami menghitung rata-rata tahun yang tersedia dan menggunakannya sebagai nilai representatif untuk tahun 2010-an.
2.1 Fluks CO2 dari Ekosistem Terestrial
2.1.1 Estimasi Produksi Bioma Bersih (NBP) Berdasarkan Pendekatan Bottom-Up
Produksi Bioma Bersih (NBP) berdasarkan pendekatan bottom-up (BU) (E NBP_BU ) dihitung menggunakan persamaan berikut:
di mana E NEP_S2 merupakan fluks produksi ekosistem terestrial bersih, emisi LULCC, E emisi LULCC , dan E emisi kebakaran akibat aktivitas non-LULCC, metode untuk menghitung masing-masing istilah ini dijelaskan berikutnya.
Kami menggunakan ansambel 16 hasil DGVM (BU) berdasarkan TRENDY Versi 11 (Friedlingstein et al., 2022 ; detail setiap model ada di Tabel S1 dalam Informasi Pendukung S1 ) untuk dua skenario simulasi yang berbeda, S2 dan S3, untuk perhitungan E NEP_S2 dan E LULCC (Gambar 1 ). Simulasi model mengikuti protokol yang dijelaskan oleh Global Carbon Project (TRENDY) (Sitch et al., 2015 ), di mana setiap model dijalankan dari ekuilibrium pra-industri (awal tahun 1700) hingga 2021. Untuk simulasi S2, yang menghitung E NEP_S2 (= GPP [produktivitas primer kotor]—Ra [respirasi autotrofik]—Rh [respirasi heterotrofik]), model dipaksa dengan perubahan CO 2 (Dlugokencky & Tans, 2022 ), pemaksaan iklim analisis ulang CRU-JRA (Viovy, 2018 ), dan data penggunaan lahan pra-industri (tahun 1700) yang tidak berubah-ubah (LUH2; Goldewijk et al., 2017 ) selama periode 1700–2021. Dalam simulasi S3, yang menghitung E S3 (=E NEP_S2 + E LULCC ), input yang sama untuk CO 2 dan iklim seperti untuk kasus S2 diasumsikan, tetapi LULCC bervariasi terhadap waktu berdasarkan set data HYDE3.2 dan LUH2 selama periode 1700–2021. E LULCC diperkirakan dengan mengurangi E NEP_S2 dari E S3 . Semua DGVM memperhitungkan aktivitas LULCC utama, seperti pembukaan hutan untuk lahan pertanian dan ekosistem lain serta pertumbuhan kembali hutan (Gambar 2 ), serta dekomposisi bahan organik mati yang terkait dengan siklus alami dan respons vegetasi dan karbon tanah terhadap peningkatan konsentrasi CO 2 atmosfer dan perubahan iklim. Beberapa model secara eksplisit mensimulasikan penggabungan siklus karbon dan nitrogen dan memperhitungkan data deposisi N atmosfer dan pupuk N dari Tian et al. ( 2020 ) (Tabel S1 dalam Informasi Pendukung S1 ).
Istilah E LULCC memperhitungkan emisi kebakaran karena aktivitas LULCC, seperti kebakaran deforestasi. Istilah emisi kebakaran (E Fire ) memperhitungkan emisi CO 2 karena aktivitas kebakaran yang tidak terkait dengan LULCC, seperti kebakaran hutan serta emisi kebakaran untuk karbon monoksida (CO), CH 4 , dan hidrokarbon non-metana (NMHC) untuk semua aktivitas terkait kebakaran, termasuk LULCC, berdasarkan versi terbaru data GFED v4.1 (van der Werf et al., 2017 ). Data ini didasarkan pada emisi kebakaran global dari berbagai sumber seperti deforestasi, sabana, hutan, pertanian, dan kebakaran gambut. GFED v4.1 menggabungkan rangkaian waktu jangka panjang dari data yang diperoleh dari satelit untuk area yang terbakar, aktivitas kebakaran, dan produktivitas tanaman dengan hasil estimasi model CASA (pendekatan Carnegie–Ames–Stanford) untuk beban bahan bakar dan kelengkapan pembakaran (van der Werf et al., 2017 ). Data tersebut tersedia untuk tahun 1997–2019 di situs web mereka ( http://globalfiredata.org ). Di sini, kami menggunakan data untuk tahun 2000–2019 untuk menghitung E Fire untuk tahun 2000-an dan 2010-an.
2.1.2 Estimasi NBP Berdasarkan Pendekatan Top-Down
Estimasi top-down NBP (E NBP_TD ) (yaitu, inklusif dari semua fluks CO2 nonfosil yang dipertukarkan antara daratan dan atmosfer) diestimasi menggunakan ensemble dari tujuh hasil model inversi berdasarkan TRENDY Versi 11 (Friedlingstein et al., 2022 ); detail model inversi disediakan dalam Tabel S2 di Informasi Pendukung S1 ). Semua model inversi menggunakan metode sintesis Bayesian dan menggunakan data CO 2 atmosfer hingga akhir 2019 untuk menyimpulkan distribusi spasiotemporal dari fluks CO 2 yang dipertukarkan antara atmosfer dan daratan bersama dengan fluks sebelumnya untuk bahan bakar fosil, biosfer daratan, kebakaran, dan pertukaran samudra (Friedlingstein et al., 2022 ; Patra et al., 2013 ). Variasi antara hasil model yang berbeda terutama disebabkan oleh pilihan data CO2 atmosfer dan fluks historis, resolusi spasial, struktur korelasi yang diestimasi, dan pendekatan matematika model (Deng et al., 2022 ; Friedlingstein et al., 2022 ).
2.2 Emisi CH4
Estimasi fluks terestrial bottom-up untuk emisi CH4 memperhitungkan fluks lahan basah yang dihitung menggunakan ensemble enam hasil model DGVM (detail masing-masing dalam Tabel S3 dari Informasi Pendukung S1 ), fluks air pedalaman berdasarkan sintesis berbagai hasil model (Bagian 2.4 ), dan fluks antropogenik dari EDGAR_v7.0 (Crippa, Guizzardi et al., 2020 ; Crippa, Solazzo et al., 2020 ) (Bagian 2.5 ). Perhitungan DGVM memperhitungkan proses-proses penting untuk fluks CH4, termasuk produksi, oksidasi, dan transportasi CH4 , serta data untuk radiasi gelombang panjang dan pendek, tekanan udara, kelembapan spesifik, total presipitasi, suhu udara, serta kecepatan dan arah angin (Melton et al., 2013 ; Poulter et al., 2017 ; Saunois et al., 2020 ). Fluks CH4 dihitung sebagai hasil perkalian luas wilayah, dan model memperkirakan kerapatan fluks emisi. DGVM dijalankan selama periode 2000–2017 menggunakan set data lahan basah dinamis yang ditentukan dari data satelit pada wilayah tergenang tanpa danau dan perairan pedalaman (WAD2M, Saunois et al., 2020 ) . Estimasi BU tidak memperhitungkan serapan CH4 dari dataran tinggi dan emisi dari rayap.
Estimasi model inversi top-down didasarkan pada inversi global (Chandra et al., 2021 ), model kimia dan transportasi atmosfer, dan distribusi sebelumnya dari sumber dan penyerap metana serta ketidakpastiannya untuk mendalilkan estimasi sumber dan penyerap metana yang lebih baik. Di sini, kami menggunakan ansambel delapan hasil model inversi atmosfer untuk fluks emisi CH4 ( Saunois et al., 2020 ), yang menggunakan model transportasi Eulerian global (detail masing-masing diberikan dalam Tabel S4 di Informasi Pendukung S1 ). Model-model tersebut menggabungkan semua elemen siklus metana, termasuk pengamatan CH4 atmosfer , emisi dan penyerap di permukaan bumi, dan distribusi suhu udara di atmosfer, untuk menghitung laju kehilangan yang bergantung pada suhu dari reaksi dengan radikal OH. Selain itu, informasi fluks emisi sebelumnya diperoleh dari pendekatan BU, misalnya, model berbasis proses atau dari interpolasi data yang tersedia (sumber alami) dan berbagai inventaris (sumber antropogenik) (Houweling et al., 2017 ; Saunois et al., 2020 ).
2.3 Fluks Emisi N 2 O Tanah
2.3.1 Estimasi Bottom-Up
Emisi tanah N 2 O terestrial bottom-up diestimasikan berdasarkan ensemble tujuh hasil model DGVM (detail masing-masing dalam Tabel S5 di Informasi Pendukung S1 ) untuk 2010–2019, yang diperoleh dari N 2 O Model Intercomparison Project (NMIP) (Tian et al., 2020 ). Untuk mengukur besarnya dan pola fluks N 2 O, model ekosistem memerlukan berbagai set data masukan, yang mencakup konsentrasi CO 2 atmosfer , kondisi iklim (misalnya, suhu dan curah hujan), LULCC, deposisi N, data masukan pupuk N sintetis untuk area tanaman pangan dan padang rumput, dan produksi dan aplikasi masukan pupuk kandang N untuk area tanaman pangan dan padang rumput (Tian et al., 2020 ). Semua simulasi model dimulai dengan status karbon dan N ekuilibrium pada tahun 1860. Setelah itu, model dijalankan sementara dari tahun 1860 hingga 2020.
2.3.2 Estimasi Top-Down untuk Fluks Emisi N 2 O
Dalam studi saat ini, ensemble dari empat hasil model inversi atmosfer N 2 O berdasarkan Tian et al. ( 2020 ) digunakan untuk memperkirakan fluks N 2 O (detail masing-masing diberikan dalam Tabel S6 di Informasi Pendukung S1 ) untuk 2010–2016. Model inversi menggunakan pengukuran N 2 O dari sampel udara diskret dari Jaringan Pengambilan Sampel Udara Global Kooperatif Siklus Karbon milik National Oceanic and Atmospheric Administration (NOAA). Beberapa lokasi pengukuran berkelanjutan dari Japan Meteorological Agency (JMA) dan National Institute of Environmental Studies (NIES). Pengukuran N 2 O atmosfer adalah yang paling jarang di antara ketiga spesies yang dipertimbangkan di sini karena stabilitas instrumen yang buruk untuk mengamankan presisi tinggi (ketidakpastian pengukuran lebih baik dari 0,2 ppb dalam 300 ppb) dan pengukuran jangka panjang.
2.4 Fluks Emisi CO 2 , CH 4 , dan N 2 O dari Perairan Pedalaman
Emisi untuk CO2 ( E Water_CO2 ), CH4 (E Water_CH4 ), dan N2O (E Water_N2O ) dari perairan pedalaman, termasuk yang berasal dari aliran sungai, danau, dan waduk, E Water_total (Gambar 1 ), diambil dari Lauerwald et al. ( 2023a , 2023b ), yang menghitung emisi untuk 10 wilayah RECCAP-2, termasuk SA. Estimasi emisi ini didasarkan pada sintesis estimasi emisi GRK yang ada dari aliran sungai, danau, dan waduk tetapi dihomogenisasi berkenaan dengan peta global yang mendasari distribusi luas permukaan air dan efek tutupan es musiman. Studi ini mengecualikan emisi dari badan air lentik yang lebih kecil, seperti kolam serta yang berasal dari dataran banjir dan rawa yang tergenang sementara karena kurangnya data dalam skala global.
2.5 Bahan Bakar Fosil dan Emisi Antropogenik Non-Terestrial Lainnya untuk CO 2 , CH 4, dan N 2 O
Emisi GRK nonterestrial antropogenik untuk negara-negara SA diambil dari kumpulan data Basis Data Emisi untuk Penelitian Atmosfer Global (EDGAR) Komisi Eropa (Crippa, Guizzardi et al., 2020 ; Crippa, Solazzo et al., 2020 ). Kami menggunakan data pembaruan EDGAR (EDGARv7.0) karena data ini menyediakan estimasi emisi GRK yang independen untuk setiap negara dan sektor berdasarkan metodologi yang kuat dan konsisten yang berasal dari pedoman IPCC terbaru dan data aktivitas terkini. Data dihimpun dari sejumlah sumber statistik internasional (Crippa, Guizzardi et al., 2020 ; Crippa, Solazzo et al., 2020 ), yang menyediakan estimasi pada skala spasial untuk emisi CO 2 bahan bakar fosil (E Fosil , termasuk pembakaran batu bara, minyak, gas, dan lainnya (misalnya, pembakaran gas), dan produksi semen untuk setiap negara selama periode 1970–2021. Mengenai emisi antropogenik CH 4 (E CH4_AP ), semua aktivitas antropogenik (Gambar 1 ) yang mengarah ke emisi antropogenik yang relevan dengan iklim disertakan, kecuali untuk pembakaran biomassa/biofuel di sektor tenaga, industri, bangunan, transportasi, dan pertanian, pembakaran biomassa skala besar, dan LULCC. Penting untuk dicatat bahwa meskipun emisi CH 4 dari ternak tidak dihitung secara eksplisit, emisi tersebut disertakan sebagai bagian dari total emisi pertanian. Aktivitas antropogenik untuk emisi N 2 O (E N2O_AP ) mencakup aktivitas industri yang melibatkan pembangkitan dan konsumsi energi, konstruksi dan produksi, dan emisi langsung dan tidak langsung dari pengelolaan pupuk kandang. Data emisi CH4 dan N2O non -terestrial antropogenik tersedia untuk tahun 1970–2018.
2.6 Perdagangan Kayu dan Hasil Tanaman
Studi ini memperhitungkan fluks CO2 yang terkait dengan perdagangan internasional, yaitu, impor dikurangi ekspor, kayu (E Wood_Trade ) dan produk tanaman pangan (E Agri_Trade ) di SA. Dalam perdagangan kayu, kami mempertimbangkan kayu bulat industri untuk perhitungan emisi sebagai perdagangan kayu bakar internasional, dan arang sering digunakan untuk keperluan dalam negeri dan bukan untuk perdagangan internasional. Kami menggunakan FAOSTAT ( 2024 ) untuk kuantitas impor dan ekspor kayu dan produk tanaman pangan dalam meter kubik (m 3 ), yang mengklasifikasikan kayu industri menjadi kayu konifera dan non-konifera dan total 92 produk tanaman pangan. Data ini dalam m 3 dikonversi ke Tg CO 2 menggunakan metode yang dijelaskan oleh Peters et al. ( 2012 ) untuk kayu dan Xu et al. ( 2021 ) untuk produk tanaman pangan. Untuk kayu industri, m3 kayu dikonversi menjadi biomassa berat kering menggunakan faktor 0,45 t m −3 untuk kayu mentah jenis konifera dan 0,59 t m −3 untuk kayu mentah jenis nonkonifera, lalu dikonversi menjadi satu ton karbon menggunakan 0,45 t C t −1 biomassa. Untuk pertanian, ton biomassa dalam m3 dihitung untuk masing-masing tanaman. Faktor khusus tanaman yang mengubah volume biomassa menjadi biomassa berat kering dan karbon dalam ton diambil dari (Xu et al., 2021 ).
2.7 Total Emisi GRK
Total emisi CO 2 , CH 4 , dan N 2 O berdasarkan model BU dihitung dengan persamaan berikut:
Total emisi CO 2 , CH 4 , dan N 2 O berdasarkan model TD dihitung dengan persamaan berikut:
Mengikuti IPCC AR6 (Canadell et al., 2021 ), kami menggunakan potensi pemanasan global (GWP) 100 tahun dari CH4 -fosil (29,8), CH4 -non -fosil (27), dan N2O ( 278) untuk menggabungkan semua emisi GRK top-down dan bottom-up menjadi CO2 ekuivalen (CO2 eq ). Dalam kasus NMHC, emisi NMHC yang diberikan dalam Tg NMHC tahun -1 dikonversi ke Tg C tahun -1 menggunakan rasio 161/210 TgC/Tg NMHC (Hoor et al., 2009 ).
Selanjutnya, kita bahas hasil tahun 2010-an. Nilai positif menunjukkan serapan karbon oleh daratan, dan nilai negatif menunjukkan emisi atmosfer.
2.8 Analisis Ketidakpastian
Meskipun rata-rata ensemble sering memberikan hasil yang lebih akurat dan andal daripada mengandalkan model individual (IPCC, 2014 ; Meehl et al., 2007 ; Weigel et al., 2008 ), sangat penting untuk memperkirakan ketidakpastian antara hasil model yang berbeda, yang dapat membantu untuk memahami penyebaran hasil model individual. Ketidakpastian dalam model TD dan BU yang memperkirakan anggaran GRK dievaluasi berdasarkan metode propagasi kesalahan, yang memperhitungkan deviasi standar (1 σ ) dari komponen individual fluks anggaran yang dihasilkan dari ensemble beberapa model. Tujuannya adalah untuk mengukur bagaimana ketidakpastian dalam fluks komponen, yang berasal dari beberapa model, memengaruhi ketidakpastian keseluruhan estimasi anggaran GRK. Ketidakpastian total (
) dari keseluruhan anggaran yang dimodelkan dihitung sebagai akar kuadrat dari jumlah kuadrat ketidakpastian masing-masing komponen fluks (misalnya,
Bahasa Indonesia:
), dengan asumsi bahwa kesalahan dalam fluks komponen tidak berkorelasi, yaitu,
.
3 Hasil
3.1 Produktivitas Bersih Ekosistem Terestrial (E NEP_S2 )
Hasil model TRENDY berdasarkan skenario S2, yang tidak memperhitungkan gangguan LULCC dari waktu ke waktu, menunjukkan bahwa E NEP_S2 meningkat dari -272 ± 166,4 TgCO 2 thn -1 pada tahun 2000-an menjadi -462,9 ± 195,5 Tg CO 2 thn -1 pada tahun 2010-an (Gambar 1 ) terutama karena efek pemupukan CO 2 yang lebih tinggi . Hasil dari masing-masing model untuk E NEP_S2 juga menunjukkan variasi signifikan dari yang terendah -199 Tg CO 2 eq thn -1 untuk model SDGVM hingga yang tertinggi -989 Tg CO 2 eq thn -1 untuk model JSBACH (Tabel S1 dalam Informasi Pendukung S1 ). Mengenai NEP masing-masing negara untuk tahun 2010-an, estimasi mencerminkan ukuran negara tersebut. Misalnya, India melihat estimasi yang relatif lebih tinggi sebesar −366,7 ± 188,9 TgCO 2 eq yr −1 atau 80% dari total nilai regional, diikuti oleh Pakistan dan Nepal dengan nilai estimasi sebesar −25,8 ± 14,6 Tg CO 2 eq yr −1 (5%) dan −23,1 ± 10,8 TgCO 2 eq yr −1 (4%) (Tabel 1 ).
Tabel 1. Fluks Produksi Bioma Bersih Khusus Negara dan Wilayah Asia Selatan (SA) Berdasarkan Gabungan Hasil Model TRENDY Top-Down (E NBP_TD ) dan Bottom-Up (E NBP_BU ), Emisi Fosil (E Fosil ), dan Fluks Total (E CO2_BU_Total = E NBP_BU + E Fosil dan E CO2_TD_Total = E NBP_TD + E Fosil ) untuk tahun 2010-an
| Negara/Wilayah | Bahasa Indonesia : NEP_S2 | E -LULCC | E api | E NBP_BU sebuah | E NBP_TD | E Fosil | E CO2_BU_Jumlah | E CO2_TD_Jumlah |
|---|---|---|---|---|---|---|---|---|
| Afganistan | -17,6 ± 10,2 | 1,9 ± 10,9 | 0,03 ± 0,01 | -15,7 ± 14,9 | -6,7 ± 22,4 | 13,1 ± 0,6 | -2,6 ± 14,9 | 6,4 ± 22,4 |
| Bangladesh | -14,8 ± 11,6 | 10,4 ± 13,8 | 0,1 ± 0,01 | -4,3 ± 18 | -4,0 ± 38,3 | 83,4 ± 4,2 | 79,4 ± 18,5 | 79,4 ± 38,5 |
| Bahasa Indonesia: Bhutan | -5,3 ± 4,1 | 3,2 ± 3,8 | 0,2 ± 0,02 | -1,0 ± 3,8 | -0,5 ± 7,4 | 1,01 ± 0,1 | 0,01 ± 3,8 | 0,5 ± 7,5 |
| India | -366,7 ± 188,9 | 200,6 ± 201,7 | 34,5 ± 3,4 | -131,6 ± 276,3 | -163,8 ± 504,2 | 2038,4 ± 101,9 | 1906,8 ± 294,5 | 1874,6 ± 514,4 |
| Nepal | -23,1 ± 10,8 | 11,0 ± 9,7 | 4,1 ± 0,4 | -8 ± 14,5 | -17,1 ± 71,3 | 12,8 ± 0,6 | 4,8 ± 14,5 | -4,3 ± 71,3 |
| Bahasa Indonesia: Pakistan | -25,72 ± 14,6 | 11,4 ± 19,8 | 1,7 ± 0,1 | -12,6 ± 24,5 | -16,6 ± 43,7 | 177,3 ± 8,9 | 164,7 ± 26,0 | 160,7 ± 44,5 |
| Srilanka | -9,7 ± 6,4 | 12,8 ± 6,4 | 0,8 ± 0,1 | 3,9 ± 9,0 | -1,9 ± 12,5 | 9,4 ± 0,5 | 13,3 ± 9,0 | 8,5 ± 12,5 |
| Total SA | -462,9 ± 190,5 | 251,9 ± 203,8 | 41,4 ± 3,4 | -170,2 ± 279,0 | -210,4 ± 504,9 | 2335,4 ± 102,4 | 2165,2 ± 297,1 | 2125,8 ± 515,1 |
Catatan: Nilai positif adalah sumber karbon, dan nilai negatif adalah penyerap karbon (TgCO 2 /tahun).
a E NBP_BU = E NEP_S2 + E LULCC + E Kebakaran , dimana E NEP_S2 merupakan produktivitas ekosistem bersih dengan LULCC, E LULCC , fluks CO 2 akibat LULCC, dan E kebakaran akibat fluks emisi non-LULCC.
3.2 Emisi dari Perubahan Penggunaan Lahan dan Penutupan Lahan ( ELULCC )
Estimasi E LULCC berdasarkan BU adalah sumber karbon bersih sebesar 251,9 ± 203,8 TgCO 2 tahun −1 (Gambar 1 ) untuk tahun 2010-an (Gambar 1 dan Tabel 1 ). Emisi meningkat sebesar 45% dibandingkan dengan tahun 2000-an (173 ± 191,4 Tg CO 2 tahun −1 ) karena berkurangnya reboisasi selama tahun 2010-an dibandingkan dengan tahun 2000-an. Hasilnya secara konsisten mencerminkan transisi LULCC setiap negara. Emisi bersih kawasan ini terutama ditentukan oleh aktivitas perubahan lahan di tiga negara terbesar di kawasan ini, India, Pakistan, dan Bangladesh, dengan emisi India menjadi yang tertinggi (200,6 ± 201,7 Tg CO2 tahun -1 , 85%) karena menempati sekitar 70 % dari total wilayah, diikuti oleh Sri Lanka (12,8 ± 6,4 Tg CO2 tahun -1 , 5%) dan Pakistan (11,4 ± 19,8 Tg CO2 tahun -1 , 4%) (Tabel 1 ). Negara – negara lainnya digabungkan memberikan kontribusi sekitar 7% dari total emisi LULCC untuk kawasan SA.
Hasil estimasi BU juga berada dalam kisaran ansambel tiga hasil model pembukuan E LULCC_BK , BLUE (354 Tg CO 2 yr −1 ; Hansis et al., 2015 ), OSCAR (77 Tg CO 2 yr −1 ; Gasser et al., 2020 ) dan H&N (−1,6 Tg CO 2 yr −1 ; Houghton & Nassikas, 2017 ) (Tabel S7 dalam Informasi Pendukung S1 ). Namun, hasil menunjukkan variasi signifikan antara rentang nilai rendah dan tinggi untuk pembukuan (berkisar dari −2 hingga 77 Tg CO 2 yr −1 ) dan hasil model bottom-up (berkisar dari −14 hingga 518 Tg CO 2 yr −1 ). Penyebab pasti dari perbedaan signifikan tersebut tidak jelas. Hal ini mungkin disebabkan oleh perbedaan masukan LULCC dan pendekatan pemodelan yang digunakan untuk memperkirakan emisi.
3.3 Emisi Kebakaran (E FIRE )
Sesuai GFED4.1, kawasan SA bukan merupakan sumber signifikan emisi CO 2 akibat pembakaran biomassa yang tidak terkait dengan LULCC (Gambar 1 ). Dari sekitar 7.674 ± 195 Tg CO 2 thn −1 total emisi global akibat kebakaran terbuka (yaitu, kebakaran di mana material dibakar di area luar ruangan) (van der Werf et al., 2017 ), hanya 46,7 ± 23,3 Tg CO 2 thn −1 (0,6% dari total global) yang dipancarkan dari sumber non-LULCC di negara-negara SA (Tabel 2 ), yang merupakan peningkatan sekitar 19% dibandingkan dengan tahun 2000-an. Total emisi CO2 kebakaran non-LULCC regional untuk tahun 2010-an dapat diatributkan ke kebakaran hutan terbuka (22,2 ± 11,4 Tg CO2 tahun -1 ) dan kebakaran sabana (14,8 ± 2,7 Tg CO2 tahun -1 ) untuk tahun 2010 – an. Emisi kebakaran lahan gambut hampir dapat diabaikan di SA. Di antara negara-negara yang paling banyak berkontribusi pada emisi non-LULCC regional, India menonjol dengan kontribusi yang diperkirakan sekitar 83% (39 ± 19,01 Tg CO2 tahun -1 ), diikuti oleh Nepal 10% (4,5 ± 2,3 Tg CO2 tahun -1 ) dan Sri Lanka 1,9 % (0,9 ± 0,4 Tg CO2 tahun -1 ) . Selain itu, negara-negara lain di SA berkontribusi sekitar 5% (2,3 ± 1,1 Tg CO 2 yr −1 ) terhadap total emisi CO 2 non-LULCC akibat kebakaran di kawasan SA pada tahun 2010-an (Tabel 2 ).
Tabel 2. Emisi Terkait Aktivitas Kebakaran Spesifik Negara (TgCO 2 eq/thn) untuk CO 2 , CO, NMHC, CH 4, dan N 2 O pada tahun 2010-an
| Negara | CO2a | BERSAMA | NMHC (National Medical Centre) | Bab 4 | N2O | Total |
|---|---|---|---|---|---|---|
| Afganistan | 0,03 ± 0,01 | 0,00 ± 0,0 | 0,00 ± 0,0 | 0,00 ± 0,0 | 0,00 ± 0,0 | 0,03 ± 0,01 |
| Bangladesh | 0,10 ± 0,5 | 0,00 ± 0,0 | 0,01 ± 0,01 | 0,00 ± 0,0 | 0,00 ± 0,0 | 0,11 ± 0,05 |
| Bahasa Indonesia: Bhutan | 0,22 ± 0,1 | 0,01 ± 0,01 | 0,01 ± 0,01 | 0,00 ± 0,0 | 0,00 ± 0,0 | 0,24 ± 0,1 |
| India | 34,54 ± 17,0 | 2,37 ± 0,23 | 1,98 ± 0,1 | 0,12 ± 0,01 | 0,01 ± 0,0 | 39,01 ± 19,5 |
| Nepal | 4,07 ± 2 | 0,24 ± 0,02 | 0,18 ± 0,02 | 0,01 ± 0,0 | 0,00 ± 0,0 | 4,51 ± 2,7 |
| Bahasa Indonesia: Pakistan | 1,71 ± 0,9 | 0,11 ± 0,05 | 0,10 ± 0,01 | 0,01 ± 0,0 | 0,00 ± 0,0 | 1,93 ± 0,9 |
| Srilanka | 0,76 ± 0,4 | 0,06 ± 0,03 | 0,05 ± 0,01 | 0,00 ± 0,0 | 0,00 ± 0,0 | 0,88 ± 0,4 |
| Total SA | 41,43 ± 3,4 | 2,81 ± 0,3 | 2,33 ± 0,2 | 0,14 ± 0,01 | 0,01 ± 0,01 | 46,71 ± 23,4 |
Emisi kebakaran akibat aktivitas kebakaran yang tidak terkait dengan perubahan penggunaan lahan.
Kontribusi emisi karbon monoksida (CO) akibat kebakaran hutan terhadap emisi global cukup rendah, hanya 2,81 ± 0,25 Tg CO 2 thn -1 (0,8% dari total emisi CO global). Dibandingkan dengan tahun 2000-an (2,38 ± 0,23 Tg CO 2 thn -1 ), emisi CO meningkat sebesar 16%.
Seperti emisi CO, kontribusi emisi SA CH4 ( 0,14 ± 0,07 Tg CO2 eq yr −1 ), NMHC (2,33 ± 0,23 Tg CO2 eq yr −1 ), dan N2O (0,01 ± 0,01 Tg CO2 eq yr −1 ) (Gambar 1 ) terhadap emisi kebakaran global relatif lebih kecil (kurang dari 1% dari total emisi) (Tabel 2 ).
3.4 Fluks Karbon Sungai ( Air E )
Sintesis total emisi GRK air pedalaman (aliran sungai, danau, dan waduk) adalah 334,3 ± 126,9 Tg CO2 eq yr -1 (Gambar 1 ), dengan kontribusi dominan dari CO2 ( E Water_CO2 ) (72%) dan CH4 (26%) (E Water_CH4 ) dan kontribusi minor dari N2O ( 2%) (E Water_N2O ). Sungai adalah kontributor paling signifikan terhadap emisi air pedalaman regional (∼85%), dengan kontribusi minor dari waduk (10%) dan danau (5%). Kontributor paling signifikan terhadap emisi GRK air pedalaman SA adalah India (296,5 ± 112,6), Pakistan (23,4 ± 8,9), dan Bangladesh (9 ± 3,6). Ketiga negara ini menyumbang lebih dari 98% emisi GRK air pedalaman (Tabel 3 ).
Tabel 3. Emisi Perairan Pedalaman untuk CO 2 , CH 4 dan N 2 O (TgCO 2 eq/thn)
| Negara | E Air_CO2 | E Air_CH4 | E Air_N2O | Jumlah negara |
|---|---|---|---|---|
| Afganistan | 0,02 ± 0,0 | 0,01 ± 0,0 | 0,00 ± 0,0 | 0,03 ± 0,0 |
| Bangladesh | 6,09 ± 3,2 | 2,49 ± 1,6 | 0,18 ± 0,1 | 9,36 ± 3,6 |
| Bahasa Indonesia: Bhutan | 0,31 ± 0,2 | 0,12 ± 0,1 | 0,01 ± 0,0 | 0,43 ± 0,2 |
| India | 211,92 ± 101,2 | 79,00 ± 49,4 | 5,60 ± 2,0 | 296,52 ± 112,6 |
| Nepal | 2,75 ± 1,3 | 1,02 ± 0,6 | 0,07 ± 0,0 | 3,85 ± 1,4 |
| Bahasa Indonesia: Pakistan | 16,75 ± 8,0 | 6,25 ± 3,9 | 0,44 ± 0,2 | 23,40 ± 8,9 |
| Srilanka | 0,57 ± 0,3 | 0,21 ± 0,1 | 0,02 ± 0,0 | 0,80 ± 0,4 |
| Total SA | 239,0 ± 114,0 | 89,1 ± 55,7 | 6,3 ± 2,2 | 334,3 ± 126,9 |
3,5 NBP (E NBP )
Model BU memperkirakan E NBP_BU (−170,2 ± 279,0 Tg CO 2 thn −1 ), dan model TD memperkirakan E NBP_TD (−210,4 ± 504,9) Tg CO 2 thn −1 (Gambar 1 ) menunjukkan bahwa wilayah tersebut bertindak sebagai penyerap bersih selama tahun 2010-an. Dibandingkan dengan tahun 2000-an (BU: −99,0 ± 170,08 Tg CO 2 thn −1 ; TD: −157,8 ± 581 Tg CO 2 thn −1 ), penyerap dalam kasus BU meningkat sebesar 72%, sedangkan dalam kasus TP, peningkatannya hanya sekitar 33%. Ensemble dari berbagai model TD dan BU menunjukkan ketidakpastian yang besar dalam fluks CO 2 yang diperkirakan . Terkait dengan fluks karbon terestrial masing-masing negara pada tahun 2010-an, ekosistem terestrial berperan sebagai penyerap CO2 atmosfer , dengan India menjadi penyerap terbesar, menjadi negara SA terbesar, untuk kedua pendekatan pemodelan (E NBP_BU : 131,6 ± 276,3 Tg CO2 thn -1 dan E NBP_TD : 163 ± 504 Tg CO2 thn -1 ) dengan estimasi E NEP_S2 yang relatif lebih tinggi yaitu 366,7 ± 188,9 Tg CO2 thn -1 (Tabel 1 ).
3.6 Emisi CH4 dan N2O dari Tanah
Estimasi emisi CH4 tanah untuk model top-down, E CH4_TD (12,5 ± 4,4 Tg CH4 yr −1 ) , lebih besar daripada emisi bottom-up, E CH4_BU (4,45 ± 1,27 Tg CH4 yr −1 ) , dengan emisi hampir 2,8 kali lebih tinggi untuk tahun 2010-an (Tabel 4 ). India memiliki andil maksimum dalam emisi CH4 di SA untuk kasus E CH4_TD dan E CH4_BU , dengan kontribusi yang diestimasikan sebesar 76% dan 65% (Tabel 4 ). Dibandingkan dengan tahun 2000-an, emisi E CH4_TD dan E CH4_BU menurun sebesar 12% dan 8% pada tahun 2010-an.
Tabel 4. Estimasi Emisi CH4 ( Tg CH4 / thn) Dari Tanah Berdasarkan Model Bottom-Up (E CH4_BU ) dan Model Top-Down (E CH4_TD ) dan Dari Aktivitas Antropogenik (E CH4_AP ) di Negara-negara Asia Selatan pada Tahun 2010-an
| Negara | Bahasa Inggris CH4_AP | E- CH4_BU | E CH4_TD |
|---|---|---|---|
| Afganistan | 0,65 ± 0,10 | 0,01 ± 0,01 | 0,03 ± 0,1 |
| Bangladesh | 3,9 ± 0,60 | 0,72 ± 0,53 | 3,4 ± 1,6 |
| Bahasa Indonesia: Bhutan | 0,02 ± 0,00 | 0,03 ± 0,00 | 0,07 ± 0,20 |
| India | 30,06 ± 4,50 | 3,38 ± 0,84 | 8,09 ± 3,11 |
| Nepal | 1,17 ± 0,30 | 0,03 ± 0,01 | 0,30 ± 0,22 |
| Bahasa Indonesia: Pakistan | 7,98 ± 1,20 | 0,15 ± 0,03 | 0,37 ± 0,42 |
| Srilanka | 0,51 ± 0,10 | 0,10 ± 0,06 | 0,12 ± 0,10 |
| Total SA | 44,33 ± 6,20 | 4,45 ± 1,27 | 12,45 ± 4,4 |
Perkiraan emisi N 2 O tanah dari model TD (E N2O_TD ) dan BU (E N2O_BU ) memberikan hasil yang serupa untuk wilayah SA pada tahun 2010-an, dengan nilai 2,0 ± 0,1 dan 1,4 ± 0,5 Tg N yr −1 (Tabel 5 ). Untuk kedua pendekatan pemodelan, emisi India adalah yang tertinggi (78%–82%), diikuti oleh Pakistan (sekitar 23%–25%) dan Bangladesh (sekitar 4%–6%). Dibandingkan dengan tahun 2000-an, E N2O_TD tahun 2010-an meningkat 73%, sedangkan E N2O_BU 16%.
Tabel 5. Estimasi Emisi N 2 O dari Aktivitas Antropogenik (E N2O_AP ) dan Tanah serta Model Bottom-Up (E N2O_BU ) dan Model Top-Down (E N2O_TD ) di Negara-negara Asia Selatan pada Tahun 2010-an (Tg N 2 O/thn)
| E. N2O_AP | E.N2O_BU | E N2O_TD | |
|---|---|---|---|
| Afganistan | 0,02 ± 0,03 | 0,02 ± 0,02 | 0,06 ± 0,02 |
| Bangladesh | 0,06 ± 0,1 | 0,06 ± 0,03 | 0,08 ± 0,02 |
| Bahasa Indonesia: Bhutan | 0,00 ± 0,0 | 0,00 ± 0,00 | 0,01 ± 0,00 |
| India | 0,84 ± 1,1 | 1,15 ± 0,4 | 1,64 ± 0,4 |
| Nepal | 0,02 ± 0,0 | 0,03 ± 0,01 | 0,06 ± 0,01 |
| Bahasa Indonesia: Pakistan | 0,18 ± 0,2 | 0,13 ± 0,1 | 0,25 ± 0,10 |
| Srilanka | 0,01 ± 0,0 | 0,02 ± 0,00 | 0,01 ± 0,01 |
| Total SA | 1,13 ± 1,6 | 1,43 ± 0,51 | 2,1 ± 0,47 |
3.7 Emisi Antropogenik Non-Terestrial untuk CO 2 , CH 4 , dan N 2 O
Total emisi antropogenik nonterestrial yang diperkirakan untuk tiga GRK pada tahun 2010-an adalah 3848 ± 506 Tg CO 2 eq yr −1 (Gambar 1 ). CO 2 (E Fosil ), CH 4 (E CH4_AP ), dan N 2 O (E N2O_AP ) masing-masing menyumbang 61%, 31%, dan 8%. Berikut ini menjelaskan emisi khusus untuk setiap negara dan merinci kontribusi berbagai aktivitas antropogenik.
3.7.1 Emisi CO2 dari Bahan Bakar Fosil dan Produksi Semen (E Fosil )
Emisi karbon dari pembakaran bahan bakar fosil, termasuk produksi semen, telah meningkat pada tahun 2010-an dibandingkan dengan tahun 2000-an di setiap negara di kawasan SA, menurut set data EDGAR (Crippa et al., 2021 ; Minx et al., 2021 ). Total emisi regional meningkat pada tahun 2010-an sebesar 87%, dari rata-rata 1.341 ± 67,5 Tg CO 2 yr −1 untuk dekade tahun 2000-an menjadi rata-rata 2335,4 ± 102,4 Tg CO 2 yr −1 untuk tahun 2010-an (Tabel 1 ) (Gambar 1 ). Peningkatan cepat dalam emisi CO 2 fosil terutama disebabkan oleh pertumbuhan ekonomi yang cepat. Perlu dicatat bahwa emisi bahan bakar fosil SA tumbuh pada tingkat yang lebih tinggi daripada PDB selama tahun 2010-an, di mana PDB meningkat sebesar $1.726 miliar atau sebesar 16% pada tahun 2010-an dibandingkan dengan tahun 2000-an (Bank Dunia, 2023 ) (Tabel S8 dalam Informasi Pendukung S1 ). Pada skala negara, emisi India adalah yang tertinggi (2.038 ± 101,9 CO 2 tahun −1 ) (87%), diikuti oleh Pakistan (177 ± 8,9 CO 2 tahun −1 ) (7%) dan Bangladesh (83 ± 4,2 CO 2 tahun −1 ) (3%) selama tahun 2010-an (Tabel 6 ). Mengenai peningkatan persentase, Afghanistan, Bhutan, Bangladesh, dan Nepal menyaksikan peningkatan lebih dari 100% pada tahun 2010-an relatif terhadap tahun 2000-an. Kontribusi masing-masing negara terhadap total emisi bahan bakar fosil juga koheren dengan kontribusinya terhadap total PDB regional (Tabel S8 dalam Informasi Pendukung S1 ).
Tabel 6. Emisi CO 2 Bahan Bakar Fosil , E Fosil , Dari EDGAR (Crippa et al., 2021 ) dan Global Carbon Project (Friedlingstein et al., 2022 ) untuk tahun 2010-an (TgCO 2 /thn)
| Negara | E Fosil | |
|---|---|---|
| EDGAR | GCP | |
| Afganistan | 13.1 | 9.2 |
| Bangladesh | 83.4 | 71.6 |
| Bahasa Indonesia: Bhutan | 1.0 | 1.1 |
| India | 2038.4 | 2195.0 |
| Nepal | 12.8 | 8.0 |
| Bahasa Indonesia: Pakistan | 177.3 | 187.1 |
| Srilanka | 9.4 | 19.0 |
| Total | 2335.4 | 2419.2 |
Perbandingan antara kumpulan data EDGAR (Crippa et al., 2021 ; Minx et al., 2021 ) dan kumpulan data GCP (Friedlingstein et al., 2022 ) untuk emisi bahan bakar fosil di kawasan SA menunjukkan kesesuaian yang sangat baik di berbagai negara; emisinya berada dalam kisaran yang dekat, dengan total emisi rata-rata untuk EDGAR hanya 3,4% lebih tinggi daripada GCP (Tabel 6 ).
3.7.2 Emisi Antropogenik Non-Terestrial untuk CH 4 (E CH4_AP ) dan N 2 O (E N2O_AP )
E CH4_AP regional untuk tahun 2010-an adalah 44,33 ± 6,20 Tg CH 4 thn -1 , sekitar 76% dan 90% dari total estimasi emisi CH 4 model TD dan BU . India menghasilkan mayoritas CH 4 dalam anggaran regional, menyumbang 68% (30,06 ± 4,50 Tg CH 4 thn -1 ) dari total emisi CH 4 antropogenik . Pakistan dan Bangladesh adalah kontributor terbesar kedua dan ketiga, dengan estimasi 18% (7,98 ± 1,20 TgCH 4 thn -1 ) dan 9% (3,9 ± 0,60 TgCH 4 thn -1 ). Emisi dari pertanian dan limbah memainkan peran dominan dalam sumber antropogenik CH4 , dengan sekitar 85% diikuti oleh bahan bakar fosil, biomassa, dan pembakaran biofuel.
E N2O_AP regional adalah 1,13 ± 1,6 Tg N2O yr − 1 , sekitar 36% dan 44% dari total emisi N2O yang diperkirakan oleh model TD dan BU. Sekali lagi, India adalah penghasil emisi antropogenik tertinggi (74%), diikuti oleh Pakistan (16%). Total emisi negara-negara lainnya hanya 10%. Emisi antropogenik dari sumber langsung, termasuk fosil dan sumber industri, pembakaran biomassa, serta limbah dan air limbah, memberikan kontribusi terbesar terhadap total emisi (60%).
3.8 Emisi Kayu (E Wood_Trade ) dan Perdagangan Tanaman Pangan (E Agri_Trade )
Emisi SA dari perdagangan kayu internasional adalah -5 ± 1,0 Tg CO2 tahun -1 . India adalah penghasil emisi tertinggi -4,7 ± 0,9 TgCO2 tahun -1 . Emisi regional dari perdagangan tanaman pangan internasional adalah sekitar 1,0 ± 0,2 Tg CO2 tahun -1 . Emisi kayu bulat nonkonifer dan konifer masing-masing adalah sekitar -3,5 ± 0,6 Tg CO2 tahun -1 dan -1,5 ± 0,3 Tg CO2 tahun -1 . Beras (0,3 ± 0,06 Tg CO 2 tahun −1 ), produk gandum (0,17 ± 0,02 TgCO 2 tahun −1 ), dan kacang-kacangan (0,03 ± 0,01 Tg CO 2 tahun −1 ) memiliki emisi tertinggi di antara produk tanaman pangan yang diperdagangkan.
3.9 Pembahasan dan Kesimpulan
Total emisi GRK bersih yang diestimasi untuk Asia Selatan oleh model bottom-up (BU) dan top-down (TD) untuk tahun 2010-an adalah 4.516,4 ± 639,8 Tg CO 2 eq yr −1 dan 4.531,9 ± 807,5 TgCO 2 eq yr −1 . Estimasi ini 34% dan 43% lebih tinggi daripada pada tahun 2000-an, serta mewakili sekitar 8% dari total emisi GRK global, sebagaimana dilaporkan oleh IPCC AR6 (56.600,0 ± 600,0 TgCO 2 eq yr −1 , Dhakal et al., 2022 ). Penting untuk dicatat bahwa hasil model BU dan TD untuk total regional konsisten satu sama lain, dan juga konsisten dengan estimasi IPCC AR6 sebesar 4.480 TgCO 2 eq yr −1 (Dhakal et al., 2022 ). Namun, pola spasial dapat berbeda (Gambar 4 ). Kesepakatan ini, di antara berbagai estimasi, menunjukkan pemahaman yang kuat tentang pertukaran GRK di kawasan tersebut.
Emisi antropogenik terkait industri yang diperkirakan (E Fosil + E CH4_AP + E N2O_AP ) adalah 3848,1 ± 489,4 Tg CO 2 eq yr −1 , yang masing-masing merupakan 85% dan 84% dari total fluks dari model BU dan TD (Gambar 1 ). Sekitar 53% (2399,7 ± 427,7 Tg CO 2 eq. yr −1 ) dari total emisi CO 2 eq., sebagaimana dihitung oleh model BU, dan 46% (2124,81 ± 641,2 Tg CO 2 eq. yr −1 ) dari total emisi yang diperkirakan oleh model TD semata-mata merupakan emisi CO 2 . Kontribusi total emisi CH4 adalah 31% (1404,27 ± 95,9 Tg CO2 eq yr −1 ) dan 34% (1531,4±205,2 Tg CO2 eq . yr −1 ), dan sisanya 16% (712,4±466 Tg CO2 eq yr −1 ) dan 18% (875,7±446 Tg CO2 eq . yr −1 ) dari total emisi adalah N2O ( Gambar 3 ).
Meskipun hasil model studi kami menunjukkan bahwa ekosistem daratan SA berfungsi sebagai penyerap karbon bersih untuk CO2 atmosfer , beberapa studi berbasis satelit baru-baru ini melaporkan temuan yang saling bertentangan. Beberapa studi menunjukkan bahwa sementara hutan di SA, khususnya di negara-negara seperti India, dapat berfungsi sebagai sumber karbon karena pemanasan iklim, ekosistem pertanian bertindak sebagai penyerap karbon yang didorong oleh perluasan tanaman dan praktik pengelolaan yang lebih baik. Meskipun ada dinamika ini, produktivitas primer bersih (NPP) menunjukkan variasi terbatas dari waktu ke waktu (misalnya, Das et al., 2020 ; Park et al., 2023 ). Namun, studi berbasis satelit lainnya menunjukkan hasil yang kontradiktif mengenai NPP. Misalnya, Bala et al. ( 2013 ) menghubungkan peningkatan NPP selama tahun 2000-an dengan pemupukan CO2, sementara Nayak et al. ( 2016 ) dan Bejagam dan Sharma ( 2022 ) menghubungkan peningkatan tersebut dengan perubahan presipitasi. ( 2023 ) lebih jauh menantang keandalan data satelit di bioma hutan tropis, dengan menyatakan bahwa struktur hutan yang kompleks menghasilkan bayangan yang besar, yang menyebabkan perkiraan yang terlalu rendah terhadap fraksi radiasi aktif fotosintesis (FPAR) dan karenanya fluks GPP dan NPP. Mengingat ketidakpastian substansial ini dalam model dan estimasi penyerapan karbon berbasis satelit di Asia Selatan, penyempurnaan estimasi ini menggunakan data observasional yang disempurnakan dan metode canggih sangat penting, seperti yang dijelaskan di bawah ini.
Secara keseluruhan, hasil model TD dan BU mengindikasikan bahwa fluks penyerap E NBP total regional lebih kecil daripada besarnya sumber karbon, terutama karena emisi besar dari pembakaran bahan bakar fosil (Tabel 1 ). Emisi kawasan SA dari pembakaran bahan bakar fosil 11–15 kali lebih tinggi daripada NBP kawasan tersebut (Tabel 1 ). Akibatnya, kawasan dan negara-negaranya, kecuali Afghanistan dan Bhutan, merupakan sumber bersih CO2 untuk fluks CO2 yang diestimasi model TD dan BU ketika emisi bahan bakar fosil diperhitungkan. Afghanistan adalah penyerap bersih kecil berdasarkan hasil model bottom-up, sementara Bhutan juga merupakan penyerap CO2 berdasarkan hasil model top-down (Tabel 1 ).
Berbeda dengan emisi CO2 , emisi CH4 didominasi oleh fermentasi enterik pada ternak ruminansia dan budidaya padi. Kontribusi utama terhadap total emisi N2O berasal dari tanah pertanian akibat penggunaan pupuk. Pada tingkat sektoral, sektor energi menyumbang 60% dari total emisi GRK, sedangkan sektor pertanian menyumbang sekitar 30%. Sisanya berasal dari kegiatan industri, pengelolaan limbah, serta kegiatan penggunaan dan penutupan lahan.
Besarnya sumber dan fluks serapan GRK berbeda di berbagai negara di kawasan ini. Misalnya, emisi CO2 India lebih tinggi daripada emisi CH4 dan N2O-nya. Namun, di negara-negara lain, emisi CH4 mendominasi selama tahun 2010 -an. Keragaman ini menyoroti faktor-faktor yang berbeda, khususnya faktor-faktor sosial ekonomi (misalnya, pertumbuhan ekonomi dan jumlah populasi; Tabel S8 dalam Informasi Pendukung S1 ), dari pendorong utama yang memengaruhi emisi GRK di negara-negara Asia Selatan karena perubahan dalam faktor-faktor ini secara langsung memengaruhi tutupan dan penggunaan lahan, kegiatan industri dan pertanian, kondisi iklim, frekuensi kebakaran hutan, dan strategi pengelolaan. Misalnya, dengan populasi yang besar dan ekspansi ekonomi yang cepat (seperti yang ditunjukkan oleh PDB; Tabel S8 dalam Informasi Pendukung S1 ), India adalah penghasil emisi GRK terbesar di kawasan ini (80%). Kontributor utama emisi India adalah kegiatan industri dan produksi energi, sementara pertumbuhan populasi dan peningkatan permintaan pangan semakin mendorong LULCC.
Pakistan (11%) dan Bangladesh (6%) mengikuti India dalam hal emisi, dengan faktor sosial ekonomi moderat yang berperan, meskipun pada skala yang lebih rendah. Pertumbuhan ekonomi dan tingkat industrialisasi yang lebih moderat di negara-negara ini menghasilkan emisi CO 2 yang relatif lebih rendah daripada emisi CH 4 (Gambar 3 ). Afghanistan, Nepal, dan Sri Lanka menunjukkan emisi rendah (1% atau kurang), yang terutama dipengaruhi oleh perubahan penggunaan lahan, khususnya penggundulan hutan untuk perluasan pertanian. Laju pembangunan ekonomi paling lambat di negara-negara ini, relatif terhadap penghasil emisi tinggi seperti India dan Pakistan (Tabel S8 dalam Informasi Pendukung S1 ), berkontribusi pada emisi terkait bahan bakar fosil yang lebih rendah (Gambar 3 ). Bhutan menonjol karena komitmennya untuk mempertahankan status hampir netral karbon, terutama karena fokusnya pada konservasi dan ketergantungan pada energi terbarukan, khususnya tenaga air. Populasi Bhutan yang kecil dan penekanan pada keseimbangan pembangunan dengan keberlanjutan telah menjaga emisi GRK-nya tetap terendah di kawasan ini (<0,1%) (Gambar 3 ).
Hasil emisi GRK tingkat negara dari studi ini dapat memberikan informasi kepada para pengambil keputusan tentang manajemen emisi GRK dan pengembangan kebijakan. Saat menilai emisi untuk kebijakan mitigasi, sangat penting untuk memahami sepenuhnya dampak lingkungan dan sosial yang lebih luas dari negara-negara ini, termasuk implikasi bagi kesehatan masyarakat, tantangan ekonomi, dan kerentanan terhadap perubahan iklim. Emisi yang lebih tinggi dikaitkan dengan memburuknya kualitas udara, yang dapat menyebabkan peningkatan angka penyakit pernapasan, terutama di negara-negara berpenduduk padat seperti India, Pakistan, dan Bangladesh. Deforestasi dan perubahan penggunaan lahan di daerah pedesaan mengganggu akses masyarakat lokal terhadap sumber daya alam, yang berdampak negatif pada pertanian dan mata pencaharian. Di bidang pembangunan ekonomi, negara-negara Asia Selatan, yang semuanya sedang berkembang, menghadapi tantangan untuk menyeimbangkan pertumbuhan ekonomi dengan keberlanjutan lingkungan. Mengadopsi teknologi yang lebih bersih sangat penting untuk mengurangi dampak sosial jangka panjang dari emisi. Lebih jauh lagi, mengingat tingginya kerentanan banyak negara Asia Selatan terhadap dampak perubahan iklim, seperti banjir di Bangladesh, negara-negara ini harus menerapkan kebijakan yang memprioritaskan energi terbarukan, pengelolaan lahan berkelanjutan, dan upaya konservasi. Keberhasilan Bhutan dalam mempertahankan status karbon-negatif, didorong oleh fokusnya pada energi terbarukan dan pelestarian lingkungan, menyediakan model potensial bagi negara-negara lain di kawasan tersebut untuk mengeksplorasi jalur menuju pembangunan berkelanjutan sambil mengurangi emisi.
Pada saat yang sama, penting juga untuk dicatat bahwa ketidakpastian yang terkait dengan estimasi emisi GRK regional dan spesifik negara menggunakan pendekatan pemodelan top-down dan bottom-up cukup besar, direpresentasikan di sini sebagai satu σ standar deviasi dari estimasi yang diperoleh dari model. Pola emisi spasial untuk model top-down dan bottom-up juga berbeda secara signifikan (Gambar 4 ). Membandingkan estimasi inventaris nasional emisi dari Konvensi Kerangka Kerja Perserikatan Bangsa-Bangsa tentang Perubahan Iklim (UNFCCC, 2024a , 2024b ) dengan emisi berdasarkan model top-down dan bottom-up dalam studi saat ini mengungkapkan pola yang beragam di berbagai negara di SA (Tabel 7 ). Inventaris emisi nasional UNFCCC umumnya selaras dalam rentang besar yang disediakan oleh salah satu atau kedua model BU dan TD. Beberapa negara seperti Pakistan dan Sri Lanka menunjukkan contoh di mana nilai inventaris UNFCCC lebih selaras dengan estimasi BU. Namun, inventaris emisi untuk negara seperti India paling menyimpang dari rentang yang lebih luas yang disediakan oleh estimasi kedua model. Perbedaan antara nilai yang dilaporkan UNFCCC dan nilai estimasi model atas-bawah dan bawah-atas menyoroti kompleksitas dan tantangan yang terkait dengan estimasi model dan pelaporan emisi GRK serta pentingnya peningkatan kualitas data, konsistensi metodologis, dan transparansi dalam praktik akuntansi emisi.
Tabel 7. Perbandingan Rata-rata Inventaris Emisi Spesifik Negara yang Dilaporkan UNFCCC (TgCO 2 eq yr −1 ) (UNFCCC, 2024a , 2024b ) untuk Periode Acak dengan Model Top-Down (TD) dan Bottom-Up (BU) dan Rentang Ketidakpastiannya
| Negara | UNFCCC | Studi ini | |||
|---|---|---|---|---|---|
| Metode a | Periode/Tahun | Emisi | BU | TTD | |
| Afganistan | NC | Tahun 2012–2013 | 60.2 | 44,9 (15,6–74,4) | 42,3 (30,7–53,9) |
| BUR | Tahun 2010–2017 | 40.4 | 57,5(33,6–81,5) | 46.8 (18.5–75.2) | |
| Bangladesh | NC | Tahun 2010–2012 | 152.3 | 208,5 (169,3–247,8) | 199,2 (146,6–251,8) |
| BUR | Tahun 2013–2019 | 193.8 | 236,0 (193,6–279,6) | 315,5 (248,4–382,6) | |
| Bahasa Indonesia: Bhutan | NC | Tahun 2010–2015 | -5,7 tahun | 2,8 ((−3)−8,5) | 6,12 ((−5,1)–17,3) |
| BUR | Tahun 2010–2019 | -6,5 | 0,9 ((−2,9)−4,7) | 6,5 ((−2,6)–15,7) | |
| India | NC | Tahun 2011–2019 | 2394.7 | 3343 (3048.5–3637.5) | 3568,8 (3054,4–4.083,4) |
| BUR | Tahun 2011–2016 | 2271.6 | 3236,9 (2754,2–3719,5) | 3437.6 (2913.5–3961.9) | |
| Nepal | NC | Tahun 2010–2011 | 28.2 | 41 (12,4–69,6) | 49,4 (27,1–71,7) |
| BUR | – | – | – | – | |
| Bahasa Indonesia: Pakistan | NC | Tahun 2012–2015 | 405.0 | 426,8 (365,7–487,8) | 454 (406.7–501.5) |
| BUR | Tahun 2012, 2015, 2018 | 359.6 | 481,8 (381,7–581,9) | 503.3(397.3–609.3) | |
| Srilanka | NC | Tahun 2010 | 3.7 | 10,1 ((−6,6)−26,9) | 27.2 (16.1–38.2) |
| BUR | – | – | – | – | |
Menurut analisis kami, emisi GRK dari ekosistem terestrial kurang dapat diandalkan dibandingkan dengan emisi dari sumber non-terestrial antropogenik. Secara khusus, istilah fluks CO 2 bersih terestrial , E NBP_BU dan E NBP_TD , menunjukkan ketidakpastian tertinggi, dengan estimasi masing-masing sebesar −170,2 ± 279,0 dan -210,4 ± 504,9 Tg CO 2 yr −1 . Ketidakpastian yang tinggi ini terutama muncul dari emisi yang terkait dengan deforestasi dan gangguan lainnya. Ketidakpastian tambahan berasal dari penyerapan pemulihan pasca-gangguan dan variasi antartahunan yang disebabkan oleh anomali iklim di negara-negara Asia Selatan. Sebaliknya, emisi fosil CO 2 E adalah yang paling pasti, dengan nilai estimasi sebesar 2335,4 ± 117,0 Tg CO 2 yr −1 . Hal ini karena konsumsi bahan bakar fosil (batubara, minyak, dan gas alam) terdokumentasi dengan baik melalui catatan terperinci tentang produksi, perdagangan, dan penggunaan energi, serta negara dan industri secara teratur memperbarui data emisi mereka (Crippa, Guizzardi et al., 2020 ; Crippa, Solazzo et al., 2020 ).
Metode TD dan BU yang ada untuk pemodelan emisi GRK memerlukan penyempurnaan yang efektif untuk menggabungkan proses skala sub-grid dan loop umpan balik. Resolusi spasial kasar dari model TD dan (pada tingkat yang lebih rendah) BU menimbulkan ketidakpastian yang signifikan dalam hasilnya. Model resolusi rendah sering kali gagal menangkap proses skala halus yang penting, seperti variasi iklim lokal, topografi, jenis vegetasi, dan pola penggunaan lahan. Penyederhanaan yang berlebihan ini dapat mengaburkan interaksi yang kompleks antara sistem lahan dan iklim, sehingga mengurangi kemampuan model untuk secara akurat mensimulasikan fenomena regional dan lokal, seperti peristiwa cuaca ekstrem, iklim mikro, dan respons ekosistem. Selain itu, model BU harus memperhitungkan praktik manajemen pertanian utama, termasuk irigasi dan aplikasi pupuk nitrogen. Tanpa menggabungkan faktor-faktor ini, model meremehkan tingkat penyerapan karbon di lanskap pertanian. Kesenjangan regional penting lainnya adalah kurangnya data menara Fluxnet untuk variabel biofisik dan mikrometeorologi. Data ini penting untuk memvalidasi model dan hasil yang diperoleh dari satelit, tetapi data ini sama sekali tidak ada di banyak wilayah Asia Selatan.
Analisis emisi GRK di masa mendatang akan memerlukan kumpulan data yang komprehensif tentang variabel lingkungan, terutama aktivitas LULCC pada resolusi yang lebih baik. Hal ini memerlukan pertimbangan keputusan yang rumit mengenai pengelolaan lahan di tingkat subnasional, mengingat beragamnya kelas lahan, jenis tanah, komoditas, dan berbagai pilihan pengelolaan yang berlaku di sebagian besar negara.
Untuk meningkatkan akurasi estimasi fluks karbon terestrial yang diperoleh dari satelit, penelitian harus mempertimbangkan penggunaan data satelit beresolusi lebih halus, seperti Landsat, yang menawarkan resolusi 30 m (Mondal et al., 2020 ). Saat ini, banyak penelitian bergantung pada data resolusi lebih kasar dari satelit seperti MODIS, yang kesulitan mendeteksi perubahan jangka panjang, seperti tren penghijauan dan dinamika penyerapan karbon, dan sering kali gagal menangkap degradasi hutan tropis yang lambat. Tantangan ini khususnya terasa di wilayah tropis, tempat awan konvektif tebal sering kali mengganggu pengambilan data, yang menyebabkan kinerja estimasi berbasis satelit menjadi buruk (Deb Burman et al., 2020 ).
Menggunakan biomassa yang berasal dari satelit dan produk-produk GRK lainnya juga dapat memberikan peluang untuk mengurangi ketidakpastian. Memanfaatkan data resolusi tinggi bersama dengan pemodelan berbasis proses yang canggih, baik TD maupun BU, akan menjadi penting dalam menangkap karbon dan dinamika GRK lainnya secara akurat. Model-model top-down yang memperkirakan anggaran untuk SA secara khusus dibatasi oleh data, terutama karena kurangnya data pengukuran gas rumah kaca (GRK) dan iklim di area ini (Chandra et al., 2021 ; Patra et al., 2016 ). Pendekatan semacam itu akan memungkinkan pemahaman yang lebih mendalam tentang stok dan aliran GRK, membangun hubungan penting dengan proses fisik berbasis darat dan inventaris GRK nasional, dan memfasilitasi keputusan kebijakan yang lebih tepat.
