Un registro de que se compró pienso y una conclusión de que se redujo el metano no dicen lo mismo. Eso no significa que los registros de compra carezcan de utilidad. El nivel de evidencia para la reducción de carbono que destaco en el capítulo 7 de «Tecnología y soluciones para demostrar la reducción de carbono» sirve para explicar esta diferencia. Hoy veremos juntos la relación entre los datos y las afirmaciones en la verificación de datos de carbono.
Lo primero que conviene distinguir en el libro
Si faltan registros, no hace falta concluir que no hubo ningún cambio real. Pero la cuestión de qué afirmaciones externas pueden hacerse con los datos disponibles es otra pregunta. Les sugiero distinguir las observaciones, los efectos causales y la posibilidad de generalizar los resultados a otras granjas. Los mismos datos pueden ser suficientes para un propósito e insuficientes para otro. La evidencia necesaria para confirmar la participación es distinta de la necesaria para cuantificar las reducciones de emisiones. Si primero se define el propósito, será más fácil decidir en qué registros y revisiones conviene invertir.
MRV es un marco que conecta la medición (Measurement), el reporte (Reporting) y la verificación (Verification). A los resultados calculados a partir de observaciones y registros de actividad se les añaden los métodos de cálculo y las condiciones aplicadas; después, la afirmación se comprueba conforme a criterios definidos. Las comprobaciones para la gestión interna y la verificación que se exige para una presentación externa tienen propósitos y requisitos distintos. Primero hay que definir quién utilizará el resultado y para qué decisión; así se pueden diseñar las evidencias y los procedimientos de verificación necesarios.
El principio básico es formular afirmaciones dentro del alcance respaldado por la evidencia. Los registros de actividad acreditan la participación, y las observaciones adecuadas describen cambios en condiciones específicas. Para atribuir un efecto causal a una tecnología se necesita un diseño de investigación que aborde los factores de confusión; para generalizarlo a otras granjas hacen falta evidencias adicionales que cubran el ámbito de aplicación. Una revisión independiente pone a prueba esa evidencia, pero no puede aportar un grupo de control insuficiente ni crear representatividad donde no la hay.
La medición genera datos, el reporte deja constancia de los cálculos y su interpretación, y la verificación comprueba la afirmación frente a criterios establecidos. Aunque estas funciones y responsabilidades deben distinguirse, no todos los sistemas MRV exigen que las tres tareas sean realizadas por entidades distintas. Una misma organización puede encargarse de la medición y el reporte; la imparcialidad y competencia de la verificación, así como el control de conflictos de interés, deben garantizarse al nivel exigido por las normas y los sistemas aplicables.
Antes de firmar un contrato, hay que acordar la afirmación que se evaluará, el periodo y los límites, los criterios aplicables, el nivel de aseguramiento y la importancia relativa, el acceso a los datos originales, la gestión de conflictos de interés y el alcance de uso de los resultados. Cuando sea necesario, también se comprueba el alcance de acreditación o registro de la entidad. La opinión de verificación debe interpretarse dentro de esos límites, sin ampliarla como si certificara de forma general a toda la empresa, el rendimiento del producto o las reducciones futuras.
La verificación de afirmaciones sobre emisiones o reducciones que ya se han producido debe distinguirse de la validación de supuestos y métodos que respaldan resultados futuros. Que un plan de negocio haya superado una validación no significa que las reducciones previstas se hayan materializado ni que se hayan emitido créditos. Se necesitan los datos posteriores al proyecto y los procedimientos posteriores del sistema correspondiente.
Así pueden examinarlo en el campo
Imaginemos que una granja presenta recibos y un registro de alimentación. Estos pueden servir como evidencia para examinar las compras y el uso. Si se añaden datos de observación, también se pueden ver los cambios producidos en condiciones específicas. Sin embargo, para afirmar cuánto se redujeron las emisiones por causa del pienso hacen falta más elementos: un diseño comparativo y fundamentos para el cálculo.
Los datos de calidad combinan una calidad adecuada al propósito con trazabilidad. Aunque se pueda reproducir el mismo cálculo, un sesgo común en los datos de entrada puede producir un resultado incorrecto. La posibilidad de verificación no sustituye a la exactitud; permite que otras personas evalúen la exactitud y el alcance de aplicación.
Para cuantificar las reducciones se necesitan tanto la trazabilidad metrológica de las mediciones como la trazabilidad de los cálculos. Las mediciones se vinculan con referencias mediante una cadena de calibración documentada y la incertidumbre; los datos de actividad, los factores de emisión y los modelos se siguen hasta el resultado final mediante sus fuentes, versiones y condiciones de aplicación. No todas las reducciones proceden de una única medición directa. Además de comprobar que el cálculo puede reproducirse, el revisor debe verificar que los datos y métodos utilizados sean adecuados para la afirmación.
La idea clave es esta: la evidencia tiene niveles, y cada nivel permite hacer ciertas afirmaciones. La evidencia de nivel inferior no carece de valor. Los registros de actividad acreditan la participación, y para muchos propósitos eso basta. El problema aparece cuando se utilizan pruebas de un nivel inferior para hacer afirmaciones de un nivel superior.
Cuando reciban un documento que contenga una afirmación de reducción —un resultado de investigación, una divulgación empresarial, un documento de política o una propuesta—, comprueben en qué nivel de evidencia se basa y si la redacción de la afirmación va más allá de ese nivel.
¿Qué conviene preguntar también al evaluar una inversión?
Al revisar los datos, pregunten qué afirmación concreta respaldan, en vez de fijarse solo en la cantidad recopilada. Comprueben que los datos que acreditan la participación no se presenten como una cantidad de reducciones verificada. La distinción entre niveles de evidencia que propone el libro no es una clasificación jurídica, sino una herramienta práctica para reducir este tipo de confusión.
El infrarrojo no dispersivo (NDIR) es un método que utiliza la absorción de luz infrarroja por el metano. No depende del oxígeno como la combustión catalítica ni sufre envenenamiento del catalizador, pero no está libre de los efectos de la contaminación óptica ni de la temperatura, la presión y la humedad. No se debe considerar adecuado para observaciones prolongadas en granjas basándose únicamente en su principio de funcionamiento; hay que comprobar para cada producto si el límite de detección, la repetibilidad y la deriva son suficientes frente a las concentraciones previstas y las diferencias entre el interior y el exterior.
Los materiales para evaluar la IA se organizan según el propósito de uso. Para predecir condiciones futuras de funcionamiento, hay que considerar el orden temporal; para desplegar un modelo en otras granjas, conviene separar los datos por granja. También deben distinguirse los datos usados para seleccionar el modelo de los reservados para la evaluación final del rendimiento. Hay que compararlo con un modelo de referencia sencillo y comprobar no solo el error medio, sino también los sesgos por granja y estación y las condiciones de fallo, para poder explicar el ámbito de uso real.
Preguntas para llevarse al cerrar el libro
Espero que describan con precisión qué pueden afirmar los datos disponibles. Cuando se identifiquen evidencias insuficientes, también quedarán claros los objetivos de los próximos registros y ensayos. El valor de los datos de carbono se hace más concreto cuando se conocen y respetan los límites de lo que permiten afirmar.
Sobre el autor
Bongjun Lee se graduó de la Escuela de Posgrado de Gestión de Tecnología (MOT) de Sogang University. Trabajó durante 27 años en el campo de la medición de gases, incluidos 7 años en Infitron Co., Ltd. y 20 años en Honeywell, desempeñando funciones de ingeniería de servicio, ventas técnicas y gestión de canales. Actualmente, como fundador de AI Safety Korea Co., Ltd., investiga el monitoreo de metano en la ganadería y los sistemas de medición, presentación de informes y verificación (MRV) mediante sensores, IA y análisis de datos.