Há várias etapas entre verificar as leituras de metano em um galpão pecuário e explicar, com base nelas, o efeito das atividades de redução. Um número se torna fundamento para uma decisão quando se sabe quando e onde foi medido, como as condições de alimentação e criação diferiam e se houve intervalos sem dados. A Carbon Intelligence que a AI Safety Korea busca pode ser entendida como uma direção para reduzir essa lacuna.
A direção de negócios da empresa é conectar a detecção industrial de gases, o monitoramento de metano pecuário e a análise de dados. A infraestrutura explicada neste artigo é uma perspectiva de projeto para concretizar essa direção. Ela não significa uma infraestrutura credenciada designada pelo Estado nem um serviço de verificação já concluído. O escopo de implementação e o desempenho em campo de cada função devem ser explicados com materiais de confirmação separados.
Transformar leituras de campo em registros interpretáveis
A experiência em medição de gases em ambientes industriais pode ser um ponto de partida para perguntar em quais condições os equipamentos devem ser operados. No entanto, a detecção de gases para segurança e a estimativa de emissões de gases de efeito estufa têm finalidades e requisitos diferentes. A experiência em uma área não garante automaticamente o desempenho quantitativo em outra.
Por exemplo, se a concentração de metano no centro de um galpão pecuário diminuiu, a ventilação pode ter aumentado ou a posição dos animais pode ter mudado. ppm, uma unidade de concentração, não pode ser lido diretamente como emissões com base em massa. É preciso relacionar o local e o horário da medição, o estado do equipamento e o método de estimativa aplicado para examinar o significado da mudança.
As diretrizes do IPCC para pecuária tratam conjuntamente das características dos animais, da alimentação, dos dados de atividade, das metodologias e da incerteza ao estimar emissões. Isso mostra que, além de uma única leitura de sensor, é preciso dispor das condições necessárias para a interpretação. As diretrizes não certificam o desempenho dos produtos da empresa nem uma quantidade individual de redução. IPCC · Diretrizes para emissões da pecuária e do manejo de dejetos
A qualidade dos dados deve ser gerenciada por trás da tela
Ao projetar a Carbon Intelligence, o estado dos dados deve ser registrado desde a etapa de coleta. Trata-se de evitar que leituras normais, valores ausentes por falhas de comunicação, valores registrados durante a inspeção do equipamento e valores complementados no processo de análise se misturem em um mesmo gráfico. Ocultar intervalos ausentes pode deixar a tela fluida, mas enfraquece a base para a decisão.
Por exemplo, pode-se considerar uma estrutura em que, ao clicar na média diária de um relatório, seja possível verificar o período horário utilizado, os dados excluídos e os motivos da exclusão. Se um valor mudou, também deve ficar registrado quem o alterou e por qual motivo. Essas funções são requisitos de projeto propostos por este artigo; não representam uma lista de funções de produtos atualmente oferecidas.
Também é importante manter constante o significado dos dados. A FAO LEAP apresenta uma abordagem que aumenta a comparabilidade ao usar métodos e indicadores harmonizados na avaliação ambiental da pecuária. Para conectar dados reunidos em diferentes fazendas, deve ser possível explicar unidades, períodos de observação e escopos de avaliação na mesma linguagem. FAO · LEAP Partnership
A análise por AI torna mais precisas as perguntas que precisam ser verificadas
O papel que se pode esperar da AI não é transformar todos os números em quantidades de redução confirmadas. Pode-se considerá-la uma forma de identificar padrões recorrentes ou intervalos anômalos, definir prioridades de revisão e ajudar a examinar as causas das mudanças juntamente com os registros de campo. Esse papel também requer avaliação de desempenho com dados reais.
Se for encontrado um intervalo com valores diferentes após uma alteração na alimentação, é necessário verificar se o número de animais, a quantidade de alimento fornecida, a temperatura e as condições de ventilação também mudaram. Não se deve concluir que a alimentação teve um efeito causal apenas com base em correlações identificadas por um modelo. Grupos de comparação e um plano de observação adequados ao objetivo do ensaio, bem como a revisão do erro de medição, devem sustentar a conclusão.
Ao aperfeiçoar um modelo, é útil verificar os resultados em fazendas ou períodos que não foram usados no treinamento. Os usuários de campo só podem escolher medições adicionais ou revisão especializada se for possível explicar em quais condições a confiabilidade diminui. O valor da análise deve ser avaliado tanto por sua capacidade de produzir respostas rapidamente quanto por sua capacidade de revelar os limites dessas respostas.
Distinguir as responsabilidades entre relatórios e verificação independente
Um relatório passível de revisão é um resultado que transmite conjuntamente valores observados, valores calculados, critérios de comparação, incerteza e histórico de revisões de dados. Uma empresa de tecnologia pode desempenhar o papel de organizar essas evidências de forma sistemática. Porém, não se pode afirmar que a verificação independente por terceiros foi concluída apenas porque um relatório foi gerado automaticamente.
O ICVCM, que apresenta princípios de qualidade para créditos de carbono voluntários, estabelece, entre outros princípios, a verificação independente, a adicionalidade, a quantificação robusta e a prevenção da dupla contagem. Esses princípios mostram que há uma etapa separada de julgamento entre instalar sensores ou usar software de análise e o reconhecimento de um crédito. Nem todo projeto de monitoramento precisa ter como objetivo a emissão de créditos. ICVCM · Core Carbon Principles
A direção da AI Safety Korea também pode ganhar confiança quando explica claramente a fronteira entre fornecer dados e reconhecer reduções. Distinguir as responsabilidades de quem apoia a medição, de quem realiza os cálculos, de quem revisa os resultados e do cliente que os utiliza em última instância é uma parte do projeto da infraestrutura.
Uma infraestrutura coreana deve permanecer utilizável pelas fazendas
O termo “coreana” deve significar acumular de forma compreensível a experiência obtida no ambiente coreano. A coleta de dados é difícil de sustentar por muito tempo se não forem consideradas as condições de comunicação da fazenda, os percursos de trabalho, a carga de inspeção dos equipamentos e o trabalho de registro. Primeiro, deve estar claro o que os operadores inserem todos os dias e que ajuda recebem.
Também é necessário considerar uma estrutura em que as fazendas possam escolher o escopo de compartilhamento de seus dados e levar seus próprios registros mesmo quando o serviço terminar. Se for possível reduzir a entrada duplicada quando várias instituições solicitarem os mesmos dados, será possível avaliar os benefícios em campo. Se esse projeto realmente economizou tempo deve ser confirmado pelos registros de trabalho antes e depois da adoção.
O objetivo da Carbon Intelligence está na conexão pela qual os registros de campo passam pela análise e chegam à revisão e à tomada de decisão de outras pessoas. A visão da AI Safety Korea também ganha concretude quando explica em que ordem implementará essa conexão e o que verificou. Apresentar claramente a direção de desenvolvimento e divulgar resultados apenas dentro do escopo confirmado constituirá uma base para a confiança de longo prazo.