A incerteza dos gases de efeito estufa não é uma nota formal acrescentada ao lado dos resultados. As causas e a magnitude dos erros na estimativa das emissões de carbono influenciam quais dados devem ser complementados e que decisões podem ser tomadas com os resultados atuais. O capítulo 7 de Tecnologia e soluções para comprovar a redução de carbono apresenta uma perspectiva que considera em conjunto as incertezas de medição, amostragem e modelos.
Defina primeiro os conceitos e o escopo de aplicação
As fontes de incerteza podem ser diferentes. É preciso examinar separadamente o desempenho dos equipamentos, a representatividade espacial e temporal, os dados de atividade e os fatores de emissão, bem como as hipóteses dos modelos. Aumentar a precisão de uma parte não reduz necessariamente o erro total na mesma proporção. Ao apresentar os resultados, registre como o intervalo foi calculado e quais premissas foram adotadas. Não trate como conceitos equivalentes a análise de sensibilidade, a incerteza estatística e o tratamento conservador exigido pelo sistema. O critério para investir em melhorias é verificar quais medidas complementares realmente podem mudar a decisão.
Uma linha de base baseada em fatores de emissão também é uma opção. O Tier 1 do IPCC usa fatores padrão; o Tier 2 para fermentação entérica considera com mais detalhe características de manejo, ingestão de energia bruta, taxa de conversão de metano, entre outros elementos. Fatores médios podem não captar facilmente o efeito da tecnologia em uma propriedade individual, mas o uso de fatores não é, por si só, inadequado para a compensação. O critério é verificar se foram observados os fatores e dados de atividade permitidos pela metodologia aplicável, as condições de aplicação, o tratamento da incerteza e a verificação.
Qual tipo de incerteza é dominante depende das condições de medição. Em galpões com ventilação natural, a contribuição da taxa de ventilação e da representatividade espacial pode ser grande; para detectar pequenas diferenças de concentração, podem ser importantes a repetibilidade, o desvio e a correção do fundo do equipamento. Primeiro, elabore um orçamento de incerteza e compare o custo de reduzir cada componente com a melhora que isso traz à decisão final. Sensores mais caros ou um número maior de amostras não são sempre o melhor investimento.
As quantidades de redução de emissões dependem tanto da rastreabilidade metrológica da medição quanto da rastreabilidade dos cálculos. Os valores medidos são vinculados a referências por meio de uma cadeia de calibração documentada e da incerteza; os dados de atividade e os fatores de emissão ou modelos são rastreados até o resultado final por suas fontes, versões e condições de aplicação. Nem toda quantidade de redução de emissões vem de uma única medição direta. Quem revisa deve verificar tanto se os cálculos podem ser reproduzidos quanto se os dados e métodos utilizados são adequados à alegação.
A concentração é a proporção de um gás no ar, enquanto a taxa de emissão é a massa emitida por unidade de tempo. Para medir ou estimar emissões, é preciso relacionar a concentração e a vazão, assim como o modelo de medição, de forma adequada ao objetivo. Mesmo que a concentração diminua, não se pode concluir que a taxa de emissão em massa tenha mudado na mesma direção se o fluxo de ar aumentou. Para converter as taxas de emissão ao longo do tempo em quantidade total de emissões, também é preciso considerar o período de medição e o tratamento dos intervalos ausentes.
Um caminho de desenvolvimento realista é acumular observações de concentração e medições de referência das taxas de emissão, conectando-as a informações sobre ventilação, condições meteorológicas, número de animais e ração. Avalie o erro de previsão em propriedades e períodos que não foram usados no desenvolvimento do modelo e especifique o escopo de aplicação. Mesmo que aumente o número de observações simultâneas, a confiança no modelo não melhora automaticamente quando falta representatividade ou há vieses comuns.
Condições e limites da aplicação no campo
Imagine um projeto em que a precisão dos sensores seja alta, mas as evidências para estimar a taxa de ventilação sejam frágeis. É preciso avaliar quanto a instalação de sensores adicionais aumentaria a confiabilidade dos resultados. Se as principais fontes de erro estiverem em outro lugar, instalar mais equipamentos talvez não melhore muito a decisão. O investimento em medidas corretivas deve estar ligado aos principais fatores que contribuem para o erro.
O infravermelho não dispersivo (NDIR) é um método que utiliza a absorção de luz infravermelha pelo metano. Não depende de oxigênio como a combustão catalítica e não sofre envenenamento do catalisador, mas não está livre dos efeitos de contaminação óptica, temperatura, pressão e umidade. Não se deve concluir, com base apenas no princípio de funcionamento, que o método é adequado ao monitoramento de longo prazo em uma propriedade. Para cada produto, verifique se o limite de detecção, a repetibilidade e o desvio são adequados diante da concentração esperada e da diferença entre as concentrações interna e externa.
Ao comparar sensores, examine em conjunto a faixa de medição, a resolução, a sensibilidade cruzada a outros gases, o tempo de resposta e o desvio. Também é preciso avaliar as condições ambientais, como temperatura, umidade e poeira, e os requisitos de calibração. Se o objetivo for distinguir pequenas diferenças de concentração, verifique, para cada produto e modo de operação, se a unidade indicada pelo equipamento e sua incerteza são adequadas a esse objetivo. O nome do princípio de funcionamento do sensor não substitui essa avaliação.
A IA pode ser usada para identificar possíveis anomalias, estimar pequenos períodos com dados ausentes sob condições definidas e explorar relações entre múltiplas variáveis. Também pode ajudar a organizar dados, verificar sua qualidade e preparar rascunhos de relatórios. Os objetivos e custos das falhas de cada função são diferentes, portanto não se deve avaliar todas com a mesma métrica de desempenho. É preciso informar quais dados de entrada e hipóteses geraram cada resultado e distinguir os valores estimados daqueles observados diretamente.
Evidências necessárias para a análise de investimento
Os investidores devem distinguir se o intervalo apresentado corresponde à incerteza estatística, a um cenário de negócios ou a um ajuste conservador exigido pelo sistema. Se conceitos diferentes forem tratados por meio de uma única taxa de desconto, seu significado ficará confuso. A indicação de casas decimais com alta precisão não substitui a qualidade dos dados de entrada.
Os dados de avaliação de IA devem ser separados de acordo com a finalidade de uso. Para prever a operação futura, considere a ordem temporal; para aplicar o modelo em outras propriedades, considere a separação por propriedade. Também separe os dados usados para selecionar o modelo daqueles reservados para a verificação final de desempenho. Compare o modelo com um modelo de referência simples e examine não apenas o erro médio, mas também os vieses por propriedade e estação do ano e as condições de falha. Assim será possível explicar o escopo real de uso.
Descreva também o que fazer em caso de falha. Se a calibração estiver vencida, houver perda de comunicação ou surgirem condições de ração, estação do ano ou ventilação que não tenham sido avaliadas, limite a saída ou suspenda o uso e encaminhe o caso ao responsável. Não retome o uso automaticamente após retreinar o modelo. Verifique o modelo alterado com dados de avaliação independentes e registre a data de aplicação e quem o aprovou. O apoio à decisão fornecido pelo modelo e a verificação externa da quantidade de redução de emissões são atividades distintas.
Critérios a manter na avaliação
Gerenciar a incerteza não significa coletar o maior número possível de valores. É o processo de identificar os dados de entrada sensíveis à conclusão e comparar o valor e o custo de complementá-los. É preciso conseguir explicar o intervalo dos resultados e os limites de uso para que a avaliação de quem revisa também seja concreta.
Sobre o autor
Bongjun Lee concluiu a pós-graduação em Gestão de Tecnologia (MOT) da Sogang University. Trabalhou durante 27 anos no setor de medição de gases, incluindo 7 anos na Infitron Co., Ltd. e 20 anos na Honeywell, atuando como engenheiro de serviços, em vendas técnicas e na gestão de canais. Atualmente, como fundador da AI Safety Korea Co., Ltd., pesquisa o monitoramento de metano na pecuária com o uso de sensores, IA e análise de dados, bem como sistemas de medição, relato e verificação (MRV).