Droner og satellitter kan måle metangassutslipp fra drøvtyggere

Metanutslipp fra husdyr utgjør en tredjedel av menneskeskapte metanutslipp globalt, men disse er fortsatt dårlig kartlagt i mange regioner – spesielt i Afrika.

Ved ILRI Kapiti forskningsstasjon i Kenya fløy forskere fra Universitetet i Oslo droner utstyrt med metansensorer over flokker av kyr, geiter, sauer og dromedarer. Flygningene ble utført før og etter beiting, for å samle inn data om metankonsentrasjon. Et bakkebasert såkalt Flux-tårn, ble brukt til å måle vindstyrken i området. Resultatene kan bidra til bedre metoder for å måle metanutslipp fra husdyr, og dermed mer presise klimamodeller og nasjonale utslippsregnskap.

Studien var et samarbeid mellom Universitetet i Oslo, International Livestock Research Institute (ILRI), NIBIO og Universitetet i Milano. Innledende testflyvninger ble utført ved NIBIO Tjøtta i Nordland.

Fleksibel metode for å måle klimagassutslipp i avsidesliggende områder

— Denne studien viser at droner effektivt kan overvåke utslipp i avsidesliggende eller utfordrende miljøer, der tradisjonelle målemetoder ikke er tilgjengelige eller praktiske, for eksempel med større dyr som dromedarer, sier Alouette van Hove ved Universitetet i Oslo. Hun er førsteforfatter av studien.

Forskningen hennes har som mål å utvikle nye metoder for måling og beregning av klimagassutslipp som metan og CO₂, inkludert utslipp fra landbruk, ved bruk av droner utstyrt med sensorer.

— Dette er en fleksibel tilnærming som gjør det mulig for forskere å reise dit dyrene er for å utføre målinger – uten å forstyrre dyrene,” legger hun til.

Artikkelen, med tittelen “Inferring methane emissions from African livestock by fusing drone, tower and satellite data”, er en del av CircAgric-GHG – et forskningsprosjekt som skal avdekke mekanismer for hvordan jordbrukssystemer kan forbedre sirkularitet, redusere klimagassutslipp og levere økosystemtjenester.

Pålitelig metode

Forskerne brukte en metode som kombinerer dronebaserte metanmålinger og vind-data fra flukstårnet med en atmosfærisk modell. Tilnærmingen tar høyde for usikkerhet i dataene og innlemmer tidligere kunnskap for å gi mer pålitelige estimater.

Tre metoder ble sammenlignet:

• Bayesian inference (probabilistisk, datadrevet)
• Mass balance method (basert på inn-/utstrømning av metan i et spesifikt område)
• IPCC Tier 2 estimater (standardiserte verdier basert på diett, aktivitet og dyretype)

Forskerne sammenlignet hvor konsistente de ulike metodene var, når de ble sammenlignet med IPCC-estimatene.

– Vi fant at Bayesian inference-metoden konsekvent ga resultater som samsvarte med IPCC Tier 2-estimatene, selv for lavutslippsdyr som geiter og sauer. Dette indikerer at metoden både er pålitelig og robust,” sier van Hove.

Til sammenligning overvurderte massebalansemetoden ofte utslippene fra lavutslippsdyrene, noe som antyder mulige begrensninger når den brukes på dyr som har lavere utslipp.

Vibeke Lind, seniorforsker ved NIBIO og prosjektleder for CircAgric-GHG, var ansvarlig for beregningene av IPCC Tier 2-metanutslipp for dyrene som ble overvåket med droner.

— Tier 2-verdiene inkluderer detaljerte data for den enkelte flokk eller det enkelte dyr. I dette tilfellet tok dataene hensyn til lokale variasjoner i Kenya samt husdyrrase og fôrkvalitet i regionen. Vi brukte metoden til å estimere utslipp fra enkeltindivider, basert på deres vekt, alder, fôropptak og fôrkvalitet, sier Lind.

Satellittbilder kan identifisere utslipp fra beitedyr

En annen innovasjon er bruken av hyperspektrale satellittdata. Forskere fra Universitetet i Milano brukte bilder fra den italienske romfartsorganisasjonens PRISMA-satellitt, som ble tatt over Kapiti samtidig som droneundersøkelsene pågikk.

Vanligvis brukes satellittbilder til å avdekke større utslippskilder, som for eksempel en gasslekkasje fra en fabrikk. Derfor var forskerne spente på om satellitter kunne brukes til å avdekke klimagassutslipp fra husdyr på beite. Det viste seg at bildene kunne avdekke nøyaktig hvor dyreflokkene befant seg.

— Selv om dette var eksperimentell forskning, viser de lovende resultatene et potensial for å analysere utslippskilder i landskapet, ved å kombinere droner med moderne satellitter med hyperspektrale sensorer,” sier førsteamanuensis Francesco Pietro Fava ved Universitetet i Milano.

Det kreves imidlertid mer forskning for å fastslå om disse utslippene kun skyldes forhøyede nivåer av metanutslipp fra husdyr, eller om andre faktorer som vegetasjonsendringer eller jordfuktighet spiller inn.

Viser potensial for å identifisere utslippskilder og estimere volum

Metoden som presenteres i studien kan sammenlignes med det som skjer når man zoomer inn på et kart fra stor avstand for å undersøke detaljene i en enkelt piksel.

— Satellitter hjelper med å identifisere hvor utslippskildene befinner seg, mens droner gir en oversikt over konsentrasjoner og daglige variasjoner i utslipp, som før og etter fôring,” sier Lind.

For å zoome ytterligere inn på detaljene, er det mulig å måle utslipp fra enkeltindivider. Lind forklarer at dette kan gjøres ved hjelp av metoder som respirasjonskamre, målekapsler i magen til dyrene (SF6), eller masker som dyrene går med på beite.

— Droner er en lovende metode, men den krever sertifiserte operatører og dataeksperter, noe som gjør den utilgjengelig for de fleste bønder i dag. Likevel viser denne teknologien potensial for å identifisere utslippskilder og estimere volum, avslutter Lind.

Veien videre

Nøyaktige, lokale målinger er avgjørende for å utvikle effektive klimastrategier. Forskningen kan bidra til en opplyst debatt om fôrsubsidier, beitepraksis og utslippspolitikk – spesielt i regioner med sparsomme data. Studien legger også grunnlaget for å utvide metankartlegging til andre kilder, som våtmarker, søppelfyllinger og smeltende permafrost.

— Det er spennende å jobbe med noe som faktisk kan bety noe. Å måle metan fra beitedyr er ikke bare en teknisk utfordring – det er også en metode for å støtte opp under bedre beslutninger for klima og landbruk, sier van Hove.

Hun jobber nå med å optimalisere droneflyvninger ved hjelp av maskinlæring, slik at droner autonomt kan oppdage og estimere metankilder i miljøer der plasseringen er ukjent.

— Det blir nesten som at de kan lukte hvor kuene er, sier van Hove.

Dette kan ytterligere forbedre effektiviteten og nøyaktigheten i fremtidige overvåkingskampanjer.