NIVEAU D EMISSIONS DE REFERENCE DES FORETS

Transcription

NIVEAU D’EMISSIONS DE REFERENCE DES FORETSPOUR LA REDUCTION DES EMISSIONSDUES A LA DEFORESTATIONEN REPUBLIQUE DEMOCRATIQUE DU CONGOSOUMISSION A LA CONVENTION-CADRE DES NATIONSUNIES SUR LES CHANGEMENTS CLIMATIQUESMAI 2018

i

ii

RÉSUMÉ EXÉCUTIFPays à couvert forestier important, la République Démocratique du Congo s’est résolument engagée dansle processus de la REDD depuis l’année 2009, œuvrant dès lors à la mise en place des éléments du cadrede Varsovie et des décisions de Cancun sur les sauvegardes. Cet engagement du pays a abouti à la validationen conseil des Ministres de la Stratégie-Cadre Nationale REDD qui engage la RDC à contrôler ladéforestation afin de maintenir son couvert forestier à 63,5% d’ici 2030. Reconnaissant que, toutes choseségales par ailleurs, la croissance démographique seule (3% en zones rurales et 6% en zones urbaines) a uneffet multiplicateur sur la déforestation, la RDC s’est engagée dès le départ à tester des programmes pilotesREDD puis à mobiliser, dès 2013, un partenariat intersectoriel autour de son plan d’investissementREDD dont la mise en œuvre est estimée à plus d’1 Milliard US . Afin de mobiliser les financementspour la mise en œuvre des politiques et réformes nécessaires à freiner la transition vers un statut de pays àcouvert forestier important et forte déforestation, le choix a été fait de produire un niveau de référence quiquantifie clairement et projette géographiquement les défis auxquels est soumise la forêt.Pour élaborer son Niveau d’Emissions de Référence pour les Forêts au titre de la Convention-Cadre desNations Unies sur le Changement Climatique en suivant les recommandations émises par le GIEC dans leGuide des Bonnes Pratiques de l’année 2006, la RDC a initié un système national de suivi des forêtsopérationnel et complet. Ce système comprend un inventaire forestier national, un inventaire des gaz àeffet de serre du secteur forestier national et un système national de surveillance des terres par satellite. LaRDC a décidé de concentrer son premier NERF sur la déforestation, l’activité pour laquelle les donnéessont disponibles, transparentes et fiables. La période de référence du NERF s’étend de l’année 2000 à2014 et le pays a décidé que sa période d’actualisation ne peut être inférieure à cinq ans. Toutefois,en fonction de la disponibilité de données plus précises, robustes et cohérentes, le pays pourrait actualiserson NERF endéans une période inférieure à 5 ans. L’année 2000 a été choisie comme année de référencecar elle est un point de convergence de la grande majorité de produits cartographiques relatifs aux étenduesforestières de la RDC et elle est en outre l’année de référence choisie par la RDC pour sa CPDN au titre dela CCNUCC. L’année 2014 précède l’année charnière entre les phases de préparation et d’investissementde la Stratégie-Cadre Nationale REDD de la RDC.Le NERF se base sur la définition suivante de la forêt, qui a été considérée tout au long du développementdu NERF et qui sera également la définition appliquée à l’IGES et à l’Annexe Technique du BUR : la forêtest l’ensemble des terres occupant une superficie de plus de 0,5 hectares, avec des arbres atteignantune hauteur supérieure à trois mètres avec un couvert arboré de plus de 30%, ou avec des arbrescapables d’atteindre ces seuils in situ. La déforestation est quant à elle définie comme la conversion d’uneterre forestière vers une terre non forestière. Les terres forestières comprennent 4 types d’occupation du solà savoir la forêt dense humide sur terre ferme, la forêt dense humide sur sol hydromorphe, la forêtsecondaire et la forêt sèche ou forêt claire, tel que retenu dans la stratification nationale du pays. Celleci est basée sur le guide opérationnel de la stratification forestière en RDC et sur une comparaisonexhaustive des différentes cartes d’occupation du sol à l’échelle du territoire national.L’analyse historique des données d’activités pour la période de référence 2000-2014 est basée surl’utilisation d’images satellites de type Landsat (30 m de résolution spatiale). Les données d’activités ontété estimées à partir des points de référence pour opérationnaliser la définition officielle de la forêt. En vuede garantir la conformité entre l’échelle de détection sur les images satellites et l’échelle de validation, leiii

support spatial ou la taille de l’échantillon de référence qui a été choisi est un carré d’une taille de 30m x30m (taille d’un pixel Landsat), soit une superficie de 0,09 ha. Cette opérationnalisation de la définitionofficielle de la forêt considère en outre une couverture de canopée de l’ordre 50%. Elle s’est par ailleursavérée plus pertinente pour le suivi de l’évolution de la couverture forestière en RDC à l’échelle desprincipaux moteurs directs de la déforestation, dans le cadre des efforts du pays pour la gestiondurable des forêts. Il existe en effet un consensus national sur les moteurs de la déforestation en RDC,dont les principales causes directes sont l’agriculture itinérante sur brulis, l’exploitation artisanale du bois,la carbonisation et le bois-énergie/bois de chauffe, des activités se déroulant à petite échelle d’un point devue spatial.La RDC a en outre décidé d’inclure la biomasse aérienne et la biomasse souterraine comme principauxcompartiments du carbone forestier dans la construction de son NERF. La biomasse souterraine a étéestimée à partir de la biomasse aérienne selon les recommandations du GIEC. Le CO2 est le seul gaz qui aété retenu pour la construction du NERF de la RDC. Les estimations du stock de carbone forestier dans lesdifférentes strates forestières retenues s’appuient sur des équations allométriques permettant de convertirles mesures biophysiques de terrain (dimensions des arbres, identification des espèces, etc.) en tonnesd’équivalent CO2. En l’absence d’équations allométriques nationales ou régionales disponibles pour lesforêts tropicales africaines, le pays a décidé d’utiliser l’équation pantropicale de Chave et al. (2014) pourla construction du NERF. Celle-ci a été préférée à l’équation Chave et al. (2005) car elle intègre desdonnées de biomasse de 1 006 arbres d’Afrique tropicale, y compris des essences forestières d’Afriquecentrale. Pour la RDC, les facteurs d’émissions sont calculés en prenant en compte l’état postdéforestation de l’occupation du sol. Les émissions annuelles de CO2 durant la période de référence ontété estimées à 483,74 MtCO2e 32,23 MtCO2e pour la période 2000-2010 et à 830,53 MtCO2e 66,73MtCO2e pour la période 2010-2014. Enfin, le NERF est construit grâce à une extrapolation desémissions de la période de référence. Celle-ci est une projection linéaire, simple, transparente,intuitive et facilement reproductible. L’extrapolation pour les émissions issues de la déforestation estessentiellement liée à ses causes indirectes (la croissance démographique et le développement desinfrastructures) qui ont un effet multiplicateur sur les causes directes, dont on anticipe qu’elles évoluerontselon un scénario de type business-as-usual durant la période comptable du NERF (2015-2019). Le NERFextrapolé a ainsi été estimé à 979 MtCO2e pour l’année 2015, 1 028 MtCO2e pour l’année 2016, 1 078MtCO2e pour l’année 2017, 1 128 MtCO2e pour l’année 2018 et 1 177 MtCO2e pour l’année 2019.Le plan d’amélioration du NERF est décliné sous différentes perspectives dont (1) la réduction de l’erreurautour de l’estimation des données d’activités, notamment l’erreur d’interprétation des échantillons liée àla variabilité pouvant exister entre opérateurs dans l’attribution d’une classe d’occupation du sol à un mêmeéchantillon de référence. Cette source d’erreur sera ainsi estimée – et intégrée aux intervalles de confiance– en mettant en place une procédure de réinterprétation d’une certaine proportion des échantillons deréférence par l’ensemble des opérateurs ; (2) l’augmentation du nombre de parcelles de terrain pouraméliorer les estimations de biomasse par strate forestière, dans le cadre d’un inventaire forestier nationaldont les résultats sont attendus 2020/2021 ; (3) l’intégration d’autres réservoirs tels que la litière, le boismort et le carbone organique du sol, dont les informations pour l’estimation de la biomasse seront compiléesdurant l’inventaire forestier national en cours et (4) l’exploration des possibilités d’intégration de ladégradation forestière, notamment occasionnée par l’exploitation industrielle du bois et la collecte du boisde chauffe.iv

DOCUMENTS DE RÉFÉRENCEBey, A., Sànchez-Paus Díaz, A., Maniatis, D., Marchi, G., Mollicone, D., Ricci, S., Bastin, J.-F., Moore, R., Federici,S., Rezende, M., Patriarca, C., Turia, R., Gomoga, G., Abe, H., Kaidong, E., Miceli, G. 2016. Collect Earth: Land Useand Land Cover Assessment through Augmented Visual Interpretation. Remote sensing, 8(10), 807.Biloso, A., 2008. Valorisation des produits forestiers non ligneux des plateaux de Bateke en périphérie de Kinshasa(RD Congo). Thèse doctorale en Service d’Ecologie du Paysage et Systèmes de Production Végétale. Université Librede Bruxelles (ULB), inédit, 252p.Breiman, L. 2001. Random Forests. Machine Learning, 45, 5-32.Chave, J., Andalo, C., Brown, S., Cairns, M.A., Chambers, J.Q., Eamus, D., Fölster, H., Fromard, F., Higuchi, N.,Kira, T., Lescure, J.-P., Nelson, B.W., Ogawa, H., Puig, H., Riéra, B., Yamakura, T. 2005. Tree allometry andimproved estimation of carbon stocks and balance in tropical forests. Oecologia, 145:87-99.Chave, J. Coomes, D., Jansen, S., Lewis, S.L., Swenson, N.G., Zanne, A.E. 2009. Towards a worldwide woodeconomics spectrum. Ecology Letters, 12(4): 351-366.Chave, J. , Réjou‐Méchain, M. , Búrquez, A. , Chidumayo, E. , Colgan, M.S., Delitti, W.B.C., Duque, A., Eid, T.,Fearnside, P.M., Goodman, R.C., Henry, M., Martínez‐Yrízar, A., Mugasha, W.A., Muller‐Landau, H.C., Mencuccini,M., Nelson, B.W., Ngomanda, A., Nogueira, E.M., Ortiz‐Malavassi, E., Pélissier, R., Ploton, P., Ryan, C.M.,Saldarriaga, J.G. et Vieilledent, G. 2014. Improved allometric models to estimate the aboveground biomass of tropicaltrees. Global Change Biology, 20(10): 3177-3190.CIA. 2010. The World Factbook. US Government Printing Office.De Saint Moulin, L. 2006. Analyse par territoire et ville des résultats de l'enrôlement des élécteurs et du référendumsur le projet de constitution. Congo-Afrique, Numéro Spécial : 9-29.Defourny, P., Delhage, C., and Kibambe Lubamba, J.-P. 2011. Analyse quantitative des causes de la déforestation etde la dégradation des forêts en République Démocratique du Congo. Technical report, Earth and Life Institute Environment - Université catholique de Louvain.DIAF-JICA. 2015. Rapport de Projet. Ministère de l’Environnement et Développement Durable.Duveiller, G., Defourny, D., Desclée, B., Mayaux, P. 2008. Deforestation in Central Africa. Estimates at regional,national and landscape levels by advanced processing of systematically-distributed Landsat extracts. Remote Sensingof Environment, 112: 1969-1981.Ernst, C., Mayaux, P., Verhegghen, A., Bodart, C., Musamapa, C., Defourny, P. 2013. National forest cover changein Congo Basin: deforestation, reforestation, degradation and regeneration for the years 1990, 2000 and 2005. GlobalChange Biology, 19(4): 1173-1187.FAO. 2016. Guide pratique pour l’évaluation de la précision des cartes et l’estimation des surfaces de la FAO.FAO. 2001. Global forest resources assessment 2000. Technical report, Food and Agriculture Organization of theUnited Nations.Feldpausch, T.R., Rondon, M.A., Fernandes, E.C.M. and Riha, S.J. 2004. Carbon and nutrient accumulation insecondary forests regenerating on pastures in central Amazonia. Ecological Applications 14: 164-176Geist, H.J., Lambin, E.F. 2002. Proximate Causes and Underlying Driving Forces of Tropical Deforestation.Bioscience, 52(2): 143-150.Germain, R., 1956, L’état actuel, les projets et les méthodes de la cartographie détaillée de la végétation au CongoBelge. Rapport final de la réunion de spécialistes en Phytogéographie, Yangambi, du 29 juillet au 8 août 1956,C.C.T.A./C.G.A.v

GFOI. 2016. Integrating remote-sensing and ground-based observations for estimation of emissions and removals ofgreenhouse gases in forests: Methods and Guidance from the Global Forest Observation Initiative. Edition 2.0. Foodand Agriculture Organization, Rome.GIEC. 2006. Guidelines for National Greenhouse Gas Inventories, Vol. 4, Chap. 4: 83pp.GIEC. 2003. Recommandations en matière de bonnes pratiques pour le secteur de l’utilisation des terres, changementsd’affectation des terres et foresterie, 594 pp.GTCR (Société Civile). 2011, 2012. Etude sur les moteurs de la déforestation et de la dégradation des forêts en RDC– Analyse qualitative.Hansen, M. C., Potapov, P. V., Moore, R., Hancher, M., Turubanova, S., Tyukavina, A., . & Kommareddy, A. (2013).High-resolution global maps of 21st-century forest cover change. Science, 342(6160), 850-853.Herderschee, J., Kaiser, K.-A., Samba Mukoko, D. 2012. Résilience d’une Géant Africain – Accélérer la croissanceet promouvoir l’emploi en République Démocratique du Congo, Vol. 1, Chap. Synthèse, Contexte Historique etMacroéconomique, pp 1-352. Médiaspaul.Houghton, R.A., Hall, F., Goetz, S.J., 2009. Importance of biomass in the global carbon cycle. J. Geophys. Res.Biogeosciences 114ITTO. 2006. The database of Tropical Industrial Lasser-Used Wood Species - Reference guide to Tropical TimberSpecies" Nagoya University Museum, ITTO/PD58/97, 2006.Kachaka, E., Y., 2014. Carbone stocké dans un essai de provenances d’Acacia mangium à Ibi Village sur le plateaudes Batéké en République Démocratique du Congo. Mémoire de maitrise en agroforesterie. Université Laval, inédit,111p.Kibambe Lubamba, J.-P. 2013. Modeling the Forest Cover Loss in Democratic Republic of the Congo – MethodsDevelopment and Application at National Scale. PhD Thesis, Université Catholique de Louvain, 177 pp.Marien, J.-N., Dubiez, E., Louppe, D., Larzillière, A., 2013. Quand la ville

e pour l¶année 2016, 1 078 MtCO 2 e pour l¶année 2017, 1 128 MtCO 2 e pour l¶année 2018 et 1 177 MtCO 2 e pour l¶année 2019. Le plan d¶amélioration du NERF est décliné sous différentes perspectives dont (1) la réduction de l¶erreur autour de l¶estimation des données d¶activités, notamment l¶erreur dinterprétation des échantillons liée à la variabilité pouvant exister .