3. MEDIÇÃO

O módulo Medição inicia a partir do cadastramento do imóvel ou posse rural no sistema Moss Forest através do link https://bit.ly/Moss-Forest e em seguida segue o seguinte fluxo:

Para tanto, o Moss Forest utiliza dez fontes de dados obtidas em bases de dados geográficas desenvolvidas ao longo dos anos por membros de diferentes setores da economia e baseadas em metodologias robustas, seja para o estabelecimento de políticas públicas, seja para o desenvolvimento de projetos (Tabela 2). É importante destacar que atualmente o sistema Moss Forest só se aplica ao Brasil e para projetos REDD+, mas será expandido a outros países no futuro.

A utilização desses dados de fontes oficiais garante compatibilidade com os esforços nacionais e globais de regularização do monitoramento fundiário, ambiental e florestal. Além disso, os fornecedores de dados são amplamente reconhecidos pela comunidade científica e pela comunidade internacional relacionada com o setor AFOLU, proporcionando a robustez, confiança e transparência necessárias para o Moss Forest.

A centralização de toda esta informação geográfica numa única ferramenta digital, através da automatização das atividades de consulta, obtenção, tratamento, processamento e sistematização de dados, melhora o desempenho de equipes de especialistas no desenvolvimento de projetos de REDD+; além de facilitar a observação de dados por investidores e auditores, e também otimizar a gestão de tempo.

Para projetos no setor AFOLU, em particular, o acordo ex-ante², a medição do carbono e a consolidação destes dados pode ser uma das etapas mais dispendiosas e demoradas. O Guia de Boas Práticas do IPCC descreve três níveis de complexidade para obter dados e estimar reduções ex-ante: nível 1, que utiliza valores padrão propostos pelo IPCC; nível 2, que utiliza valores nacionais com respectivas estimativas; e nível 3, que utiliza métodos mais elaborados como modelagem e que deve ser compatível com os demais níveis (Figura 2).

Desta forma, o sistema Moss Forest para o Brasil:

• Centraliza dados geográficos e oficiais de Nível 2 e Nível 3;

• Permite avaliar a adicionalidade da intervenção REDD+;

• Adapta a escala analítica do território de interesse;

• Aplica a fase ex-ante à implementação.

² O termo ex-ante é usado em projetos de carbono para expressar o sequestro ou emissões de GEE previstos antes da execução das atividades do projeto.

3.1. Avaliação de Áreas

Após o recebimento das informações cadastrais do proprietário rural e dos documentos oficiais do imóvel, é calculada a área total do imóvel rural e avaliado o nível de regularidade fundiária da área por meio das bases de dados (brasileiras) SICAR e SIGEF.

3.1.1. Sistema Nacional de Cadastro Ambiental Rural (Sicar)

O “Sistema Nacional de Cadastro Ambiental Rural” do Brasil (Sicar - https://www.car.gov.br/publico/imoveis/index) é um cadastro público eletrônico de abrangência nacional e obrigatório para todos os imóveis rurais do Brasil. É de extrema importância quando se trata de compreender a dinâmica territorial, fundiária e ambiental brasileira. Para o cadastramento é necessária a identificação por meio de planta e memorial descritivo contendo as coordenadas geográficas com pelo menos um ponto de amarração no perímetro do imóvel e a localização de áreas de relevância, como remanescentes de vegetação nativa, de Áreas de Preservação Permanente, as Áreas de Uso Restrito, as áreas consolidadas e a localização da Reserva Legal (Art. 29 do Código Florestal Brasileiro).

Por meio de consultas rotineiras à base de dados do Sicar, o Moss Forest integra informações ambientais de propriedades e posses rurais, estabelecendo uma base de dados para controle, monitoramento, planejamento ambiental e combate ao desmatamento. Dessa forma, automatiza-se a consulta da área poligonal da propriedade rural e de todos os seus conjuntos de informações relevantes sobre a área de interesse do projeto REDD+, reduzindo o esforço humano de operacionalização do Sicar, extração de dados geográficos e sistematização de informações cadastrais (Figura 3).

3.1.2.Sistema de Gestão Territorial - SIGEF

Utilizando o CPF do proprietário do imóvel rural, com base na informação constante na matrícula do imóvel, é possível consultar o sistema desenvolvido pelo “Instituto Nacional de Colonização e Reforma Agrária ”(INCRA) e o “Ministério do Desenvolvimento Agrário” (MDA) para gerenciamento das informações fundiárias do meio rural brasileiro, SIGEF (sigef.incra.gov.br/ - Figura 4). Este sistema realiza a recepção, validação, organização, regularização e disponibilização de informações georreferenciadas sobre os limites das propriedades rurais, auxiliando na governança fundiária em todo o território nacional. Mais de 889 mil imóveis rurais foram certificados desde o lançamento do sistema, em novembro de 2013 - gov.br/agricultura/pt-br/assuntos/noticias-2022/nova-funcionalidade-do-sigef-per mite-desmembramento-automatizado-de-parcelas.

Ao cruzar os dados do limite do imóvel rural cadastrado no Moss Forests com as informações certificadas pelo SIGEF, o Moss Forests identifica automaticamente se há sobreposição espacial com outras propriedades ou áreas protegidas. Esta consulta é feita diariamente e inclui os seguintes passos:

• avaliação se o imóvel consta do banco de dados de imóveis privados e não públicos;

• avaliação do estado do georreferenciamento e validação pelo sistema;

• download dos documentos da área georreferenciada (planta/mapa e memória descritiva);

• situação dos pedidos de certificação, registro, desdobramento, remontagem, retificação e cancelamento.

3.2. Estimativa do Estoque de Carbono

Este módulo permite uma estimativa ex-ante dos estoques de carbono nas árvores acima e abaixo do solo e na biomassa lenhosa não arbórea para o cenário de linha de base, estimando assim os estoques de carbono pré e pós-desmatamento. A estimativa do estoque de carbono desempenha um papel vital na implementação de projetos AFOLU. Esta fase é essencial para a previsão da geração de créditos de carbono através da implementação das ações do projeto REDD+ e da análise de sua viabilidade financeira.

O potencial de armazenamento de carbono varia de acordo com fatores abióticos, como o padrão hidrológico local, solo (minerais e nutrientes), clima (temperatura, luz e água), geologia e outros fatores. Esses atributos, por sua vez, já foram mapeados e estudados ao longo dos anos pela academia e correlacionados ao estoque de carbono da vegetação. Contudo, alguns estudos identificaram três importantes fragilidades nos mapas de carbono da Floresta Amazônica: (1) superestimação dos valores de carbono em geral; (2) resolução grosseira e variabilidade espacial limitada, e (3) alto grau de irregularidade, com valores de carbono em uma única área mudando significativamente de um mapa para outro (ENGLUND et. al, 2017).

O Moss Forest utiliza o estudo científico elaborado por Englund et. al (2017) como seu mapa de carbono base. Este estudo consolida seis dos principais mapas de carbono da Amazônia brasileira, ponderando todas essas estimativas de estoque de carbono. Esta base de dados consolidada é utilizada para estimar o estoque médio de carbono e o desvio padrão da área de interesse. Buscando uma estimativa conservadora, o sistema utiliza o limite inferior do intervalo de confiança estabelecido.

Posteriormente, utilizando o mapa de carbono, o sistema realiza a conversão da biomassa aérea em biomassa subterrânea. Isto é conseguido através da proporção da raiz com o rebento adequada ao tipo de bioma, de acordo com os valores padrão determinados pelas Diretrizes AFOLU (IPCC 2019) mostrados na tabela abaixo. Para determinar o domínio e a zona ecológica do território analisado, o sistema utiliza as zonas ecológicas globais da FAO.

Além disso, o sistema captura e utiliza bancos de dados de estoque de carbono em pastagens para determinar as mudanças líquidas no estoque de carbono na linha de base, sendo representado pelo estoque florestal pré-desmatamento menos o estoque de carbono do provável uso da terra após o desmatamento, geralmente para fazer áreas de pasto. Considera-se que os demais reservatórios de carbono da biomassa vegetal não possuem carbono armazenado, o que é uma estimativa conservadora.

3.3. Cobertura e Uso da Terra

A compreensão do uso e ocupação do solo a partir de imagens de satélite subsidia a compreensão da pressão antrópica histórica, da situação e das tendências do território estudado, além de facilitar a gestão socioeconômica e ecológica da região. Para projetos REDD+, é necessário compreender a dinâmica de uso e ocupação do solo na região do território alvo, principalmente em relação aos vetores e agentes do desmatamento.

Para tanto, o código Moss Forest, em sua aplicação para o Brasil, utiliza o mapeamento realizado pelo Projeto de Mapeamento Anual de Uso e Cobertura da Terra no Brasil (MapBiomas), que é uma iniciativa multi-institucional formada por ONGs, universidades e empresas de tecnologia gerem mapas anuais de uso e cobertura da terra a partir de processos de classificação automática aplicados a imagens de satélite. Este sistema brasileiro (MapBiomas) é extremamente robusto para verificar e atestar mapas de uso e ocupação da terra desde a conversão nativa até a não florestal, de forma significativamente mais barata, rápida e atualizada, em comparação com outros métodos e práticas atuais.

3.3.1 Vetorização de Rasters para Otimização de Queries e Mapeamentos Macro.

A metodologia refinada empregada pela MOSS.Earth, com base na plataforma MapBiomas e em outros mapas de carbono, para a vetorização de conjuntos de dados rasterizados, direciona-se especificamente para o mapeamento de carbono e à elaboração de mapas de Uso e Cobertura do Solo e Mudança de Uso do Solo (LULUC).

Este procedimento inicia-se com a transição dos dados de seu formato original raster, no qual cada pixel é imbuído de um valor alusivo a uma categoria singular de uso e cobertura do solo, para um formato vetorizado adequado ao carregamento em plataformas como o BigQuery. Destaca-se que os formatos raster, sendo incompatíveis com o BigQuery, demandam a conversão para shapefiles, estruturas estas que representam eficientemente as diversas classes de cobertura do solo, bem como suas respectivas geometrias em uma organização tabular, com cada linha correspondendo a uma categoria distinta de uso do solo.

A operação de conversão deste conjunto de dados se dá por meio do uso de bibliotecas Python de código aberto, que incluem rasterio, shapely, geopandas, ogr, osr, gdal, numpy e pyproj. Ao longo do processo, um shapefile predeterminado serve como máscara, segmentando o raster e propiciando a realização das transformações necessárias. Optou-se pelos limites administrativos dos municípios brasileiros como unidades de mascaramento para uma escalabilidade efetiva, dada a inviabilidade computacional de converter um conjunto de dados raster integral para uma nação ou estado em uma única ocasião.

O algoritmo empregado inicialmente fraciona o raster em unidades menores, consonantes com as dimensões dos municípios, promovendo a exportação de cada segmento individual para um diretório específico, até que a totalidade dos municípios esteja adequadamente processada. Na sequência, o código resgata cada fração do raster, convertendo-o para um shapefile mediante a função Polygonize do GDAL, para então agrupar os dados por classe. Concluindo o ciclo, o shapefile é carregado no BigQuery como uma tabela, compreendendo a geometria pertencente a cada classe, e estruturada nas colunas: CLASSE | geometria.

É crucial sublinhar que a segmentação em nível municipal é um passo intermediário, simplificando a vetorização, porém não influenciando a subsequente integração dos dados no BigQuery, onde os dados em nível estadual ou nacional são considerados em sua totalidade, sem divisões. Posteriormente no banco de dados, qualquer máscara adicional, ou seja, outro shapefile, pode ser empregado na intersecção com o conjunto de dados existente, viabilizando a obtenção de informações sobre sobreposições e demais interações espaciais.

Adicionalmente, o processo de vetorização não se limita à iteração municipal, incluindo também uma iteração anual, aplicando a mesma metodologia aos atributos de declividade e elevação, vetorizando os valores contínuos para altitude (em metros) e inclinação (em percentual) para cada pixel.

É imperativo incluir que o MapBiomas é um consórcio que inclui uma grande rede colaborativa responsável pela criação de mapas anuais de cobertura e uso do solo no Brasil. Estes são gerados a partir da classificação pixel a pixel de imagens de satélite Landsat no Google Earth Engine, utilizando algoritmos de aprendizado de máquina. A série beta lançada pelo MapBiomas Solo, que detalha os estoques de carbono orgânico do solo até 30 centímetros de profundidade, foi produzida empregando dados do SoilData e variáveis ambientais pertinentes.

Finalmente, é fundamental mencionar que os dados gerados pelo MapBiomas estão disponíveis ao público, sob a licença CC-BY-SA, e devem ser referenciados adequadamente quando utilizados, seguindo o formato: "Projeto MapBiomas – Coleção 8 da Série Anual de Mapas de Cobertura e Uso da Terra do Brasil (1985-2022), acessado em Outubro de 2023 através do link: https://plataforma.brasil.mapbiomas.org/". Ademais, ressalta-se que a metodologia descrita e procedimentos para Moss Forest aplica-se exclusivamente aos dados LULUC, declividade e elevação, não havendo registro de sua aplicação a outros conjuntos de dados.

Eventualmente, a Moss planeja expandir para outros países, usando a base Mapbiomas para monitoramento LULUC e mapas nacionais de carbono para o resto da América Latina (Bolívia, Chaco/Paraguai, Argentina, Peru) e Indonésia:

https://platform.indonesia.mapbiomas.org/

https://peru.mapbiomas.org/en/

https://chaco.mapbiomas.org/en/

https://bolivia.mapbiomas.org/en/

Brasil: https://brasil.mapbiomas.org/en/

Países amazônicos: Bolívia, Brasil, Colômbia, Equador, Peru e Venezuela (por meio da iniciativa MapBiomas Amazonía) MapBiomas Amazonía:

https://amazonia.mapbiomas.org/en/

Mata Atlântica Trinacional: Argentina, Brasil e Paraguai (através da iniciativa MapBiomas Bosque Atlántico) MapBiomas Bosque Atlántico: https://bosqueatlantico.mapbiomas.org/en/

3.3.2 Sensoriamento Remoto

O Moss Forest também utiliza dados de sensoriamento remoto de coleções históricas de imagens do satélite Landsat produzidas pela NASA (National Aeronautics and Space Administration) e USGS (United States Geological Survey) com resolução de 30m e formadas pelo padrão RGB (vermelho, verde, azul). Posteriormente, são calculados índices para facilitar a interpretação dessas imagens, como NDFI, NDVI e NPV, visando automatizar o processo de separação discreta das classes de uso do solo. Por fim, o sistema realiza o processamento em nuvem aplicando um algoritmo treinado que classifica cada resposta espectral em categorias de uso do solo, como pastagem, agricultura, infraestrutura urbana, hidrologia e vegetação nativa. Além disso, o MapBiomas incorpora em seu sistema algumas amostras locais para calibrar o algoritmo em relação à realidade (com base em dados reais). Este processo garante a qualidade da classificação das imagens e a redução de erros. A seguir são apresentadas as etapas da metodologia de classificação de uso e cobertura da terra do MapBiomas.

Assim, obtém-se um mosaico com as classes de uso final do solo e vegetação para cada ano em formato de matriz (pixel 30x30m), utilizado para calcular o desmatamento observado nos territórios estudados. O resultado da cobertura e uso da terra em 1985 e 2017 nos biomas brasileiros pode ser visto no mapa comparativo abaixo.

3.4. Elegibilidade das Florestas

Para fins de certificação de projetos de carbono florestal, é necessário avaliar a elegibilidade da área florestal em relação à metodologia adotada em termos de definição da floresta. Portanto, com base na classificação de uso da terra, apresentada no item anterior, o Moss Forest realiza alguns ajustes via código escrito no Google Earth Engine e outros softwares GIS para se alinhar aos critérios de elegibilidade das florestas para projetos de desmatamento evitado.

Assim, um algoritmo de análise geoespacial é utilizado para determinar a área florestal elegível, excluindo as seguintes áreas:

• formações naturais não florestais (campos alagados e banhados, formações campestres, apicum, afloramentos rochosos e restinga herbácea) e formações savânicas, manguezais e “repousantes” arborizados. O termo "restinga" em português brasileiro refere-se a um tipo específico de ecossistema costeiro encontrado no Brasil, caracterizado por solos arenosos e uma variedade de espécies de plantas. Em inglês, o termo equivalente mais próximo seria "floresta costeira" ou "mato costeiro". Contudo, vale a pena notar que estes termos podem não capturar todas as características ecológicas e botânicas de uma restinga.

• áreas identificadas como florestas há menos de 10 anos (estabelecemos 10 anos como o parâmetro florestal elegível devido à falta de dados históricos mais longos e porque é o requisito de elegibilidade da maioria das metodologias de certificação de créditos de carbono). Este critério é geralmente utilizado para evitar que áreas de vegetação florestal secundária em pousio entre os ciclos de produção agrícola sejam consideradas florestas.

Este processamento geoespacial é realizado utilizando código no Google Earth Engine para o número de anos determinado por uma metodologia de análise de uma floresta elegível (10 anos na maioria dos casos, portanto, a partir do início de avaliação da área, retrocedendo 10 anos). O algoritmo calcula a taxa de desmatamento na jurisdição (município), de acordo com a metodologia REDD+ adotada para geração de créditos de carbono. Assim, identifica-se o comportamento histórico do uso da terra e da floresta para determinar a linha de base do desmatamento e a previsão da geração de créditos de carbono pelo desmatamento evitado.

3.5. Co-benefícios Ambientais

Tendo em mente a importância de gerar cobenefícios por meio de projetos de REDD+, especialmente nos aspectos de conservação da biodiversidade vinculados ao projeto de carbono florestal, o Moss Forest também consulta fontes de dados relacionadas ao tema e automatiza a avaliação de impactos na biodiversidade para áreas brasileiras. Dessa forma, são fornecidas informações valiosas sobre o potencial de mudança e o impacto de um projeto de carbono no território avaliado, o potencial de obtenção de certificações de cobenefícios, que comumente agregam valor aos projetos de REDD+, e, portanto, para a otimização da tomada de decisões.

Para tal, o sistema consulta automaticamente três bases de dados mundialmente reconhecidas sobre as características da conservação da biodiversidade num território, nomeadamente:

• Lista Vermelha de Espécies Ameaçadas da IUCN: catálogo do estado de conservação de espécies vegetais, animais, fungos e protozoários de todo o planeta a partir da lista mais atualizada;

• Base de dados mundial sobre áreas protegidas: Base de dados global sobre áreas terrestres e marinhas protegidas, recolhida de secretariados de convenções internacionais, governos e ONGs colaboradoras. A definição de área protegida da IUCN é utilizada como principal critério para a inclusão de entradas na base de dados.

• Base de dados mundial de áreas-chave para a biodiversidade (KBA): Base de dados de locais que contribuem significativamente para a biodiversidade global, abrangendo ecossistemas terrestres, de água doce e marinhos. Uma KBA deve cumprir um ou mais de onze critérios, agrupados em cinco categorias, como se segue: biodiversidade ameaçada; biodiversidade geograficamente restrita; integridade ecológica; processos biológicos; e insubstituibilidade.

Tais bancos de dados são atualizados periodicamente e mantidos pelo IBAT (Ferramenta Integrada de Avaliação da Biodiversidade), uma plataforma de assinatura de dados on-line para acesso a conjuntos de dados globais de biodiversidade, que está incluída no código do Moss Forest, identificando quaisquer sobreposições de tais atributos para a região do projeto e os 5 km, 20 km e 50 km (Figura 8).

Desta forma, o Moss Forest avalia o potencial impacto na biodiversidade do território pelo projeto REDD+, agilizando a avaliação da viabilidade de implementação de um projeto REDD+; na obtenção de dados primários in loco pela equipe técnica especializada em grupos faunísticos; otimizar a avaliação de campo de espécies ameaçadas; e também durante a elaboração de relatórios para obtenção de certificações de cobenefícios, como o CCB (Clima, Comunidade e Biodiversidade) e SD Vista (Padrão de Impacto Verificado de Desenvolvimento Sustentável).

3.6. Risco de Desmatamento

Para prever o risco de desmatamento e identificar áreas de desmatamento futuro na modalidade de desmatamento não planejado evitado, a modelagem estatística espacial do “Forest at Risk”, recomendado pelo Banco Mundial, é usado como modelo espacial para prever o desmatamento em 92 países, cobrindo todas as florestas tropicais do mundo. Devido à extensão territorial do Brasil e à complexidade da análise vinculada a essa característica continental, a análise foi realizada para cada estado brasileiro. O mapa interativo resultante da modelagem está disponível em https://forestatrisk.cirad.fr/maps.html e seu respectivo artigo científico citado como Vieilledent et. al 2022.

O modelo é derivado de imagens de alta resolução e construído com base em fatores interligados com a existência de desmatamento em florestas tropicais, tais como: topografia (altitude e declividade), acessibilidade (distâncias até a estrada, cidade e rio mais próximos), paisagem florestal ( distância da borda da floresta), desmatamento histórico (distância ao desmatamento passado) e estado de conservação da terra (presença de área protegida). A fonte e a obtenção de tais dados podem ser melhor compreendidas no material suplementar em Vieilledent et. al (2022). Tais variáveis espaciais, observadas na década de 2010, são usadas como preditores para treinar o modelo para prever dados de risco de desmatamento e cobertura florestal futura sob um cenário “business as usual”.

Desta forma, o modelo estima a futura mudança na cobertura florestal através da determinação da linha de base, um passo crucial para projetos de carbono e programas de desmatamento evitado. Mantendo o desmatamento observado e considerando a floresta remanescente em 2020, o cenário BAU do Brasil estima uma perda potencial de 40% da cobertura florestal durante o século 21 (Figura 9) e, no ano de 2204, o país teria perdido 75% da cobertura florestal. sua cobertura florestal remanescente.

O que se segue é um mapa da probabilidade (risco) de desmatamento na Amazônia brasileira, ou seja, onde o fluxo de desmatamento cruza com o estoque de carbono. As áreas florestais em vermelho escuro correm maior risco de desmatamento do que as áreas florestais em verde. Pode-se observar que a probabilidade de desmatamento é menor dentro de áreas protegidas (polígonos pretos) e aumenta quando a floresta está localizada próxima a estradas (linhas cinza escuras). Portanto, o Moss Forest seleciona pixels com alto risco de desmatamento para determinar a área de desmatamento futuro na floresta elegível do território analisado (Figura 10).

3.7. Potencial de Geração de Créditos de Carbono

O código de potencial de geração de créditos de carbono utilizado pelo Moss Forest considera todos os processos anteriores para identificar a área florestal elegível para a geração de créditos de carbono decorrentes de ações de desmatamento evitado planejado e não planejado.

Para o desmatamento planejado, quando o proprietário tem o direito legal de desmatar, mas realiza um projeto de REDD para emitir créditos de carbono e remunerar a terra por meio da venda desses créditos, a área que não está legalmente autorizada para desmatamento é identificada como Reserva Legal. O percentual de imóveis rurais registrados como Reserva Legal varia de acordo com o bioma, sendo: 80% em imóveis localizados em áreas florestais da “Amazônia Legal” brasileira; e 35% em imóveis localizados em áreas de Cerrado na Amazônia Legal. O termo "cerrado" em português brasileiro refere-se a um vasto bioma de savana tropical encontrado principalmente no Brasil, mas também em partes da Bolívia e do Paraguai. Ao traduzir “cerrado” para o inglês, o termo mais apropriado seria “brazilian savana” ou simplesmente “cerrado”. O cerrado é caracterizado por uma combinação única de pastagens, arbustos e árvores pequenas e retorcidas, e é considerado um dos mais ricos e diversificados ecossistemas de savana tropical do mundo.

Com base nessas e outras diretrizes previstas no Código Florestal Brasileiro, o proprietário rural determina a localização da sua reserva legal em sua propriedade, que deve ser inscrita no CAR (Cadastro Ambiental Rural) e aprovada pelo órgão ambiental competente no assunto. Porém, é comum que a reserva legal não seja aprovada pelo órgão ambiental. De forma, a ajudar a minimizar tal situação, o Moss Forest auxilia na determinação da possível área de reserva legal com base no percentual definido de sobreposição à área florestal elegível (processo apresentado na Figura 7). Esse valor é finalmente dividido por dez anos de geração de créditos de desmatamento planejado evitado.

Quanto à modalidade de desmatamento não planejado evitado, a metodologia de cálculo do potencial de geração de créditos de carbono é diferente. Com base nos processos de “risco de desmatamento” apresentados, eles são sobrepostos ao mapa florestal elegível, o que resultará em uma estimativa da área absoluta desmatada para o ano de 2050. A suposição é que a geração desses créditos será constante ao longo dos anos e assim obtém-se uma estimativa da geração de créditos de carbono desagregados por ano.

O Moss Forest também indica situações em que a área de interesse tem potencial para gerar créditos de carbono em ambas as modalidades (Figura 11).

Para efeitos de análise do risco de não permanência dos reservatórios de carbono, seja por desmatamento ilegal, incêndios ou catástrofes naturais, o sistema Moss Forest aplica uma reserva automática de risco de não permanência de 20%.

Para o aumento nas emissões de GEE ou diminuição na remoção fora dos limites do projeto que ocorreu devido às ações do projeto, referido como vazamento, o Moss Forest aplica o desconto de 10%.

Para a estimativa da receita bruta resultante da implantação do projeto são definidos fatores econômicos como o valor atual do crédito, as taxas de câmbio em relação ao Real e o percentual de participação do proprietário na distribuição das receitas.