Estimating carbon footprint from biofuel production from oil palm by sdfgsg234


									          Estimating carbon footprint from biofuel production from oil palm: 
               methodology and results from 2 pilot areas in Indonesia 
 Meine Van Noordwijk*, Sonya Dewi*, Ni’matul Khasanah*, Andree Ekadinata*, Subekti Rahayu*, Jean 
                     Pierre Caliman**, Mukesh Sharma†, Rosediana Suharto‡ 
                        *World Agroforestry Centre, ICRAF, Southeast Asia 
                                          ** SMARTRI 
                                 ‡Indonesia Palm Oil Commission 
ABSTRACT In the last five years Indonesian palm oil production grew by 13.4% per year, with growth in 
export at 16.2% per year and slow growth in domestic consumption. Oil palm production in Indonesia 
and  Malaysia  is  now  in  the  focus  of  the  debates  on  Biofuel  and  Carbondioxide  (CO2)  and  other 
greenhouse  gas  (GHG)  emissions,  through  its  association  in  the  public  debate  with  deforestation  and 
(over)use  of  peatland.  The  potential  use  of  palm  oil  as  biodiesel  to  reduce  dependency  on,  and 
emissions from, the use of fossil fuel has focused debate on the emissions caused by the conversion of 
land to oil palm and subsequent steps in the production. 
Carbondioxide  (CO2)  and  other  greenhouse  gas  emissions  due  to  the  production  of  palm  oil  can  be 
attributed to three phases of the production process: 
A. the  initial  conversion  of  preceding  vegetation  into  a  palm  oil  plantation,  usually  based  on  'land 
     clearing', leading to a 'C debt' 
B. the  balance  of  emission  and  absorption  during  the  growth  cycle  of  the  oil  palms,  depending  on 
     growth  rate,  green  manure  and  organic  waste  management  and  fertilizer  practices,  leading  to  a 
     time‐averaged C‐stock that influences 'C debt' and repay time, 
C. transport to the refinery followed by CPO (Crude Palm Oil) and kernel production, transesterification 
     into biofuel and further transport to the end users. 
A  comprehensive  accounting  system  on  carbon  and  other  GHG  emissions  of  biofuel  production  of  oil 
palm has to include the whole life cycle. We develop a tool called Biofuel Emission Reduction Estimator 
Scheme  (BERES)  to  calculate  emission  reduction  factors,  using  a  life  cycle  approach.    The  number  of 
years  for  payback  time  from  carbon  debt,  the  emissions  saving  from  fossil  fuel  substitution  and  fossil 
fuel  substitution  efficiency  can  then  be  calculated  from  the  balance  between  total  sequestration  and 
Under  a  pilot  study  in  2  areas  in  Indonesia  we  conducted  a  subset  of  BERES,  which  embraced 
components  A  and  B  within  the  overall  life  cycle  of  biofuel  production  from  oil  palm.  We  estimated 
carbon emissions using different definition of organizational and operational boundaries. In Indonesia, 
the schemes of oil palm production are varied from purely large‐scale company operations, cooperation 
between large‐scale company (nucleus) and smallholders (plasma), and independent smallholders.  
The net result is very sensitive to the preceding vegetation. A minimum emission reduction efficiency of 
35% can only be reached in a second production cycle of oil palm, or when oil palm replaced vegetation 
of less than 40 t C/ha. Investment in CH4 capture at the mill can improve the situation. Where peat soils 
are used, the effects of drainage on emissions usually means the target efficiency cannot be met. A third 
factor  with  considerable  influence  is  the  use  of  N  fertilizer  in  relation  to  yield.  Increase  in  N  use 
efficiency can lower costs as well as help reaching the fossil fuel substitution efficiency. 
1. Introduction 


Biofuels appeared to be such a nice way of reducing the climate change challenge: it reduces political 
dependence  on fossil fuel supply, can  be done  with minimal change to  existing engines and modes of 
transport,  and  provides  new  sources  of  income  for  rural  economies.  The  potential  use  of  palm  oil  as 
biodiesel  to  reduce  dependency  on  and  emissions  from  the  use  of  fossil  fuel  (so  far  involving  small 
volumes  only)  has  focused  debate  on  the  emissions  caused  by  the  conversion  of  land  to  oil  palm  and 
subsequent  steps  in  the  production.  European  countries  have  been  leading  in  the  development  of 
environmental standards for biofuel and developed a ‘typical’ emission scenario for palm oil production. 

Oil palm production in  Indonesia and  Malaysia has become focus of debate  on greenhouse gas (GHG) 
emissions, through its association in the public debate with deforestation and (over)use of peatland. In 
the  last  five  years  Indonesian  palm  oil  production  grew  by  13.41%/year,  with  growth  in  export  at 
16.24%/year and slow growth in domestic consumption. The main use of palm oil in Indonesia is in the 
food  industry,  with  limited  other  uses  (including  biodiesel)  due  to  the  increasing  price  of  feed  stock 
(CPO, olein). The dependency on export is very high; Indonesia biggest buyers are India (28.5%), China 
(25.4%) and Netherlands (12.3%); Pakistan is becoming an important market partner. 

Production situations of oil palm in Indonesia are diverse and include peat versus mineral soils as main 
ecological  contrast,  large‐scale  plantations  versus  smallholders  as  socio‐economic  contrast  and 
plantations  developed  from  forest  (after  logging)  versus  plantations  developed  on  lands  with  low 
current C‐stocks due to previous degradation. The sector (or at least the more progressive parts of it) is 
now  willing  to  engage  in  debate  on  environmental  impacts  and  GHG  emissions,  but  needs  support  in 
understanding  carbon  (and  other  GHG)  accounting  procedures  and  in  capacity  development  for  data 
collection  and  analysis.  Data  for  currently  feasible  ‘best  practice’  will  play  a  key  role  in  the  self‐
adjustment  of  the  industry  (closing  the  gap  between  average  and  best  practice)  and  in  efforts  to 
maintain market share. 

Early signs of a shift in consumer concerns, especially in Europe, from a focus on the quality of palm oil 
to sustainable production started some 5 years ago. Current demand is to secure good environmental 
practices, at the same time giving more attention to social and economic viability and maintaining high 
product quality and safety. 
In response to these concerns, a new type of public‐private‐NGO partnership has emerged in the form of 
the  Roundtable  on  Sustainable  Palm  Oil  (RSPO).  By  developing  voluntary  standards,  the  RSPO  has 
contributed  to  improvement  of  the  industry  as  well  as  its  public  image.  From  the  perspective  of  the 
industry,  however,  implementation  of  RSPO  Sustainable  Certification  System  means  compliance  with 
more than 120 indicators (major and minor) and burdensome. No price premium has so far emerged for 
RSPO compliant palm oil. 

In  this  very  confused  stage  the  Indonesian  Palm  Oil  Board  (IPOB),  in  line  with  its  duty  to  assist  the 
Indonesian producers, decided to focus on understanding the system and to implement it according to 
the EU buyer’s demand. 

During  the  preparation  for  RSPO  Certification  another  regulation  emerged  in  the  form  of  the  EU 
Directive  of  the  European  Parliament  and  Council  on  the  promotion  of  the  use  of  energy  from 
renewable resources. The objectives of this Directive differs from RSPO, and is focused on mitigation of 
climate change through the reduction of greenhouse gases emissions, sustainable development, secure 
supplies of energy, and the development of knowledge based industry creating jobs, economic growth, 
competitiveness and regional and rural development. 

The  new  EU  directive  means  that  planting  in  high  biodiversity  land  which  are  untouched  forest, 
protected  forest  and  high  biodiversity  grass  land  are  not  allowed  and  planting  is  prohibited  in  high  C‐
stock  areas  such  as  peatland,  wetland  and  continuously  forested  area  of  more  than  one  ha;  forest  is 
defined on the basis of a tree height of at least 5 meters and a canopy cover of more than 30%. Another 
important  article  in  the  directives  is  that  GHG  emission  saving  from  the  use  of  biofuels  and  bioliquids 
shall be at least 35%, restricting life‐cycle emisisons attributed to each unit of biofuel to less than 65% of 
the fossil fuel saved in its use. This rule requires data on life‐cycle emissions for each type of product. 
The  origin  of  the  data  presented  in  this  proposed  directive  for  palm  oil  are  not  very  clear  and  the 
scientific base is not convincing. Overall, palm oil is considered to be (just) short of the target. 

The new EU guidelines on biofuel are in reach for current good practice on mineral soils, not for oil palm 
on  peat  soils.  Differentiation  of  product  by  geographic  or  ecological  origin  requires  detailed  data 
obtained with standardized methods and open to public scrutiny. 

Key  decisions  on  reference  dates  in  the  international  climate  policies  (1990  for  reforestation,  possibly 
2000‐2005  for  REDD,  2008  for  EU  footprint  accounting  of  biofuel)  are  still  under  discussion,  as  is  the 
scope  of  the  methods  (deforestation/forest  degradation  or  full  C  (+  equivalent  GHG’s)    accounting; 
inclusion  of  peat  drainage  issues);  a  comprehensive  approach  to  data  collection  is  needed,  including 
timelines of C‐stock loss ahead of oil palm plantations. 

Life‐cycle  analysis  involves  three  main  phases:  plot  history  (main  issue:  loss  of  C  stocks),  oil  palm 
production  stage  (main  issue:  N2O  emissions  on  mineral  soils  and  CO2  on  drained  peat  soils)  and 
milling/processing  (main  issue:  CH4  emissions)  +  transport  (fossil  fuel  use).  Previous  research  and 
ongoing agronomic efforts of the industry focus on production stage, while the engineering aspects of 
mills  for  CH4  capture  have  received  attention  for  technical  CDM  projects;  the  plot  history  part  is  the 
biggest unknown and requires focus of new efforts. 

The “avoided Deforestation with Sustainable Benefits” study of ICRAF + ASB Partnership for the Tropical 
Forest Margins in 2007 has provided analysis for 3 provinces of the 1990 – 2005 change in land cover, 
loss of C stock and economic gains; a more detailed analysis of the main oil palm producing areas can 
follow along the same lines of analysis. 

While the industry can and will do the ‘lobby’ work, solid data collection and scientific independence is 
needed  in  the  interest  of  all.  After  many  communications  and  discussions  with  the  EU  partners,  the 
Indonesian industry would like to give positive input to the EU by giving real data as result from a study. 
Preparations have started for “Carbon emissions of biofuel production from oil palm in Indonesia: A pilot 
study”.  A  full  scope  study  will  be  based  on  methodology  and  lessons  learnt  from  this  particular  pilot 

The industry is keen to cooperate on measurements in ‘current best practice’, recognizing that in reality 
much  production  is  not  yet  reaching  this  management  level;  data  to  estimate  the  performance  gap 
against such standards will be a second step, and may best be done by self‐appraisal through capacity 
building. Our approach allows for such stepwise improvement of practice, with technical standards that 
are considered to be technically realistic. 

The overall outline of the study (Figure 1) is designed to reach the following objectives are: 

1. To estimate historical and ongoing carbon emission  from land conversion to oilpalm plantation;  

2. To  estimate  current  carbon  emission  from  oilpalm  plantation  establishment,  management  and  
    processing to biofuel; 
2. Integrated Assessment Scheme for Carbon and GHG Emissions  


Carbondioxide  (CO2)  and  other  greenhouse  gas  emissions  due  to  the  production  of  palm  oil  can  be 
attributed to three phases of the production process (see Box I):  

A. the  initial  conversion  of  preceding  vegetation  into  a  palm  oil  plantation,  usually  based  on  ‘land 
    clearing’, leading to a ‘C debt’ 

B. the  balance  of  emission  and  absorption  during  the  growth  cycle  of  the  oil  palms,  depending  on 
    growth  rate,  green  manure  and  organic  waste  management  and  fertilizer  practices,  leading  to  a 
    time‐averaged C‐stock that influences ‘C debt’ and repay time,  

C. transport  to  the  refinery  followed  by  processing  and  further  transport  to  the  end  users;  CPO  and 
    kernel production, transesterification into biofuel, and transportation. 

A  comprehensive  accounting  system  on  carbon  and  other  GHG  emissions  of  biofuel  production  of  oil 
palm has to include the whole life cycle assessment (LCA) through a life cycle inventory (LCI) ( ISO, 1997).  

In the pilot phase for a broader sampling of Indonesian palm oil sector, two plantations on mineral soils 
were  analyzed, in order to test the ‘lifecycle’ approach and provide initial estimates of what is feasible 
under ‘good agricultural practice’ in well‐managed plantation conditions. 
  Carbondioxide (CO2) and other greenhouse gas emissions due to the production of biofuel can be 
  attributed to three phases of the production process:  

     A. the initial conversion of preceding vegetation into a biofuel feedstock plantation, usually 
         based on ‘land clearing’,  
     B. the balance of emission and absorption during the growth cycle of the plants, depending on 
         growth rate, green manure and organic waste management and fertilizer practices, and  
     C. transport to the refinery followed by processing and further transport to the end users.  
  Emission estimates require data on all three steps: 

                               E = total emissions from the use of the fuel =
                               el + eec + ep + etd + eu – esca– eccs– eccr– eee
                               el      =annualised emissions from carbon stock changes caused by land-use

                               eec    =emissions from the extraction or cultivation of raw materials;
                               esca   =emission saving from soil carbon accumulation via improved agricultural

                               ep      =emissions from processing;
                               etd     =emissions from transport and distribution;
                               eu      =emissions from the fuel in use;
                               eccs    =emission saving from carbon capture and geological storage;
                               eccr    =emission saving from carbon capture and replacement; and
                               eee     =emission saving from excess electricity from cogeneration.

Box I. Three phases of production process and their emission components

The  total  emission  of  palm  oil  (A  +  B  +  C)  per  unit  palm  oil  produced  has  become  a  focus  of  debate, 
especially where palm oil is used as ‘biodiesel’. Substituting for fossil fuel diesel saves CO2 emissions, but 
the total emissions per unit production need to be subtracted from these savings before a net emission 
reduction (or enhancement) can be calculated. The net emissions due to steps A and B depend on the 
land use history of the plantations as well as its soil and soil management. Step C depends on technical 
specification of the mill and the transport from the mill to the nearest port. 

Five nested scales of assessment can be distinguished as follows:  

1) Life‐cycle approach to production of fresh fruit bunches (FFB) at plot level, with existing return flows 
    of  organic  waste  (or  ‘by‐products’)  in  the  from  of  empty  fruit  bunches  (EFB)  and/or  palm  oil  mill 
    effluent (POME); policy‐wise a distinction needs to be made between the first (I) and subsequent (II) 
    production cycle, as they differ in preceding C stock of the land. Major differentiation occurs by 
    i)   preceding vegetation and its C stock (with specification of ‘attribution’ of the resultant C flows 
         between resource use for logging and land‐clearing), 

    ii) soil types and associated CO2 emissions, with primary distinction between mineral soil and peat, 
         and  further  distinctions  by  soil  texture,  pH,  elevation  and  C/Cref  on  mineral  soils,  and  peat 
         depth and drainage regime on the peat soils, 

    iii) management regime, including level of fertilization, yield levels and organic recycling 

    iv) producer:  nucleus  plantation  under  company  management,  plasma  plantation  (planted  by 
         company,  managed  by  smallholders)  and  independent  smallholder  producers  (with  wider 
         variation in management intensity) 

2) Mill and its sources of fresh fruit bunches, generally consisting of three fractions: nucleus (FFFBNu), 
    plasma (FFFBPl)and independent smallholders (FFFBInd), with FFFBNu + FFFBPl + FFFBInd = 1 

3) All  mills  in  a  production  area  that  contribute  to  a  recognizable  trade‐flow  (e.g.  holding  company, 
    export trademark), with its characteristic pre‐oil palm vegetation, ratio of mineral‐to‐peat soils, first 
    or subsequent production cycles and producers (FFFBNu, FFFBPl, FFFBInd). 

4) All  mills  in  Indonesia  as  CPO  source  area,  with  its  characteristic  pre‐oil  palm  vegetation,  ratio  of 
    mineral‐to‐peat soils, first or subsequent production cycles and producers (FFFBNu, FFFBPl, FFFBInd). 

5) All CPO exporting countries, with its characteristic pre‐oil palm vegetation, ratio of mineral‐to‐peat 
    soils, first or subsequent production cycles and producers (FFFBNu, FFFBPl, FFFBInd). 

We started at scale 1, a life‐cycle analysis of a plantation, with a focus on the net annual emissions per 
unit  area  or  per  unit  product.  Existing  EU‐policies  relate  to  scale  5  and  its  emission  profile  per  unit 
biodiesel  derived  from  CPO,  with  optional  differentiation  at  scales  4  and  3.  For  scale  5,  a  weighted 
average is needed of all current production conditions in Indonesia. It may represent the global impact 
of  oil  palm  production  in  Indonesia,  but  due  to  its  aggregegation  provides  little  incentive  to  improve 
production  practices.  A  focus  on  individual  mills  (scale  3)  will  provide  incentives  for  improvement  of 
exporters who want to meet the standards, but may have little overall impact, given the large current 
market share of exports to countries where no questions are asked. 
Overall  calculations  show  the  importance  of  the  various  parameters  and  the  relative  sensitivity  of  the 
end  result  to  uncertainty  in  each  of  the  contributing  parameters.  Current  ‘default’  value  refers  to 
knowledge at inception stage and will be modified by the full‐scale assessment (Table 1). 

Calculations of the area needed to make a dent into current fossil fuel use quickly showed that it cannot 
be a substantial contribution to energy issues without requiring large areas and interfering with markets 
for food crops. If biofuel production extends beyond current agriculture, it will often increase emissions 
of carbondioxide. The net effect will be often a lower estimate of emission reduction than expected, but 
if high C‐stock land is cleared, biofuel use can also increase net emissions. The debate on such emission 
enhancement  has  focussed  on  oil  palm  in  the  humid  tropics  of  SE  Asia,  where  forest  and  peatland 
conversion currently lead to large emissions – with or without a specific role for oil palm expansion. The 
public debate, however, has linked the two issues. The EU provided guidance to countries on minimum 
standards  that  should  be  used  when  biofuels  are  included  in  national  renewable  energy  plans.  Until 
2017,  a  minimum  emission  reduction  of  35%  has  to  be  achieved  for  any  fuel  included  in  the  scheme, 
shifting  to  50%  by  2017  and  60%  beyond.  Default  estimates  are  given  for  major  current  or  potential 
sources of biofuel. A procedure was established to calculate emission reduction factors, using a lifecycle 
approach.  Specific  market  flows  of  biofuels  can  apply  for  exception  from  the  'default'  for  the 
commodity.  These  procedures  create  the  need  for  exporting  countries  and  entities  to  understand  the 
steps in calculation and to do the research needed to get reliable data.  

The  net  result  is  very  sensitive  to  the  preceding  vegetation.  For  the  oil  palm  example,  a  minimum 
emission reduction efficiency of 35% can only be reached in a 2nd production cycle, or when oil palm 
replaced  vegetation  of  less  than  40  t  C/ha.  Investment  in  CH  capture  at  the  mill  can  improve  the 
situation.  Where  peat  soils  are  used,  the  effects  of  drainage  on  emissions  usually  means  the  target 
efficiency cannot be met. A third factor with considerable influence is the use of N fertilizer in relation to 
yield.  Increase  in  N  use  efficiency  can  lower  costs  as  well  as  help  reaching  the  fossil  fuel  substitution 
Table 1. Defaut value of parameters of integrated assessment scheme for carbon and GHG emissions

    Phase       Symbol                 Parameter                                                  Default    Based on: 
    A           Tcycle                 Accounting period for plantation (yr)                      25         Policy decision, ideally linked to typical production cycle
    A           Cbefore                Attributable  time‐averaged  C  stock  before  the         60         Pre‐condition (can range from 250 to 0 t C/ha
                                       plantation crop was planted [t C/ha] 
    B           Coilpalm               Time‐averaged C stock of the plantation crop [tC/ha]       40         Pilot‐phase  field  assessments;  value  depending  on 
                                                                                                             management style 
    B           FN2O                   N‐fraction of fertilizer‐N lost as N2O                     0.04       Literature value to be updated by actual emission studies; 
                                                                                                             0.01 is current IPCC default, 0.04 is based on Crutzen et al. 
    B           EPeatPerDrainDepth     Peatland CO2 loss per cm drain depth, Mg CO2/(ha.yr)       0.8        Literature value to be updated by new findings
    B           ESoil                  Mineral  soil  CO2 loss  (depending  on  EFB  and  POME    0          Assumption linked to soil C studies 
                                       recycling to maintain Corg levels) 
    B        SPeat?                    Peatland                                                   0          Pre‐condition
    B        SPeatDrainDepth           Peatland drain depth, cm                                   50         Management choice
    C        Nfert                     N fertilizer use (kg N/ha, averaged over lifecycle)        150        Management choice 
    C        YFFB                      FFB yield Mg per ha/yr (averaged over life cycle)          21.1       Depending on management style
    C        YOER                      CPO extraction rate (OER), % CPO per FFB                   20.5       Technical coefficient
    C        YpKER                     Kernel extraction rate (pKER), % Ker per FFB               5.2        Technical coefficient
    C        YPKO                      PKO kernel oil per kernel extracted                        0.5        Technical coefficient
    C        CCPO                      C concentration of CPO                                     0.6        Technical coefficient
    C        CKER                      C concentration of Kernel oil                              0.6        technical coefficient
    C        FCH4Mill                  Mill emissions of CH4 expressed as CO2eq/t C extracted     0.6        Mill dependent
    C        FTransportEmissions       CO2eq emissions processing and transport , t CO2eq/t C     0.2        Depends on distance to port
    C        FBiodieselConversion      Biodiesel production per t CPO                             0.88       Technical coefficient
    C        FFossilFuelEquivalence    Biodiesel / fossil fuel diesel equivalence ratio           1          Technical coefficient
             CO2/C                     CO2/C = 44/12                                              3.67        
             N2O/N                     N2O/N = 44/28                                              1.57        
             GWPN2O                    GWP of N2O relative to CO2                                 296         
Table 2. Equations and results for the default

    Symbol                Explanation                                     Equation                                                                                                  Default 
    YOilC                 Annual oil harvest, t C/(ha.year)  :            YOilC  = YFFB * (YOER * CCPO + YpKER * YPKO * CKER ) / 100                                                2.93 
    ETotPerHa             Annual  CO2e  emissions  due  to                ETotPerHa  = Nfert * FN2O  * N2O/N * GWPN2O /1000+ (1 ‐ SPeat?) * ESoil  + SPeat?  *                      2.79 
                          production [t CO2eq/(ha.year)]                  EPeatPerDrainDepth * SPeatDrainDepth                [t CO2e ha‐1 yr‐1] 
                          Annualized Cdebt                                Annualized Cdebt = (CO2/C) * (Cbefore  ‐ Coilpalm)/ Tcycle                                                 
                          Fossil  fuel  emission  substitution  per       YFFB  *  (YOER  *  CCPO  +  YpKER  *  YPKO  *  CKER  )  *  (1  ‐  FCH4Mill  ‐  FTransportEmissions)  *     
                          ha through Phase C:                             FBiodieselConversion * FFossilFuelEquivalence 
    TPayback              Payback time [years]                       TPayback  =  max(0,  (Cbefore    ‐  Coilpalm)  *  (CO2/C)  /  (YOilC  *  (CO2/C  ‐  FCH4Mill  ‐  13.1 
                                                                     FTransportEmissions) ‐ ETotPerHa )) 
    CNetSeq_I             Net  C  sequestration  during  first  CNetSeq_I  =  (CO2/C)  *  (Cbefore    ‐  Coilpalm)/  Tcycle  +  YOilC  *(  CO2/C  ‐    FCH4Mill  ‐  2.67 
                          production            cycle          (I):  FTransportEmissions ) ‐ ETotPerHa   
    CNetSeq_II            Net  C  sequestration  during  second  CNetSeq_II  = YOilC *( CO2/C ‐  FCH4Mill ‐ FTransportEmissions ) ‐ ETotPerHa                            5.60 
                          production            cycle         (II): 
    ESubstFossiFuel_I     Fossil  fuel  emissions  substituted  by  ESubstFossiFuel_I  = CNetSeq_I  * CCPO / (FBiodieselConversion * FFossilFuelEquivalence * YOilC )    0.62 
                          biodiesel,  1st  production  cycle  (I):   
                          tCO2eq /t biodiesel 
    ESubstFossiFuel_II    Fossil  fuel  emissions  substituted  by  ESubstFossiFuel_II  = CNetSeq_II  * CCPO / (FBiodieselConversion * FFossilFuelEquivalence * YOilC )  1.31 
                          biodiesel,  2nd  (or  subsequent)   
                          production cycle (II): tCO2eq /t 
    ESubstEff_I           Fossil  fuel  substitution  efficiency  ESubstEff_I  =  ESubstFossiFuel_I  / (CO2/C)                                                           0.17 
                          CO2eq/CO2eq, 1st cycle (I)                  
    ESubstEff_II          Fossil  fuel  substitution  efficiency  ESubstEff_I  =  ESubstFossiFuel_II  / (CO2/C)                                                          0.36 
                          CO2eq/CO2eq, 2nd cycle (II)                 


2.1. Carbon debt from land use conversion 

Figure  2  capture  the  typical  trajectories  of  oil  palm  plantation  development  in  the  tropics  and  the 
associated  C‐stock  dynamics  with  each  human  activities  and  disturbances  that  might  happen.  The 
furthest  back  in  the  trajectory  is  started  with  undisturbed  natural  forest,  which  has  its  own  C‐stock 
dynamics, despite of the sequestration/growth due to natural causes such as drought and natural fire. 
Selective wood harvesting while land remains to be forested can happen recurrently over the period of 
decades, until forest reaches a very degraded state and C‐stock is significantly lower than the previous 
undisturbed state. Paths usually diverge from here; the degraded forest can be cleared due to further 
biomass harvesting and then left either as imperata grassland, planted with some tree species either for 
timber,  fibre  or  fruits,  more  intensified  croplands,  settlement  or  other  uses.  Eventually  the  imperata 
grassland areas might be converted to either of the uses as well. 

                   year                       2nd
                                            logging        Clear
                                                                                   End of 1st oil
 Carbon stock, Mg C/ha

                                                                                   palm rotation
                                                                  grass Land
                                                                   fire clearing

                         Natural forest logging cycles       Imperata     Oil palm
                                       Responsibility of entity
                                     issuing permits and/or not              Full responsibility oil
                                     monitoring implementation                 palm producers           

                                    Figure 2. Trajectories of land uses and the dynamics of C-stock

Two  issues  associated  with  the  trajectories  with  regards  to  environmental  impact  of  oil  palm  industry 
are to quantify the carbon emissions from the land conversion and to attribute which part of emissions 
to  whose  responsibilities.  Whilst  the  first  one  only  needs  technical  steps,  the  second  issue  will  take 
political negotiations among the entire stakeholders as to how far back in the trajectories and how large 
outside the plantation nucleus should the responsibility stops. This study will mainly cover the first issue 
but targeting on a longer timeframe than immediate land conversion to oil palm and larger areas than 
the nucleus boundary to accommodate the follow‐up discussions and negotiations on attribution to take 

2.2. Time­averaged C­stock of, and emissions from plantation 

Time‐averaged  C‐stock  of  plantation  estimation  is  conducted  comprehensively,  taking  into  account  all 
components  of  biomass  of  oil  palm,  soil,  preceding  necromass,  recycling  and  other  additional  organic 
inputs if applicable, from plot measurement upscaled to plantation. Estimation of N2O emission and CH4 
oxidation  from  management  regime  is  to  be  conducted  by  modelling.  This  pilot  study  covers  the 
estimation  of  time‐averaged  C‐stock  of  plantation  from  the  field  measurement  and  the  data  analysis, 
however  for  the  N2O  emission  and  CH4  oxidation  from  management  regime,  this  pilot  study  only 
identifies the data input required and prepares the modelling platform to be used.   Figure 3 illustrates 
the components of C‐stock in oil palm plantation and its time‐averaged over a planting cycle.  

                         80                      Oil palm
                         70    previous         necromass
 Carbon stock, Mg C/ha

                         50          Oil palm
                         30                               Stem:
                         20                            increment ~
                         10                               40 cm
                                           Plant/replant cycle
                               Root biomass
                         10   Soil organic matter: decomposition,
                         20   root turnover, surface inputs

Figure 3. Time-averaged C-stock in oil palm plantation from each component
3. Methodology and activities conducted in the pilot study 


The two pilot areas are located in Sumatra (Site 1) and Kalimantan (Site 2). A field trip was conducted in 
each  of  the  pilot  area  in  order  to  understand  the  systems  and  assess  the  variability  in  bio‐physical 
characteristics, land use/cover types and agricultural practices. 

In  determining  the  sampling  scheme,  we  planned  to  use  stratified  random  sampling.  The  strata  are 
decided  based  on  factors  determining  C‐stock  and  carbon  emissions.  The  original  plan  was  to  stratify 
based on: vegetation cover, soil type, actors and means of land clearing, as presented below. 

Because  of  anticipated  variation,  we  recommended  5  replicates  for  each,  i.e,  450  sample  plots.  Using 
the land cover map of most recent year, map of soil type, key informant and a focus group discussion, 
these sample plots can be identified and located randomly. 

However, this original plan is not feasible to be carried out because of the current actual land use and 
land cover systems in the field. The two landscapes of the pilot estates and their surrounding areas are 
hugely  dominated  by  oil  palm,  except  for  minor  patches  of  areas  allocated  for  conservation.  The  two 
estates  are  of  mineral  soil  only.  Site  1  has  plasma  and  is  surrounded  by  independent  smallholder 
plantation whilst Site 2’s mills is basically only dependent on their nucleus plantation for raw materials. 
The distribution and areas of independent smallholders’ oil palm production that go to the mills of Site 1 
are  difficult  to  identify  without  some  more  in‐depth  survey.  For  this  pilot  study,  with  the 
recommendation of the estate management, only nucleus and plasma area are measured for plot level 
data collection. Therefore, the number of plot samples is reduced most significantly due to this situation 
since we have almost no freedom to select plot samples. 
Table 3. Sampling design

    Factors                       Descriptions                                          Number  of  classes 
    Land cover                    •    Age of oil palm (5 classes)                      10 
                                  •    Land  cover  types  converted  to  establish 
                                       the oil palm plantation (e.g., undisturbed 
                                       forest, logged over forest, rubber garden) 
                                       ( 5 classes) 
    Soil type                     •    Mineral soil                                  3 
                                  •    Peatland (by depth if it varies a lot in the 
                                       study area (2 classes) 
    Actors                        •    Company                                       3 
                                  •    Plasma 
                                  •    Independent smallholders 
    Means of land clearing        •    Fire                                          3 
                                  •    Heavy equipment 
                                  •    Others 

3.1. Carbon debt from land use conversion 

Carbon debt from land use conversion is estimated by: 

1. looking  at  the  actual  trajectories  of  land  uses  in  the  pilot  estates  and  surrounding  area  through 
    remote sensing imagery interpretation in order to quantify changes in areas between one land cover 
    types to others within the study period. Groundtruthing (recording geo‐referenced information) of 
    current  land  use/cover  types  that  includes  all  existing  and  historical  variation  in  the  areas  was 
    conducted as part of data input of image interpretation. Key informant interviews were conducted 
    to understand the history and local contexts; 

2. estimating time‐averaged C‐stock of each of existing land use/cover types; 

3. up‐scaling  changes  of  C‐stock  to  the  whole  pilot  areas  and  sub‐regions  of  interests  (e.g.,  nucleus, 
    plasma) based on area changes and time‐averaged C‐stock of each land use/cover types. 

Despite  of  the  ideal  study  period  that  should  be  selected,  the  choices  are  largely  driven  by  the 
availability of relatively cloud‐free imageries. On the contrary to the plan, which was written prior to any 
preliminary  fieldwork,  the  existing  variation  of  land  use/cover  types  are  extremely  small.  For  the  two 
pilot areas, the landscape and vast surrounding areas are largely dominated by oil palm at present, and 
by logged‐over forest prior to the plantation establishment. The  selection of plot samples is therefore 
extremely limited and basically we are left with only the areas allocated for conservation areas within 
the estate. We have then to take an assumption that the C‐stock of current existing conservation area of 
logged‐over forests and shrubs resemble levels of C‐stock in the similar land cover types in the past. If 
the  conserved  area  is  high  in  C‐stock  compared  to  those  prior  to  plantation  establishment  then  the 
estimation  of  C‐debt  from  land  conversion  his  overestimated  and  vice  versa.  While  conceiving  the 
similarities of C‐stock levels between similar land cover presently and in the past is the best assumption 
we  can  take  under  the  unavailability  of  C‐stock  data  in  the  past,  we  have  to  keep  in  mind  that  this 
assumption may cause  uncertainty in the estimation and we need to address this during the next study 

In addressing in‐house capacity building of estate in estimating carbon emissions, the field teams in two 
pilot areas were trained in the class and in the field in conducting plot measurement of C‐stock for the 
purpose  of  estimating  time‐averaged  C‐stock  of  each  land  use  systems.  When  this  interim  report  is 
written,  trainings  on  GIS/Remote  Sensing  to  study  land  use  trajectories  and  up‐scaling  from  plot  and 
pixels to landscape are still yet to be conducted. 

3.1.1. Land use and cover trajectories 

Time  coverage,  spatial  resolution,  and  amount  of  cloud  cover  are  three  main  criteria  used  in  selecting 
the best satellite images for this study. As mentioned above, the time coverage had to cover the period 
before  and  after  plantation  establishment.  Spatial  resolution  is  the  smallest  size  of  object  in  earth 
surface  that  can  be  recognized  in  satellite  image.  Since  the  size  of  study  area  is  quite  small,  high 
resolution  satellite  image  should  be  a  good  option.  However,  historical  data  availability  is  the  main 
constraint  for  this  type  of  data.  Therefore  middle  resolution  satellite  image  such  as  Landsat  (30m 
resolution) and SPOT (20m resolution) was chosen for this study. 

Analysis of land use and cover trajectory (ALUCT) was conducted on the basis of time series land cover 
maps produced from satellite images. In the context of understanding carbon debt of Site 1 and Site 2, 
the data is required  to cover a sufficient time period of before and after plantation establishment. To 
get  a  complete  picture  of  the  area,  it  is  also  necessary  to  quantify  the  changes  in  the  plantation’s 
surrounding area. Therefore, three main outputs from the analysis are: 

1. Time series land cover maps from covering time period before and after oil palm establishment 
2. Land cover change quantification of the estate area and its surrounding 
3. Land cover trajectories for the period of analysis 
Field reference data collected during groundtruthing as part of the field work in each of the study sites is 
used  as  geo‐referenced  information  of  various  land  cover  type  in  the  field,  recorded  using  global 
positioning system (GPS) receiveres. This data serve two purposes, as guidance in image interpretation 
process and as a reference to calculate accuracy of the land cover map produced. 

ALUCT  workflow  can  be  classified  into  three  stages:  (1)  Image  pre‐processing,  (2)  Image  classification, 
and  (3)  Post  interpretation  analysis.  The  first  stage,  Image  pre‐processing,  aims  to  rectify  geometric 
distortion in satellite images using ground control point (GCP) collected from reference datasets. In this 
case, orthorectified Landsat ETM from United States Geological Survey (USGS) in each study sites is used 
as reference data. Minimum of 20 GCP were used in geometric correction, ensuring geometric precision 
of 0,5 pixel (<15m) for all images. 


                                    Figure 4. Overall workflow of ALUCT

The  second  stage  of  ALUCT  is  image  classification.  The  objective  is  to  produce  time  series  land  cover 
maps through satellite image interpretation. Object‐based hierarchical classification approach is used in 
this  stage.  In  this  approach,  image  classification  steps  begin  with  a  series  of  image  segmentation 
process. The purpose is to produce image objects, a group of pixel with a certain level of homogeneity in 
term of spectral and spatial. Image objects had to be able to represent actual feature on satellite image, 
therefore several phase of segmentation was conducted to get the required levels of detail. The result of 
these  phases  is  called  multiresolution  image  segments  which  serve  as  a  basis  for  hierarchical 
classification system. Illustration of segmentation process is showed in Figure 5. 

Following  segmentation  process,  image  classification  is  conducted  using  hierarchical  structure  showed 
on Figure 6. The hierarchy is divided into three levels, where in each level land cover types is interpreted 
using  spectral  and  spatial  rule.  Details  and  complexity  of  land  cover  types  is  increase  in  each  level, 
therefore  each  of  them  has  different  set  of  rules  applied.  Level  1  consist  of  general  classes  such  as: 
Forest,  Tree  based  system,  Non  tree  based  system  and  Non  vegetation.  These  classes  can  be  easily 
distinguished using visual inspections and simple vegetation index. Vegetation index is a ratio of spectral 
value  between  vegetation‐sensitive  channel  (near  infra  red  spectrum)  and  non  vegetation‐sensitive 
channel  (visible  spectrum)  in  satellite  image.  Result  of  Level  1  is  further  classified  in  Level  2,  this  time 
field reference data is required and Nearest Neighborhood algorithm is used to distinguished total of 9 
land cover types: forest, swamp forest, oil palm, shrub, grass, agriculture, cleared land, and settlement. 



                                           Figure 5. Segmentation process

Some of the classes in Level 2 are classified into more details in Level 3. In this level, spectral value is not 
the  only  parameters  used,  spatial  characteristic  such  as  distance  to  settlement,  proximity  to  logging 
road, forest concession, and plantation map was used as a rule in classification. Forest is classified into 
undisturbed  forest,  logged‐over  high  density,  and  logged‐over  low  density  based  on  proximity  to 
observed  logging  road,  forest  concession  map,  and  estimated  vegetation  density  derived  from 
vegetation  index  value.  Using  the  same  approach,  Swamp  forest  is  classified  into  undisturbed  swamp 
forest and logged‐over swamp forest. Oil palm area is classified into young oil palm, mature oil palm and 
old oil palm. These classes can be considered as a proxy to plantation age, in which the level of canopy 
cover is differentiated. Mature oil palm approximately relates to the beginning of productive stages, but 
before the full canopy is reached. The old oil palm relates with the stage where full canopy is reached. 
Classification is conducted based on vegetation canopy density value and detail planting maps acquired 
from Site 1 and Site 2. 

Post  classification  analysis  process  is  the  last  stage  of  ALUCT.  It  consists  of  two  processes,  accuracy 
assessment and land cover change analysis. The objective of accuracy assessment is to test the quality of 
information derived from image classification process.  It is conducted by comparing field reference data 
with the most recent land cover map produced in each site. Minimum accuracy level should be above 
80%. The last step in ALUCT is the land cover change analysis itself. 

Two  form  of  land  cover  change  analysis  is  conducted  for  each  study  site:  are‐  based  changes  analysis 
and trajectories analysis. An area‐based change is a simple analysis conducted by comparing total area 
of land cover types in each time period. This analysis will conducted in 3 analysis windows: (1) plantation 
area, (2) plasma area (if any) and (3) all area outside plantation and plasma. The result will show a clear 
indication of overall trend of land cover change in the area and its surrounding. However there are no 
information on the location and trajectories of changes provided. Trajectories analysis is conducted to 
solve  this  particular  problem.  Trajectories  of  changes  are  the  summary  of  changes  sequence  over  all 
time  period  observed  at  pixel  level.  In  the  context  of  understanding  carbon  budget  from  oil  palm 
plantation,  types  of  trajectories  is  designed  to  be  able  to  capture  changes  in  C‐stock  caused  by  land 
cover changes. Trajectories types are classified into 10 classes: 

1. Undisturbed forest to logged‐over forest to oil palm  

2. Logged‐over forest‐high density to oil palm  

3. Logged‐over forest‐low density to oil palm  

4. Undisturbed swamp forest to oil palm  

5. Logged‐over swamp forest to oil palm  

6. Non forest to oil palm  

7. Non oil palm‐related trajectories 

8. Stable forest 

9. Stable swamp forest 
10. Stable oil palm 



                                  Figure 6. Hierarchical classification structure


3.1.2. Time­averaged C­stock of existing land use types 

Based  on  the  land  cover  identification,  there  are  three  type  land  cover  systems  inside  Site  1  (oilpalm, 
shrub or young secondary forest 18 years old and logged‐over forest). Another logged‐over forest found 
in  plasma  area.  In  Site  2  we  found  logged‐over  forest  in  the  conservation  belt  along  the  river  and 
imperata grassland in the surrounding area. 

C‐stock measurement was done in 14 plots altogether in Site 1 and Site 2. In Site 1, sample plots were 
set up in young secondary forest (2 plots), logged‐over forest inside plantation (2 plots) and logged‐over 
forest  in  plasma  area  (3  plots)  (Figure  7A).  In  Site  2,  sample  plot  were  set  up  in  logged‐over  forest  (3 
plots) and imperata grassland (4 plots) (Figure 7B). 


    Figure 7. Plot sample position in Site 1 (A) and Site 2 (B) (SF = secondary forest; LOF = Logged-over
                                     forest; IMP = Imperata grassland)


Four types of carbon pool (tree biomass, necromass, understorey and litter) were measured during the 
observation. 20 m x 100 m plot was set up in each land cover with nested plot 5 m x 40 m and 0. 5 m x 
0.5 m (Figure 8). 



                                  5 m * 40 m

                           (0.5 m x 0.5 m)
                           20 m * 100 m Figure 8. Plot sample

C‐stock  can  be  derived  from  total  biomass  of  live  tree,  dead  tree  (necromass),  understorey  and  litter. 
Default  value  for  carbon  content  from  biomass  vegetation  is  46%.  Tree  biomass  was  estimated  using 
allometric equation developed by Kettering et al (2001) on the basis of stem diameter at 1.3 m above 
the ground (dbh): 

                                                 W = 0.11ρD 2+c  

where  ρ  is  the  wood  density  and  the  coefficient  c  is  based  on  the  allometrict  relation  between  tree 

height (H) and tree diameter (D);  H     = aDc  (default value for c = 0.62) 

Necromass (dead tree) was estimated through calculate dry weight material based on diameter, length 
and wood density: 

                                              DW = (π / 40) ρHD 2  

where  ρ  is  the wood  density; H  is height/length of dead tree; D is diameter  of dead  tree. The default 
value of ρ (wood density) used is 0.7 for forest and 0.62 for shrub based on previous study conducted in 
East  Kalimantan  (Lusiana  et  al.,  2005)  and  the  real  value  taken  from  the  wood  density  database 
(, if the species can be identified. 

Biomass understorey and litter were calculated based on the destructive sample from 0.5 m x 0.5 m. All 
of understorey and litter inside this plot were removed, then separated between stem and leaves before 
weighted it of fresh and dry oven 100°C 48 hours. 

Live and dead trees with more than 30 cm diameter were measured in plot 20 m x 100 m, but for 5‐30 
cm  diameter  were  measured  in  plot  5  m  x  40  m.  Trees  less  than  5  cm  diameter  is  considered  as 
understorey. A manual that covers the field protocol in detailed has been written and distributed widely 
(Hairiah et al., 2001; Hairiah and Rahayu, 2007). 

3.1.3. Up­scaling  

The  up‐scaling  step  requires  the  output  of  ALUCT  and  time‐averaged  C‐stock  of  each  land  use/cover 
types  as  the  data  input.  The  primary  step  for  calculating  carbon  density  is  substituting  land  use/cover 
classes with their associated time‐averaged C‐stock per unit area. The results can be presented as maps. 
As for carbon emission calculation we use the following formula: 

                                                ∆C = (∑i Ai x ∆Ci ) / T 

where ∆C is the total annual carbon emission at the landscape, is are land use and cover types, Aj is the 
area of land use/cover type i in the beginning of study period that was converted to oil palm during the 
study period, ∆Ci  is the difference of time‐averaged C‐stock of land use/cover type i and time‐averaged 
C‐stock of oil palm plantation per unit area, T is the length of study period. A simple spread sheet macro 
is suitable for this calculation. 

3.2. Time­averaged C­stock of oil palm plantation 

All components of biomass of oil palm, soil, preceding necromass, recycling and other additional organic 
inputs  if  applicable  are  included  in  accounting  for  C‐stock  of  oil  palm.  Therefore,  sampling  for 
measurement is designed to cover variation in factors that determine each of the components. In Site 1 
planting took place between 1989 to 1991; in this area variation in topography is quite marked. In Site 2, 
planting  takes  place  since  1997  up  to  now;  the  topography  is  flat  and  two  main  soil  types  are  found: 
inceptisol and ultisol. In both estates, management practice of empty fruit bunch application was found. 
Table 4 below presents the sampling design for the two estates. 

Table 4. Design of sampling measurement of the two sites

Site                 Block        Year           of Type of soil      Topography         Management
                                  planting (Age
                                  of palm)

                     L21          1997 (11)           Ultisol         Flat

                     M21          1998 (10)           Ultisol         Flat

                     K27          2001 (7)            Ultisol         Flat

                     K34          2005 (3)            Ultisol         Flat

                     J16          1997 (11)           Inceptisol      Flat

Site 2               M28          1998 (10)           Inceptisol      Flat

                     M38          2001 (7)            Inceptisol      Flat

                     N38          2005 (3)            Inceptisol      Flat

                     L22          1998 (10)                           Flat               With          EFB

                     N34          2000 (8)                            Flat               With          EFB

                     I6           1989 (19)                           Steep (25%)        Without EFB

Site 1               I27          1990 (18)                           Flat               With EFB

                     Plasma       1991 (17)


Sampling measurement of above and belowground of C‐stock besides was made represent the variation 
of  the  sites, was  also  made  represent  four  spatial zones  of  WaNuLCAS  model  set  up:  zone  1.  circle  or 
fertilizer application zone/weeded zone, zone 2. empty fruit bunch (EFB) application or grass zone, zone 
3. frond stack zone and zone 4. harvesting path zone, with two samples per strata per tree (Figure 9). 
In Site 2, remnants of forest necromas (whether in windrow , tree stumps or log remnants, are sampled 
in  a  transect).  Where  land‐clearing  before  planting  made  use  of  windrows  into  which  tree  and  other 
necromass  was  piled,  the  necromass  transect  length  must  be  adjusted  to  the  distance  between  two 
windrows (Figure 10). 

The  measurement  covers  above  and  belowground  C‐stock.  Aboveground  measurement  includes  litter 
production, biomass of understorey, palm biomass and necromass. In Site 1, one plot was represented 
by 48 palms, while in Site 2 was represented by 20 palms. Necromas, tree stumps or log remnants, are 
sampled in a transect. Belowground measurement includes soil bulk density at 0 – 15 cm soil depth of 
each zone, soil carbon and palm root biomass. 


                            Green              replicon
                           (or EFB)



    Figure 9. Sampling measurement of above and belowground of C-stock represent four spatial zones:
    zone 1. circle or fertilizer application zone/weeded zone, zone 2. empty fruit bunch (EFB) application
                  or grass zone, zone 3. frond stack zone and zone 4. harvesting path zone.

                                                                s   m
                                                              as 0 c
                                                           rom > 1
                                                         ec ood
                                                  res ct (w
                                               Fo nse r)
                                                tra met
                                                  d ia


                                Figure 10. Sampling measurement of necromass


In  calculating  total  biomass  of  palm,  the  total  biomass  was  partitioned  into  three  components:  trunk 
biomass, rachis biomass (including petiole) and frond bases biomass. The palm biomass was estimated 
through allometric equation. The allometric equation was developed by measuring, palm height, palm 
diameter, total number of leaf, frond base biomass and leaves biomass as shown in Table 6. Cylindrical 
shape of trunk, allow us simply use volume of cylinder to estimate trunk biomass based on measured 
data  of  trunk  diameter  and  height  and  data  of  wood  density  (Porankiewicz  et  al.,  2005).  In  Site  1,  48 
palms was measured for each block (144 palms in total), while in Site 2 10 palms was measured for each 
block (100 palms in total).  

There  is  difference  of  trunk  diameter  measurement  between  Site  2  and  Site  1.  In  Site  1,  the 
measurement was done by removing the frondbase, thus actual trunk diameter was got. While in Site 2, 
the measurement was done without removing the frondbase. Some calibration is then made in order to 
make  comparable  measurement  from  the  two  pilot  areas.  For  estimating  total  palm  above  ground 
standing  biomass,  allometric  equation  as  a  function  of  palm  height  is  developed.  Empty  fruit  bunches 
which are returned to the sites from mills are taken into account. The below ground carbon pool from 
soil and root and necromass are added to calculate total time‐averaged C‐stock, which is then upscaled 
to the whole estate area to get time‐averaged C‐stock of plantation. 

Table 5. Component of palm measured to developed allometric equation

          Parameter                                          Site 2                  Site 1

          Trunk height                                       √                       √

          Trunk diameter                                     √                       √

          Number of leaf                                     *                       √

          Rachis length                                      √                       √


          -   Diameter                                       √                       √

          -   Depth                                          -                       √

          -   Length                                         √                       -

          Cumulative frond base production DW                **                      √

          Leaf DW                                            √                       √

√ measured

* assumed number of leaf: 48 leaves (< 5 years old), 40 leaves (5 – 9 years old) and 32 leaves (> 10
years old) (pers. Comm. SMARTRI researcher, 2008)

** estimated based on Site 1 data

3.3 Activities 

Field trip to Site 1 was conducted from 6‐12 November 2008 and Site 2 from 10‐14 November 2008, by 
ICRAF  team,  IPOB  staff,  estate  senior  researchers  and  estate  field  team.  Groundtruthing  and  plot 
measurement for land use and cover types other than oil palm were conducted during the field trips as a 
join  effort  between  the  three  teams.  Trainings  for  field  teams  were  also  conducted  during  the  trip. 
Measurement protocol and sampling design were established and communicated during the trip. 
Following up to the trip, data collection within oil palm plantation was conducted by estate field team 
under the supervision and guidance of the estate senior researchers for the period of November 2008 to 
March  2009.  Data  was  sent  for  further  analysis  to  ICRAF  for  time‐averaged  C‐stock  of  oil  palm 
plantation. Literature survey was conducted as the analysis was conducted.  

For the C‐stock estimation of other land use and cover types, the 14 plot data measurement was further 
analyzed  in  ICRAF.  Remote  sensing  imagery  interpretation  and  ALUCT  were  conducted  by  ICRAF  team 
during the period of October 2008 and March 2009. ALUCT training for estate research teams are yet to 
be conducted in the future. Upscaling and synthesis were conducted in March to April 2009.  


4. Results from two pilot studies 


Figure  11  shows  the  indicative  location  of  the  two  sites  to  give  some  illustrations  of  the  historical 
differences of the two sites rather than referring to any management practices or particular companies.  


Figure 11. The two sites of the pilot study
4.1. Land cover trajectories 

Land  cover  trajectories  analysis  (Figure  12)  of  Site  1  (established  in  the  early  1990’s)  estate  clearly 
showed  that  more  than  40%  of  conversions  within  the  plantation  area  were  from  logged‐over  forest 
(Figure 13). Nearly half of it was high‐density logged‐over forest area. In plantation‐plasma area, almost 
50% of oil palm was converted from forest, with 27% of it was from high‐density logged‐over forest and 
5% from undisturbed swamp forest. In the surrounding area, 67% of oil palm was converted from forest. 
From that amount, 12% was undisturbed swamp forest and 34% was high density logged‐over forest. 













                            Figure 12. Time series land cover map of site 1 estate
                                                                              Non oilpalm‐related 
           90%                                                                trajectories
                                                                              Stable swamp forest
                                                                              Stable oilpalm
                                                                              Stable forest

                                                                              Non forest to oilpalm

           40%                                                                Log over forest‐low 
                                                                              density to oilpalm
           30%                                                                Log over forest‐high 
                                                                              density to oilpalm
           20%                                                                Log over swamp forest to 
           10%                                                                Undisturbed swamp 
                                                                              forest to oilpalm
                   Plantation area Plasma area           Image area


          Figure 13. Summary of land cover trajectories in Site 1 estate and surrounding area


In Site 2 (established in the early 2000’s), the surrounding area was still undergoing some logging activity 
(Figure 14). Conversions  from undisturbed forest to logged‐over forest is a strong indication of this on‐ 
going  process.  Conversion  to  oil  palm  was  only  located  in  less  than  35%  of  the  observed  area.  Inside 
plantation area, more than 90% of oil palm area were converted from forest, 30% of it was high density 
logged‐over forest (Figure 15). 




















    Figure 14. Time series land cover map of site 2 estate
                                                                             Non oilpalm‐related 
            90%                                                              trajectories
                                                                             Stable swamp forest
                                                                             Stable forest
                                                                             Non forest to oilpalm
                                                                             Log over swamp forest to 
            40%                                                              Undisturbed swamp 
                                                                             forest to oilpalm
            30%                                                              Log over forest‐low 
                                                                             density to oilpalm
            20%                                                              Log over forest‐high 
                                                                             density to oilpalm
            10%                                                              Undisturbed forest to log 
                                                                             over forest to
                          Image area             Plantation area

    Figure 15. Summary of land cover trajectories in Site 2 estate and surrounding area


4.2.  C­stock  estimation  in  land  covered  by  vegetation  other  than  oil  palm  at 
plot level 

Above  ground  C‐stock  in  logged‐over  forests  in  Site  1  and  Site  2  are  markedly  different.  Logged‐over 
forests  in  Site  1  contain  much  higher  number  of  large  trees  which  leads  to  much  higher  C‐stock  than 
those in Site 2, due to harvesting. It is interesting to note here that whilst the total aboveground C‐stock 
in logged‐over forest in Site 1 nucleus plantation is almost double than those in Site 2, those from living 
biomass is comparable. 


              Total Carbon stock (ton/ha)




                                                  Shrub-   Logged-over Logged-over Logged-over   Imperata-S
                                                  Buatan    Forest (in) Forest (out) forest-S      Rungau
                                                             Buatan       Buatan     Rungau

    Figure 16. C-stock from necromass and standing biomass in non-oil palm landcover within nucleus
             and plasma oilpalm plantation in Site 1 and within nucleus plantation in Site 2


4.3. Time­averaged C­stock of oil palm at plot level 

Total biomass of palm was partitioned into three components: trunk biomass, rachis biomass (including 
petiole) and frond bases biomass. The total palm biomass was estimated through allometric equation. 
The allometric equation was developed by measuring, palm height, palm diameter, total number of leaf, 
frond base biomass and frond biomass (Figure 17). 


        Figure 17. Allometric equation as a function of palm height to estimates palm biomass


Based  on  stem  diameter,  stem  height  and  frond  canopy  biomass,  aboveground  C  accumulation  in  oil 
palm biomass was estimated of about 5 t C ha per year. The aboveground time‐averaged C‐stock of oil 
palm plantation is similar between the two estates i.e., 38.8 ton ha and 39.2 ton ha respectively for Site 
1 and Site 2, with 25 years planting cycle. This calculation takes into account tree biomass and empty 
fruit bunches that are returned from the mills to the plantation (Figure 18). 

                                                           y = 5.0141x + 15.947    y = 2.6679x + 29.676
                                                                    2                    2
                                                               R = 0.8752              R = 0.8752
                      DW palm biomass (Mg ha )

                                                           y = 3.0876x + 24.3
                                                 80           R = 0.8752




                                                       0                5              10              15               20
                                                                             Age of palm (years)
                                                             This Study     Corley et al., 1971   Khalid et al., 1999

                Figure 18. Correlation between age of palm and palm biomass (Mg ha-1)
4.4. Up­scaling and carbon debt from land use conversion 

In  general  Site  1  estate's  emissions  and  sequestration  per  unit  area  are  higher  than  those  in  Site  2  in 
each of the region under study (Table 6). The sequestration per unit area in Site 2 within the estate area 
is lower than that of Site 1 because of the differences in percentage of total areas which were planted 
by the end of this study period (91% in Site 1 estate and 84% in Site 2 estate). Emissions from plasma 
areas in Site 1 are 35 % lower than that of the estate due to more conversions from land cover of higher 
C‐stock initially. 

Table 6. Annual emissions and sequestration per unit area 




5. Conclusions and next steps 


In order to address carbon debt, threes level of engagement from plantation companies could be taken, 
while international rules are still under discussion: 

    •    To avoid carbon debt, conversion should be conducted only from shrub and grassland with an 
         aboveground C stock of less than 40 ton C ha . 
    •   To reduce/minimize carbon debt, companies should set aside conservation areas which are hot 
        spots of C‐stock, to allow natural succession to happen and therefore to achieve co‐benefit of 
        biodiversity conservation as well as reducing C‐stock emission. 

    •   To neutralize, rehabilitating larger areas in different places to achieve comparable sequestration 
        or buying CER’s will be some options.  

The  next  phase  of  study  will  try  to  capturing  generalities  and  specificities  in  Indonesia,  reducing 
uncertainty  of  estimation  in  plot  and  estate  level  and  being  more  comprehensive  in  including  all 
components  such  as  transportation  and  processings,  especially  in  within  plantation  management 
through some modeling efforts. Socio‐economic impacts which are an important part of the equations 
of oil palm production in tropical countries will be studied comprehensively during the enxt phase.   



This study and report was financially supported by IPOB and the Dutch Embassy with contributions from 
ICRAF.  We  are  grateful  for  the  excellent  technical  support,  discussions,  data  collection  and 
collaborations from the estate senior researchers and estate field team.   










Chavalparit O, Rulkens W H, Mol A P J and Khaodhair S. 2006. Options for Environmental Sustainability 
       of  the  Crude  Palmoil  Industry  in  Thailand  through  Enhancement  of  Industrial  Ecosystems. 
       Environment, Development and Sustainability, 8, 2, pp. 271 – 287. 

Corley R H V, Hardon J J and Tan G Y. 1971a. Analysis of Growth of the Oil Palm (elais guinensis jacq.) 1. 
       Estimation of Growth Parameters and Application in Breeding. Euphytica 20: 307 – 315. 

Crutzen  PJ,  Mosier  AR,  Smith  KA,  and  Winiwarter  W.  2008.  N  O  release  from  agro‐biofuel  production 
       negates  global  warming  reduction  by  replacing  fossil  fuels.  Atmos.  Chem.  Phys.,  8,  389–395, 

Dewi S, Khasanah N, Rahayu S, Ekadinata A and van Noordwijk M. 2009. Carbon Footprint of Indonesian 
       Palm  Oil  Production:  a  Pilot  Study.  Bogor,  Indonesia.  World  Agroforestry  Centre  ‐  ICRAF  SEA 
       Regional Office. 

European Communities Comission, 2008. Proposal for a Directive of the European Parliament and of the 
       Council on the promotion of the use of energy from renewable sources. 

Germer  J  and  Sauerborn  J.  2008.  Estimation  of  the  Impact  of  Palm  Plantation  Establishment  on 
       Greenhouse Gas Balance. Environ Dev Sustain 10: 697 – 716. 

Hairiah, K., Sitompul, S.M., Van Noordwijk, M. And Palm, C. 2001. Methods for sampling carbon stocks 
       above and below ground. ASB Lecture Note 4B. ICRAF, Bogor, 23pp. 

Henson I E and Chai S H . 1997. Analysis of oil palm productivity. II. Biomass, distribution, productivity 
       and turnover of the root system. JOPR 9(2). 

ISO,  1997.  Environmental  Standard  ISO  14040,  Environmental  Management‐life  Cycle  Asssessment‐
       principal and Framework, Reference Number: ISO 14040: 1997 (E). 

IPCC (2001b) Climate change 2001: the scientific basis. Technical summary of the working group I report 
       , Geneva, 2001 
Khalid H’, Zin Z Z and Anderson J M. 1999. Quantification of Oil Palm Biomass and Nutrient Value in a 
       Mature Plantation. I Above‐ground Biomass. Journal of Oil Palm Research 1: 23‐32 

Pleanjai  S,  Gheewala  S  H  and  Garivait  S.  2004.  Environment  Evaluation  of  Biodiesel  Production  from 
        Palm  Oil  in  a  Life  Cycle  Perspective.  The  Joint  International  Conference  on  “Sustainable  Energi 
        and Environment (SEE)” 1‐3 December 2004, Hua Hin, Thailand. 

Porankiewicz B, Iskra P, Sandak J, Tanaka C, Jo´ z´wiak K. 2006. High‐speed steel tool wear during wood 
        cutting  in  the  presence  of  high‐temperature  corrosion  and  mineral  contamination.  Wood  Sci 
        Technol 40:673–682.  

Rahayu, S., Luasiana, B. and Van Noordwijk, M. 2004. Above ground carbon stock assessment for various 
        lan  use  systems  in  Nunukan,  East  Kalimantan.  In:  Lusiana,  B.  et  al  (eds.).  2005.  Carbon  Stocks 
        Monitoring in Nunukan, East Kalimantan: A Spatial and Modelling Approach. World Agroforestry 
        Centre. p: 21‐34 

Suhaimi  M  and  Ong  H  K.  2001  Composting  Empty  Fruit  Bunches  of  Oil  Palm.  Malaysian  Agricultural 
        Research       and      Development         Institute     (MARDI).        Kuala      Lumpur.       Malaysia. 7 April 2009. 

Van  Noordwijk,  M.,  Rahayu,  S.,  Hairiah,  K.,  Wulan,  Y.C.,  Farida,  A.  and  Verbist,  B.  2001.  Carbon  stock 
        assessment for a forest‐to‐coffee conversion landscape in Sumberjaya (Lampung, Indonesia: from 
        allometric equation to land use change analysis, Science in China, 45: 75‐86. 

van  Noordwijk  M,  Lusiana  B.  1999.  WaNuLCAS,  a  model  of  water,  nutrient  and  light  capture  in 
        agroforestry systems. Agroforestry Systems 43: 217‐242. 

van  Noordwijk  M,  Lusiana  B,  Khasanah  N  .2004.  WaNuLCAS  3.01:  background  on  a  model  of  Water, 
        Nutrient and Light Capture in Agroforestry Systems. Bogor, Indonesia. World Agroforestry Centre 
        ‐ ICRAF, SEA Regional Office. 246 p. 

Van Noordwijk, M. 2009.Biofuel Emission Reduction Estimator Scheme (BERES): Land use history, 
        current production system and technical emission factors. Flyer. 


To top