1 | P a g e  

 

Lead Authors: Michelle Venter Wouter Dieleman David Gillieson Anurag Ramachandra Michael Bird 

   

Carbon stocks of the YUS Conservation Area 

2 | P a g e  

Contributing Authors: Bruce Beehler, Lisa Dabek, Will Edwards, Bega Inaho, Banak Gamui, Rigel Jensen, Andrew Krockenberger, Karau Kuna, Susanne Laurance, Stephen McKenna, Miriam Murphy, Tony Page, Timmy Sowang, Oscar Venter and Mark Ziembicki  

Cover photo top to bottom:  

a. Fallowed garden outside YUS Conservation Area b. Landholders measuring tree circumference during participatory biomass inventories in the YUS Conservation Area c. Anthropogenic grasslands adjacent to the YUS Conservation Area, fire set by passer‐by d. Landholder holding fruit of the Pandiumedule tree, in local Mato language the tree is named Matip e. (background) Aerial view of patches of forest and grasslands maintained by fire in the area surrounding the YUS Conservation Area    Citation: Venter M., Dieleman W.I.J., Gillieson D., Ramachandra A., Bird M.I.1 (2012) Carbon stocks in the YUS Conservation Area. James Cook University, Cairns Australia 

 

 

 

Contact Person: Michael Bird (Michael.Bird@jcu.edu.au) 

School of Earth and Environmental Science and  Centre for Tropical and Environmental Sciences James Cook University PO Box 6811 Cairns Queensland 4870 Australia Tel: +61 74042 1137     

Disclaimer

The results of this report are part of an ongoing study of carbon stocks in the YUS area. As the study progresses, 

information on  identification of tree species, wood specific density and coarse woody debris, and possibly soil 

carbon in non‐forest land‐uses, will serve to refine carbon stocks presented in this report. The carbon stocks are 

based on the available data at the time of publication and may change in the future. 

   

3 | P a g e  

ACKNOWLEDGEMENTS

This work was made possible by the funding provided by KFW Bankengruppe; we thank the organization and  its staff 

for the opportunity to carry out this work. 

We would particularly  like  to  thank  the  Landholders of  the  YUS  area,  for without  their  generosity,  knowledge  and 

support, we would not have had  such  successful  field campaigns. We would  like  to express our gratitude  to all  the 

people  of  YUS  who  allowed  us  to  work  on  their  land,  who  worked  as  field  assistants,  and  who  provided 

accommodation and food and shared their skills and knowledge. We thank the Community Based Organization (CBO) 

of the YUS Conservation Area for promoting conservation and climate change  initiatives and acting as a platform for 

information exchange between the many actors and organizations in YUS.  

We would  like  to  give  a  special  thanks  to  the  team  at  the  Tree  Kangaroo  Conservation  Program  (TKCP)  for  their 

tremendous dedication and for providing advice and assistance with logistics; without their enthusiasm, hard work and 

continuous engagement with YUS communities, our work  there would have been  impossible. We would also  like  to 

thank Conservation International (CI) for providing technical support, access to 1ha permanent sample plots (PSP), for 

their initiative in building bush camps and maintaining trails. Principally, we would like to thank Bruce Beeler for taking 

the time to show us the bush ropes. 

We would  like  to extend a  special  recognition  to Timmy and Barbara Sowang  for  their ongoing commitment  to  the 

project. Their dedication to the YUS Conservation Project, their hospitality and friendship has made our time spent in 

the field enjoyable. Thank you Timmy for your help  in training  local  landholders, for organizing the bush  logistics and 

for  leading  field  teams during participatory biomass  inventories. Also,  thanks  to  the  following people  for help  in  the 

field; Clant (Ray) Alok, Kylie Anderson, Kasbeth Evei, Richard Hopkinson, Bega Inaho, Banak Gamui, Anton Lata, Mireia 

Torello‐Raventos and Oscar Venter; your help has been tremendous. 

Special  thanks  to Bruce Beehler, Lisa Dabek, Will Edwards, Bega  Inaho, Banak Gamui, Rigel  Jensen, Andrew 

Krockenberger,  Karau  Kuna,  Susanne  Laurance,  Stephen  McKenna,  Miriam  Murphy,  Tony  Page,  Timmy 

Sowang, Oscar Venter and Mark Ziembicki for your input in this report. 

4 | P a g e  

TABLEOFCONTENTS

Acknowledgements ............................................................................................................................. 3 

Abbreviations and definitions ............................................................................................................. 7 

Executive summary ............................................................................................................................. 8 

1.  Introduction .............................................................................................................................. 13 

2.  Methods .................................................................................................................................... 16 2.1 Study sites ............................................................................................................................................ 16 2.2 Above ground biomass ......................................................................................................................... 20 

2.2.1 Biomass inventories ............................................................................................................................... 20 2.2.3 Forest structure ..................................................................................................................................... 21 2.2.3 Wood density ......................................................................................................................................... 22 2.2.4 Allometric equations .............................................................................................................................. 22 2.2.5 Below ground living biomass ................................................................................................................. 23 

2.3 Soil organic carbon ............................................................................................................................... 24 2.4 Total carbon stocks .............................................................................................................................. 29 2.5 Role of local landholders ...................................................................................................................... 30 

3.  Results and discussion ............................................................................................................... 31 3.1 Above ground forest carbon stocks ...................................................................................................... 31 3.2 Soil organic carbon (SOC) ..................................................................................................................... 36 3.3 Soil carbon storage in grassland and forest soils ................................................................................... 40 3.4 AGC and SOC along the elevation gradient ........................................................................................... 42 3.5 Standing C stocks for different land‐cover classes ................................................................................. 43 

3.5.1 Carbon density across YUS ..................................................................................................................... 44 3.5.2 Land cover extent in YUS ....................................................................................................................... 47 

3.6 Comparison of AGC with other PNG data sets ...................................................................................... 49 3.7 Options for carbon sequestration in YUS .............................................................................................. 50 

3.7.1 Option 1: Protecting lowland primary forest ......................................................................................... 51 3.7.2 Option 2: Converting grasslands to forest by assisted natural regeneration ........................................ 53 3.7.3 Option 3: Converting non‐forest to shade coffee plantations .............................................................. 54 

4.  Concluding remarks ................................................................................................................... 57 

5.  Appendices ................................................................................................................................ 61 Appendix 1 Equations ................................................................................................................................ 61 Appendix 2 Mean wood density values in each elevation category ............................................................ 62 Appendix 3 Comparison of SOC in other elevation transects ...................................................................... 63 Appendix 4 Tree species in regrowth land cover (work in Progress) ............................................................ 64 Appendix 5 Aligning carbon sequestration options with Landscape Management plan in YUS ................... 65 

6.  References ................................................................................................................................. 66 

 

5 | P a g e  

LISTOFFIGURES

FIGURE 1 YUS LANDSCAPE. GREEN DEMARCATES THE CONSERVATION AREA, DOTTED LINE DEMARCATES THE PROJECT LANDSCAPE AND THE RECTANGLE 

DEMARCATES THE BROADER AREA OF INTEREST AS DEFINED BY CI .................................................................................................... 17 

FIGURE 2 SCHEME OF A BIOMASS INVENTORY PLOT. STEM SIZES WERE RECORDED IN NESTED SUBPLOTS; LARGE STEMS (DBH ≥50CM) IN 20 X 50M, 

MEDIUM STEM (DBH 20‐49CM) WITHIN 20 X 30M PLOTS AND SMALL STEMS (DBH 5‐10CM) WITHIN 10 X 10M PLOTS ............................ 21 

FIGURE 3 SCHEMATIC REPRESENTATION OF SAMPLING LOCATIONS ALONG THE ELEVATIONAL GRADIENT. NINETY ONE FOREST LOCATIONS (54 IN 1HA 

PLOTS AND 37 IN OTHER FOREST PLOTS) AND 14 GRASSLANDS SITES WERE SAMPLED. FOREST SAMPLING LOCATIONS ARE CLUSTERED 

ACCORDING TO THE 1HA PLOT NUMBER (I.E. SITE 6 TO 14). ONE CLUSTER CONTAINS SIX LOCATIONS IN EACH HECTARE PLOT AND 3‐6 

ADDITIONAL FOREST LOCATIONS WITHIN 200M ALTITUDE DIFFERENCE RELATIVE TO THE 1HA PLOT. GRASSLAND SITES ARE IDENTIFIED BY THE 

NAME OF THE CLOSEST VILLAGE. ............................................................................................................................................... 26 

FIGURE 4 SCHEME OF SOIL SAMPLING PROFILE ...................................................................................................................................... 27 

FIGURE 5 TOPOGRAPHIC MAP OUTLINING THE TRANSECT FROM SEA LEVEL TO 3100M .................................................................................. 31 

FIGURE 6  ABOVE GROUND CARBON VALUES FOR 179 PRIMARY FOREST PLOTS ACROSS A 3100M ELEVATION GRADIENT. AGB VALUES VARIED GREATLY 

BETWEEN PLOTS. ................................................................................................................................................................... 32 

FIGURE 7 ABOVE GROUND CARBON STOCKS IN PRIMARY FOREST AND HOW THEY VARY WITH ELEVATION. ABOVE GROUND BIOMASS WHERE HIGHEST AT 

LOW ELEVATIONS AND AT MID‐MONTANE ELEVATIONS, UNEXPECTED DIPS OCCURRED BETWEEN 1400 AND 1800M. ERROR BARS ARE ONE 

STANDARD DEVIATION OF THE MEAN ......................................................................................................................................... 34 

FIGURE 8 ABOVE GROUND CARBON IN UNDISTURBED (RED BARS) AND IN SITES WITH NATURAL DISTURBANCES (GREEN BARS) ............................... 36 

FIGURE 9 RELATIONSHIP BETWEEN SOIL ORGANIC CARBON (SOC) STOCKS AND TOPOGRAPHIC VARIABLES. DATA DISPLAYED ARE THE RELATIONSHIP OF 

ALTITUDE WITH SOIL ORGANIC CARBON (SOC) STOCKS (A), OF ALTITUDE WITH SLOPE (B), OF SLOPE WITH SOC STOCKS (C), AND THE 

RELATIONSHIP BETWEEN ALTITUDE AND SOC STOCKS FOR EAST ASPECT SITES (WHITE CIRCLES) AND WEST ASPECT SITES (BLACK DOTS). 

SIGNIFICANT LINEAR CORRELATIONS AND ANCOVA DIFFERENCES FOR SLOPES AND GROUP MEANS ARE CONSIDERED SIGNIFICANT AT 

P<0.05.AND SOIL CHARACTERISTICS (SOIL DEPTH, PH AND TEXTURE). MANY ENVIRONMENTAL VARIABLES WERE ALSO CORRELATED TO EACH 

OTHER, INDICATING A STRONG COVARIANCE OF DRIVER VARIABLES ALONG OUR ELEVATION GRADIENT. ................................................... 39 

FIGURE 10 RELATIONSHIP BETWEEN ALTITUDE AND SOIL C STOCKS FOR THE 100CM PROFILE IN GRASSLAND (RED CIRCLES) AND FOREST (WHITE 

CIRCLES) PLOTS. THE P‐VALUE AND R2‐VALUE OF THE INDIVIDUAL LINEAR REGRESSIONS ARE GIVEN. SIGNIFICANT CORRELATION IS ASSESSED AT 

P<0.05. P‐VALUES FOR ANCOVA ANALYSIS ARE GIVEN TO ASSESS DIFFERENCES BETWEEN MEANS AND SLOPES OF BOTH REGRESSIONS. 

STATISTICAL DIFFERENCES ARE CONSIDERED AT P<0.05 ................................................................................................................ 40 

FIGURE 11 RELATIONSHIP BETWEEN ALTITUDE AND BULK DENSITY CORRECTED SOIL C STOCKS FOR THE 30CM PROFILE IN GRASSLAND (RED CIRCLES) 

AND FOREST (WHITE CIRCLES) PLOTS. THE P‐VALUE AND R2‐VALUE OF THE INDIVIDUAL LINEAR REGRESSIONS ARE GIVEN. SIGNIFICANT 

CORRELATION IS ASSESSED AT P<0.05. P‐VALUES FOR ANCOVA ANALYSIS ARE GIVEN TO ASSESS DIFFERENCES BETWEEN MEANS AND SLOPES 

OF BOTH REGRESSIONS. STATISTICAL DIFFERENCES ARE CONSIDERED AT P<0.05 ................................................................................. 42 

FIGURE 12 AVERAGE CARBON STOCKS IN ABOVE GROUND POOL (GREEN) AND SOIL ORGANIC POOL (BROWN) AT NINE ELEVATION CLUSTERS ............ 43 

FIGURE 13  YUS VEGETATION MAP DERIVED FROM 2009 SATELLITE IMAGERY (GILLIESON ET AL. 2011) .......................................................... 47 

6 | P a g e  

 

LISTOFTABLES

TABLE 1 DESCRIPTION OF ENVIRONMENTAL FACTORS OF NINE ELEVATION CLUSTERS (FROM 50M TO 3100M IN THE YUS CA .............................. 19 

TABLE 2 CORRELATION BETWEEN DIFFERENT LAND COVER CLASSIFICATION AND TYPE OF ASSESSMENT CARRIED OUT IN THE FIELD; ABOVE GROUND 

CARBON (AGC) AND SOIL ORGANIC CARBON (SOC) ..................................................................................................................... 29 

TABLE 3  NATURAL DISTURBANCES, MEAN STRUCTURAL PARAMETERS AND AGC VALUES FOR PRIMARY FOREST AT NINE ELEVATION CLUSTERS (50‐

3100M) IN YUS CA .............................................................................................................................................................. 33 

TABLE 4 SUMMARY OF PAIRWISE LINEAR CORRELATION ANALYSIS FOR ALL CONSIDERED VARIABLES AFFECTING FOREST SOC STOCKS. CORRELATIONS 

ARE CONSIDERED STATISTICALLY SIGNIFICANT AT P<0.05 ............................................................................................................... 38 

TABLE 5 SUMMARY OF ABOVE GROUND AND SOIL ORGANIC STOCK ASSESSMENT FOR NINE LAND COVER TYPE IN THE YUS CONSERVATION AREA, 

INCLUDING BELOW GROUND BIOMASS CARBON USING THE CAIRNS EQUATIONS .................................................................................. 45 

TABLE 6 YUS LANDSCAPE CARBON STOCKS (OUTSIDE AND INSIDE CONSERVATION AREA) BY VEGETATION CLASS. EXTRAPOLATION OF PLOT‐LEVEL 

ESTIMATES ACROSS THE YUS LANDSCAPE USING HIGH‐RESOLUTION FOREST MAPPING. MT MEANS MILLION METRIC TONNES. ..................... 48 

TABLE 7 COMPARISON OF ABOVE GROUND CARBON FROM DIFFERENT STUDIES IN PNG ................................................................................ 49 

TABLE 8 OPTIONS AVAILABLE FOR CARBON ENHANCEMENT ACROSS THE YUS LANDSCAPE .............................................................................. 51 

TABLE 9 DEFORESTATION ACROSS THE YUS LANDSCAPE MODIFIED FROM BROOKS AND RAMACHANDRA (2012) ............................................... 52 

TABLE 10 ALLOMETRIC USED TO CALCULATE ABOVE GROUND BIOMASS. AGB ABOVE GROUND BIOMASS IS DRY BIOMASS IN KG. AGC (CARBON) 

VALUES ARE OBTAINED BY MULTIPLYING AGB VALUES BY 0.5 ......................................................................................................... 61 

TABLE 11 MEAN WOOD SPECIFIC DENSITY AND STANDARD DEVIATION AT EACH ELEVATION. NOT ALL STEMS HAD DENSITY VALUES THIS TABLE 

DEMONSTRATE THE PROPORTION OF STEMS THAT HAD AN ASSOCIATED VALUE. .................................................................................. 62 

TABLE 12 COMPARISON OF SOC STOCKS IN OTHER TRANSECTS ................................................................................................................ 63 

TABLE 13 COMMON SPECIES IN EACH LAND TYPE, IN ORDER OF HIGHEST BASAL AREA FROM EACH LAND USE TYPE .............................................. 64 

TABLE 14  GOALS WITHIN YUS LANDSCAPE PLAN THAT POTENTIALLY OVERLAP WITH CARBON SEQUESTRATION ................................................. 65 

 

7 | P a g e  

ABBREVIATIONS AND DEFINITIONS

AGB  above ground biomass  

Estimated dry mass of live and dead stems including trees, palms, lianas and tree ferns 

AGC  above ground carbon 

Estimated carbon content of live and dead stems including trees, palms, lianas and tree ferns 

C  carbon 

CBO  community based organization 

CI  Conservation International 

CO2  carbon dioxide 

BA  basal area 

BGC  below ground Carbon 

Estimated carbon content of roots based on AGC 

dbh  diameter at breast height 

ha  hectare 

LULUCF  land use, land use change and forestry 

m.a.s.l  meters above sea level 

MgC ha‐1  mega grams of Carbon per Hectare. A mega gram is a metric tonne 

PNG  Papua New Guinea 

PSP  permanent sample plot (1 ha) 

REDD+  Reducing  Emission  from  Deforestation  and  forest  Degradation  and  enhancement  of 

SD  standard deviation 

SOC   soil organic carbon 

TKCP  Tree Kangaroo Conservation Project 

YUS CA  Yopno‐Uruwa‐Som Conservation Area 

   

8 | P a g e  

EXECUTIVE SUMMARY

Objective 

The primary objective of  this  report  is  to assess  carbon  stocks across  the different main  land  cover 

types in YUS. These assessments will complement the remote sensing vegetation classification for the 

region  carried  out  by Gillieson  et  al.  (2011). We  aimed  to  provide  representative  carbon  stocks  by 

sampling primary forests across a broad environmental cline.  Additionally, we measured carbon stocks 

in secondary forest, shade coffee plantation, fallowed gardens and anthropogenic grasslands to inform 

future land‐use management for increased carbon sequestration.  

Methods 

Above Ground Carbon (AGC) and Soil Organic Carbon (SOC) were measured  in primary forest at nine 

elevation  clusters  from  50  to  3100m.a.s.l.  To measure AGC,    a  total of    179 plots were  set  in  four 

primary forest types, 11 plots in fallowed gardens, 17 in secondary forests plots, and in 10 shade coffee 

plantations.  SOC  stocks  were  sampled  and  assessed  from  91  primary  forest  sites  and  in  14 

anthropogenic grasslands sites  in and around the YUS CA. To extrapolate total standing stocks  in the 

YUS conservation area, we used  the mean AGC and SOC densities,  including an estimation of below 

ground living biomass (BGB), for each major land cover type. 

Main findings 

1. Above ground carbon forest stocks are extremely variable in YUS. This variability reflects the 

rugged topography and the broad range of environmental conditions across the YUS landscape.  

We recommend that unbiased stratified sampling at landscape‐scale be employed for future 

monitoring of carbon stocks (section 3.1). 

2. Large trees are an important carbon store in YUS. Even though large trees (dbh > 50cm) consisted 

of only 4% of trees measured, they contained 58% of the above ground carbon overall and 65% in 

Lowland forest. Safeguarding large trees within the conservation area could be a priority carbon 

management strategy (section 3.1) 

9 | P a g e  

3. Both above ground carbon and soil organic carbon are important components of the carbon store 

in YUS. At the lowest elevation, 87% of the carbon is stored in above ground carbon, while at higher 

elevation only 40% of carbon is found in above ground carbon, while the bulk of carbon is found in 

soil organic carbon to 1m in depth. Because elevation had a strong but opposing effect on above 

ground carbon and soil organic carbon, total carbon stocks did not change markedly with elevation 

(Section 3.2 & 3.3). 

4. We found that soil carbon stocks were higher in forest compared to grassland at similar elevations. 

This finding is important because the effect of reforestation on grasslands on soil carbon is 

debated, and in some cases can cause depletion in soil carbon (Guo and Gifford 2002). Whereas 

reforestation of some grasslands in YUS might not only increase biomass carbon but also  soil 

carbon (Section 3.4) 

5. Total carbon stocks were calculated by adding above ground carbon, soil organic carbon and 

belowground carbon. We found that primary forest across YUS stored on average 341MgC ha‐1. 

Lower montane forest (1000‐2000m.a.s.l.) had the lowest densities at 256 MgC ha‐1, while, at 

396MgC ha‐1, mid‐montane (2000‐2800m.a.s.l.) forest stored the most carbon of any primary forest 

(section 3.5.1) 

6. Old secondary forests had above ground carbon stocks of 139MgC ha‐1, the highest amongst the 

anthropogenic land‐uses. The young secondary forest had low AGC stocks (22MgC ha‐1). Shade 

coffee plantations had relatively high above ground carbon densities (131MgC ha‐1), compared with 

fallowed gardens that stored only 77MgC ha‐1 (Section 3.5.1) 

7. The YUS landscape covers approximately 182,000ha, and 43% of this area is located within the 

Conservation Area (77 500ha). Primary forest is the dominant land cover in the YUS landscape, and 

both inside and outside the conservation area had an equal primary forest cover of 70% (section 

3.5.2) 

8. We estimated the stocks of the YUS landscape at 50.1 Million tonnes of carbon in 2009, and of that, 

21 million tonnes of carbon were found inside the YUS Conservation Area. The bulk of the carbon 

10 | P a g e  

was found in mid‐montane forests, they are the dominant land cover and they store more carbon 

in total than all other land cover types combined (Section 3.5.3) 

9. The forests of YUS contain higher above ground carbon stocks than all previous estimates reported 

for PNG. To our knowledge, this is the first study to report forest carbon stocks across broad 

environmental gradients and the first study to above ground carbon in upper montane forest 

(Section 3.6). 

10. The following options have been identified as the best strategies to reduce carbon emissions and 

increased carbon sequestration in YUS (Section 3.7): 

a) Forest protection: Although deforestation rates have been very low in the lowlands of YUS, on 

average 4.8 ha per year from 1990‐2008 (Brooks and Ramachandra 2012), future threats from 

logging are imminent and should not be ignored.   The protection of forest from clearance 

should be prioritized in the lowland forests of YUS. Lowland forests store the highest above 

ground biomass (248 ± 140MgC ha‐1) and they are the most threatened by logging. At present 

28% of lowland forest is gazetted under YUS Conservation Area, allowing for substantial 

additional forest protection (up to 20,000ha containing about 5 million tonnes of above ground 

carbon). There is thus great potential for further forest protection. As a measure to secure 

significant carbon stocks, we recommend to plan for emissions avoidance on future threats 

rather than on past emissions (section 3.5.1). 

b) Assisted natural regeneration: Converting anthropogenic grasslands to forest through assisted 

natural regeneration is an ambitious land management strategy but it may hold the greatest 

potential for additional carbon sequestration in YUS. If 10% of grasslands were set aside and 

managed for assisted natural regeneration, about half a million tones could be sequestered in 

30 years, based on our calculations, this could incur benefits of about $170,000 per year for 30 

years (section 3.5.2). 

c) Shade coffee plantation in grasslands: although it this option will accrue lower carbon 

sequestration benefits, this is probably the most broadly viable option for in YUS. It holds 

multiple benefits and landholders have recently shown interest in establishing new coffee 

11 | P a g e  

plantations. If 3000 hectare of shade coffee were planted in grasslands, c sequestration could 

sustain additional benefits of $117,000 per year for 30 years based on our assumptions. 

However, if existing forest area is cleared for coffee plantations, this will have an adverse effect 

on carbon stocks in YUS; therefore we recommend thoughtful land‐use planning in close 

collaboration with landholders (section 3.5.3). 

11. For the moment, the best option for REDD+ in YUS might not come from reducing emission from 

deforestation, as the deforestation rate are low in YUS compared to elsewhere in PNG.  

Nonetheless there is ample scope to increase carbon sequestration in YUS. Our results have shown 

that landscapes such as coffee plantations and secondary forests store significantly more carbon 

than grasslands and there may be sufficient areas of grasslands suitable for reforestation. We 

believe that the YUS Conservation Area and the landscape surrounding it holds potential for a 

REDD+ project in PNG. The YUS area has set of unique conditions, coupled with land tenure 

agreements, considerable capacity building and baseline research that might maximize the 

circumstances to making REDD+ a viable option (Section 4).  

   

12 | P a g e  

Photo 1 Lowland forest of YUS, found between 0‐1000m.a.s.l. 

Photo 2 Lower montane forest of YUS, found on steep topography between 1000‐2000m.a.s.l 

 

13 | P a g e  

 

Photo 3 Large tree found in mid‐montane forest of YUS, found between 2000‐2800m.a.s.l 

 

Photo 4 Upper montane forest of YUS, found above 2800m.a.s.l 

1. INTRODUCTION

14 | P a g e  

Tropical forests play an important, but complex, role in the global carbon cycle. On the one hand, they 

store more carbon than any other terrestrial ecosystem (Dixon et al. 1994, Phillips et al. 1998, Pan et 

al.  2011);  on  the  other  hand,  tropical  forest  loss  is  responsible  for  18%  of  anthropogenic  carbon 

emissions  (van  der Werf  et  al.  2009;  Canadell  and  Raupach  2008; UNFCCC  2009).  In  the  efforts  to 

include tropical forest in the fight to curb climate change, there is increasing support to protect forest 

by  giving  a  market  value  to  the  carbon  stored  within  them.  REDD+  (Reducing  Emissions  from 

Deforestation  and  Forest  Degradation,  plus  the  conservation,  sustainable  management  and 

enhancement  of  forest  carbon  stocks)  is  so  far  the  most  promising  (Venter  and  Koh  2011).  The 

objective of REDD+ is to provide support and incentives to reduce net forest C emissions in developing 

countries. REDD+ has  two basic  strategies;  the  first  is  to  reduce emissions by protecting  forest,  the 

second  is  to  increase  forest  carbon  stocks  through  active  management,  such  as  reforestation  or 

afforestation. Both strategies require sound knowledge of carbon stocks in present or potential future 

forests (Gibbs et al. 2007).  

Papua New Guinea (PNG) could potentially benefit from REDD+ opportunities, given the importance of 

the  emissions  from  deforestation  and  forest  degradation  in  the  country.   More  than  40%  of  the 

country’s  anthropogenic  carbon emissions  are produced by  logging  alone  (Bryan et  al. 2010, CDIAC 

2011). PNG contains ca. 28 million ha of primary tropical forests, covering about 70% of its land surface 

(Shearman et al. 2009). PNG’s forests are part of one of the world’s  largest remaining tracts of  intact 

tropical forest (Brooks et al. 2006, Keenan et al. 2011). Deforestation rates in PNG are estimated at 0.8 

to  1.8%  per  year,  resulting  in  the  loss  of  5 million  hectares  of  forest  in  the  past  three  decades 

(Shearman et al. 2008). Moreover,  

15 | P a g e  

However, PNG has had little on‐the‐ground assessment of the carbon stored within its forest (Bryan et 

al. 2011). Therefore, major sources of uncertainty about tropical forest carbon stocks exist (Fox et al. 

2010; Bryan et al. 2011). The realization of a sound carbon accounting scheme  in PNG, as well as the 

setting of priority areas for REDD+, will depend on an  improved understanding of how carbon stocks 

vary  across  landscapes  as well  as  the  potential  for management  actions  to  increase  carbon  stocks 

within that landscape (Shearman et al. 2009, Bryan et al. 2010, Fox et al. 2010; Gibbs et al. 2007).  

In  PNG,  landscapes  are  often mosaics  with  shifting  boundaries  between  forest  primary  canopies, 

secondary or degraded forests, low intensity agriculture (shifting agriculture), shade coffee plantations, 

anthropogenic grasslands and small scale agroforestry  (Hett et al. 2012). These different  land covers 

store  carbon  to  different  extents,  as well  as  provide  biodiversity  and  livelihood  benefits  of  varying 

degrees. As such, exploring the trade‐offs and synergies between various land management options is 

essential. The successful implementation of REDD+ is reliant upon realistic management interventions, 

that  is,  interventions  that  take  into  account  conflicting  objectives  such  as  reducing  emission  from 

forest loss and ongoing demands for food, timber and livelihood improvements.  

The primary objectives of this report are to (1) sample representative biomass and soil carbon stocks in 

major vegetation classes of the YUS landscape identified by previous remote sensing analyses (Gillieson 

et al. 2011),  (2) calculate YUS ecosystem’s carbon stocks by vegetation class and  (3) to  interpret this 

information  to help guide  future  land‐use management  from  increased carbon  sequestration and  to 

explore realistic options for REDD+ projects in YUS. 

16 | P a g e  

 

 

Photo 5 Village near the YUS Conservation Area 

2. METHODS

2.1 Study sites 

The  study  was  conducted  in  the  Yopno‐Uruwa‐Som  Conservation  Area  (YUS  CA)  located  in  the 

Saruwaged range in the Morobe province of PNG (6°04’S, 146°48’E) (Figure 1). The YUS CA, gazetted in 

2009, covers 76, 000 ha of  land and  is composed of parcels of  land that have been pledged by  local 

landholders and clans in the area for biodiversity conservation.  The conservation area was previously 

part of traditional hunting grounds that belong to five language groups. The pledged land is still under 

customary ownership, but logging and hunting are now illegal under the PNG Conservation Act (1978).  

17 | P a g e  

 Figure 1 YUS landscape. Green demarcates the conservation area, dotted line demarcates the project landscape and the rectangle demarcates the broader area of interest as defined by CI 

 

Tropical  humid  forest  is  the  dominant  ecosystem  in  the  YUS  landscape,  covering  70%  of  the 

conservation area and the YUS  landscape. Forests are dominant  from sea  level to 3100m and alpine 

grasslands  are  found  above  this  elevation.   Other  land  cover  types  in  YUS  include  frequently burnt 

anthropogenic grasslands, disturbed and secondary  forests, and a mix of shifting and more  intensive 

agriculture, shade coffee plantations, cocoa plantations and small scale agroforestry plots.  

18 | P a g e  

 

Photo 6 Mosaic of land‐cover types in YUS (photo by Tony Page) 

 

Field campaigns were carried out between August 2010 and May 2012. Forest carbon stocks (AGC and 

SOC) were  assessed  along  a  3100m  elevational  transect.  The  transect  follows  a  forested  ridge  that 

changes  from coastal alluvial  forest and  lowland hill  forests  (less 1000m m.a.s.l),  to    lower montane 

forest (1000 – 2000 m.a.s.l), mid‐montane forest (2000‐2800) and upper montane forest (2800m‐3100 

m.a.s.l; see Table 1). We also measured above ground carbon stores in secondary and disturbed forest, 

shade  coffee  plantation,  fallowed  gardens  and  measured  soil  organic  carbon  in  anthropogenic 

grasslands. 

The  climate  in  YUS  is perhumid, with only  2 months  a  year  receiving  less  than  100 mm  rainfall on 

average. Mean annual precipitation ranges between 2600mm in the lowlands to 4200mm in the upper 

montane forest (WorldClim; Hijmans et al., 2005). Mean annual temperatures decrease by about 5.4˚C 

per  1000 m  of  elevation,  ranging  from  26˚C  at  50m.a.s.l.  to  6˚C  at  3100 m.a.s.l.  According  to  the 

PNGRIS  database  (Bryan  et  al.    2008),  soils  at  the  lowland  sites  are  classified  as  Hapludolls  and 

Rendolls, soils  in  lower montane forest are classified as Troporthents, and the upper montane forest 

soils are  classified as Cryorthents  (Table 1).  Some of  the  lower montane  sites had  relatively  thin A‐

19 | P a g e  

horizons overlaying mixed  layers of weathered mineral  soil and  regolith  in  the  top 50‐70cm. At  the 

higher  sites, evidence of B‐horizon  formation was emerging. The bedrock  consists of  limestone and 

mudstone, except on  the alluvial plain  (0‐100m.a.s.l.) where  there  is a  limestone‐derived  soil with a 

50cm A‐horizon directly sitting on alluvial deposits. 

Table 1 Description of environmental factors of nine elevation clusters from 50m to 3100m in the YUS CA 

 ¥WorldClim ‐Hijmans et al. (2005);  фPaijmans (1976); ¥PINGRIS database, Bryan and Shierman (2008) All sites have a limestone or mudstone parent material, except for at elevation 50m which are located on alluvial deposits 

 

Elevation clusters (m.a.s.l) 

Elevation sampled (m.a.s.l) 

MAP (mm)¥ 

MAP driest quarter (mm) 

MAT (˚C) 

Minimum MAT (˚C) 

Soil Type¥  AGC plots surveyed 

 SOC sites sampled 

50 50‐ 111 

2600  301  26  21  Hapludolls  14  9 

600 475‐ 650 

2800  270  23  19  Troporthents  15  10 

800 650‐ 1031 

2900  296  22  16  Rendolls  19  11 

1400 1300‐1499 

3200  314  19  14  Rendolls  18  10 

1800 1750‐1930 

3500  328  16  12  Rendolls  18  10 

2200 2210‐2223 

3650  331  14  11  Rendolls  25  10 

2400 2244‐2500 

3800  341  13  9  Troporthents  22  12 

2800 2775‐2900 

4100  362  11  7  Rendolls  30  10 

3000 2911‐3100 

4200  378  10  6 Dystropepts,Cryorthents 

17  9 

20 | P a g e  

2.2 Above ground biomass 

2.2.1 Biomass inventories 

Rapid carbon assessments to obtain AGC inventories were modified from LULUCF protocols in order to 

include height and wood density measurements (Pearson et al. 2005). Plots of 0.1 ha were set at 179 

locations  in primary  forests and 38  locations  in production  landscapes. Forest plots were selected at 

random, using  a  stratified  systematic  approach.  To measure  the effect of  slope  and  topography on 

AGC, we stratified our sampling  into four slope categories; (1) gentle slope (≤ 11˚); (2) medium slope 

(12˚‐25˚),  (3) steep slope (26˚‐45˚) and very steep (45˚‐90˚), also stratifying the sampling across three 

topographic categories; (1) west facing aspect (2) east facing aspect and (3) ridge top. Slope angle was 

measured with a LaserAce® Hypsometer. On very steep slopes,  the same methods were applied but 

rappelling equipment was used to access the plot. Once the site type was located (e.g. ridge) the start 

point was  selected by  spinning a blindfolded person who  then  threw a  stick and walked 12m north 

from the  landing. Plots were at  least 120 m apart and had a minimum of 30% canopy cover.     Other 

land  covers  (old  gardens,  shade  coffee,  secondary  forest  and  grasslands)  were  selected 

opportunistically as they tend to be patchily distributed throughout the landscape. 

21 | P a g e  

Plots of 20 x 50m were delineated with tape measures and nested for stem size class (Figure 2); large 

stems (dbh ≥50cm) in 20 x 50m, medium stem (dbh.  20‐49cm) within 20 x 30m plots and small stems 

(dbh 5‐10cm) within 10 x 10m plots. 

 

Figure 2  Scheme of a biomass  inventory plot.  Stem  sizes were  recorded  in nested  subplots;  large  stems  (dbh ≥50cm) in 20 x 50m, medium stem (dbh 20‐49cm) within 20 x 30m plots and small stems (dbh 5‐10cm) within 10 x 10m plots 

 

2.2.3 Forest structure 

Measures  of  forest  structure  were  carried  out  by  recording  canopy  and  understorey  cover.  Tree 

species  identification was  based  on  local  knowledge  and where  possible,  identification was  cross‐

checked with species tagged in a series of 1 ha plots established in the same area by CI.  Also, plant leaf 

material was collected and dried on site with silica gel. These are being  identified   to species  level at 

the Australian Tropical Herbarium in Cairns, and will be reported elsewhere. 

Within each plot, trees (including palms, tree ferns, pandans, tree‐like stranglers and woody lianas) of 

5 cm dbh, at 1.3m, were measured with a dbh tape (Richter Measuring Tools, Speichersdorf, Germany). 

Measurements were modified for stems of unusual shapes and trees with buttresses were measured 

according to methods  in Pearson et al.  (2005). Diameters of trees with buttresses were measured at 

50cm above the buttress using bush ladders (Condit 1998). Tree height was recorded using a LaserAce® 

hypsometer,  taking multiple measurements  from each canopy and  recording  the highest value. Tree 

heights  were  recorded  for  100%  of  the  trees  above  50cm  dbh,  and  for  82%  of  the  other  stems. 

50m

20m 

≥5 cm

Stem class (dbh)

≥20cm

≥50 cm

22 | P a g e  

Elevation specific height diameter modes were used to generate heights of the trees with no recorded 

height.  

2.2.3 Wood density 

Wood density information is required to generate AGB estimates, as for a given volume the amount of 

carbon stored  in a tree  is directly proportional to  its wood density, which can vary widely by species 

(Anderson et al. 2009). Wood specific gravity (density at 0% moisture content, hereafter called wood 

density) information was gathered from an Asian rain forest dataset (IPCC. 2006) and Fox et al (2010) 

supplemental material). For species with no wood density information or unidentified species, average 

wood density at that elevation category was used. At the time of writing, 17% of the species had wood 

density information. The mean wood density and standard deviations at each elevation are provided in 

Appendix 2, Table 11 Mean wood  specific density and  standard deviation at each elevation. Not all 

stems had density values this table demonstrate the proportion of stems that had an associated value. 

2.2.4 Allometric equations 

We used two allometric equations to calculate carbon stored in live trees in Primary forest (Chave et al. 

2005). Equation (1) was used for sites below 1000 m.a.s.l (Moist Tropical Forest) and Equation (2) was 

used for tropical forest that  includes elevations above 1000m (Wet Tropical Forest) (Slik et al., 2010). 

For  non‐woody  trees  (e.g.  palms,  lianas,  tree  ferns &  pandanus) we  used  the  allometric  equations 

listed in Appendix 1. 

0.0776 .  

Eq 1. Above ground living biomass for a tree growing in wet tropical forest, where D is diameter in centimetres, H 

is height in meters, and ρ is the wood specific gravity in grams per cubic centimetres (Chave et al. 2005) 

 

 

 

23 | P a g e  

0.0509  

Eq 2. Above ground living biomass for a tree growing in moist tropical forest, where D is diameter in centimetres, H is height in meters, and ρ is the wood specific gravity in grams per cubic centimetres (Chave et al. 2005) 

 

Carbon represents about half of the weight of dry biomass, and therefore multiplied AGB data by 0.5 

(equation 3).  In each plot we summed the AGC values for all trees, and extrapolated our finding to a 

per hectare basis.  The unit for “tons of carbon per hectare” are denoted by MgCha‐1.  

0.5 

Eq. 3. Carbon (AGC) values are obtained by multiplying AGB values by 0.5 

 

 

We calculated  the carbon stored  in dead standing  trees  that had no obvious signs of decomposition 

using  the  same  allometric equations  as  for  live  trees, but  reduced  values by 3%  for hardwood  and 

broadleaf and 6%  for softwoods and conifers (Pearson et al. 2005a). To estimate carbon in dead trees 

with obvious signs of decomposition, we used Equation 5 using 0.307g cm‐3as a standard dead wood 

density. 

13 0.5 

Eq. 4. Calculating carbon in dead trees with obvious sings of decomposition, where H=height in meter, r = radius at dbh in centimetre and   is wood density gram per cm3 

 

2.2.5 Below ground living biomass 

Given  the  logistical  difficulties  of  in  the  field  destructive  sampling,  below  ground  living  biomass 

assessments were not undertaken. Instead, predictive relationships between below and above ground 

biomass have been established based on extensive literature reviews (Cairns et al 1997, Mokany et al 

24 | P a g e  

2006).  In  general,  root  biomass  is  typically  estimated  to  be  20%  of  the  aboveground  forest  carbon 

stocks (e.g. Houghton et al. 2001, Achard et al. 2002, Ramankutty et al. 2007). For our application, we 

used  the  relationship  established  by Cairns  et  al.  (1997), which  estimates  below  ground  living  root 

biomass in tropical forests as:  

exp 1.0587 0.8836 ln ∗ 0.5 

Eq 5. Below ground biomass (Cairns et al. 1997) 

 

Because the equations for Cairns et al. (1997) are for primary forest only, we were unable to calculate 

BGC carbon for secondary forest, garden fallows and coffee plantation.  

2.3 Soil organic carbon 

All soils at our sites developed on limestone bedrock, with exception of the lowermost sites, at which a 

limestone soil with a 50cm A‐horizon was sitting directly on alluvial deposits. With increasing altitude, 

an  increased degree of soil development and generally deeper soils were observed. The organic  top 

layer  increased  in thickness from the  lowland sites towards the highest sites (up to 30 cm thickness), 

and generally overlaid deep A‐horizons. Some of the lower montane sites had relatively thin A‐horizons 

overlying mixed  layers of weathered mineral soil and regolith  in the top 50‐70cm. At the higher sites, 

evidence  of  B‐horizons  was  present  within  the  depth  interval  sampled.  According  to  the  PNGRIS 

database (Bryan et al.  2008), soils at the lowland sites are classified as Hapludolls and Rendolls, lower 

montane forest soils are classified as Troporthents, and the upper montane forest soil are classified as 

Cryorthents (Table 1). 

25 | P a g e  

 

Photo 7 Soil Sampling in YUS 

 

In  total, 297 soil samples and 54  litter samples were collected  in  the nine permanent 1ha plots. The 

nine permanent 1ha plots were established by Conservation International as part of the YUS project in 

2009‐2010. The 1ha plots were established along the ridgeline, and as a result slopes were often gentle 

or flat, compared to the usually much steeper adjacent topography.  In addition 209 soil samples and 

38  litter  samples were  collected  in  37  other  forest  plots  along  the  elevational  gradient  to  capture 

natural variability, and 70 soil samples in 14 grassland plots were collected in order to compare soil C 

stocks between forests and grasslands at different altitudes (Figure 3). 

26 | P a g e  

 

Figure  3  Schematic  representation  of  sampling  locations  along  the  elevational  gradient.  Ninety  one  forest 

locations  (54  in 1ha plots and 37  in other  forest plots) and 14 grasslands sites were sampled. Forest sampling 

locations are clustered according to the 1ha plot number (i.e. site 6 to 14). One cluster contains six  locations  in 

each hectare plot and 3‐6 additional  forest  locations within 200m altitude difference  relative  to  the 1ha plot. 

Grassland sites are identified by the name of the closest village. 

 

In each of the 1ha plots, soil profiles were sampled at 6 locations. At each location, litter was sampled 

in  three  20x20cm  squares,  located  in  line  and  5‐10m  from  each  other.  These  three  samples were 

bulked, weighed  and  a  subsample  retained  for  analysis. At  the  central  litter  sampling  location,  soil 

samples were taken at 0‐10, 10‐20, 20‐30, 45‐50, 65‐70 and 95‐100cm depth. For each 1ha plot, this 

resulted  in a  total of 18  (bulked  to 6)  replicates  for  the  litter  layer, and 6  replicates  for all  sampled 

layers  of  the  soil.  A  soil  pit  to  1m  depth  was  excavated  outside  the  hectare  plots  on  a  location 

representative of the sampling locations.  

27 | P a g e  

 

Figure 4 Scheme of soil sampling profile 

 

In  each  of  the  other  forest/grassland  plots  away  from  the  1ha  permanent  plots,  soil  profiles were 

sampled at 3 locations. At each (forest) location, litter was sampled in three 20x20cm squares, located 

in  line  and  5‐10m  from  each  other.  These  three  samples were  bulked, weighed  and  a  subsample 

retained for analysis. At the central litter sampling location, soil samples were taken at 0‐10, 10‐20, 20‐

30, 45‐50, 65‐70 and 95‐100cm depth. At both other sampling locations, soil samples were taken at 0‐

10,  10‐20  and  20‐30cm  depth.  The  three  samples  for  the  0‐10,  10‐20  and  20‐30cm  interval were 

bulked, weighed and a subsample retained for analysis. For each sampling  location, this resulted  in a 

total of 3 (bulked to 1) replicates for the litter layer, 3 (bulked to 1) replicates for the 0‐30cm layers and 

1 replicate for the deeper layers of the soil. 

28 | P a g e  

Soil  cores  were  taken  using  metal  tubes  of  5cm  in  diameter  and  10cm  length,  during  fieldwork 

between August and November 2010. The depth of the soil was estimated by pushing a wooden rod 

through the base of the sampling hole to a maximum of two meters. 

The wet weight of all samples was recorded in the field, and all samples were oven‐dried in the lab at 

60°C. Dry mass was quantified and samples were crushed and sieved to remove all stones and roots 

larger than 2mm in diameter. Samples were then reweighed, and a subsample was ground to estimate 

organic  C  and  N  concentrations  using  dry  combustion  in  an  elemental  analyser  (Costech,  Costech 

Analytical Technologies, CA ‐ USA). 

To  remove  possible  inorganic  C  from  the  samples  and  make  sure  only  measured  organic  C  was 

measured,  a  subsample  of  the  65‐70  and  95‐100  samples was  treated with  a  6N HCl  solution  and 

assessed for presence of carbonates. Where carbonates were present, prior to analysis, samples from 

the overlying layers were also treated with the acid solution until no response was observed. 

Bulk  soil densities were  calculated  sample dry weights  and  the  sampling  tube  volumes.  SOC  and N 

densities were then determined using the bulk densities for each layer. Total SOC and N stocks for the 

30cm profiles were calculated by summing stocks for the individual 10cm layers. SOC and N stocks for 

the  100cm  profile  were  obtained  by  calculating  sampling  location‐specific  relationships  using  the 

stocks for the sampled  layers, using both an exponential and a power function. SOC and N stocks for 

the deeper  layers, where not directly sampled, were then  interpolated using these relationships, and 

total  100cm  profile  stocks  calculated  by  summing  numbers  for  all  layers.  The mean  and  standard 

deviation  (SD)  of  the  exponential  and  power  function was  used  in  the  statistical  analyses. Average 

values and standard deviations for hectare plots were obtained by taking the mean of the 6 sampling 

locations. 

pH measurements  for all  individual samples were performed  in a 0.01M CaCl2  solution. Soil  textural 

analysis was performed on pooled samples. A subsample of each sample at each sampling location was 

taken  to obtain 20g bulk  samples  for each  layer  at  all hectare plots. Aggregates were dispersed by 

submerging  samples  in  a  sonicator overnight. After  sonication, 10g of  sample was mixed  into  a 5% 

sodium hexametaphosphate solution and left to stand overnight. The sample was then sieved at 63µm 

29 | P a g e  

and dried  in  the oven at 60°C. The dried  sample was used  to calculate  the proportion of  sand‐sized 

particles in the sample. 

 

2.4 Total carbon stocks 

The  land  cover mapping was  produced  by Gillieson  et  al.  (2011)  through  classification  of medium‐

resolution multispectral  images  (Landsat)  into  vegetation  classes based on  the  Forestry  Information 

Mapping System (FIMS) (CSIRO 1995). Because remote sensing lacks sufficient resolution to distinguish 

between certain vegetation covers, five vegetation classes were identified from satellite imagery while 

nine  vegetation  types were  assessed  for  carbon.  Table  2  show  the  correspondence  between  each 

cover‐type. Although alpine grasslands represent an important part of the YUS ecosystem, we did not 

assess their C stock due to logistical constraints. 

Table 2 Correlation between different Land cover classification and type of assessment carried out in the field; above ground carbon (AGC) and soil organic carbon (SOC) 

Remote sensing  Field assessment  TKCP classification  Assessment type 

Medium canopy  Lowland forest  Lowland forest  AGC +SOC 

Small canopy Lower montane forest 

Lower montane forest 

AGC +SOC 

Mid‐montane forest    AGC +SOC 

Very small canopy  Upper montane forest Upper montane 

forest AGC +SOC 

Regrowth forest 

Young secondary forest    AGC 

Old secondary forest    AGC 

Shade coffee plantation    AGC 

Fallowed gardens    AGC 

Grassland  Anthropogenic grasslands    SOC 

Alpine grasslands  Alpine grasslands    SOC 

 

30 | P a g e  

We  separated  the  lower montane  forest class  (1000‐2800m)  into  lower montane  (1000‐2000m) and 

mid‐montane  (2000‐2800m).  We  split  up  this  class  to  reflect  the  extreme  differences  in  carbon 

densities and forest structure between these elevation ranges found in our results (Table 2). To inform 

future management, we  also  split  the  ‘Regrowth’  class  into  the  four  land‐use  categories  that  are 

common  in  the YUS  landscape.   These  categories are young and old  secondary  forest,  shade coffee 

plantation and fallowed gardens.  

Total  carbon  stocks  are  calculated  by  adding  AGC,  SOC  and  belowground  carbon  (BGC)  and 

extrapolating  these densities  to  land  cover  extent.In order  to present biomass  values measured on 

slopes, they must be converted to values equivalent to those assuming a horizontal projection because 

land‐cover maps measure  horizontal  area  only.  To make  this  correction,  AGC measured  on  slopes 

greater than 5° were transformed to values equivalent to a horizontal projection (Pearson et al. 2005). 

The mean AGC  and  SOC  densities  for  each major  land  cover  type where  used  to  extrapolate  total 

standing stocks in the YUS CA. 

L Li S 

Eq 4. Correcting for plots on slopes, where: L = true horizontal plot radius, Li = standard radius measured in the field along the slope, S = slope in degrees and, cos S= the cosine of the angle. 

 

2.5 Role of local landholders 

Because  REDD+  methodology  stresses  the  inclusion  of  the  local  people  in  the  development, 

management and monitoring of carbon offset projects, we devised a training module aimed teaching  

local  people with  little  formal  education  but  extensive  knowledge  about  the  forest  they  live  in  all 

carbon assessments. Local participation in the project was determined by a committee formed of clan 

members  (family  line)  who  have  pledged  their  land  to  conservation,  known  as  “papa  graun”.  To 

promote the exchange of knowledge, we requested that the teams consist of at least one person with 

traditional  knowledge of  the  forest  and  at  least one  young person who has  little  knowledge of  the 

forest and would be keen to learn. 

31 | P a g e  

The two day training module follows LUCLUCF protocols (Pearson et al. 2005) for plot establishment, 

complimented by the RAINFOR protocol (Phillips O.L. and Baker 2006). The first day of training had the 

objective of making everyone familiar with the equipment (compasses, dbh tapes, clinometers, survey 

tapes). Drill exercises were repeated until all team members were comfortable taking measurements 

with each  instrument. On the second day of training, the data collection was  initiated and test plots 

were established.  

 

3. RESULTS AND DISCUSSION

 Figure 5 topographic map outlining the transect from sea level to 3100m 

3.1 Above ground forest carbon stocks 

There  are  three  major  benefits  of  measuring  AGC  at  the  landscape  scale  and  across  broad 

environmental gradients. The first is that this can improve the accuracy of forest C stocks estimates by 

having a more representative sample.   The second  is that this enables a better understanding of how 

environmental and biotic  factors contribute  to variations  in above ground biomass  (de Castillo et al. 

2008).  The  third  is  particular  to  PNG, where  the  dearth  of  field measurements  has  increased  the 

difficulty  of mapping  forest  C  and  led  to  a  high  degree  of  uncertainty  in  national  forest  C  stock 

32 | P a g e  

estimates (Bryan et al. 2010).  In this section, we show how AGC stocks vary across YUS and examine 

the potential  biotic and abiotic drivers of this variation. 

Variation in AGC stocks 

In the forests of YUS, we measured a total of 7193 stems  in 179 primary forests plots along a 3100m 

elevation transect (Figure 5). In Figure 6, we show AGC values for all 179 forest plots in our study.  It is 

important to note that AGC varies considerably, not only across the 3000m elevation gradient but also 

locally within any elevation cluster. For  instance,  in forest between 50‐110m, AGC variation between 

plots was almost an order of magnitude, ranging from 55 to 514 MgCha‐1. In order to adequately assess 

the above ground carbon of the heterogeneous forests of YUS, we therefore recommend setting many 

plots and employing a stratified sampling design across major environmental gradients. 

 

 

 

Figure  6   Above  ground  carbon  values  for  179  primary  forest  plots  across  a  3100m  elevation  gradient. AGB values varied greatly between plots. 

Variability in AGC estimates can be attributed to a number of factors. Studies have shown that AGC is 

affected by  environmental  and biotic  factors  that  affect  growth, plant  establishment, mortality  and 

succession,  as  well  as  natural  disturbances  (Keeling  and  Phillips  2007,  Asner  et  al.  2009).  Major 

environmental  determinants  include  climate,  substrate  type,  soil  fertility,  species  composition  and 

33 | P a g e  

topographic  relief  (Laurance et al. 1999, Clark and Clark 2000, Girardin et al. 2010).  In our study we 

used  a  generalized  linear  regression  model  to  test  the  relationship  between  elevation,  minimum 

temperature, annual rainfall, and a disturbance index, slope and aspect. We found that together these 

factors explained 35% of the variation in AGC, with elevation being the strongest, though nevertheless 

weak, predictor of AGC (p = 0.04, R2 = 0.23). Aspect also played a role at controlling AGC in our study; 

forests  on  the  sunnier  northwest  aspect  had  higher  AGC  (ANOVA  df=3,  N=179,  p=  0.05),  in 

concordance with results from other studies (Mascaro et al. 2011; Laurance et al. 2010). AGC was not 

affected by slope between 0 and 45°(Mn=179, df=3, P=0.67). Another possible variable that cannot be 

tested at this point, but might explain part of the residual variation, is soil nutrient levels (Nitrogen and 

Phosphorous in particular). A large number of previous studies have indicated that nutrient availability 

and  soil  texture  can  exert  control  on  plant  biomass  production  in  the  tropics  (Aragao  et  al.  2009; 

Cleveland et al. 2011).  

Table 3   Natural disturbances, mean structural parameters and AGC values for primary forest at nine elevation clusters (50‐3100m) in YUS CA 

 

Elevation cluster (m.a.s.l) 

AGC plots sampled 

BA (m2ha‐1) 

Height£ 

m Max HeightÐ(m) 

Wood density (g.cm‐3) 

Stems/ ha (>5cm dbh) 

Stems/ ha (>50cm dbh) 

AGC(MgC ha‐1) 

 SD (MgC ha‐1) 

50  14  46  24  32  0.66  863  59  305  184 

600  15  43  21  30  0.64  1109  45  251  104 

800  19  36  19  27  0.58  802  40  192  104 

1400  18  39  17  21  0.53  729  46  122  40 

1800  18  46  18  21  0.42  1308  54  117  33 

2200  25  63  19  28  0.49  1477  88  205  70 

2400  22  65  18  27  0.50  1592  79  199  79 

2800  30  67  13  16  0.50  2222  53  159  32 

3000  17  57  13  18  0.47  1544  57  126  39 

Average  18  53  18  25  0.52  1294  58  188  95 

34 | P a g e  

£ Height of tree is the mean of all trees across sites, while Max height is the mean of the highest trees of each site.   

Forest structure and AGC On average, basal area was 53 ± 20m2ha‐1, canopy height was 25 ± 9m, wood density was 0.52 ± 0.07g 

cm‐3and mean  AGC  per  plot  was  estimated  at  188  ±  95MgC  ha‐1  (Table  3). Mean  canopy  height 

decreased with increasing elevation, from 24m with emergents to 65m tall in coastal forests, to 18m in 

forests  around  3000m  in  elevation.  Wood  density  also  decreased  with  elevation,  with  a  greater 

number  of  hardwoods  at  the  coast  and more  softwood  conifers  at  higher  elevations  (Table  3).  In 

contrast, stems per hectare as well as basal area of trees increased with elevation.  

 

  

 Figure 7 Above ground carbon stocks in primary forest and how they vary with elevation. Above ground biomass where highest at  low elevations and at mid‐montane elevations, unexpected dips occurred between 1400 and 1800m. Error bars are one standard deviation of the mean 

 

In Figure 7, an unusual  trend  in AGC values  can be  seen across elevation  clusters. As expected,  the 

highest AGC was in lowlands (320 ± 185 MgCha−1). Above ground carbon then decreases until 1800m, 

thereafter rising again to a secondary peak (205 ± 70 MgCha−1) at 2400m elevation. Other studies have 

35 | P a g e  

shown that AGC generally decreases with elevation (Kitamaya and Aiba 2002; Girardin et al. 2012), and 

some  studies  have  also  found  that  AGC  can  have  a  second  peak  at  some  intermediary  elevations 

(Marshall et al. 2012; Culmsee et al. 2012). What was most unexpected  in our  results was  that our 

lowest  carbon values were at  the mid‐elevations between 1000 and 2000m, and not at  the highest 

elevations, which is typically the finding of other studies. In our case, mid‐elevation forests stored less 

AGC than forest growing above 3000m. 

 

 

Photo 8 Upper montane forest in YUS Conservation Area, PNG (photo by David Gillieson) 

 

Previous  research  has  demonstrated  that  the  size  distribution  of  large  trees  and  the  frequency  of 

natural disturbances might  influence elevational trends  in AGC (Clark and Clark 2000). We found that 

large  trees  (defined as  those  larger  than 50cm dbh) constitute only 4% of all  stems above 5cm, but 

none  the  less  they  store over 58% of  the all  the above ground  carbon  in  the  study area and 65%  in 

lowland  forest. We also  found  that natural disturbances had a  strong effect on AGC  stocks. Tree  fall 

disturbances were detected  in 48 out of our 179 sites (Figure 8). The plots that experienced tree‐fall 

disturbance contained on average 31% less carbon compared with undisturbed plots. 

36 | P a g e  

 

 Figure 8 Above ground carbon in undisturbed (red bars) and in sites with natural disturbances (green bars) 

 

It  is  likely  that  several  environmental  factors  are  reacting  simultaneously  to  influence  AGC,  either 

limiting or promoting above ground biomass at different sites. We believe that the dip  in AGC found 

between  1000‐2000m  is  linked  to  the  steep  topography  found  across  the  YUS  landscape  at  this 

elevation  range.  Shallow  soils  in  combination  with  steep  topography  may  make  forests  more 

susceptible to natural disturbances, such as landslides and windthrows. In the case of the second peak 

in AGC between 2000‐2700m, we suspect that deep soils and high rainfall and more level topography 

can  support  a  high  frequency  of  large  trees  due  to  increased  potential  longevity.  At  the  highest 

elevation where  soils  are  the  deepest  and  rainfall  is  the  highest  and  topography  is  comparatively 

gentle, it is probably low temperature that is limiting AGC. 

3.2 Soil organic carbon (SOC) 

Soil C stocks  ranged between 48 ± 27MgC ha‐1 at  the  lowermost sites and 194 ± 28MgC ha‐1∙ at  the 

highest  altitudes  (Table  1).  When  categorized  according  to  forest  type,  soils  along  the  transect 

37 | P a g e  

contained 64 ± 28, 112 ± 25, 152 ± 26 and 182 ± 29MgC ha‐1  in  lowland,  lower montane, and upper 

montane forest respectively (Table 5).  

In contrast, SOC stocks increased with altitude for both the top 30cm of the soil, as well as the total 1m 

soil profile (data not shown). We found a clear  linear relationship between soil C stocks with altitude 

on our elevation  transect,  indicating  larger SOC stocks at higher altitude  (Figure 9a). No  relationship 

was found between SOC stocks and slope (Figure 9c), and SOC stocks were not significantly different as 

a result of differing aspect along the elevational gradient (Figure 9d).  

38 | P a g e  

Table 4 Summary of pairwise  linear correlation analysis for all considered variables affecting forest SOC stocks. Correlations are considered statistically significant at P<0.05 

   Altitude  MAP  MAT  soil depth pH soil texture root mass litter mass  CN‐ratio

MAP  <0.001         

MAT  <0.001  <0.001       

soil depth  <0.001  <0.001  <0.001     

pH  <0.001  <0.001  <0.001  <0.001  

soil texture  <0.001  <0.001  <0.001  <0.001 <0.001  

root weight  0.09  0.1  0.15  0.62 0.1 0.03  

litter weight  <0.001  0.01  0.009  0.83 0.001 0.05 0.004  

CN‐ratio  <0.001  <0.001  <0.001  0.08 <0.001 0.28 0.014 0.24   

SOC stocks  <0.001  <0.001  <0.001  <0.001 <0.001 <0.001 0.21 0.004  <0.001 

  

Along our gradient, we observed that climatic changes (temperature and precipitation) were of major 

importance  (Table  4):  SOC  stocks  decreased  with  increasing  temperatures,  and  increased  with 

increasing amounts of precipitation. In addition to climatic variables, soil characteristics also co‐varied 

strongly with altitude (soil depth, pH and texture, Table 4) and thus likely played an important role in 

explaining SOC stocks. Soil depth and pH were also closely correlated with each other, reflecting the 

influence  of  the  soil  parent  material.  Soil  C  stocks  were  thus  correlated  to  many  environmental 

variables (Table 4), indicating a strong dependence to climatic variables (MAP, MAT). 

39 | P a g e  

 

Figure 9 Relationship between soil organic carbon (SOC) stocks and topographic variables. Data displayed are the 

relationship of altitude with  soil organic carbon  (SOC)  stocks  (a), of altitude with  slope  (b), of  slope with SOC 

stocks  (c), and  the  relationship between altitude and SOC  stocks  for east aspect  sites  (white circles) and west 

aspect sites (black dots). Significant linear correlations and ANCOVA differences for slopes and group means are 

considered  significant  at  P<0.05.and  soil  characteristics  (soil  depth,  pH  and  texture).  Many  environmental 

variables  were  also  correlated  to  each  other,  indicating  a  strong  covariance  of  driver  variables  along  our 

elevation gradient. 

 

Because so many variables co‐varied with altitude along our gradient (Table 4), we could not tease out 

the main drivers behind the relationship with SOC stocks. Nevertheless, the individual correlations we 

found  agree well with  existing  hypotheses  about  SOC  stocks  at  high  altitudes:  a warmer  and  drier 

climate  in  concert  with  (close  to)  neutral  pH  at  lower  altitude  provides  favorable  conditions  for 

microbial decomposition.  In  contrast, at higher altitudes,  cold and wet  conditions and an acidic  soil 

likely inhibited high microbial decomposition rates, and stimulated a buildup of a thicker organic layer. 

40 | P a g e  

More controlled  laboratory experiments will therefore be needed to  identify sensitivity of SOC stocks 

and decomposition of organic matter to different environmental changes along our gradient. 

3.3 Soil carbon storage in grassland and forest soils 

We found that there is generally no difference between forest and grassland SOC stocks at comparable 

altitudes for soils to 1m depth (Figure 10). Because very often the grassland soils were shallow in our 

study area, particularly on steep slopes and frequently burnt sites, an analysis for the top 30cm  layer 

was more appropriate here. 

 

Figure 10 Relationship between altitude and soil C stocks for the 100cm profile in grassland (red circles) and forest (white circles) plots. The P‐value and R2‐value of the individual linear regressions are given. Significant correlation is assessed at P<0.05. P‐values for ANCOVA analysis are given to assess differences between means and slopes of both regressions. Statistical differences are considered at P<0.05 

 

Soil C stocks in the top 30cm of the soil profile were higher in grassland plots compared to forest plots 

(data not shown). The main reason for this difference in soil C stocks is the consistently higher soil bulk 

density of the top soil  layers  in grasslands along the elevational gradient. A  likely explanation for the 

41 | P a g e  

higher soil compaction  in grassland sites compared to forest sites might be associated with  land‐ use 

patterns.  

Human‐induced fires and subsistence agriculture are common practice in the study area and have been 

shown  to  induce  stronger  compaction of  the  top  layers of  soil  (Prober  et al. 2008;  Schrumpf  et al. 

2011). We did not find a relationship between grassland SOC stocks or soil bulk density, or time since 

the  last  burning  event  (data  not  shown),  but  this might  be  due  to  the  relatively  low  amount  of 

grassland sites that were sampled.  

In contrast to our findings for the YUS CA, forest conversion to grassland is generally thought to lead to 

a reduction of soil C stocks (Don et al. 2011). In their review, Don and colleagues also point out that soil 

bulk density changes with land‐use type, as was also found in our study. Therefore, SOC stocks need to 

be corrected for differences in bulk density in order to directly compare SOC stocks on the same basis 

of  soil mass  (Don et al. 2011). Based on ANCOVA  results  for a  comparison of bulk density between 

grassland and forest along the elevational gradient, we corrected soil C stocks for the grassland plots 

with a factor BDcorr/BD (BDcorr = BD‐0.12 (difference between intercept of regression for grassland and 

forest). As a result, we found lower soil C stocks for grassland compared to forest (Figure 11), and this 

difference tended to increase with altitude. The marginally significant difference in slope is important 

because it suggests that conversion of forest to grasslands at higher altitude sites might lead to a larger 

loss of soil C than expected from land‐use change studies in Lowland areas. 

42 | P a g e  

 

Figure 11 Relationship between altitude and bulk density corrected soil C stocks for the 30cm profile in grassland (red circles) and forest (white circles) plots. The P‐value and R2‐value of the individual linear regressions are given. Significant correlation is assessed at P<0.05. P‐values for ANCOVA analysis are given to assess differences between means and slopes of both regressions. Statistical differences are considered at P<0.05 

 

3.4 AGC and SOC along the elevation gradient 

Studies  along  elevation  gradients  are  valuable  as  a  natural  model  for  studying  temperature  and 

moisture effects under otherwise similar environmental conditions (Malhi et al. 2010). As mentioned in 

section 3.1  to 3.3,  above  ground  carbon  generally decreases with  elevation, driven  largely by  trees 

becoming lower with colder conditions, whereas soil organic carbon generally increases with elevation 

as  the organic  layer builds up because of  slower decomposition  in  colder  conditions  (Girardin et al. 

2010). Although a dip in the carbon stocks is obvious at 1400m.  

43 | P a g e  

 Figure 12 Average carbon stocks in above ground pool (green) and soil organic pool (brown) at nine elevation clusters 

 

Because AGC and SOC pools respond in opposite trends to elevation, we found that the total C stocks 

in YUS forests did not change much from  lowland forests to forests at 3000m elevation, expect for a 

dip at 1400m (Figure 12). At the lowest elevation, 87% of the carbon is stored in above ground stems, 

while at 3000m only 40% of the carbon is stored above ground. Very often, forest C stock assessments 

omit SOC measurements because of  financial or  logistical constraints.  If we had omitted SOC  in our 

assessments,  forest total C stocks would have been significantly underestimated, especially at higher 

elevations. 

3.5 Standing C stocks for different land‐cover classes 

In this section we first  look at the density of carbon stored  in each  land cover type, then we present 

the extent of each land cover type as identified by Gillieson et al. 2011 and we finish by looking at the 

total C stocks for each land cover, within the YUS CA and the YUS landscape. Combining carbon density 

44 | P a g e  

measurements with vegetation extents from the remote sensing analysis to calculate carbon stocks is a 

primary component of REDD+.  

3.5.1 Carbon density across YUS 

Summary of C stocks area  found  in Table 5. Carbon density was calculated by adding AGC, SOC and 

belowground  carbon  (BGC). We  found  that  primary  forest  in  YUS  stored  on  average  341MgC  ha‐1. 

Lower montane forest had the lowest densities at 256MgC ha‐1, while, at 396MgC ha‐1, mid‐montane 

forest stored the most carbon of any primary forest.  

45 | P a g e  

Table 5 Summary of above ground and soil organic stock assessment  for nine  land cover  type  in  the YUS Conservation Area,  including below ground biomass carbon using the Cairns equations 

Land cover type Elevation (m.a.s.l.) 

AGC plots (number) 

SOC sites(number) 

AGC ± SD (MgC ha‐1) 

SOC ± SD (MgC ha‐1) 

BGC (MgC ha‐1) 

Total C (MgC ha‐1) 

PRIMARY FOREST 

Lowland  0‐1000  48  30  248 ± 140  64 ± 28  45  357 

Lower montane  1000‐2000  36  20  120 ± 36  112 ± 25  24  256 

Mid‐montane  2000‐2800  47  22  202 ± 74  152 ± 26  38  396 

Upper montane  2800‐3100  47  19  147 ± 38  182 ± 29  29  358 

“REGROWTH” 

Secondary forest (15‐30 yrs.)  900‐1850  11  ‐‐  139 ± 55       

Shade coffee (5‐50 yrs.)  850‐1450  10  ‐‐  131 ± 78       

Fallowed garden (~15 yrs.)  1050‐1600  11  ‐‐  77 ± 70       

Secondary forest (<12yrs.)  750‐2450  6  ‐‐  22 ± 16       

ANTHROPOGENIC GRASSLANDS 

50‐1747  ‐‐  14  14*  105 ± 45    119 

* (Hartemink 2001), from PNG grasslands, though IPCC default value is 6.2 used 112 MgC ha‐1 for SOC for all secondary land uses and 92MgC ha‐1  for AGC (average), BGC was calculated using equations in Cairns et al.(1997)

46 | P a g e  

Secondary  forest,  shade  coffee,  and  fallowed  gardens were  only  assessed  for  AGC. Old  secondary 

forest  is defined as trees established  for 12 years or more and having more than 30% canopy cover. 

They  are  forests  naturally  regenerating  on  grasslands,  in  fallows  or  on  lands  that were  previously 

forested and are dominated by Trema sp., Ficus sp., Mallotus sp. and Macaranga sp.   Old secondary 

forests  had  AGC  stocks  of  139MgC  ha‐1,  the  highest  amongst  the  anthropogenic  land‐uses.  Young 

secondary  forests are defined as  forest established  in grasslands within  the  last 12 years and having 

less than 30% canopy cover. The young secondary forest we measured was dominated by early pioneer 

species  such  as  Piper  sp  and  Saurauria  sp.  and  had  low  AGC  stocks  (22MgC  ha‐1).  Shade  coffee 

plantations had  relatively high AGC densities  (131 MgC ha‐1),  compared with  fallowed  gardens  that 

stored only 77MgC ha‐1. 

The primary factors controlling AGC  in fallows and coffee plantation were the frequency shade trees, 

their age and their ability to store carbon.  Anthropogenic grasslands are maintained by frequent fires. 

The above ground carbon component is therefore very volatile. Other studies that looked at AGC store 

in  grasslands of  PNG  found  they  store on  average  14MgC  ha‐1  (Hartemink  2001).   Because  the  soil 

carbon pool  is more stable than the biomass pool, most of the carbon  is found  in the soil. We found 

that grasslands store 105Mg Cha‐1, which is not different from the SOC of primary forests at the same 

elevation (see section 3.3). 

47 | P a g e  

3.5.2 Land cover extent in YUS  

 Figure 13  YUS vegetation map derived from 2009 satellite imagery (Gillieson et al. 2011) 

 

The YUS landscape is the area outlined in Figure 13. It covers approximately 182,000ha, and 43% of this 

area is located within the conservation area (77 500ha) (Table 6). Primary forest is the dominant land 

cover  in the YUS  landscape, and both  inside and outside the CA had an equal primary forest cover of 

70%. Mid‐montane  forest  is  the most  extensive  forest  type,  covering  45%  of  the  YUS  landscape. 

Lowland  forest  covers  20%  of  the  land  outside  the  CA  but  only  10%  inside  the  CA.  The  extent  of 

regrowth  forest  is between 6 and 7%  in both areas. The majority of anthropogenic grasslands  (17%) 

were  found outside  the CA, around  the areas where people  live.  In order  to extrapolate our  results 

onto  a  vegetation map, we  clumped  the  carbon  values we measured  in  the  field  into  the  remote 

48 | P a g e  

sensing vegetation classes and used  the mean values carbon values  for each  (Table 6). 3.5.3 Carbon 

stocks in YUS 

Our estimates show that the standing stocks of the YUS landscape in 2009 were 50.1 Million tonnes of 

carbon and that the YUS CA had a total C stock of 21 million tonnes of carbon. About 85% of the carbon 

was stored  in primary forest and 15%  in anthropogenic  landscapes. Mid‐montane forests store more 

carbon in total than all other land cover types combined, both within the conservation area and for the 

YUS area overall. Most additional carbon  is stored  in  lowland  forest. The  importance of  lowland and 

mid‐montane forests in YUS is primarily due to their extent within the region, but also because of their 

high carbon densities. An important caveat is that we do not have data on the SOC of regrowth forest, 

and collecting these data should be a priority for future research in the area. 

Table 6 YUS Landscape carbon stocks (outside and inside conservation area) by vegetation class. Extrapolation of plot‐level  estimates across  the  YUS  landscape using high‐resolution  forest mapping. Mt means million metric tonnes. 

Land cover  C density (t/ha)  Area in CA (ha) Area outside CA 

(ha) 

C stock Landscape, in+ 

out (Mt) 

Lowland forest  357  7,863  20,467  10.1 

Mid‐montane forest£  326  41,756  41,016  27 

Upper montane forest  358  4,030  10,703  5.2 

Regrowth forest¥  226  3,902  7,664  2.6 

Grasslands  119  10,360  22,649  3.9 

Alpine grassland  182§  9,543  1,942  1.3 

Total    77 500 ha  104 400 ha  50.1 Mt 

£ Includes lower montane forest; ¥ includes fallowed gardens, disturbed primary forest, shade coffee, secondary forest; § No difference in SOC, therefore used same SOC value as upper montane forest (182MgC ha‐1) (Zimmermann et al. 2010) plus 8 MgC ha‐1 AGB from (Gibbon et al. 2010)  

 

49 | P a g e  

3.6 Comparison of AGC with other PNG data sets 

AGC estimates presented  in this study are higher than global averages for tropical forests. Moreover, the AGC values found in this study are higher than all the previous estimates reported for PNG for all forest types (Table 7) 

Table 7 Comparison of above ground carbon from different studies in PNG 

Tropical  forest type 

Study  MgC  ha‐1 

Location  Sample size 

Plot type 

Forest average  Saatchi et al 2011  115  Global  ‐  Remote sensing 

Forest average 

 

This study  188  PNG  179  0.1 ha 

Bryan et al 2010b  178  PNG  22  meta‐analysis 

Saatchi et al 2011  153  PNG  ‐  Remote sensing 

  FAO  39  PNG  ‐  Remote sensing 

Lowland 

(0‐1000m) 

 

This study  223  PNG  42  0.1 ha 

IPCC default Value  180  PNG  ‐  Remote sensing 

Bryan et al 2010a  126  PNG  6  Bitterlichplotless 

Fox et al 2010  106  PNG  10  1 ha Permanent plots 

Bryan et al 2010a  96  PNG  6  Bitterlichplotless 

Montane 

(1000‐2800m) 

This study  184  PNG  67  0.1 ha 

Edwards & Grubb1977 155  PNG  1  0.24 ha destructive sampling

Fox et al 2010  141  PNG  2  1 ha Permanent plots 

Upper Montane   This study  137  PNG  28  0.1 ha 

 

The biggest effort to quantify above ground carbon stocks in PNG come from a study by Fox et al. 2010. 

That assessed AGC from network of permanent forestry plots they found that unlogged forest had AGC 

values of 106 MgC ha‐1  (n=10) and selectively  logged forests stored ~66 MgC ha‐1  (n=115). The study 

benefited  from a  large sample size broadly distributed across  the country. Although Fox et al  (2010) 

was criticized for the underrepresentation of undisturbed forest (Bryan et al 2011), their study remains 

the largest inventory of lowland unlogged forest in PNG. Other considerable attempts were from Bryan 

et al. 2010 (see table 7). Our study sampled 4.2 ha of lowland unlogged forest, and found substantially 

higher values than Fox et al. (2010). Fox et al. (2010) attribute the  low values found  in their study to 

the  location of the permanent plots, which were often close to roads or villages, and therefore could 

suffer  from disturbances such as  fire,  landslides, and agriculture. Aside  from the  location and size of 

50 | P a g e  

plots, our study used similar methods and the same allometric equations to calculate AGC as used by 

Fox et al. (2010), and hence we believe that the differences between the two studies are real. 

Our sampling effort was concentrated in montane forest in order to address the paucity of data from 

these elevations in PNG, as well as to adequately sample the dominant forest type in YUS. Aside from 

some early work in the late 1970s (Edwards and Grubb 1977), Fox et al. (2010) were the first to provide 

AGB estimates for montane forests  in PNG from on‐the‐ground measurements. We measured a total 

of 6.2 ha (n=62) between 1000‐2800 m, and we measured a total 2.8ha above 2800m. This study is the 

most extensive study of montane forest AGC in PNG, and represents the only study that has assessed 

stocks  above  2500m. Montane  forests  (>1000m)  cover more  than  a  quarter  of  PNG’s  surface  area 

(Bryan  et  al.  2010),  therefore  this  study  should  serve  to  improve  national  forest  carbon  stock 

assessments.  

3.7 Options for carbon sequestration in YUS 

 

Photo 9 Vast areas of grasslands are maintained by frequent fires (RED), though some natural regeneration of forest is possible (white) 

 

The options  for  carbon management  in YUS  include  activities  that protect  forest  carbon  stocks  and 

activities that promote carbon stocks through enhancing biomass and soil carbon. There are a number 

of important factors that determine the suitability of options for C management. This includes the type 

and extent of land available for management, their ability to store and sequester carbon, and the cost 

51 | P a g e  

of the management actions (Lamb 2011). Also, the best options for management will  largely depend 

on the desired outcomes or benefits to the landholders relative to the risks and costs of investment. In 

Table  8 we  outline  three management  options  to  enhance  carbon  stock  in  the  YUS  landscape  and 

discuss them further in this section. 

Table 8 Options available for carbon enhancement across the YUS landscape 

Option  Obstacles/threats  Management actions  C benefits  Other benefits 

Protecting forest 

Fire   Illegal logging  Fuelwood extraction 

Fire management  Protecting lowland 

forest  

Low now, High later 

Biodiversity  Full range of 

ecosystem services 

Converting grasslands to forest 

Inappropriate fire regimes  

Lack of seed stocks   Weeds  Altered hydrology 

Fire management  Nurseries for native 

tree species  Cutting weeds 

High 

Reduced risk of landslides 

Fuelwood  and timber supply 

Shade coffee plantation 

Access to markets  Fire  Suitable grasslands 

Restoration of grasslands 

Fire management  Plantation of native 

shade tree species 

Medium *or adverse if replaces forest 

Income   habitat for 

wildlife 

  

3.7.1 Option 1: Protecting lowland primary forest 

 

The  lowland  forests of YUS  store approximately 10.1 million  tonnes of  carbon. They also house  the 

largest trees of the YUS CA. These trees grow up to 60m tall and 2m  in diameter and we  found that 

they  store  the majority  of  the  carbon  in  YUS;  specifically, we  found  that  large  trees  (dbh  >50cm) 

contained 65% of the above ground carbon  in  lowland  forests.   Carbon emissions  from  forest  loss  in 

YUS  have  been minimal  during  the  last  30  years  (Table  9)  (Brooks  and  Ramachandra  2012),  and  it 

would seem that protecting forest from deforestation would only incur minimal carbon benefits. When 

present, threats to forest carbon are located in three areas: 1) near villages, where trees are extracted 

for  timber and  fuelwood  causing  forest degradation, 2)  in  coastal  lowland  forest, where  small  scale 

52 | P a g e  

logging has caused some deforestation  in the past 30 years and portable sawmills are responsible for 

the clearing of 86.9ha of lowland forest between 2000 and 2008 (Brooks and Ramachandra 2011) and 

3)  in upper montane  forest where  fires caused by the 1997 El Niño event caused the greatest  forest 

loss in YUS in the past 15 years (Brooks and Ramachandra 2012).  

Table 9 Deforestation across the YUS Landscape modified from Brooks and Ramachandra (2012) 

Elevation  

Deforestation (Ha)  YUS Landscape 

1990‐2000  2000‐2004  2004‐2008 

0‐1,000m  0  52  34 

[1,000m‐3,000m]  356  45  33 

[> 3,000m]  1,430  1  25 

  

Nevertheless in the rest of PNG, between 1990 and 2002 commercially accessible forests were logged 

at 1.3 to 3.5 precent per year (Shearman et al. 2009). Based on the very high logging rates in PNG, and 

on expected population growth  in the Morobe province (Ningal et al 2008), threats from  logging and 

conversion  to  agriculture  are  imminent  and  should  be  taken  seriously  in  YUS.  For  example,  in  the 

Provincial Forest Plan for Morobe Province 2008‐2013, a proposed timber lease could target 28,000ha 

of lowland forest for commercial logging (Brooks and Ramachandra 2012). Because carbon in biomass 

is quickly  released  to  the atmosphere and  lowland  forests contain  the highest above ground carbon 

(248 ± 140MgC ha‐1), the emission from forest loss in the lowlands would be higher than anywhere else 

in YUS. Moreover, given that only 28% of the YUS lowland forest area is gazetted in the CA, allowing for 

substantial additional  forest protection  (up  to 20,000ha  containing about 5 million  tonnes of above 

ground carbon). There is thus great potential for further forest protection. We recommend prioritizing 

forest protection  to  the  lowland and plan  for emissions avoidance on  future  threats  rather  than on 

past emission as a measure to secure significant carbon stocks. 

Keeping  primary  forest  standing  has  many  additional  non‐carbon  benefits.  Intact  natural  forests 

provide ecosystem services that contribute to human well‐being. These services include the provision 

of non‐timber forest products, the filtration of water and air (Sheil and Murdiyarso 2009), mitigation of 

53 | P a g e  

floods  (Bradshaw et al. 2007) and the provision of pollinators  for adjacent  farm crops  (Ricketts et al. 

2004). Natural forests also provide habitat for many species.  

 

 

Photo 10 Mosaic of lowland forest and anthropogenic grasslands near coast in YUS 

3.7.2 Option 2: Converting grasslands to forest by assisted natural regeneration 

Converting anthropogenic grasslands  to  forests  is an ambitious carbon  sequestration  strategy, but  it 

may hold the greatest potential for additional carbon sequestration in YUS. Anthropogenic grasslands 

(excluding alpine grasslands) cover approximately 33,000ha or about 18% of the entire YUS landscape. 

At 119MgC ha‐1 these grasslands store the least carbon per ha, moreover, only 14 MgCha‐1 are stored 

in above ground carbon. Based on our carbon estimates,  if 100% of  the grasslands were converted, 

above ground carbon storage could increase from 14MgC ha‐1 to 139MgC ha‐1 in 30 years, and 5 million 

tonnes of carbon could be  sequestered.  If carbon were valued at $10 a  tonne,  this equals  to about 

$1.6K a year for 30 years. Although converting 100% of the grassland is unrealistic, converting 10% may 

be  achievable.  If  10%  of  grasslands were  set  aside  and managed  for  assisted  natural  regeneration, 

about half a million tones could be sequestered in 30 years, based on our calculations, this could incur 

benefits of about $170,000 per year for 30 years. 

54 | P a g e  

Assisted  natural  regeneration  involves management  actions  that  help  overcome  barriers  to  forest 

establishment, such as fire management, cutting weeds and promoting seedling propagation (Shono et 

al.  2007).  Grasslands  in  YUS  are  generally  maintained  by  frequent  anthropogenic  fires,  therefore 

suppressing  tree  seedling  establishment.  If  fire was  suppressed, we  can  assume  that most  of  the 

landscape would eventually revert to forest, given that lands are not too degraded and that soil is deep 

enough. However, under natural  circumstances,  this process would be  limited by  the  rates of  seed 

dispersal,  rates of  seedling  recruitment  and  their  competition with weeds  and  could  take  centuries 

(Young et al. 1987, Francis and Read 1994, Parrotta 1995). Assisted natural regeneration may hold the 

greatest potential for carbon sequestration in YUS. The first step would be to identify favorable areas 

for  natural  regeneration,  and  then  most  of  the  management  actions  could  be  carried  out  by 

landholders,  as  the  expertise  for  assisted  natural  regeneration  already  exists  within  the  YUS 

communities.  

3.7.3 Option 3: Converting non‐forest to shade coffee plantations 

 

At  131 MgC  ha‐1,  shade  coffee  plantations  store  similar  above  ground  carbon  to  secondary  forests 

(139MgC ha‐1), but less than primary forests (188MgC ha‐1) and more than in grasslands (14 MgC ha‐1) 

and  fallowed  gardens  (77MgC  ha‐1).  Therefore  converting  grasslands  into  shade  coffee  plantation 

would promote C  sequestration, while  converting  forest  to  shade  coffee plantation would generate 

carbon emission.  

Shade coffee plantations are probably the most viable option for increasing carbon sequestration rates 

in YUS. Although shade coffee plantations have been part of the YUS landscape for over 50 years, they 

were  largely unprofitable until recently.    In efforts to  improve  livelihoods of the people  in YUS, TCKP 

promoted  the  branding  of  YUS Conservation Coffee  in  search  of  niche  Fair  Trade markets  that  can 

offset high transportation costs. In doing so, they have also aimed to improve silviculture and quality of 

the  coffee,  and  have  run multiple workshops  in  YUS.  This  has  reinvigorated  the  interest  in  coffee 

plantations. Unfortunately, this may be having the undesirable effect of stimulating the conversion of 

secondary forests for plantations, which results in net carbon emissions.   

55 | P a g e  

From a climate change perspective, instead of expanding coffee into forests, it would be preferable to 

convert grasslands. To determine how much  land  is available for coffee plantation, we calculated the 

area of grasslands that have suitable growing conditions for coffee. Suitable conditions were defined as 

grasslands between 1100m and 2100m, at less than 4km distance from villages and on slopes less than 

45°. We found that roughly 18,000 ha are available for plantation using these criteria. If shade coffee 

plantation were established in grasslands, above ground carbon could potentially increase from 14MgC 

ha‐1  to 131MgC ha‐1  in about 25 years.  If carbon  is worth $10 a  tonne,  roughly $720,000 could be 

generated over 30 years. Given  the availability of grasslands  that  could be  converted  to  coffee,  the 

scope of this carbon management strategy is more likely to be limited by the area of coffee plantations 

that can be realistically managed by  the YUS communities. Therefore  if 20 villages each planted 150 

hectare, coffee plantations could sustain additional benefits of $117,000 per year for 30 years based on 

our assumptions. 

Additionally, we found that the carbon stock in shade coffee plantation was determined by the type of 

shade  trees present at a site. For example Casuarina oligodon  is a  tree  that  is native  to PNG,  is  fast 

growing and has a wood density of 0.95g cm‐3  (Bourke 1985). We  found that Casuarinas were being 

ring barked and replaced by Leucaena leucocephala in coffee plantations. This is a fast growing exotic, 

with many good attributes for shade coffee but  it has wood density of 0.30g cm‐3, and therefore the 

same sized tree would store almost three times less carbon as a Casuarina oligodon. If C sequestration 

becomes  a  management  goal  in  coffee  plantations,  careful  thought  should  be  given  to  where 

plantations should be established and the type of species that should be planted along with coffee as 

shade trees. 

Other options to increase carbon sequestration in YUS include the restoration of degraded forest and 

the improvement of agricultural practices and establishment of agroforests. Restoring degraded forest 

by planting  timber of  firewood  species, as well  as  improving  agriculture has been  shown  to  reduce 

pressure on existing  forest  (Niles et al. 2002, Albrecht and Kandji 2003). Unfortunately,  the data we 

collected was insufficient to make sound assessment of the capacity to increase carbon sequestration 

in  YUS  using  this  option.  In  addition  to  their  carbon  benefits,  restoring  degraded  forests,  planting 

56 | P a g e  

agroforests  and  improving  agriculture  might  be  a  locally  attractive  option  for  food  security  and 

fuelwood benefits. 

 

Photo 11 AGC assessment in shade coffee plantation 

   

57 | P a g e  

4. CONCLUDING REMARKS

 

Photo 12  View of the YUS landscape from the conservation area (2200m.a.s.l.) 

The  rugged  topography of PNG gives  rise  to structurally diverse and complex  forests  that span  from 

grand  lowland  forest  to cloud  immersed  forest up  to 4000m of elevation. These  tropical  forests are 

indeed an  important carbon store, though  little  is known about how much carbon  is stored  in them. 

Within  the  forest  of  the  YUS  landscape,  there  is  a  diversity  of  forest  types,  parent material  and 

disturbance  regimes. As a  result  the demography of  individual areas of  forest  is highly variable. This 

study represents one of the first attempts to quantify the natural variation in carbon stocks in PNG, in a 

large area of approximately 75,000 ha. It shows that the forests of the Huon Peninsula, and the YUS CA 

in  particular,  are  very  important  carbon  stores  at  a  national  level.  Total  carbon  stocks  in  the  YUS 

landscape  are  estimated  at  50.1 million  tonnes;  this  represents  approximately  1%  of  PNG’s  carbon 

stocks in logged and unlogged forest (Bryan et al. 2010). 

What we have learnt from our results: 

This study is the first in PNG to compare carbon stocks on such a broad altitudinal scale. We learnt that 

stocks  vary  tremendously with  environmental  conditions.  Factors  that  affect  above  ground  carbon 

store include forest stand demography, species composition, disturbance regimes and topography. Soil 

carbon  shows  clearer  trends  with  altitude  and  seems  to  be  less  affected  by  vegetation  type  and 

58 | P a g e  

disturbance  regime. We  conclude  that  although  the  current  study  has  been  well  replicated more 

investigation  is needed  to understand  the environmental  factors  that  create  variation  in  above  and 

below  ground  carbon.  If  we  had  measured  above  ground  carbon  only,  we  would  have  seriously 

underestimated  the carbon  stocks  in montane  forest. At  the  lowest elevations 87% of  the carbon  is 

stored  in above ground  stems, while at 3000m only 40% of  the carbon  is  stored above ground;  the 

majority  is  in  the  soil.  Reliable  estimates  of  soil  organic  carbon  are  needed  to  provide  realistic 

estimates of the total carbon store in any forest type at any elevation. 

In general, the forests of the YUS conservation area support large carbon stores which fall of the high 

range of values  recorded  in both  tropical  forests  in Papua New Guinea and elsewhere  in  the humid 

tropics. From our literature review on other biomass assessment carried out in the tropics, we believe 

that the above ground carbon values for the upper montane forest of PNG contain are the highest ever 

reported  when  compared  to  other  forests  at  similar  latitude  and  altitude.  This  emphasises  the 

importance of the YUS area and the need to support  initiatives  in community conservation currently 

being carried out under  the auspices of  the Tree Kangaroo Conservation Project. Although extensive 

forests  remain  throughout  the  YUS  area,  the protection of  forest  from  further  clearance  should be 

prioritised in the lowland forests. These forests store the highest above ground biomass, they are the 

most  threatened by  logging and only 28% of  lowland  forest  is gazetted under  the YUS Conservation 

Area.  Although  deforestation  rates  have  been  very  low  until  now,  future  threats  from  logging  are 

imminent and should not be ignored.     

The YUS Project seeks to conserve forest carbon, endemic biodiversity, and ecosystem services, and to 

benefit local rural communities by providing income streams from sustainable activities that have low 

impact  on  traditional ways  of  life.  Integrating  sustainable  development models  that  have multiple 

objectives  is a major challenge  in  land use planning  (Dewi et al. 2011). Within  the YUS Conservation 

Area  there  are  already  significant  initiatives  in  community  reafforestation,  improved  silviculture, 

particularly coffee, and sensible land use allocation in which conservation is a core value. 

 

 

59 | P a g e  

Why YUS might work as a REDD+ project:

Implementation  of  REDD+  could  provide  critical  compensation  to  forest  users  for  improved 

conservation  management  practices  in  the  absence  of,  or  in  combination  with  other  economic 

incentives  (Nasi  et  al.  2011).  In  YUS  there  has  already  been  substantial  investment  in  community 

capacity building, technical support to develop carbon inventory surveys, mapping and remote sensing 

capacity and community and regional consensus building. A series of planning workshops have laid the 

foundations  for community consensus on  land use planning and  rational approaches  to both nature 

conservation  and  economic  development.  The  absence  of  these  factors  generally  works  against 

building rural development capability in Papua New Guinea.  

In YUS, enhanced carbon sequestration  is  likely to be productive rather than avoided emissions from 

deforestation. Detailed study of deforestation rates in yours indicates that overall rates are very, very 

low and seem to be related to major El Niño events such as 1997. The absence of roads in the US area 

has protected the forests until now. There are extensive areas of anthropogenic grasslands, and areas 

close  to existing villages might be usefully  reforested. Local management practices,  resulting  in  tree 

extraction for firewood supply could be enhanced to support a wide range of species with attendant 

gains  in above ground carbon and conservation value. Converting anthropogenic grasslands to  forest 

through  assisted natural  regeneration  is  an  ambitious  land management  strategy but may hold  the 

greatest potential for additional carbon sequestration in YUS. 

Other options include the establishment of shade coffee plantations in grasslands. This is probably the 

most broadly viable option in YUS, although it will accrue lower carbon sequestration benefits. It holds 

multiple benefits and landholders have recently shown interest in establishing new coffee plantations. 

If existing forest area is cleared for coffee plantations, this will have an adverse effect on carbon stocks 

in YUS; therefore we recommend thoughtful land‐use planning in close collaboration with landholders. 

Support  is needed to set up the  institutional  infrastructure required to distribute REDD+ benefits and 

implement  the  various  incentive  schemes;  this  might  be  most  usefully  achieved  through  the 

community business organization (CBO) model with financial benefits being held in trust for approved 

community activities. A performance‐based model for the distribution of REDD+ funds a  local  level  is 

60 | P a g e  

critical, nested within  a provincial  and national  approach. This would need  to  support  rigorous  and 

reproducible standards of measurement and verification, and would need  to  target specific areas of 

forest. 

Central to all of this would be land use planning strategies which focused integrating development and 

conservation goals with carbon sequestration strategies. There is increasing pressure to clear forest for 

agriculture to address  increased regional demand for food. Livelihood  landscapes, such as old garden 

fallows, agroforestry systems or perhaps plantations, can sequester and store significant amounts of 

carbon  given  associated  sound management  (Ramachandran Nair  et  al.  2010; Montagnini  and Nair 

2004). Therefore, best approach is one which is realistic, one that focuses on maintaining high carbon 

stock with low carbon flows while achieving agreed development goals (Dewi et al. 2011).  

 

Photo 13 Local Landholder that have pledge to land to the conservation area and who was part of the team that assessed above and below carbon stocks for this study 

   

61 | P a g e  

5. APPENDICES

Appendix 1 Equations 

Table 10 Allometric used to calculate above ground biomass. AGB above ground biomass is dry biomass in KG. AGC (Carbon) values are obtained by multiplying AGB values by 0.5 

Biomass Category  Allometric equation Source 

Trees in tropical wet forest  AGBwet= 0.0776 ∙ [(ρD2H)]0.940 

 

Chave et al. 2005 

Trees in tropical moist forest  AGBmoist= 0.0509 ∙ ρD2H 

 

Chave et al. 2005 

Trees without H (not used)  AGBnoH= 21.297‐ 6.953 ∙ dbh + 0.740 ∙ dbh2  Brown 1997 

Palms and tree ferns  AGB = 6.666+12.826 ∙ height05 ∙ ln(height)  Pearson 2005b 

Lianas  AGB = exp (0.12=0.91 ∙ log (BA at dbh)  Putz 1983 

Shade grown coffee  AGB = exp [‐2.719 + 1.991  (ln∙dbh)] ∙ log10dbh  Segura et al. 2006 

Banana  AGB = 0.030 ∙ dbh2.13  Van Noordwijk et al. 2002 

Fast growing trees  Log10 AGB = ‐0.834 + 2.223 (Log10dbh)  Segura et al. 2006 

Below ground Carbon  BGC =[ exp(‐1.0587 + 0.8836 ∙ ln AGB)] ∙0.5  Cairns et al. 1997 

 

   

62 | P a g e  

Appendix 2 Mean wood density values in each elevation category 

Table 11 Mean wood  specific density  and  standard deviation at each elevation. Not all  stems had density 

values this table demonstrate the proportion of stems that had an associated value. 

Elevation (m.a.s.l.)  Mean ρ (g/cm3)   ±SD # stems with ρ value Total # of stems  %  of stems with ρ value

50  0.66  0.10 45 313 14.4

600  0.64  0.07 45 365 12.3

800  0.58  0.10 44 423 10.4

1400  0.55  0.16 64 393 16.3

1800  0.42  0.14 36 486 7.4 

2200  0.49  0.10 83 788 10.5

2400  0.50  0.09 149 699 21.3

2800  0.49  0.08 152 961 15.8

2800.5  0.52  0.05 178 519 34.3

3000  0.47  0.05 178 681 26.1

Dendawang  0.45  0.08 11 334 3.3 

Secondary forest   0.41  0.09 241 956 25.2

Overall  0.50  0.12 1260 7335 17.2

63 | P a g e  

Appendix 3 Comparison of SOC in other elevation transects 

Table 12 Comparison of SOC stocks in other transects 

Reference  Location  Elevation range (m a.sl.) 

Depth sample (cm) 

Range of C stocks (MgC∙ha‐1) 

Soil description of selected sites Slopes of selected sites 

Kitayama & Aiba, 2002  Borneo  700‐3100 100 ca. 70‐280 sedimentary substrate (sandstone/mudstone), pH 4.1‐4.9 gentle (17°‐27°) 

  Borneo  700‐3100 100 ca. 80‐100 ultrabasic substrate (serpentinizedperidotite), pH 4.5‐5.4 gentle (11°‐24°) 

Townsend et al., 1995  Hawaii  900‐1500 20 113.9‐153.6 allophanic soils (Udands), extremely similar along sites relatively level

Girardin et al., 2010  Peru  194‐3025 40 14‐70 all except one on Paleozoic shalesslates), below 1000m clay rich soils on alluvial sediments, lower at higher sites 

ridgetop

Schaweet al., 2007  Bolivia  1700‐3400 100 220‐530 Ordovician metasiltstone, slates and sandstones, pH 3‐4.5 Steep (>25°)

Soetheet al., 2007  Ecuador  1900‐3000 110 131‐402 gleyicCambisols, Podzols at highest altitude plot, pH < 3.5 to 30cm depth 

27°‐31°

Zimmermann et al., 2010 

Peru  2994‐3860 90 mean of 118 HisticLithosol ‐

Schrumpfet al., 2001  Ecuador  1100‐3050 100 ca. 70‐350 mainly phyllites, partly metamorphic sandstones as well as quartzites, pH 3‐5 

very steep (30°, maxima >60°)

Raichet al., 1997  Hawaii  290‐1660 50 5.1‐145 All on pahoehoe lava, consistently very acid gentle

Raichet al., 2006  Meta‐analysis of 6 transects 

ca. 0‐4000 5 x 100, 1 x 50 

ca. 60‐600

 

64 | P a g e  

 

Appendix 4 Tree species in regrowth land cover (work in Progress) 

Table 13 common species in each land type, in order of highest basal area from each land use type 

Land use Type  Dominant Species§ 

Shade Coffee  Casuarina  oligodon,  Leucaena  sp,Persea  sp  (avocado)  Entrolobium cyclocarpum, Coffee arabica, Caesalpinia sp,Trema sp, Areca catechu (betelnut), Drayadodaphne crassa 

Fallowed Garden  Areca  catechu  (Betelnut),  Artocarpus  utilis  (breadfruit),  Piper  sp, Casuarina oligodon, Pandanus, Finchia rufa, Saurauria sp, Tetrameles nudiflora, Ficus sp, 

Secondary Forest  Saurauria  sp, Trema  sp, Ficus  sp, Macaranga  sp, Arctocarpus altilis, Podocarpus crassigenmis 

§Species identification is not complete, species data may change 

 

   

65 | P a g e  

Appendix 5 Aligning carbon sequestration options with Landscape Management plan in YUS 

 

The YUS Project seeks to conserve forest carbon, endemic biodiversity, and ecosystem services, and to 

benefit local rural communities by providing income streams from sustainable activities that have low 

impact  on  traditional  ways  of  life,  in  the  Morobe  Province  of  Papua  New  Guinea.  Integrating 

sustainable development models have multiple objectives  is a major  challenge  in  land use planning 

(Dewi et  al. 2011). Table 9 displays  some  goals within YUS  Landscape plan  that might overlap with 

carbon sequestration objective mentioned in this report as a starting point for further partnerships. 

Table 14  Goals within YUS Landscape plan that potentially overlap with carbon sequestration  

Sector  DSP 2030 Deliverables 

4.3 Forestry   9.0 Promote the international initiative Reducing Emissions from Deforestation and Forest Degradation 

(REDD+) to assist with mitigation adaptation measures in climate change   

5.1 Population   1.0 Enhancement of skills and capacity to equip the labor force  

 5.6 Environment   

1.3  Comprehensive  range  of  natural  resource  management  guidelines  that  addresses  drivers  of deforestation  

  1.5 Enhance management of land degraded by commercial extraction    4.0  Creation  of  systems  of  protected  areas  management  at  all  levels  and  forest  and  biodiversity 

conservation    4.5 REDD + and payment for ecosystems services (PES)    5.5 Introduce land zoning systems to increase agricultural production    6.0  Environmental data and information management for planning and dissemination  

   

66 | P a g e  

 

6. REFERENCES

Albrecht, A. and S. T. Kandji. 2003. Carbon sequestration in tropical agroforestry systems. Agriculture, Ecosystems & Environment 99:15‐27. 

Anderson, L. O., Y. Malhi, R. J. Ladle, L. Aragao, Y. Shimabukuro, O. L. Phillips, T. Baker, A. C. L. Costa, J. S. Espejo, N. Higuchi, W. F. Laurance, G. Lopez‐Gonzalez, A. Monteagudo, P. Nunez‐Vargas, J. Peacock, C. A. Quesada, and S. Almeida. 2009. Influence of landscape heterogeneity on spatial patterns of wood productivity, wood specific density and above ground biomass in Amazonia. Biogeosciences 6:1883‐1902. 

Asner, G. P. 2011. Painting the world REDD: addressing scientific barriers to monitoring emissions from tropical forests. Environmental Research Letters 6:021002. 

Asner, G. P., R. Flint Hughes, T. A. Varga, D. E. Knapp, and T. Kennedy‐Bowdoin. 2009. Environmental and biotic controls over aboveground biomass throughout a tropical rain forest. Ecosystems 12:261‐278. 

Bradshaw, C. J. A., N. S. Sodhi, K. S. H. Peh, and B. W. Brook. 2007. Global evidence that deforestation amplifies flood risk and severity in the developing world. Global Change Biology 13:2379‐2395. 

Bourke, R. M. 1985. Food, coffee and casuarina: an agroforestry system from the Papua New Guinea highlands. Agroforestry Systems 2:273‐279. 

Brooks, A. 2011. Landscape and Management Planner ‐ YUS Conservation Area, PNG. Tree Kangaroo Conservation Project, Lae, PNG. 

Brooks, A. and A. Ramachandra. 2012. Drivers of deforestation: YUS Landscape. Tree Kangaroo Conservation Project, Conservation International, Cairns 

Brooks, T. M., R. A. Mittermeier, G. A. B. da Fonseca, J. Gerlach, M. Hoffmann, J. F. Lamoreux, C. G. Mittermeier, J. D. Pilgrim, and A. S. L. Rodrigues. 2006. Global biodiversity conservation priorities. Science 313:58‐61. 

Brown, S. 2002. Measuring, monitoring, and verification of carbon benefits for forest‐based projects. Philosophical Transactions of the Royal Society of London Series a‐Mathematical Physical and Engineering Sciences 360:1669‐1683. 

Brown, S. 1997. Estimating Biomass and Biomass Change of Tropical Forests. Page 55 in FAO, editor., Rome. 

Bryan, J., J. Kirkpatrick, P. Shearman, and J. Ash. 2011. On estimating tropical forest carbon dynamics in Papua New Guinea. Annals of Forest Science 68:213‐216. 

Bryan, J., P. Shearman, J. Ash, and J. B. Kirkpatrick. 2010. Estimating rainforest biomass stocks and carbon loss from deforestation and degradation in Papua New Guinea 1972‐2002: Best estimates, uncertainties and research needs. Journal of Environmental Management 91:995‐1001. 

Bryan, J. P. and Shierman. P.L.. 2008. Papua New Guinea Resource Information System Handbook. 3rd edn. edition. Univeristy of Papua New Guinea, Port Moresby. 

67 | P a g e  

Cairns, M. A., S. Brown, E. H. Helmer, and G. A. Baumgardner. 1997. Root biomass allocation in the world's upland forests. Oecologia 111:1‐11. 

Chave, J., R. Condit, S. Lao, J. P. Caspersen, R. B. Foster, and S. P. Hubbell. 2003. Spatial and temporal variation of biomass in a tropical forest: results from a large census plot in Panama. Journal of Ecology 91:240‐252. 

Chave, J., C. Andalo, S. Brown, M. A. Cairns, J. Q. Chambers, D. Eamus, H. Folster, F. Fromard, N. Higuchi, T. Kira, J. P. Lescure, B. W. Nelson, H. Ogawa, H. Puig, B. Riera, and T. Yamakura. 2005. Tree allometry and improved estimation of carbon stocks and balance in tropical forests. Oecologia 145:87‐99. 

Chhatre, A. and A. Agrawal. 2009. Trade‐offs and synergies between carbon storage and livelihood benefits from forest commons. Proceedings of the National Academy of Sciences of the United States of America 106:17667‐17670. 

Clark, D. B. and D. A. Clark. 2000. Landscape‐scale variation in forest structure and biomass in a tropical rain forest. Forest Ecology and Management 137:185‐198. 

Culmsee, H., C. Leuschner, G. Moser, and R. Pitopang. 2010. Forest aboveground biomass along an elevational transect in Sulawesi, Indonesia, and the role of Fagaceae in tropical montane rain forests. Journal of Biogeography 37:960‐974. 

Dewi, S., A. Ekadinata, G. Galudra, P. Agung, and F. Johana. 2011. LUWES: Land use planning for Low Emission Development Strategy 

de Castilho, C. V., W. E. Magnusson, R. N. O. de Araújo, R. C. C. Luizão, F. J. Luizão, A. P. Lima, and N. Higuchi. 2006. Variation in aboveground tree live biomass in a central Amazonian Forest: Effects of soil and topography. Forest Ecology and Management 234:85‐96. 

Edwards, P. J. and P. J. Grubb. 1977. Studies of mineral cycling in a Montane rain forest in New Guinea I: The distribution of organic matter in the vegetation and soil. Journal of Ecology 65:943‐969. 

Ebeling, J. and M. Yasué. 2008. Generating carbon finance through avoided deforestation and its potential to create climatic, conservation and human development benefits. Philosophical Transactions of the Royal Society B: Biological Sciences 363:1917‐1924. 

Fox, J. C., C. K. Yosi, P. Nimiago, F. Oavika, J. N. Pokana, K. Lavong, and R. J. Keenan. 2010. Assessment of Aboveground Carbon in Primary and Selectively Harvested Tropical Forest in Papua New Guinea. Biotropica 42:410‐419. 

Gibbs, H. K., S. Brown, J. O. Niles, and J. A. Foley. 2007. Monitoring and estimating tropical forest carbon stocks: making REDD a reality. Environmental Research Letters 2. 

Gibbon, A., M. Silman, Y. Malhi, J. Fisher, P. Meir, M. Zimmermann, G. Dargie, W. Farfan, and K. Garcia. 2010. Ecosystem Carbon Storage Across the Grassland–Forest Transition in the High Andes of Manu National Park, Peru. Ecosystems 13:1097‐1111. 

Girardin, C. A. J., Y. Malhi, L. E. O. C. AragÃO, M. Mamani, W. Huaraca Huasco, L. Durand, K. J. Feeley, J. Rapp, J. E. Silva‐Espejo, M. Silman, N. Salinas, and R. J. Whittaker. 2010. Net primary productivity allocation and cycling of carbon along a tropical forest elevational transect in the Peruvian Andes. Global Change Biology 16:3176‐3192. 

Gillieson, D., J. Silverman, R. Hopkinson, M. Quenzer, and K. Kuna. 2011. Vegetation mapping for the YUS conservation landscape. James Cook University, Cairns. 

Guo, L. B. and R. M. Gifford. 2002. Soil carbon stocks and land use change: a meta analysis. Global Change Biology 8:345‐360. 

68 | P a g e  

Hartemink, A. E. 2001. Biomass and nutrient accumulation of Piper aduncum and Imperata cylindrica fallows in the humid lowlands of Papua New Guinea. Forest Ecology and Management 144:19‐32. 

Hett, C., J.‐C. Castella, A. Heinimann, P. Messerli, and J.‐L. Pfund. 2012. A landscape mosaics approach for characterizing swidden systems from a REDD+ perspective. Applied Geography 32:608‐618. 

Houghton, R. A. 2005. Aboveground Forest Biomass and the Global Carbon Balance. Global Change Biology 11:945‐958. 

Houghton, R. A. 2010b. How well do we know the flux of CO2 from land‐use change? Tellus B 62:337‐351. 

Houghton, R. A. 2012. Historic Changes in Terrestrial Carbon Storage. Pages 59‐82 in R. Lal, K. Lorenz, R. F. Hüttl, B. U. Schneider, and J. Braun, editors. Recarbonization of the Biosphere. Springer Netherlands. 

IPCC. 2006. Intergovernmental Panel on Climate Change Guidelines for National Greenhouse Gas Inventories.in S. Eggleston, L. Buendia, K. Miwa, T. Ngara, and K. Tanabe, editors. Agriculture,Forestry and Other Land Use, Prepared by the National Greenhouse Gas Inventories Programme. Institute for Global Environmental Strategies, Kanagawa, Japan. 

ITTO. 2002. Guidelines for the Restoration, Management and Rehabilitation of Degraded and Secondary Tropical Forests. Inernational Tropical Timber Organization, Yokohama, Japan. 

Jepsen, M. R. 2006. Above‐ground carbon stocks in tropical fallows, Sarawak, Malaysia. Forest Ecology and Management 225:287‐295. 

Keenan, R. J., J. C. Fox, C. Brack, and S. Saulei. 2011. Native forest management in Papua New Guinea: an introduction. Page 201pp in J. C. Fox, R. J. Keenan, C. Brack, and S. Saulei, editors. Native Forest Management in Papua New Guinea: Advances in Assessment, Modelling and Decision‐making. Australian Centre for International Agricultural Research, Canberra. 

Kitayama, K. and S. I. Aiba. 2002. Ecosystem structure and productivity of tropical rain forests along altitudinal gradients with contrasting soil phosphorus pools on Mount Kinabalu, Borneo. Journal of Ecology 90:37‐51. 

Lamb, D. 2011. Regreening the Bare Hills. Springer, Netherlands. Lambin, E. F., H. J. Geist, and E. Lepers. 2003. DYNAMICS OF LAND‐USE AND LAND‐COVER CHANGE IN 

TROPICAL REGIONS. Annual Review of Environment and Resources 28:205‐241. Lambin, E. F., B. L. Turner, H. J. Geist, S. B. Agbola, A. Angelsen, J. W. Bruce, O. T. Coomes, R. Dirzo, G. 

Fischer, C. Folke, P. S. George, K. Homewood, J. Imbernon, R. Leemans, X. Li, E. F. Moran, M. Mortimore, P. S. Ramakrishnan, J. F. Richards, H. Skånes, W. Steffen, G. D. Stone, U. Svedin, T. A. Veldkamp, C. Vogel, and J. Xu. 2001. The causes of land‐use and land‐cover change: moving beyond the myths. Global Environmental Change 11:261‐ 

Laurance, S. G. W., W. F. Laurance, A. Andrade, P. M. Fearnside, K. E. Harms, A. Vicentini, and R. C. C. Luizao. 2010. Influence of soils and topography on Amazonian tree diversity: a landscape‐scale study. Journal of Vegetation Science 21:96‐106. 

Laurance, W. F., P. M. Fearnside, S. G. Laurance, P. Delamonica, T. E. Lovejoy, J. Rankin‐de Merona, J. Q. Chambers, and C. Gascon. 1999. Relationship between soils and Amazon forest biomass: A landscape‐scale study. Forest Ecology and Management 118:127‐138. 

69 | P a g e  

Leuschner, C., G. Moser, C. Bertsch, M. Roderstein, and D. Hertel. 2007. Large altitudinal increase in tree root/shoot ratio in tropical mountain forests of Ecuador. Basic and Applied Ecology 8:219‐230. 

Malhi, Y., M. Silman, N. Salinas, M. Bush, P. Meir, and S. Saatchi. 2010. Introduction: Elevation gradients in the tropics: laboratories for ecosystem ecology and global change research. Global Change Biology 16:3171‐3175. 

Malhi, Y., D. Wood, T. R. Baker, J. Wright, O. L. Phillips, T. Cochrane, P. Meir, J. Chave, S. Almeida, L. Arroyo, N. Higuchi, T. J. Killeen, S. G. Laurance, W. F. Laurance, S. L. Lewis, A. Monteagudo, D. A. Neill, P. N. Vargas, N. C. A. Pitman, C. A. Quesada, R. Salomao, J. N. M. Silva, A. T. Lezama, J. Terborgh, R. V. Martinez, and B. Vinceti. 2006. The regional variation of aboveground live biomass in old‐growth Amazonian forests. Global Change Biology 12:1107‐1138. 

Malhi, Y., T. R. Baker, O. L. Phillips, S. Almeida, E. Alvarez, L. Arroyo, J. Chave, C. I. Czimczik, A. Di Fiore, N. Higuchi, T. J. Killeen, S. G. Laurance, W. F. Laurance, S. L. Lewis, L. M. M. Montoya, A. Monteagudo, D. A. Neill, P. N. Vargas, S. Patino, N. C. A. Pitman, C. A.  

Parrotta, J. A. 1995. Influence of overstory composition on understory colonization by native species in plantations on a degraded tropical site. Journal of Vegetation Science 6:627‐636. 

Pearson, T., S. Brown, and N. Ravindranath. 2005a. Integrating carbon benefit estimates into GEF projects. United Nations Development Programme, New York. 

Pearson, T., S. Walker, and S. Quesada, R. Salomao, J. N. M. Silva, A. T. Lezama, R. V. Martinez, J. Terborgh, B. Vinceti, and J. Lloyd. 2004. The above‐ground coarse wood productivity of 104 Neotropical forest plots. Global Change Biology 10:563‐591. 

Marshall, A. R., S. Willcock, P. J. Platts, J. C. Lovett, A. Balmford, N. D. Burgess, J. E. Latham, P. K. T. Munishi, R. Salter, D. D. Shirima, and S. L. Lewis. 2012. Measuring and modelling above‐ground carbon and tree allometry along a tropical elevation gradient. Biological Conservation 

Nasi, R., F. Putz, P. Pacheco, S. Wunder, and S. Anta. 2011. Sustainable Forest Management and Carbon in Tropical Latin America: The Case for REDD+. Forests 2:200‐217. 

Niles, J. O., S. Brown, J. Pretty, A. S. Ball, and J. Fay. 2002. Potential carbon mitigation and income in developing countries from changes in use and management of agricultural and forest lands. Philosophical Transactions of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences 360:1621‐1639. 

Ningal, T., A. E. Hartemink, and A. K. Bregt. 2008. Land use change and population growth in the Morobe Province of Papua New Guinea between 1975 and 2000. Journal of Environmental Management 87:117‐124. 

NMB, P. 1993. Papua New Guinea [cartographic material].in N. M. Bureau, editor. La Galamo Books, Lae, Papua New Guinea  

Putz, F. E. 1983. Liana Biomass and Leaf Area of a "Tierra Firme" Forest in the Rio Negro Basin, Venezuela. Biotropica 15:185‐189. 

Ramankutty, N., H. K. Gibbs, F. Achard, R. Defries, J. A. Foley, and R. A. Houghton. 2007. Challenges to estimating carbon emissions from tropical deforestation. Global Change Biology 13:51‐66. 

Ricketts, T. H., G. C. Daily, P. R. Ehrlich, and C. D. Michener. 2004. Economic value of tropical forest to coffee production. Proceedings of the National Academy of Sciences of the United States of America 101:12579‐12582. 

70 | P a g e  

Sheil, D. and D. Murdiyarso. 2009. How Forests Attract Rain: An Examination of a New Hypothesis. Bioscience 59:341‐347 

Shearman, P., J. Ash, B. Mackey, J. Bryan, and B. Lokes. 2008. State of the forests of Papua New Guinea. University of Papua New Guinea Press, Port Moresby. 

Shearman, P., J. Ash, B. Mackey, J. E. Bryan, and B. Lokes. 2009. Forest Conversion and Degradation in Papua New Guinea 1972‐2002. Biotropica 41:379‐390.  

Shono, K., E. A. Cadaweng, and P. B. Durst. 2007. Application of Assisted Natural Regeneration to Restore Degraded Tropical Forestlands. Restoration Ecology 15:620‐626. 

Slik, J. W. F. and et al. 2010. Environmental correlates of tree biomass, basal area, wood specific gravity and stem density gradients in Borneo's tropical forests. Global Ecology and Biogeography. 

van der Werf, G. R., D. C. Morton, R. S. DeFries, J. G. J. Olivier, P. S. Kasibhatla, R. B. Jackson, G. J. Collatz, and J. T. Randerson. 2009. CO2 emissions from forest loss. Nature Geosci 2:737‐738. 

Venter, M., O. Venter, S. Laurance, and M. Bird. 2012. Recarbonization of the Humid Tropics. In: Recarbonization of the Biosphere. Pages 229‐252 eds R. Lal, K. Lorenz, R. F. Hüttl, B. U. Schneider, and J. Braun, editors. Springer Netherlands. 

Venter, O. and L. P. Koh. 2011. Reducing emissions from deforestation and forest degradation (REDD+): game changer or just another quick fix? Annals of the New York Academy of Sciences: 

Young, K. R., J. J. Ewel, and B. J. Brown. 1987. Seed dynamics during forest succession in Costa Rica. Plant Ecology 71:157‐173. 

Zimmermann, M., P. Meir, M. I. Bird, Y. Malhi, and A. J. Q. Ccahuana. 2009. Climate dependence of heterotrophic soil respiration from a soil‐translocation experiment along a 3000 m tropical forest altitudinal gradient. European Journal of Soil Science 60:895‐906.