![pageSearch](/themes/hestia/images/page-search.webp)
Valve hat mit der Aktualisierung von Counter begonnen
Mar 07, 2023Multi
Mar 09, 2023Markt für Flanschdichtungen 2023 – Ausblick, Hersteller, Chancen und Prognose bis 2029
Mar 11, 2023Marktanalyse für Schaftfräseradapter basierend auf der Branchengröße bis 2023
Mar 13, 2023Zwei Offshore-Arbeiter wurden bei Arbeiten auf einer US-Plattform durch eine „schwarze Rauchwolke“ verletzt
Mar 15, 2023Zunehmend negatives tropisches Wasser
![May 30, 2023](/themes/hestia/images/news-details-icon1.webp)
Natur (2023)Diesen Artikel zitieren
3972 Zugriffe
109 Altmetrisch
Details zu den Metriken
Landökosysteme haben in den letzten sechs Jahrzehnten etwa 32 % der gesamten anthropogenen CO2-Emissionen verursacht1. Große Unsicherheiten in den terrestrischen Kohlenstoff-Klima-Rückkopplungen machen es jedoch schwierig vorherzusagen, wie die Kohlenstoffsenke an Land auf zukünftige Klimaveränderungen reagieren wird2. Zwischenjährliche Schwankungen der atmosphärischen CO2-Wachstumsrate (CGR) werden durch Kohlenstoffflüsse zwischen Land und Atmosphäre in den Tropen dominiert und bieten die Möglichkeit, die Wechselwirkungen zwischen Kohlenstoff und Klima an Land zu untersuchen3,4,5,6. Es wird angenommen, dass Schwankungen der CGR größtenteils durch die Temperatur gesteuert werden7,8,9,10, es gibt jedoch auch Hinweise auf einen engen Zusammenhang zwischen Wasserverfügbarkeit und CGR11. Hier verwenden wir eine Aufzeichnung globaler atmosphärischer CO2-, terrestrischer Wasserspeicher- und Niederschlagsdaten, um Veränderungen in der interjährlichen Beziehung zwischen tropischen Landklimabedingungen und CGR unter einem sich ändernden Klima zu untersuchen. Wir stellen fest, dass der zwischenjährliche Zusammenhang zwischen tropischer Wasserverfügbarkeit und CGR im Zeitraum 1989–2018 im Vergleich zu 1960–1989 zunehmend negativ wurde. Dies könnte mit räumlich-zeitlichen Veränderungen der Anomalien der Wasserverfügbarkeit in den Tropen zusammenhängen, die durch Verschiebungen in den El-Niño-/Southern-Oscillation-Fernverbindungen verursacht werden, einschließlich abnehmender räumlicher kompensatorischer Wassereffekte9. Wir zeigen auch, dass die meisten hochmodernen gekoppelten Erdsystem- und Landoberflächenmodelle die sich verstärkende Wasser-Kohlenstoff-Kopplung nicht reproduzieren. Unsere Ergebnisse deuten darauf hin, dass die Verfügbarkeit von tropischem Wasser zunehmend die interjährliche Variabilität des terrestrischen Kohlenstoffkreislaufs kontrolliert und die Rückkopplungen zwischen tropischem terrestrischem Kohlenstoff und Klima moduliert.
Es wurde festgestellt, dass die zwischenjährlichen Schwankungen (IAV) der CO2-Wachstumsrate (CGR) stark mit El Niño/Southern Oscillation (ENSO)12,13 korrelieren (z. B. R = −0,55, P < 0,05 in Lit. 12, Pearson). Korrelationskoeffizient), insbesondere bei tropischen Temperaturschwankungen7,8,9 (z. B. R = 0,7, P < 0,01 in Lit. 7), trotz des niedrigeren IAV der tropischen Temperatur als für andere Standorte14. Die historische IAV-Empfindlichkeit von CGR gegenüber tropischen Temperaturen wurde außerdem als eine Beobachtungsbeschränkung identifiziert, die die Unsicherheiten in den prognostizierten tropischen Kohlenstoffbudgets erheblich verringern kann5. Im Vergleich zur tropischen Temperatur korrelieren gleichzeitige tropische Niederschläge nicht gut mit CGR15,16 (z. B. R = −0,19, P > 0,1 in Lit. 16), es wurde jedoch gezeigt, dass verzögerte tropische Niederschläge den IAV von CGR oder tropischem Nettoland stark erklären Kohlenstofffluss7,17 (z. B. R = −0,5, P < 0,05 in Lit. 7), was aus Prozesssicht zu einer unklaren Rolle der Wasserverfügbarkeit bei der Steuerung der CGR führt. Kürzlich ermöglichte der Start von Zwillingssatelliten des Gravity Recovery and Climate Experiment (GRACE) die direkte Messung der Variabilität der terrestrischen Wasserspeicherung (WS), und eine anschließende Analyse zeigte, dass sie eng mit CGR11 gekoppelt ist (R = −0,85, P < 0,01). Im Zusammenhang mit dem Klimawandel bleibt jedoch unklar, ob die identifizierte terrestrische Klima-Kohlenstoff-Kopplung über die Zeit konstant ist oder je nach Änderungen der Klimafaktoren und des mittleren Klimas variieren kann.
Hier untersuchen wir die Veränderungen in der zwischenjährlichen Beziehung zwischen tropischen Landklimabedingungen und CGR in den letzten Jahrzehnten. Um die kürzeren Beobachtungsdaten der GRACE-Satelliten zu ergänzen, verwenden wir auch die kürzlich rekonstruierte langfristige WS-Variabilität18. Darüber hinaus kann der um 6 Monate verzögerte Jahresniederschlag (LagP) den aggregierten tropischen WS-IAV gut annähern und korreliert mit dem CGR-IAV, was sich als ein weiterer effizienter Indikator für den tropischen terrestrischen Wasserverfügbarkeits-IAV (Methoden) herausstellt. Dies hilft auch zu erklären, warum verzögerte Niederschläge in früheren Erkenntnissen gut mit der CGR korrelierten7,17.
Bei allen Variablen wird auf jährlicher Zeitskala der Trend bereinigt, indem der langfristige lineare Trend entfernt wird, während wir uns auf die Beziehung der zwischenjährlichen Variabilität konzentrieren. Die Jahre nach den Ausbrüchen des Mount Agung (1962 und 1963), des El Chichón (1982) und des Mount Pinatubo (1991–1993) werden ebenfalls von den Analysen ausgeschlossen, um Störungen durch ungewöhnliche Kohlenstoffflussanomalien zu vermeiden19. Für den gesamten Zeitraum 1960–2018 korreliert die CGR signifikant sowohl mit der tropischen Temperatur (RT, CGR = 0,64, P <0,01, Pearson-Korrelationskoeffizient) als auch mit der tropischen WS (RWS, CGR = –0,58, P <0,01) (Abb. 1a). ). Das entgegengesetzte Vorzeichen in den beiden Beziehungen deutet darauf hin, dass heißere (positive Temperaturanomalie) und trockenere (negative WS-Anomalie) Klimabedingungen die Kohlenstoffsenke an Land im Allgemeinen gedämpft und somit das atmosphärische CO2-Wachstum in den letzten Jahrzehnten verstärkt haben. Es gibt auch einen kleinen Anteil der CGR, der nicht in das allgemeine Muster passt, was auf die Rolle anderer Faktoren wie außergewöhnlicher (nichtlinearer) anthropogener Emissionen oder der Kohlenstoffsenke im Ozean schließen lässt.
a, Jährliche tropische Temperatur im Vergleich zum tropischen WS im Vergleich zur CGR in trendbereinigten Anomalien. Die CGR-Werte werden durch den Farbbalken angezeigt. b, Histogramme der zwischenjährlichen Klima-CGR-Korrelationen in den ersten drei Jahrzehnten (1960–1989) und in den neueren drei Jahrzehnten (1989–2018), abgeleitet unter Verwendung von 5.000 Bootstrapping-Wiederholungen. Sowohl tropisches WS als auch LagP werden verwendet, um die tropische Wasserverfügbarkeit darzustellen. c, Wie b, zeigt jedoch Histogramme der teilweisen Korrelationen von CGR mit tropischer Temperatur und tropischem Wasser nach Kontrolle des tropischen Wassers bzw. der tropischen Temperatur. d, Histogramme der zwischenjährlichen Empfindlichkeit von CGR gegenüber tropischem WS (γWS) und LagP (γLagP) in der univariaten Regression für dieselben zwei Zeiträume, abgeleitet unter Verwendung von 5.000 Bootstrapping-Wiederholungen. Im Gegensatz zu Korrelationen unterscheiden sich γWS und γLagP aufgrund der Unterschiede in der WS- und LagP-IAV-Größe in der Größe und werden daher separat angezeigt. Die Einheit dieser Empfindlichkeit ist PgC yr−1 pro Tt H2O. e, Wie für d, zeigt jedoch γWS und γLagP, geschätzt unter Verwendung der bivariaten Regression mit tropischem Wasser und tropischer Temperatur als Prädiktoren. Hier wird die Ridge-Regression verwendet, um Verzerrungen aufgrund einer hohen Kollinearität zwischen Wasser und Temperatur zu reduzieren (Methoden).
Als nächstes untersuchen wir, wie sich die Korrelation zwischen Klima und CGR von den ersten 30 Jahren (1960–1989) bis zu den letzten 30 Jahren (1989–2018) ändert. Die Unsicherheit der Korrelation wird durch Bootstrapping (5.000 Replikationen) quantifiziert. Die Ergebnisse zeigen, dass die Bootstrap-Verteilungen der Temperatur-CGR-Korrelationen zwischen den beiden Zeiträumen ähnlich sind, die Wasser-CGR-Korrelationen jedoch zwischen den beiden Zeiträumen deutlich unterschiedlich sind (basierend auf dem Wilcoxon-Signed-Rank-Test, P < 0,05) und mit der Zeit negativer werden (Abb. 1b und erweiterte Datentabelle 1). Um zu überprüfen, ob diese zunehmend negative Wasser-Kohlenstoff-Korrelation durch die möglicherweise verwirrende Wasser-Temperatur-Kopplung beeinflusst wird, betrachten wir die zeitliche Dynamik der Wasser-Temperatur-Korrelationen und stellen fest, dass sie über die Zeit stabil sind (ergänzende Abbildung 1). Teilkorrelationen beseitigen Wasser-Temperatur-Korrelationen und ihre relativen Änderungen tragen direkt dazu bei, zu bestätigen, dass die zunehmend negative tropische Wasser-Kohlenstoff-Korrelation robust bleibt (Abb. 1c). Wir stellen fest, dass es unangemessen sein könnte, die partielle Korrelation RW,CGR|T als Auswirkungen auf das Gesamtwasser zu interpretieren, da die terrestrische Wasservariabilität auch indirekt den Kohlenstoffkreislauf an Land beeinflussen kann, indem sie über die gut dokumentierten Rückkopplungen zwischen Bodenfeuchtigkeit und Atmosphäre extreme Temperaturen in der Atmosphäre auslöst20,21 auf CGR in den beiden Perioden, aber die zeitlichen Änderungen von RW,CGR|T sind hier nützlich (Methoden). Darüber hinaus berechnen wir Klima-CGR-Korrelationen für ein gleitendes Zeitfenster von 25 Jahren, um Einblicke in die allmählichen Veränderungen zu erhalten, die im Zeitverlauf recht gleichmäßig verlaufen (ergänzende Abbildung 2). Um die Robustheit der Änderungen in den zwischenjährlichen Korrelationen zwischen tropischem Wasser und CGR weiter zu testen, berücksichtigen wir auch alternative Beobachtungsdatensätze tropischer Jahresniederschläge und tropischer Temperaturen (Erweiterte Daten, Abb. 1a). Um zu überprüfen, dass der IAV in CGR nicht hauptsächlich aus Emissionen fossiler Brennstoffe, Landnutzungsänderungen und Ozeanaufnahme stammt, verwenden wir anstelle von CGR auch die Restlandsenke (RLS) (Extended Data Abb. 1b). Diese Ergebnisse deuten alle auf eine zunehmend negative Korrelation zwischen tropischem Wasser und CGR auf der Jahresskala in den letzten Jahrzehnten hin.
Die Empfindlichkeit von CGR IAV gegenüber tropischem Wasser wird weiter mithilfe linearer Regressionen geschätzt, die als Steigung der Regression zwischen CGR und Klima definiert sind, wobei beide Variablen trendbereinigt sind. In Übereinstimmung mit den Korrelationen führen wir zunächst eine univariate Regression durch, bei der CGR nur die Funktion des tropischen Wassers ist, um mögliche Unterschätzungen der Empfindlichkeit des CGR gegenüber Schwankungen des tropischen Wassers zu vermeiden. Die univariate Sensitivität von CGR gegenüber tropischem WS und LagP stieg (negativer) im Durchschnitt von den letzten 30 Jahren (1960–1989) bis zu den neueren 30 Jahren (1989–2018) um etwa 35 % (Abb. 1d und erweiterte Datentabelle). 1). Beispielsweise stieg die Empfindlichkeit gegenüber tropischem WS von –0,95 ± 0,27 PgC Jahr pro Tt H2O (Teratonnen Wasser) auf –1,26 ± 0,23 PgC Jahr pro Tt H2O während derselben beiden Zeiträume. Wir führen auch eine bivariate lineare Regression mit sowohl tropischer Temperatur als auch tropischem Wasser als Prädiktoren durch. Die Empfindlichkeit der CGR gegenüber Schwankungen des tropischen Wassers unterscheidet sich in den ersten 30 Jahren nicht wesentlich von 0, wird jedoch in den letzten 30 Jahren deutlich negativ (P < 0,05). (Abb. 1e). Wir verwenden die Ridge-Regression, um die Auswirkungen einer hohen Kollinearität zwischen Wasser und Temperatur auf Sensitivitätsschätzungen zu reduzieren, aber auch die Regression der gewöhnlichen kleinsten Quadrate (OLS) führt mit der Zeit zu einer zunehmend negativen Sensitivität (erweiterte Datentabelle 1). Darüber hinaus zeigen Ergebnisse, die auf einem gleitenden 25-Jahres-Fenster basieren, dass die Empfindlichkeit innerhalb des letzten 34-Jahres-Zeitraums, also nach dem Zeitfenster um 1997 (1985–2009) ins Stocken gerät (ergänzende Abbildung 3). Zusammengenommen legen diese Ergebnisse nahe, dass die zwischenjährliche Beziehung zwischen tropischem Wasser und CGR in der jüngeren Vergangenheit (1989–2018) im Vergleich zu früheren Klimabedingungen (1960–1989) zunehmend negativ geworden ist. Außerdem stellen wir fest, dass die Amplitude der Temperaturempfindlichkeitssteigerung aus der bivariaten Regression kleiner ist als zuvor berichtet16,22, wenn WS oder LagP anstelle von gleichzeitigem Niederschlag als Proxy für die Wasserverfügbarkeit verwendet wird (Extended Data Abb. 2). Dies liegt daran, dass der genaue Proxy für die Wasserverfügbarkeit nicht identifiziert und verfügbar war (d. h. unter Verwendung gleichzeitiger Niederschläge (gemeldeter RPre,CGR = −0,19, P > 0,1 in Lit. 16) anstelle von WS oder LagP als Proxy ab 1960 ( RLagP,CGR = −0,68, P < 0,01; Erweiterte Daten Abb. 3b)). Darüber hinaus erweitern wir den Analysezeitraum um die Jahre 2011 bis 2018 und beobachten eine in jüngster Zeit abnehmende Temperatursensitivität. Alle diese Ergebnisse unterstreichen, dass es von entscheidender Bedeutung ist, die Wasserverfügbarkeit in die Kohlenstoff-Klima-Rückkopplungsmetrik zu integrieren, um klimabedingte Veränderungen in tropischen terrestrischen Kohlenstoffsenken besser abschätzen zu können.
Zwischenjährliche Veränderungen im tropischen Klima werden größtenteils von ENSO23 bestimmt. Unter der anthropogenen Erwärmung zeigen zunehmende Beobachtungsergebnisse deutliche Veränderungen der ENSO-Eigenschaften, wie z. B. eine Zunahme der Häufigkeit und Variabilität mit Verschiebungen der Typen24, insbesondere die größte Anomalie der Meeresoberflächentemperatur (SST) verschiebt sich vom Ostpazifik (EP) zum Zentralpazifik (CP). ) seit den 1990er Jahren25,26,27,28. Infolgedessen wird es wahrscheinlich die Muster des Feuchtigkeits- und Wärmeflusses über tropischen Kontinenten verändern, was beispielsweise zu noch mehr extremen Dürren und Bränden führt29 und somit die terrestrischen Kohlenstoff-Klima-Rückkopplungen moduliert. Tatsächlich stellen wir fest, dass die meisten Jahre mit hoher räumlicher Kohärenz tropischer WS-Anomalien ENSO-Jahre sind (Abb. 2a, b), für die die räumliche Kohärenz durch Anwendung einer aus Lit. angepassten Metrik quantifiziert wird. 9 (Methoden). Es gibt immer noch einen kleinen Anteil hoher räumlicher Kohärenz, der nicht durch ENSO erklärt werden kann, was auf eine Rolle anderer Faktoren wie der tropischen Atlantikvariabilität30,31 und des Dipols im Indischen Ozean32,33 schließen lässt. Im Vergleich zu ENSO-neutralen Jahren sind die räumlichen Muster der WS-Anomalie während ENSO-Jahren recht einheitlich (Erweiterte Daten, Abb. 4). Dann steigt von den ersten 30 Jahren (1960–1989) bis zu den letzten 30 Jahren (1989–2018) der Anteil der Jahre mit hohen räumlichen Kohärenzniveaus von 30 % auf 41 %, da CP ENSO einen höheren und weniger neutralen Beitrag leistet Jahre (Abb. 2b). Diese Ergebnisse könnten wichtig sein, da die dominierende Rolle der Wasserverfügbarkeit bei der Kontrolle von Kohlenstoffflüssen in größerem Maßstab durch den räumlichen Kompensationsgrad von Wasseranomalien beeinflusst wird: Die Wasserverfügbarkeit dominiert eindeutig lokal den Kohlenstofffluss IAV, aber diese Kontrolle könnte bei Aggregation teilweise räumlich ausgeglichen werden9. Um die Auswirkungen der räumlichen Kohärenz auf die Kopplung zwischen tropischem Wasser und CGR weiter zu bestätigen, führen wir eine neue Teilmengenanalyse durch. Wir bereinigen zunächst den Trend aller Datenjahre, indem wir den langfristigen Trend entfernen, und gruppieren sie dann entsprechend den räumlichen Kohärenzniveaus in drei Teilmengen. Der RWS,CGR ist nur dann stark negativ, wenn die räumliche Kohärenz hoch ist (Abb. 2c). Das RWS,CGR|T bestätigt, dass diese Abhängigkeit der Wasser-Kohlenstoff-Kopplung von der räumlichen Kohärenz nicht durch störende Temperatureffekte beeinflusst wird. Ähnliche Ergebnisse werden erzielt, wenn wir WS durch LagP ersetzen (ergänzende Abbildung 4). Es wird auch erwartet, dass die Empfindlichkeit von CGR gegenüber WS nur dann scheinbar negativ wird, wenn die räumliche Kohärenz hoch ist (ergänzende Abbildung 5). Eine weitere Teilmengenanalyse unter Verwendung eines 25-jährigen gleitenden Fensters stützt ebenfalls die Idee, dass die verbesserte räumliche Kohärenz die zunehmend negative Kopplung zwischen tropischem Wasser und CGR verstärkt (ergänzende Abbildung 6). Diese Ergebnisse deuten darauf hin, dass die identifizierte ENSO-gesteuerte Verbesserung der räumlichen Kohärenz im Laufe der Zeit eine wahrscheinliche Erklärung für die zunehmend negative Kopplung zwischen tropischem Wasser und CGR IAV ist. Wenn CP-ENSO-Ereignisse in Zukunft wie vorhergesagt34 mit der globalen Erwärmung häufiger auftreten, könnte tropisches Wasser weiterhin zunehmend die tropische terrestrische Senke IAV kontrollieren. Weitere Untersuchungen zu den verschiedenen Auswirkungen von EP ENSO- und CP ENSO-Ereignissen auf den terrestrischen Kohlenstoffkreislauf sind nützlich, um zukünftige Kohlenstoff-Klima-Rückkopplungen besser zu verstehen35,36.
a, Variationen der räumlichen Kohärenz der tropischen WS-Anomalie und ENSO von Jahr zu Jahr. Alle Jahre werden entsprechend dem Grad der räumlichen Kohärenz in drei Untergruppen eingeteilt: niedriges Niveau (0. bis 33,3. Perzentil); mittleres Niveau (33,3. bis 66,6. Perzentil); und hohes Niveau (66,6. bis 100. Perzentil). Das Jahr gilt als Ostpazifik (EP) ENSO, wenn die größte DJF-SST-Anomalie im Bereich von 2° S–2° N, 110° E–90° W im Ostpazifik (östlich von 150° W) liegt und der Nino3-Index übersteigt 1 sd Jahr gilt als Zentralpazifik (CP) ENSO, wenn die entsprechende größte DJF-SST-Anomalie im Zentralpazifik (westlich von 150° W) liegt und der Nino4-Index 1 sd überschreitet. Vulkanjahre werden von den Analysen ausgeschlossen. Graue vertikale gestrichelte Linien verbinden die Symbole für hohe räumliche Kohärenz und ENSO. b, Anteil der Jahre mit hoher räumlicher Kohärenz innerhalb des ersten 30-Jahres-Zeitraums (1960–1989) und innerhalb des jüngsten 30-Jahres-Zeitraums (1989–2018). Neutrale Jahre werden als Jahre identifiziert, die sich nicht im Status EP ENSO oder CP ENSO befinden. c, Abhängigkeit von RWS,CGR und RWS,CGR|T von der räumlichen Kohärenz der WS-Anomalie. **P < 0,05 (signifikante Korrelation).
Die beobachteten Beziehungen zwischen tropischem Klima und CGR sind wertvolle Messgrößen zur Diagnose der Fähigkeit von Modellen, die interannuelle Variabilität von terrestrischem Klima und Kohlenstoff zu simulieren. Wir untersuchen daher, ob hochmoderne Modelle, die am Coupled Model Intercomparison Project Phase 6 (CMIP6) teilnehmen, dieses beobachtete Merkmal erfassen können. Wir berechnen die zwischenjährliche Korrelation zwischen tropischem WS (unter Verwendung der tropischen Gesamtbodenfeuchtigkeit als Proxy) und dem simulierten globalen Netto-Ökosystemaustausch (NEE, Ökosystematmung minus Photosynthese), geschätzt durch ein Ensemble aus neun gekoppelten Erdsystemmodellen (ESMs) und sechs Offline-Landoberflächenmodellen (LSMs) im historischen Zeitraum 1960–2014 (Methoden). Wir stellen fest, dass die (partiellen) Korrelationen zwischen der simulierten tropischen Bodenfeuchtigkeit und dem globalen NEE anhaltend hoch sind und daher in den meisten ESMs und LSMs über die Zeit nahezu unverändert bleiben (Abb. 3a und Extended Data Abb. 5). Außerdem reproduzieren die meisten Modelle nicht die erhöhte Empfindlichkeit von NEE gegenüber tropischer Bodenfeuchtigkeit, obwohl sie sich in der absoluten Größe der Empfindlichkeit stark unterscheiden (Extended Data Abb. 6). Diese Ergebnisse deuten darauf hin, dass die Modelle die beobachtete zunehmende Verstärkung der tropischen Wasser-Kohlenstoff-Kopplung im Laufe der Zeit nicht erfassen, obwohl die Modelle das Vorzeichen und die Stärke dieser zwischenjährlichen Wasser-Kohlenstoff-Beziehung im Zeitraum 1960–2014 grob erfassen (Abb. 3b). Die Fähigkeit von Modellen, die beobachtete tropische Wasser-Kohlenstoff-Kopplung zu reproduzieren, hängt nicht nur von der Simulation der terrestrischen Wasserverfügbarkeit ab, sondern auch von Prozessdarstellungen der Reaktion des Kohlenstoffkreislaufs auf das Klima. Wir stellen außerdem fest, dass Modelle den letzten Teil möglicherweise nicht gut darstellen, da die modellierte Wasser-Kohlenstoff-Kopplung unabhängig von den großen Unterschieden zwischen der simulierten Bodenfeuchtigkeit über die Zeit stabil ist. Insbesondere weichen die vorherrschenden räumlichen Muster simulierter Bodenfeuchtigkeitsanomalien zwischen den Modellen weitgehend voneinander ab (ergänzende Abbildungen 7 und 8), obwohl simulierte Bodenfeuchtigkeit aus allen Offline-Modellen im Allgemeinen ENSO-Fernverbindungen erfassen kann (ergänzende Abbildung 9). Bei gekoppelten ESMs ist der zugrunde liegende Grund komplexer. Sie weisen beispielsweise bekannte Probleme bei der Simulation der Eintrittswahrscheinlichkeit historischer EP ENSO und CP ENSO37 auf. Im Vergleich zur Ökosystematmung ist die simulierte Reaktion der Bruttoprimärproduktion des Ökosystems auf die Bodenfeuchtigkeit in Modellen konsistenter (ergänzende Abbildungen 10 und 11). Die weitere Einbeziehung möglicher modellierter Kohlenstoffflüsse aus Bränden und anderen Störungen, d. h. das Ersetzen von NEE durch die Nettobiomproduktion, kann nicht dazu beitragen, das Versagen von Modellen bei der Reproduktion der verstärkten Wasser-Kohlenstoff-Kopplung zu erklären (ergänzende Abbildung 12). Den Modellen fehlen möglicherweise auch einige kritische Prozessdarstellungen11, wie etwa die Parametrisierung der Tiefenwasseraufnahme38, der Baumsterblichkeit39 und der Eigenschaften im Zusammenhang mit der Anpassung der Pflanzenwurzeln40. Daher ist die Fähigkeit von Modellen, zukünftige terrestrische Kohlenstoff-Klima-Rückkopplungen zu prognostizieren, mit Unsicherheiten behaftet, und diese Ergebnisse erfordern Verbesserungen der Wasser-Kohlenstoff-Wechselwirkungen, um die Prognosen besser einzuschränken.
a, Änderungen der zwischenjährlichen Korrelationen und Teilkorrelationen zwischen der Verfügbarkeit von tropischem Wasser und den Kohlenstoffflüssen an Land von den letzten 27 Jahren (1960–1986) zu den letzten 27 Jahren (1988–2014). Für Teilkorrelationen wird die tropische Temperatur kontrolliert. Alle Variablen werden in jedem entsprechenden Fenster auf Jahresebene trendbereinigt. Für Beobachtungen werden CGR/RLS, rekonstruiertes tropisches WS/tropisches LagP und tropische Temperatur für Berechnungen verwendet (n = 4). Für die Berechnungen werden der globale NEE, die tropische Gesamtbodenfeuchtigkeit und die tropische Temperatur jedes Modells verwendet (gekoppelte Modelle, n = 9; Offline-Modelle, n = 6). Boxplots zeigen die Verteilung der Schätzungen für alle Modelle, durchgezogene horizontale Linien geben die Medianwerte an, Boxen decken den Interquartilbereich ab und vertikale Linien erreichen das 5. und 95. Perzentil. b, Wie a, zeigt jedoch die zwischenjährlichen Korrelationen und Teilkorrelationen zwischen der tropischen Wasserverfügbarkeit und den Kohlenstoffflüssen an Land im Zeitraum 1960–2014.
Es fehlen direkte Beobachtungen tropischer Netto- und Kohlenstoffflüsse über einen so langen Zeitraum, was eine räumlich eindeutige Zuordnung von Änderungen der Kohlenstoffflüsse zu bestimmten Regionen und die Untermauerung von Treibern einschränkt. Jüngste Erkenntnisse zeigen, dass oberirdische Kohlenstoffflüsse (AGC) in tropischen semiariden Biomen im Zeitraum 2011–2017 stark mit dem CGR IAV verbunden sind41. Die Dynamik tropischer AGC wird aus Mikrowellensatellitenbeobachtungen der optischen Tiefe der Vegetation (VOD) ermittelt. Neue Erkenntnisse geben jedoch Anlass zur Vorsicht bei der Interpretation des IAV von VOD-abgeleiteten AGC (AGCVOD) allein als Biomasse-IAV, da dies möglicherweise direkter mit der Bodenfeuchtigkeit zusammenhängt42. Obwohl wir in den letzten 15 Jahren (2002–2016) im Vergleich zu den ersten 15 Jahren (1989–2003) eine erhöhte semiaride CGR-AGCVOD-Kopplung feststellen, verwenden wir daher das längste verfügbare Ku-Band-VOD nach dem Ansatz von Ref. 41 (Methoden und ergänzende Abbildung 13) bedürfen die zugrunde liegenden Interpretationen weiterer Validierungen. Dennoch deuten unabhängige Analysen von VOD darauf hin, dass wasserempfindliche semiaride Ökosysteme in den letzten drei Jahrzehnten für CGR IAV an Bedeutung gewonnen haben könnten. Variationen in anderen Kohlenstoffflüssen sind noch nicht verfügbar; Beispielsweise werden die zeitliche Dynamik der großräumigen Bodenatmung und die Temperaturempfindlichkeit der Bodenatmung durch die Datenverfügbarkeit eingeschränkt und bleiben daher ungewiss43. Zu den weiteren möglichen Mechanismen, die hier nicht untersucht werden, gehören Synergieeffekte anderer dürrebedingter Störungen (z. B. Feuereffekte44), dauerhafte Auswirkungen des Baumsterbens auf die Kohlenstoffaufnahme45 und eine abnehmende Temperaturempfindlichkeit sowohl der tropischen Photosynthese als auch der Bodenatmung im Zuge der globalen Erwärmung46. Die letzten 30 Jahre (1989–2018) überschneiden sich mit der dekadischen „Pause der globalen Erwärmung“ (1998–2012), bei der natürliche interne Variabilität wie ENSO eine Rolle spielen könnte47. Die Auswirkungen der internen Variabilität sollten die verstärkte tropische Wasserkontrolle auf CGR IAV in Zukunft nicht ändern, da wir ENSO bereits berücksichtigt haben. Weitere Studien sind erforderlich, um diese potenziellen Mechanismen zu untersuchen, beispielsweise durch die Integration neuer Beobachtungen von Flux Towers, Feldexperimenten und Satelliten48, um prozessorientierte Modelle zu kalibrieren.
Zusammenfassend zeigen wir, dass die tropische Wasserverfügbarkeit in den letzten 59 Jahren wahrscheinlich die zwischenjährliche atmosphärische CGR zunehmend kontrolliert hat. Der vorherrschende Klimatreiber der zwischenjährlichen Variation des terrestrischen Kohlenstoffkreislaufs hat bereits eine Tendenz gezeigt, sich von der Temperatur auf das Wasser zu verlagern, was auf steigende Wasserbeschränkungen für tropische terrestrische Kohlenstoffsenken schließen lässt. Wir bringen daher auch teilweise die Debatte über Wasser- und Temperaturkontrollen für den Kohlenstoffkreislauf an Land7,9,11 aus der Perspektive der betrachteten Zeitrahmen in Einklang, zusätzlich zu der jüngsten Ansicht, dass die Rückkopplung zwischen Land und Atmosphäre wichtig ist20. Da die Empfindlichkeit der terrestrischen Kohlenstoffaufnahme gegenüber der Temperatur normalerweise als Messgröße zur Diagnose oder Einschränkung der terrestrischen Kohlenstoff-Klima-Rückkopplungen verwendet wird49, fordern wir mehr Aufmerksamkeit für die Relevanz tropischer Gewässer bei der Vorhersage der atmosphärischen CGR für das nächste Jahr und schlagen vor, dass dies zum richtigen Zeitpunkt ist Einführung wasserbasierter Beschränkungen für zukünftige tropische terrestrische Kohlenstoff-Klima-Rückkopplungen. Unsicherheiten in den terrestrischen Kohlenstoff-Klima-Rückkopplungen wirken sich stark auf die Einschätzung des Ausmaßes der Emissionsreduzierungen aus, die zum Erreichen eines globalen Temperaturziels erforderlich sind. Das Versagen modernster Modelle, die beobachtete zunehmend negative Kopplung zwischen tropischem Landwasser und interannualem CGR zu erfassen, erfordert daher eine bessere Charakterisierung relevanter Prozesse, um die Darstellung des terrestrischen Kohlenstoffkreislaufs in ESMs und Klimaprojektionen zu verbessern.
Die jährliche globale atmosphärische CGR für den Zeitraum 1960 bis 2018 wird aus der Greenhouse Gas Marine Boundary Layer Reference der National Oceanic and Atmospheric Administration (NOAA/ESRL)50 ermittelt. Gemäß der Richtlinie ist die jährliche CGR in einem bestimmten Jahr die Differenz der CO2-Konzentration zwischen Ende Dezember und Anfang Januar dieses Jahres. Darüber hinaus verwenden wir auch den geschätzten RLS aus dem neuesten Global Carbon Budget 20201, um die Robustheit unseres Hauptergebnisses zu überprüfen (Extended Data Abb. 1b). RLS wird als Residuum zwischen Emissionen, atmosphärischer CO2-Anreicherung und der Ozeansenke abgeleitet.
Die beiden GRACE-Satelliten ermöglichen seit März 2002 monatlich die Messung der Änderungen der terrestrischen Wasseroberfläche. Die terrestrische Wasseroberfläche ist insbesondere die Summe aller ober- und unterirdischen Wasseroberflächen, einschließlich Bodenfeuchtigkeit, Grundwasser, Schnee, Eis und darin gespeichertem Wasser Vegetation sowie Flüsse und Seen. Um die kürzere Aufzeichnung der Beobachtungen der GRACE-Satelliten zu ergänzen, verwenden wir eine kürzlich veröffentlichte statistische Rekonstruktion terrestrischer WS, die auf den beiden GRACE-Satelliten trainiert wurde18. Das rekonstruierte terrestrische WS basiert auf zwei verschiedenen GRACE-Lösungen und drei verschiedenen meteorologischen Antriebsdatensätzen. Hier verwenden wir hauptsächlich den Ensemble-Mittelwert aller Mitglieder. Die Einzelheiten des statistischen Ansatzes sind in Lit. dokumentiert. 18. Die Validierung anhand des ursprünglichen terrestrischen WS unterstützt die Zuverlässigkeit von Rekonstruktionen bei der Reproduktion historischer Signale auf jährlicher Zeitskala, einschließlich der Tropen (Ergänzungsabbildung 14 und Ergänzungstabelle 1). Der rekonstruierte terrestrische WS-Datensatz hat eine räumliche Auflösung von 0,5° × 0,5° und eine zeitliche Auflösung von einem Tag von 1901 bis 2018.
Darüber hinaus wurde festgestellt, dass direkte Beobachtungen von LagP über tropischem Land den IAV der aggregierten tropischen WS-Anomalie auf jährlicher Zeitskala erfassen (Erweiterte Daten, Abb. 3a und Ergänzungstabelle 1). Beispielsweise ist der LagP im Jahr 2018 die Summe der Niederschläge von Juli 2017 bis Juni 2018. Darüber hinaus korreliert in Übereinstimmung mit früheren Erkenntnissen7,17 der IAV verzögerter Niederschläge an tropischen Landflächen gut mit der CGR (Erweiterte Daten, Abb. 3b). . Dies hilft, die Rationalität dieser Beziehung aus dem Prozess des WS-Gedächtnisses zu erklären. Daher wird LagP als ein weiterer effizienter Proxy für die aggregierte tropische WS-Anomalie IAV identifiziert. Die Niederschläge werden von der stationären Climate Research Unit (CRU) TS4.03 (Ref. 52) und dem Global Precipitation Climatology Center (GPCC) Full Data Monthly v.2020 ermittelt. Um weiter zu bestätigen, dass die Datenqualität stationärer tropischer Niederschläge zuverlässig ist, vergleichen wir stationäre CRU-Niederschläge mit satellitengestützten TRMM-Niederschlägen (Tropical Rainfall Measurement Mission) (Erweiterte Daten, Abb. 7a). Wir vergleichen auch den CRU-Niederschlag mit dem GPCC-Niederschlag, der viel größere Messstationen als CRU aufweist (Extended Data Abb. 7b). Tatsächlich war die Anzahl der Messstationen in den 1960er bis 1990er Jahren im Vergleich zu den 2000er bis 2010er Jahren (in denen Satellitenbeobachtungen die Zuverlässigkeit der stationären IAV für tropische Niederschläge bestätigen) viel größer (Extended Data Abb. 7c). Diese Validierungen legen nahe, dass die stationäre IAV für tropische Niederschläge im Zeitraum 1960–2018 zuverlässig ist. Der Niederschlagsdatensatz TRMM 3B43 hat eine räumliche Auflösung von 0,25° × 0,25° und eine zeitliche Auflösung von 1 Monat von 1998 bis 2019. Sowohl CRU als auch GPCC haben eine räumliche Auflösung von 0,5° × 0,5° und eine zeitliche Auflösung von 1 Monat von 1891 bis 2018.
Daher verwenden wir jährlich rekonstruierte tropische WS und LagP, um den IAV der Anomalie der tropischen terrestrischen Wasserverfügbarkeit anzuzeigen.
Die Temperatur wird von CRU TS4.03 (Ref. 52) ermittelt. Für einen robusten Test wird auch die globale Oberflächentemperatur der Berkeley-Erde verwendet53. Die beiden Temperaturdatensätze haben beide eine räumliche Auflösung von 0,5° × 0,5° und eine zeitliche Auflösung von 1 Monat von 1901 bis 2018.
Tropische Gebiete werden als räumlicher Durchschnitt aller bewachsenen Landgebiete zwischen 24° N und 24° S definiert, wie in Lit. 7. Die Domäne der tropischen Halbtrockenregion besteht aus Buschland und (holziger) Savanne, die gemäß der Landbedeckungsklassifizierungskarte von MODIS (MCD12C1, Typ 3) identifiziert wird. Die Karte wurde mithilfe eines Majoritätsfilters auf eine räumliche Auflösung von 0,5° × 0,5° umstrukturiert.
Das ENSO ist die wichtigste Quelle der zwischenjährlichen Klimavariabilität auf der Erde. Zur Charakterisierung von ENSO werden die Flächenmittelwerte von Anomalien der Meeresoberflächentemperatur (SST) im Verhältnis zu einer langfristigen durchschnittlichen Klimatologie verwendet. Als Klimatologie wird hier der Zeitraum 1960–2018 herangezogen. Die SST-Anomalien über der Nino3.4-Region (5° N–5° S, 120° W–170° W) werden am häufigsten verwendet und umfassen die Signale von EP ENSO und CP ENSO54. Das Jahr gilt als EP ENSO, wenn die größte DJF-SST-Anomalie (Dezember bis Februar) im Bereich von 2° S–2° N, 110° E–90° W im EP (östlich von 150° W) liegt und der Nino3-Index übersteigt 1 sd Jahr gilt als CP ENSO, wenn die entsprechende größte DJF SST-Anomalie im CP (westlich von 150° W) liegt und der Nino4-Index 1 sd überschreitet. Wir weisen darauf hin, dass die Identifizierung von ENSO-Typen je nach verwendeter Methode variieren kann27. Diese Studie verwendet die Extended Reconstruction Sea Surface Temperature (ERASST v.5) der National Oceanic and Atmospheric Administration (NOAA). Dieser Datensatz hat eine zeitliche Auflösung von 1 Monat von 1855 bis heute und eine räumliche Auflösung von 2° × 2° (Ref. 55).
Neun gekoppelte ESMs, die an der sechsten Phase des Coupled Model Intercomparison Project (CMIP6) teilnehmen, werden verwendet: CESM2, CNRM-ESM2-1, IPSL-CM6A-LR, MPI-ESM1-2-LR, UKESM1-0-LL, ACCESS-ESM1 -5, CanESM5, MIROC-ES2L und NorESM2-LM. Gekoppelte ESMs ermöglichen Rückkopplungen zwischen dem physikalischen Klima und den biologischen und chemischen Prozessen im Ozean und an Land. Wir haben die Datenausgabe aus dem „historischen“ Szenario (1960–2014) mit einem Ensemblemitglied für jedes Modell übernommen. Klima- und Land-Kohlenstoffsenken werden mit allen Faktoren simuliert, die sowohl natürliche Ursachen (z. B. Vulkanausbrüche und Sonnenvariabilität) als auch menschliche Faktoren (z. B. CO2-Konzentration, Aerosole und Landnutzung) für den Zeitraum 1850–2014 umfassen. In gekoppelten ESMs ist der Kohlenstoffkreislauf an das Klimasystem gekoppelt.
Hier werden sechs Offline-LSMs aus dem Land Surface, Snow and Soil Moisture Model Intercomparison Project (LS3MIP) verwendet56: CESM2, CNRM-ESM2-1, IPSL-CM6A-LR, MPI-ESM1-2-LR, UKESM1-0-LL und CMCC-ESM2. Die Offline-LSMs berücksichtigen Landnutzungsänderungen, berücksichtigen jedoch keine lokalen Rückkopplungen zwischen Land und Atmosphäre. Wir haben die Datenausgabe aus dem „Land-Hist“-Szenario (1960–2014) mit einem Ensemblemitglied für jedes Modell übernommen, für das die atmosphärischen Antriebs-, Vegetations-, Boden-, Topographie- und Land-/Meermaskendaten gemäß dem für das Szenario verwendeten Protokoll vorgeschrieben wurden CMIP6 DECK-Simulationen. Der atmosphärische Antrieb stammt aus der dritten Phase des Global Soil Wetness Project (GSWP3), einer dynamisch herunterskalierten und voreingenommenen Version der Twentieth Century Reanalysis57. Die Durchführung der reinen Landsimulationen folgt dem Protokoll des Projekts „Trends und Treiber der regionalen Quellen und Senken von Kohlendioxid“ (TRENDY)58.
Um einen fairen Vergleich der Wasser-Kohlenstoff-Beziehung zwischen Beobachtungen und Modellen zu ermöglichen, verwenden wir im Anschluss an frühere Bemühungen11,59 die Summe der Bodenfeuchtigkeit in allen Schichten und das Schneewasseräquivalent als modellierte terrestrische WS. In den Tropen ist das Schneewasseräquivalent vernachlässigbar.
Mithilfe der partiellen Korrelation wird hier direkt überprüft, ob die zunehmend negative Wasser-Kohlenstoff-Kopplung durch eine störende Wasser-Temperatur-Kopplung beeinflusst wird. Es wird jedoch nicht empfohlen, spezifische Werte von RW,CGR|T zu verwenden, um auf das Vorzeichen und die Stärke der gesamten Wasserauswirkungen auf CGR zu schließen. RW,CGR|T isoliert die Auswirkungen von Wasser auf CGR von der störenden Wasser-Temperatur-Kopplung, indem alle temperaturbezogenen Kovariationen linear entfernt werden. Angesichts der gut dokumentierten Rückkopplungen zwischen Bodenfeuchtigkeit und Atmosphäre21 umfasst die Temperaturvariabilität jedoch tatsächlich viele Rückkopplungen der Bodenfeuchtigkeit (z. B. heiße Extreme in tropischen Halbtrockengebieten), und die Beseitigung aller dieser Rückkopplungen würde indirekt einige Auswirkungen des Wassers auf die CGR beseitigen ihre physische Verbindung. Darüber hinaus reproduzieren die Modelle nicht die verstärkte Wasser-Kohlenstoff-Kopplung, sondern erfassen grob das Vorzeichen und die Stärke der langfristigen tropischen Wasser-Kohlenstoff-Kopplung im Zeitraum 1960–2018 und liefern so Einblicke in die zugrunde liegenden Prozesse. Modellfaktorielle Experimente zeigen, dass die Entfernung der interannuellen Variabilität der Bodenfeuchtigkeit die Variabilität der Kohlenstoffaufnahme an Land um etwa 90 % unterdrückt, während die mittlere tropische Temperatur unverändert bleibt (Extended Data Abb. 10 in Lit. 20). Daher siehe Ref. 20 deuten darauf hin, dass die mittlere tropische Temperatur möglicherweise keinen mechanistischen Klimafaktor für die Variabilität der Kohlenstoffaufnahme an Land darstellt. Daher ist RW,CGR|T ein unzureichendes und weniger genaues Maß, um das Vorzeichen und die Stärke unabhängiger Wassereinflüsse auf die CGR abzuleiten und die Wasserauswirkungen auf die CGR in Phasen, in denen die Temperaturkontrolle vorherrscht, zu unterschätzen. Dennoch sind ihre relativen Veränderungen in dieser Studie nützlich und stützen die Feststellung, dass die Wasser-Kohlenstoff-Kopplung in der jüngeren Vergangenheit (1989–2018) im Vergleich zu früheren Klimabedingungen (1960–1989) zunehmend negativ geworden ist.
Die Methode der empirischen Orthogonalfunktionsanalyse (EOF) kann die räumlich-zeitliche Variabilität eines Signals in orthogonale Moden zerlegen, die jeweils durch ein räumliches Hauptmuster und die entsprechende Hauptkomponentenzeitreihe angezeigt werden. Es wird häufig verwendet, um räumliche Muster der Klimavariabilität und deren Veränderung im Laufe der Zeit zu untersuchen60,61. Wir führen die EOF-Analyse an simulierter tropischer Bodenfeuchtigkeit aus CMIP6-Modellen durch.
Bei Vorhandensein von Kollinearität kann die Verwendung des OLS-Schätzers zu Regressionskoeffizientenschätzungen führen, die eine große Stichprobenvariabilität und sogar ein falsches Vorzeichen aufweisen. Die Ridge-Regression ist eine gängige Technik zur Lösung der durch Kollinearität entstehenden Probleme62. Bei der Ridge-Regression wird der Verlustfunktion ein Strafterm hinzugefügt, um die Regressionskoeffizienten zu verkleinern63. Das Ausmaß der Schrumpfung wird durch einen Regularisierungsparameter definiert, der von uns in einem Kreuzvalidierungsansatz ausgewählt wurde. Die Daten wurden 25 Mal nach dem Zufallsprinzip in Trainings- und Validierungssätze aufgeteilt und für jede Aufteilung wurde die Leistung des Validierungstestsatzes (mittlerer quadratischer Fehler) für 100 verschiedene Regularisierungsparameter bewertet, die gleichmäßig auf einer logarithmischen Skala verteilt waren. Für jede Aufteilung wurden die leistungsstärksten Regularisierungsparameter ausgewählt und der Durchschnitt zwischen ihnen für das endgültige Modell beibehalten. Um die Unsicherheit bei den Schätzungen der Regressionskoeffizienten zu beurteilen, haben wir uns auf Bootstrapping verlassen, was bedeutet, dass wir die Daten 5.000 Mal zufällig abgetastet haben und die Regressionskoeffizienten für jede Stichprobe geschätzt haben.
Um den Grad der räumlichen Kohärenz der jährlichen tropischen WS-Anomalie zu quantifizieren, folgen Sie Ref. 9 berechnen wir eine große Kovarianzmatrix aller Gitterzellen im Vergleich zu allen Gitterzellen für die tropische WS-Anomalie. Jedes Element in dieser Kovarianzmatrix wird wie folgt als ci,j bezeichnet:
Dabei geben i und j die beiden Gitterzellen an, die zur Berechnung der Kovarianz verwendet wurden, WSi und WSj sind die entsprechenden jährlichen WS-Anomalie-Zeitreihen im angegebenen Zeitraum. Dann haben wir alle positiven und negativen Kovarianzterme (bezeichnet als tcov, tcov+ und tcov−) wie folgt summiert:
Die Varianzen in der Diagonale der Kovarianzmatrix (wobei i = j) wurden ausgeschlossen, da sie immer positiv sind und nicht zur Schätzung der räumlichen Kohärenz beitragen. Schließlich wurde die räumliche Kohärenz der WS-Anomalie als folgende Gleichung definiert:
Theoretisch bedeutet 100 %, dass alle Gitterzellen im gleichen Vorzeichen kovariieren, d. h. höchste räumliche Kohärenz. Niedrigere Werte weisen darauf hin, dass die gesamten positiven Kovarianzen durch die gesamten negativen Kovarianzen ausgeglichen werden, d. h. eine geringere räumliche Kohärenz.
VOD aus Mikrowellensatellitenbeobachtungen ist mit dem Wassergehalt der Vegetationsmasse verknüpft und bietet Möglichkeiten zur Überwachung der AGC-Dynamik41. Wir haben kürzlich veröffentlichte Langzeit-VOD-Produkte aus dem VOD Climate Archive (VODCA) verwendet, das VOD-Abrufe kombiniert, die von mehreren Sensoren (SSM/I, TMI, AMSR-E, WindSat und AMSR2) unter Verwendung des Land Parameter Retrieval Model64 abgeleitet wurden . Der Vollständigkeit halber haben wir den längsten verfügbaren VOD verwendet, der aus dem Ku-Band geschätzt wurde und den Zeitraum 1988–2016 abdeckt. Um die tropische AGC abzuschätzen, folgen Sie dem Ansatz von Lit. 65 haben wir zunächst eine empirische Funktion mit vier Parametern angepasst, indem wir tropisches VOD mit der tropischen AGC-Benchmark-Karte aus Lit. kalibriert haben. 66 im Jahr 2000 wie folgt:
Dabei sind a, b, c und d die vier am besten geeigneten Parameter und Inf ist auf 1010 eingestellt. Die AGC-Dichte (MgC ha−1) wurde durch Multiplikation der ursprünglichen oberirdischen Biomassedichtewerte mit dem Faktor 0,5 ermittelt (Lit. 67). Für Ku-VOD und AGC werden die Daten mit einer räumlichen Auflösung von 0,5° × 0,5° aggregiert. Das räumliche Streudiagramm von VOD und AGC zeigt deutlich die gute Beziehung zwischen VOD und AGC (Bestimmtheitsmaß R2 = 0,76, P <0,01; ergänzende Abbildung 15). Es scheint, dass die Leistung von VODCA Ku-VOD weniger mit der von L-VOD (R2 = 0,81) (Lit. 41) vergleichbar ist, das in Regionen mit hoher Biomasse als empfindlicher gegenüber AGC galt. Allerdings ist L-VOD erst seit 2010 verfügbar und wird hier daher nicht genutzt. Schließlich wenden wir diese empirische Funktion an, um VOD in AGC von 1988 bis 2016 umzuwandeln.
Alle hier verwendeten Datensätze sind öffentlich verfügbar. Atmosphärische CO2-Beobachtungen sind verfügbar unter https://gml.noaa.gov/ccgg/; GRACE-Beobachtungen terrestrischer WS sind verfügbar unter https://grace.jpl.nasa.gov/data/get-data/monthly-mass-grids-land/; GRACE-REC terrestrische WS sind verfügbar unter https://doi.org/10.6084/m9.figshare.7670849; CRU-Klimadatensätze sind verfügbar unter https://www.uea.ac.uk/groups-and-centres/climatic-research-unit; Der GPCC-Niederschlagsdatensatz ist verfügbar unter https://www.dwd.de/EN/ourservices/gpcc/gpcc.html; Der TRMM-Niederschlagsdatensatz ist unter https://disc.gsfc.nasa.gov/datasets/ verfügbar. Berkeley Earth-Klimadatensätze sind unter http://berkeleyearth.org/ verfügbar. ERASST v.5 sind verfügbar unter https://psl.noaa.gov/data/gridded/data.noaa.ersst.v5.html; CMIP6-Modellausgaben sind unter https://pcmdi.llnl.gov/CMIP6/ verfügbar. und VODCA-Produkte sind unter https://doi.org/10.5281/zenodo.2575599 verfügbar.
Codes sind über Zenodo unter https://doi.org/10.5281/zenodo.6447779 erhältlich.
Friedlingstein, P. et al. Globaler Kohlenstoffhaushalt 2020. Erdsystem. Wissenschaft. Daten 12, 3269–3340 (2020).
Artikel ADS Google Scholar
Friedlingstein, P. et al. Rückkopplungsanalyse zwischen Klima und Kohlenstoffkreislauf: Ergebnisse des (CMIP)-M-4-Modellvergleichs. J. Clim. 19, 3337–3353 (2006).
Artikel ADS Google Scholar
Bousquet, P. et al. Regionale Veränderungen der Kohlendioxidflüsse von Land und Ozeanen seit 1980. Science 290, 1342–1346 (2000).
Artikel ADS CAS PubMed Google Scholar
Piao, SL et al. Zwischenjährliche Variation des terrestrischen Kohlenstoffkreislaufs: Probleme und Perspektiven. Globus. Biol. ändern 26, 300–318 (2020).
Artikel ADS Google Scholar
Cox, PM et al. Empfindlichkeit von tropischem Kohlenstoff gegenüber Klimawandel, eingeschränkt durch Kohlendioxidvariabilität. Natur 494, 341–344 (2013).
Artikel ADS CAS PubMed Google Scholar
Canadell, JG et al. in Climate Change 2021: The Physical Science Basis (Hrsg. Masson-Delmotte, V. et al.) 673–816 (Cambridge Univ. Press, 2021).
Wang, WL et al. Schwankungen der atmosphärischen CO2-Wachstumsraten in Verbindung mit der tropischen Temperatur. Proz. Natl Acad. Wissenschaft. USA 110, 13061–13066 (2013).
Artikel ADS CAS PubMed PubMed Central Google Scholar
Anderegg, WRL et al. Tropische nächtliche Erwärmung als dominanter Treiber der Variabilität der terrestrischen Kohlenstoffsenke. Proz. Natl Acad. Wissenschaft. USA 112, 15591–15596 (2015).
Artikel ADS CAS PubMed PubMed Central Google Scholar
Jung, M. et al. Kompensatorische Wassereffekte verknüpfen die jährlichen Veränderungen der globalen CO2-Senke an Land mit der Temperatur. Natur 541, 516–520 (2017).
Artikel ADS CAS PubMed Google Scholar
Braswell, BH, Schimel, DS, Linder, E. & Moore, B. Die Reaktion globaler terrestrischer Ökosysteme auf interannuelle Temperaturschwankungen. Science 278, 870–872 (1997).
Artikel ADS CAS Google Scholar
Humphrey, V. et al. Empfindlichkeit der atmosphärischen CO2-Wachstumsrate gegenüber beobachteten Veränderungen der terrestrischen Wasserspeicherung. Nature 560, 628-631 (2018).
Artikel ADS PubMed Google Scholar
Bacastow, RB Modulation des atmosphärischen Kohlendioxids durch die Südliche Oszillation. Natur 261, 116–118 (1976).
Artikel ADS CAS Google Scholar
Keeling, CD, Whorf, TP, Wahlen, M. & van der Plichtt, J. Zwischenjährliche Extreme in der Anstiegsrate des atmosphärischen Kohlendioxids seit 1980. Nature 375, 666–670 (1995).
Artikel ADS CAS Google Scholar
Zeng, XB, Eyre, JEJR, Dixon, RD & Arevalo, J. Quantifizierung des Auftretens rekordheißer Jahre durch normalisierte Erwärmungstrends. Geophys. Res. Lette. 48, e2020GL091626 (2021).
Adams, JM & Piovesan, G. Lange Reihenbeziehungen zwischen globalem zwischenjährlichem CO2-Anstieg und Klima: Beweise für Stabilität und Veränderung in der Rolle der tropischen und boreal-gemäßigten Zonen. Chemosphere 59, 1595–1612 (2005).
Artikel ADS CAS PubMed Google Scholar
Wang, XH et al. Eine Verdoppelung der Empfindlichkeit des Kohlenstoffkreislaufs gegenüber tropischen Temperaturschwankungen. Natur 506, 212–215 (2014).
Artikel PubMed Google Scholar
Wang, J., Zeng, N. & Wang, MR Zwischenjährliche Variabilität der atmosphärischen CO2-Wachstumsrate: Rolle von Niederschlag und Temperatur. Biogeosciences 13, 2339–2352 (2016).
Artikel ADS CAS Google Scholar
Humphrey, V. & Gudmundsson, L. GRACE-REC: eine Rekonstruktion der klimabedingten Veränderungen der Wasserspeicherung im letzten Jahrhundert. Erdsystem. Wissenschaft. Daten 11, 1153–1170 (2019).
Artikel ADS Google Scholar
Mercado, LM et al. Auswirkungen von Änderungen der diffusen Strahlung auf die globale Kohlenstoffsenke an Land. Natur 458, 1014–1087 (2009).
Artikel ADS CAS PubMed Google Scholar
Humphrey, V. et al. Die Rückkopplung zwischen Bodenfeuchtigkeit und Atmosphäre dominiert die Variabilität der Kohlenstoffaufnahme an Land. Natur 592, 65–69 (2021).
Artikel PubMed PubMed Central Google Scholar
Seneviratne, SI et al. Untersuchung der Wechselwirkungen zwischen Bodenfeuchtigkeit und Klima in einem sich ändernden Klima: eine Übersicht. Erdwissenschaft. Rev. 99, 125–161 (2010).
Artikel ADS CAS Google Scholar
Luo, XZ & Keenan, TF Tropische extreme Dürren führen zu einem langfristigen Anstieg der Variabilität der atmosphärischen CO2-Wachstumsrate. Nat. Komm. 13, 1193 (2022).
Artikel ADS CAS PubMed PubMed Central Google Scholar
Gu, GJ & Adler, RF Niederschlags- und Temperaturschwankungen auf der zwischenjährlichen Zeitskala: Bewertung der Auswirkungen von ENSO und Vulkanausbrüchen. J. Clim. 24, 2258–2270 (2011).
Artikel ADS Google Scholar
Cai, WJ et al. Veränderte El Nino-Southern Oscillation in einem sich erwärmenden Klima. Nat. Rev. Earth Environ. 2, 628–644 (2021).
Artikel Google Scholar
Freund, MB et al. Höhere Häufigkeit von El Niño-Ereignissen im Zentralpazifik in den letzten Jahrzehnten im Vergleich zu den vergangenen Jahrhunderten. Nat. Geosci. 12, 450–455 (2019).
Artikel ADS Google Scholar
Johnson, NC Wie viele ENSO-Geschmacksrichtungen können wir unterscheiden? J. Clim. 26, 4816–4827 (2013).
Artikel ADS Google Scholar
Capotondi, A. et al. ENSO-Vielfalt verstehen. Stier. Am. Meteorol. Soc. 96, 921–938 (2015).
Artikel ADS Google Scholar
Ashok, K., Behera, SK, Rao, SA, Weng, HY & Yamagata, T. El Nino Weapon und ihre mögliche Fernverbindung. J. Geophys. Res. Ozeane https://doi.org/10.1029/2006JC003798 (2007).
Wang, G. & Hendon, HH Empfindlichkeit des australischen Niederschlags gegenüber Schwankungen zwischen El Niño. J. Clim. 20, 4211–4226 (2007).
Artikel ADS Google Scholar
de Linage, C., Kim, H., Famiglietti, JS & Yu, JY Einfluss der Meeresoberflächentemperaturen im Pazifik und Atlantik auf zwischenjährliche und dekadische Schwankungen der GRACE-Landwasserspeicherung im tropischen Südamerika. J. Geophys. Res. Atmos 118, 10811–10829 (2013).
Artikel Google Scholar
Rodell, M. et al. Neue Trends bei der weltweiten Süßwasserverfügbarkeit. Natur 557, 651–659 (2018).
Artikel PubMed PubMed Central Google Scholar
Wang, J. et al. Erhöhte Kohlenstoffaufnahme zwischen Indien und Afrika und Kohlenstofffreisetzung im asiatisch-pazifischen Raum im Zusammenhang mit dem extrem positiven Dipol im Indischen Ozean im Jahr 2019. Geophys. Res. Lette. 49, e2022GL100950 (2022).
Wang, J. et al. Modulation der Landphotosynthese durch den Dipol des Indischen Ozeans: satellitengestützte Beobachtungen und CMIP6-Zukunftsprojektionen. Earths Future 9, e2020EF001942 (2021).
Ja, SW et al. El Niño in einem sich verändernden Klima. Natur 461, 511–570 (2009).
Artikel ADS CAS PubMed Google Scholar
Chylek, P., Tans, P., Christy, J. & Dubey, MK Die Reaktion des Kohlenstoffkreislaufs auf zwei El-Nino-Typen: eine Beobachtungsstudie. Umgebung. Res. Lette. 13, 024001 (2018).
Wang, J. et al. Gegenüberstellung der zwischenjährlichen atmosphärischen CO2-Variabilitäten und ihrer terrestrischen Mechanismen für zwei Arten von El Niños. Atmosphäre. Chem. Physik. 18, 10333–10345 (2018).
Artikel ADS CAS Google Scholar
Timmermann, A. et al. Komplexität der El Nino-Southern Oscillation. Natur 559, 535–545 (2018).
Artikel ADS CAS PubMed Google Scholar
Fan, Y., Miguez-Macho, G., Jobbagy, EG, Jackson, RB & Otero-Casal, C. Hydrologische Regulierung der Wurzeltiefe von Pflanzen. Proz. Natl Acad. Wissenschaft. USA 114, 10572–10577 (2017).
Artikel ADS CAS PubMed PubMed Central Google Scholar
Yang, Y. et al. Rückgang der Kohlenstoffsenke im Amazonasgebiet nach der Dürre. Nat. Komm. 9, 3172 (2018).
Artikel ADS PubMed PubMed Central Google Scholar
Feddes, RA et al. Modellierung der Wurzelwasseraufnahme in hydrologischen und Klimamodellen. Stier. Bin. Meteorol. Soc. 82, 2797–2809 (2001).
2.3.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0477%282001%29082%3C2797%3AMRWUIH%3E2.3.CO%3B2" aria-label="Article reference 40" data-doi="10.1175/1520-0477(2001)0822.3.CO;2">Artikel ADS Google Scholar
Fan, L. et al. Satellitenbeobachtete pantropische Kohlenstoffdynamik. Nat. Pflanzen 5, 944–951 (2019).
Artikel CAS PubMed Google Scholar
Konings, AG, Holtzman, NM, Rao, K., Xu, L. & Saatchi, SS Zwischenjährliche Schwankungen der optischen Vegetationstiefe sind sowohl auf Wasserstress als auch auf Veränderungen der Biomasse zurückzuführen. Geophys. Res. Lette. 48, e2021GL095267 (2021).
Bond-Lamberty, B. Neue Techniken und Daten zum Verständnis des globalen Bodenatmungsflusses. Earths Future 6, 1176–1180 (2018).
Artikel ADS Google Scholar
Liu, JJ et al. Gegensätzliche Reaktionen des Kohlenstoffkreislaufs der tropischen Kontinente auf den El Niño 2015–2016. Wissenschaft https://doi.org/10.1126/science.aam5690 (2017).
da Costa, ACL et al. Auswirkung einer 7-jährigen experimentellen Dürre auf die Vegetationsdynamik und die Biomassespeicherung eines östlichen Amazonas-Regenwaldes. Neues Phytol. 187, 579–591 (2010).
Artikel PubMed Google Scholar
Huang, MT et al. Lufttemperaturoptima der Vegetationsproduktivität in globalen Biomen. Nat. Ökologisch. Entwicklung 3, 772–779 (2019).
Artikel PubMed PubMed Central Google Scholar
Medhaug, I., Stolpe, MB, Fischer, EM & Knutti, R. Kontroversen über die „Pause der globalen Erwärmung“ beilegen. Natur 545, 41–47 (2017).
Artikel PubMed Google Scholar
Liu, LB et al. Weltweit dominiert die Bodenfeuchtigkeit den Trockenstress auf die Ökosystemproduktion. Nat. Komm. 11, 4892 (2020).
Arora, VK et al. Kohlenstoffkonzentration und Kohlenstoff-Klima-Rückkopplungen in CMIP6-Modellen und ihr Vergleich mit CMIP5-Modellen. Biogeowissenschaften 17, 4173–4222 (2020).
Artikel ADS CAS Google Scholar
Masarie, KA & Tans, PP Erweiterung und Integration atmosphärischer Kohlendioxiddaten in ein weltweit konsistentes Messprotokoll. J. Geophys. Res. Atmosphäre. 100, 11593–11610 (1995).
Artikel ADS CAS Google Scholar
Tapley, BD, Bettadpur, S., Ries, JC, Thompson, PF & Watkins, MM GRACE-Messungen der Massenvariabilität im Erdsystem. Wissenschaft 305, 503–505 (2004).
Artikel ADS CAS PubMed Google Scholar
Harris, I., Osborn, TJ, Jones, P. & Lister, D. Version 4 des monatlichen hochauflösenden gerasterten multivariaten Klimadatensatzes von CRU TS. Wissenschaft. Daten 7, 109 (2020).
Artikel PubMed PubMed Central Google Scholar
Rohde, RA & Hausfather, Z. Der Berkeley Earth Land/Ocean Temperaturrekord. Erdsystem. Wissenschaft. Daten 12, 3469–3479 (2020).
Artikel ADS Google Scholar
Trenberth, KE Die Definition von El Nino. Stier. Bin. Meteorol. Soc. 78, 2771–2777 (1997).
2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0477%281997%29078%3C2771%3ATDOENO%3E2.0.CO%3B2" aria-label="Article reference 54" data-doi="10.1175/1520-0477(1997)0782.0.CO;2">Artikel ADS Google Scholar
Huang, BY et al. Erweiterte rekonstruierte Meeresoberflächentemperatur, Version 5 (ERSSTv5): Upgrades, Validierungen und Vergleiche. J. Clim. 30, 8179–8205 (2017).
Artikel ADS Google Scholar
van den Hurk, B. et al. LS3MIP (v1.0) Beitrag zu CMIP6: das Land Surface, Snow and Soil Moisture Model Intercomparison Project – Ziele, Aufbau und erwartetes Ergebnis. Geosci. Modellentwickler. 9, 2809–2832 (2016).
Artikel ADS Google Scholar
Compo, GP et al. Das Reanalyseprojekt des 20. Jahrhunderts. QJR Meteor. Soc. 137, 1–28 (2011).
Artikel ADS Google Scholar
Sitch, S. et al. Aktuelle Trends und Treiber regionaler Kohlendioxidquellen und -senken. Biogeosciences 12, 653–679 (2015).
Artikel ADS Google Scholar
Wu, RJ, Lo, MH & Scanlon, BR Der jährliche Zyklus terrestrischer Wasserspeicheranomalien in CMIP6-Modellen, ausgewertet anhand von GRACE-Daten. J. Clim. 34, 8205–8217 (2021).
ADS Google Scholar
Björnsson, H. & Venegas, SJCR Ein Handbuch für EOF- und SVD-Analysen von Klimadaten. CCGCR Rep. 97, 112–134 (1997).
Cai, WJ et al. ENSO und Treibhauserwärmung. Nat. Aufstieg. Änderung 5, 849–859 (2015).
Artikel ADS Google Scholar
Dormann, CF et al. Kollinearität: eine Überprüfung der Methoden, um damit umzugehen, und eine Simulationsstudie zur Bewertung ihrer Leistung. Ecography 36, 27–46 (2013).
Artikel Google Scholar
Hoerl, AE & Kennard, RW Ridge-Regression – voreingenommene Schätzung für nichtorthogonale Probleme. Technometrics 12, 55–67 (1970).
MATH Google Scholar
Moesinger, L. et al. Das globale Langzeit-Mikrowellen-Vegetations-Optische-Tiefen-Klima-Archiv (VODCA). Erdsystem. Wissenschaft. Daten 12, 177–196 (2020).
Artikel ADS Google Scholar
Liu, YY et al. Jüngste Umkehr beim Verlust der globalen terrestrischen Biomasse. Nat. Aufstieg. Änderung 5, 470–474 (2015).
Artikel ADS Google Scholar
Avitabile, V. et al. Eine integrierte pantropische Biomassekarte unter Verwendung mehrerer Referenzdatensätze. Globus. Biol. ändern 22, 1406–1420 (2016).
Artikel ADS Google Scholar
Baccini, A. et al. Geschätzte Kohlendioxidemissionen aus der Abholzung tropischer Wälder, verbessert durch Kohlenstoffdichtekarten. Nat. Aufstieg. Änderung 2, 182–185 (2012).
Artikel ADS CAS Google Scholar
Referenzen herunterladen
Wir danken dem Weltklimaforschungsprogramm, das über seine Arbeitsgruppe für gekoppelte Modellierung CMIP6 koordiniert und gefördert hat. Wir danken den Klimamodellierungsgruppen für die Erstellung und Bereitstellung ihrer Modellergebnisse, der Earth System Grid Federation (ESGF) für die Archivierung der Daten und den Zugang sowie den zahlreichen Finanzierungsagenturen, die CMIP6 und ESGF unterstützen. Wir danken allen Mitwirkenden an den LS3MIP- und LMIP-Experimenten. Wir danken der Global Monitoring Division des NOAA/Earth System Research Laboratory für die Bereitstellung der atmosphärischen CO2-Messungen. Wir danken U. Beyerle, L. Brunner, R. Lorenz und M. Hauser für das Herunterladen und Bearbeiten der CMIP6- und LS3MIP-Daten. Wir danken der PSL NOAA/OAR.ESRL für die Bereitstellung des ERSST_v5-Datensatzes. Wir danken M. Hirschi für das Herunterladen der VOD-Daten. Wir danken V. Humphrey und Q. Sun für nützliche Diskussionen. LL, RSP, PC, PF und SIS danken für die Unterstützung durch das Forschungs- und Innovationsprogramm Horizon 2020 der Europäischen Union (Fördernummer 821003 (4C)). LL, PC und SIS bedanken sich auch für die Unterstützung von HORIZON.2.5 (Grant-Nr. 101056939) (RESCUE).
Open-Access-Förderung durch die Eidgenössische Technische Hochschule Zürich.
Institut für Atmosphären- und Klimawissenschaften, ETH Zürich, Zürich, Schweiz
Laibao Liu, Ryan S. Padron, Jonas Schwaab, Lukas Gudmundsson und Sonia I. Seneviratne
Labor für Klima- und Umweltwissenschaften, CEA-CNRS-UVSQ, Universität Paris Saclay, Gif-sur-Yvette, Frankreich
Philippe Ciais
Joint Institute for Regional Earth System Science and Engineering (JIFRESSE), University of California, Los Angeles, Los Angeles, CA, USA
Mengxi Wu
Hochschule für Ingenieurwissenschaften, Mathematik und Physik, Universität Exeter, Exeter, Großbritannien
Pierre Friedlingstein
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
LL hatte die ursprüngliche Idee. LL, SIS und PC haben die Experimente entworfen. LL, SIS, PC, WM, RSP, PF, JS und LG führten die Forschung durch. JS führte Ridge-Regressionsanalysen durch. Alle anderen Analysen führte LL durch. LL hat den Artikel mit Beiträgen aller Co-Autoren verfasst.
Korrespondenz mit Laibao Liu.
Die Autoren geben an, dass keine Interessenkonflikte bestehen.
Nature dankt Russell Scott, Jun Wang und den anderen, anonymen Gutachtern für ihren Beitrag zum Peer-Review dieser Arbeit. Peer-Reviewer-Berichte sind verfügbar.
Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.
a, Histogramme der zwischenjährlichen Klima-Kohlenstoff-Korrelationen in den ersten drei Jahrzehnten (1960–1989) und in den letzten drei Jahrzehnten (1989–2018), abgeleitet unter Verwendung von 5000 Bootstrapping-Wiederholungen. Wie Abb. 1c, aber tropisches Wasser bezieht sich auf sechs Monate verzögerte Niederschläge aus dem GPCC und die tropische Temperatur wird von der globalen Oberflächentemperatur der Berkeley-Erde abgeleitet. b, wie Abb. 1c, aber CGR wird durch Residual Land Sink (RLS) ersetzt.
a: Die zwischenjährliche Empfindlichkeit der CGR gegenüber tropischen Temperaturen wird aus der bivariaten Regression geschätzt, wobei sowohl tropische Temperaturen als auch tropisches Wasser als Prädiktoren dienen. Pre zeigt gleichzeitigen Niederschlag an. Um die methodische Konsistenz mit den bisherigen relevanten Studien zu wahren, verwenden wir zunächst die OLS-Regression. Jeder Punkt gibt einen Zeitraum von 25 Jahren an. Auf der horizontalen Achse ist das zentrale Jahr des Zeitfensters markiert. Die schattierten Bereiche stellen das 95 %-Konfidenzintervall dar, abgeleitet aus 5000 Bootstrapping-Wiederholungen. Zur besseren Lesbarkeit werden nur die 95 %-Konfidenzintervalle der Temperatursensitivität aus der ersten und dritten Regressionsfunktion aufgetragen. b, wie a, aber unter Verwendung der Ridge-Regression.
a, b, IAV tropischer LagP und (a) tropischer WS und (b) CGR im Zeitraum 1960–2018. Vertikale Grautöne weisen auf drei Vulkanausbrüche hin (Mount Agung, El Chichón und Pinatubo).
Das Jahr gilt als EP ENSO, wenn die größte DJF-SST-Anomalie in der Region 2°S–2°N, 110°E–90°W im Ostpazifik (östlich von 150°W) liegt und der Nino3-Index eine Standardabweichung überschreitet. Das Jahr gilt als CP ENSO, wenn die entsprechende größte DJF-SST-Anomalie im Zentralpazifik (westlich von 150° W) liegt und der Nino4-Index eine Standardabweichung überschreitet. Vulkanjahre sind von den Analysen ausgeschlossen.
Die auf der horizontalen Achse markierten Jahre geben das zentrale Jahr des 27-jährigen gleitenden Zeitfensters an (alle Variablen werden in jedem entsprechenden Fenster auf Jahresskala trendbereinigt). Die Modelle basieren auf der gesamten tropischen Bodenfeuchtigkeit, der tropischen Temperatur und dem globalen Nettoökosystemaustausch.
Für die Berechnungen der Modelle werden der globale Netto-Ökosystemaustausch, die tropische Gesamtbodenfeuchtigkeit und die tropische Temperatur jedes Modells verwendet. Die univariate und bivariate Sensitivität wird mithilfe der OLS-Regression bzw. Ridge-Regression geschätzt. Dargestellt ist die beste Schätzung der Empfindlichkeit von CGR gegenüber tropischem Wasser. ** zeigt eine signifikante Empfindlichkeit bei P < 0,05 an.
a, b, IAV des tropischen LagP in CRU, (a) TRMM im Zeitraum 1999–2018 und (b) GPCC im Zeitraum 1960–2018. c, Zeitliche Abdeckung der Anzahl der Messgerätestationen in GPCC und CRU.
Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.
Nachdrucke und Genehmigungen
Liu, L., Ciais, P., Wu, M. et al. Zunehmend negative Kopplung zwischen tropischem Wasser und interannueller CO2-Wachstumsrate. Natur (2023). https://doi.org/10.1038/s41586-023-06056-x
Zitat herunterladen
Eingegangen: 5. Januar 2022
Angenommen: 05. April 2023
Veröffentlicht: 31. Mai 2023
DOI: https://doi.org/10.1038/s41586-023-06056-x
Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:
Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.
Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt
Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.