Biophysikalische Auswirkungen der Erdbegrünung können die Erwärmung der regionalen Landoberflächentemperatur erheblich abmildern

Nature Communications Band 14, Artikelnummer: 121 (2023) Diesen Artikel zitieren

14.000 Zugriffe

5 Zitate

453 Altmetrisch

Details zu den Metriken

Vegetationsveränderungen können das Energiegleichgewicht an der Oberfläche verändern und sich anschließend auf das lokale Klima auswirken. Diese biophysikalischen Auswirkungen wurden für Aufforstungsfälle gut untersucht, das Vorzeichen und die Größenordnung einer anhaltenden Erdbegrünung bleiben jedoch umstritten. Basierend auf langfristigen Fernerkundungsbeobachtungen quantifizieren wir den unidirektionalen Einfluss der Vegetationsbegrünung auf die radiometrische Oberflächentemperatur im Zeitraum 2001–2018. Hier zeigen wir eine globale negative Temperaturreaktion mit großer räumlicher und saisonaler Variabilität. Schneedecke, Vegetationsgrün und kurzwellige Strahlung sind die Hauptfaktoren für die Temperaturempfindlichkeit, indem sie die relative Dominanz von Strahlungs- und Nichtstrahlungsprozessen regulieren. In Kombination mit dem beobachteten Ökologisierungstrend stellen wir eine globale Abkühlung von −0,018 K/Jahrzehnt fest, was die globale Erwärmung um 4,6 ± 3,2 % verlangsamt. Regional kann dieser Abkühlungseffekt 39,4 ± 13,9 % bzw. 19,0 ± 8,2 % der entsprechenden Erwärmung in Indien und China ausgleichen. Diese Ergebnisse unterstreichen die Notwendigkeit, diesen vegetativen biophysikalischen Klimaeffekt bei der Entwicklung lokaler Klimaanpassungsstrategien zu berücksichtigen.

Satellitenbeobachtungen zufolge kommt es auf der Erde seit den 1980er Jahren zu einer weit verbreiteten Vegetationsbegrünung, die vor allem auf den großflächigen Klimawandel und die Auswirkungen der CO2-Düngung zurückzuführen ist1,2. Eine solche Begrünung könnte die globale Erwärmung abmildern, indem sie eine negative biochemische Rückkopplung auf das Klimasystem auslöst, was sich auf die zunehmende Entfernung von CO2 aus der Atmosphäre durch den Photosyntheseprozess der Vegetation bezieht3,4,5. In der Zwischenzeit könnte die Begrünung der Erde auch die biophysikalischen Eigenschaften der Oberfläche verändern, einschließlich der Verringerung der Albedo (Verstärkung der Absorption kurzwelliger Strahlung, bekannt als Strahlungsprozess) und der Verringerung des aerodynamischen oder Oberflächenwiderstands (Verbesserung der Effizienz der Wasserverdunstung oder der Wärmekonvektion zwischen ihnen). Landoberfläche und Atmosphäre, bekannt als strahlungsfreier Prozess), und beeinflussen dadurch die lokale Temperatur6,7,8. Diese biophysikalischen Rückkopplungen könnten die biochemische Kraft gegen die globale Erwärmung verstärken, kompensieren oder sogar umkehren und haben daher in den letzten Jahren viel Aufmerksamkeit erregt9,10,11.

Es wurden zahlreiche Anstrengungen unternommen, um den biophysikalischen Klimaeffekt der Umwandlung von Vegetationstypen zu quantifizieren, einer häufigen Situation bei Landnutzungs-/Landbedeckungsänderungen (LULCC), wie z. B. Entwaldung/Aufforstung (Wälder in andere Vegetationstypen), Waldbrände (Wälder in unfruchtbares Land). und Rekultivierung (andere Vegetation für Ackerland)12,13,14,15,16,17. Allerdings kommen diese Extremfälle der Vegetationstypveränderung nur in bestimmten Regionen vor. Die Analyse des Temperatureffekts einer anhaltenden und weit verbreiteten Begrünung der Erde kann konstruktiver für die Entwicklung besserer Klimaschutzstrategien oder Anpassungsmaßnahmen auf verschiedenen Ebenen sein.

Fernerkundungsbeobachtungen und Erdsystemmodelle (ESMs) bieten Werkzeuge zur Untersuchung der Klimaauswirkungen einer weit verbreiteten Ökologisierung2. Aufgrund der Unsicherheit der zugrunde liegenden physikalischen Prozesse, Parametrisierungsschemata und eingegebenen Antriebsdaten weisen Modelle Mängel bei der Reproduktion des Energieaufteilungsprozesses von Vegetationsoberflächen auf, was zu verzerrten Ergebnissen führt18,19. Unterdessen ist es schwierig, das unidirektionale Signal der Vegetationsbegrünung, das sich auf das lokale Klima auswirkt, vom gemeinsam entwickelten Satellitenvegetationsindex und den Temperaturbeobachtungen zu trennen20,21. Daher bleiben frühere Studien im Hinblick auf das Vorzeichen und das Ausmaß der Temperaturreaktionen auf die Begrünung der Erde umstritten20,22.

Ziel dieser Studie ist es, solide Beobachtungsbeschränkungen für die biophysikalischen Auswirkungen der Begrünung auf die lokale Temperatur bereitzustellen. Zu diesem Zweck bewerten wir die potenzielle Temperaturreaktion auf Grünschwankungen auf der ganzen Welt von 2001 bis 2018 unter Verwendung der von Satelliten ermittelten Landoberflächentemperatur (LST) und des Blattflächenindex (LAI) als diagnostische Variablen. Aufgrund des komplizierten bidirektionalen Effekts zwischen Vegetationswachstum und Temperaturschwankung wird eine vom „Raum-für-Zeit“-Ansatz inspirierte räumliche Moving-Window-Strategie durchgeführt, um den Einfluss langfristiger Klimasignale auf das Vegetationswachstum auszuschließen und die LST-Empfindlichkeit zu ermitteln LAI23,24. Anschließend wird die abgeleitete LST-Sensitivität für verschiedene Klimabedingungen und Vegetationstypen auf Jahres- und Saisonskala diskutiert. Darüber hinaus zerlegen wir diese Empfindlichkeit in Beiträge aus nichtstrahlenden, strahlenden und indirekten Klimarückkopplungen, um die dahinter stehenden treibenden Faktoren weiter zu analysieren6. Schließlich werden die beobachteten LAI-Daten über den Untersuchungszeitraum mit LST-Sensitivitätskarten kombiniert, um den durch die Ökologisierung bedingten Klimaeffekt zu untersuchen. Dieses geschätzte Signal wird anschließend mit der beobachteten historischen Temperaturschwankung verglichen, um die potenziellen Klimavorteile der Ökologisierung auf globaler und regionaler Ebene zu bewerten.

Abbildung 1 zeigt die jährliche biophysikalische Empfindlichkeit von LST gegenüber LAI (\(\frac{{{dLST}}_{{bio}}}{{dL}{AI}}\)) über den Untersuchungszeitraum (2001–2018). Dies stellt die potenzielle jährliche Durchschnittstemperaturreaktion auf einen Anstieg um eine LAI-Einheit dar. In Übereinstimmung mit früheren Berichten über die Klimaschutzwirkung der Erdbegrünung9,25 stellen wir fest, dass etwa 71 % der bewachsenen Fläche eine negative Empfindlichkeit aufweisen und der globale Mittelwert −0,46 ± 1,68 K m2 m−2 beträgt (Mittelwert ± räumliche Standardabweichung). ) (Abb. 1a). Die Begrünung der Vegetation in trockenen und warmen Regionen kühlt die Landoberfläche erheblich ab, und diese Abkühlung lässt nach und kehrt sich bei allmählich sinkender Temperatur oder zunehmendem Niederschlag in den wärmenden Effekt um (Abb. 1b). Ähnlich wie bei der vorherigen Studie über die biophysikalischen Auswirkungen der Aufforstung auf LST26 könnte diese Klimavariation weiter in die Breitengradabhängigkeit eines Erwärmungseffekts in nördlichen hohen Breiten und Abkühlungseffekten in anderen Breiten übersetzt werden, wobei der Übergangsbreitengrad nahe bei 50°N liegt (Abb . 1c). Der Unterschied besteht jedoch in der Nähe des Äquators, wo die Begrünung nur einen schwachen Abkühlungseffekt hervorruft, frühere Studien jedoch darauf hinweisen, dass die Bewaldung hier am stärksten abkühlt27,28. Dieser Unterschied ist hauptsächlich auf den inhärenten Unterschied zwischen dem abrupten Übergang von Offenland zu Wald und der anhaltenden Vegetationsbegrünung zurückzuführen. Abgesehen von den Auswirkungen des Hintergrundklimas untersuchen wir weiter die \(\frac{{{dLST}}_{{bio}}}{{dLAI}}\), indem wir alle 12 IGBP-Vegetationstypen in vier große Typen zusammenfassen (Ergänzungstabelle). 1), einschließlich Wald, sonstige Holzvegetation (OWV), Grünland und Ackerland (Ergänzende Abbildung 1). Wir finden eine starke negative Empfindlichkeit in Grasland (−0,94 K m2 m−2) und Ackerland (−0,83 K m2 m−2), gefolgt von OWV (−0,13 K m2 m−2) und schließlich einer kleinen positiven Empfindlichkeit von Wäldern ( 0,16 K m2 m−2) (Abb. 1c und ergänzende Abb. 2). Insgesamt zeigen die mit unserer beobachtungsbasierten Methode geschätzten Empfindlichkeiten im Vergleich zu den Ergebnissen der kontrollierten Experimente des Landoberflächenmodells eine ähnliche globale Größenordnung, jedoch mit viel größerer räumlicher Variabilität10.

eine räumliche Karte von \(\frac{{{dLST}}_{{bio}}}{{dLAI}}\). b Variation der Empfindlichkeit bedeutet über die Klimaklassen hinweg, in denen \(\frac{{{dLST}}_{{bio}}}{{dLAI}}\) als Funktion des jährlichen Niederschlags (P, x-Achse) gruppiert wird ) und Lufttemperatur (Ta, y-Achse). c Breitenklassen von \(\frac{{{dLST}}_{{bio}}}{{dLAI}}\) über verschiedene breite Vegetationstypen. Der schattierte Bereich gibt die Breitenstandardabweichung an. Quelldaten werden mit diesem Dokument bereitgestellt.

In Bezug auf die Saisonalität stellen wir fest, dass die mittlere negative Empfindlichkeit im Sommer auf der Nordhalbkugel (JJA, Juni bis August) größer ist als im Winter (DJF, Dezember bis Februar), wobei die globale mittlere Empfindlichkeit bei −0,75 K m2 m−2 und −0,15 K liegt m2 m−2 (Abb. 2a, b). Im Breitengrad sorgt die Begrünung in tropischen Regionen das ganze Jahr über für einen schwachen Kühleffekt. In den mittleren Breiten zeigt die Begrünung eine starke Abkühlung in der Vegetationsperiode und eine leichte Erwärmung in der kalten Jahreszeit. Mit der Verschiebung der Breitengrade in Richtung Polar verkürzt sich der Abkühlungseffekt der Vegetationsperiode, und in den borealen Regionen dominiert allmählich die Erwärmung der Ruhezeit (Abb. 2c). Darüber hinaus stellen wir fest, dass jeder Vegetationstyp diesem saisonalen Muster folgt, jedoch mit einer unterschiedlichen saisonalen Stärke (Abb. 2c). Beispielsweise ist die Abkühlung während der Vegetationsperiode in Grünland und Ackerland stärker, während in Wäldern eine leichte Abkühlung während der Vegetationsperiode zu verzeichnen ist. Unterdessen ist die Erwärmung der OWV und des Waldes in der Ruhezeit stärker als die des Graslandes. Diese unterschiedlichen Größen der saisonalen Empfindlichkeit führen zu unterschiedlichen jährlichen LST-Reaktionen für verschiedene Vegetationstypen (Abb. 1c).

eine räumliche Karte von \(\frac{{{dLST}}_{{bio}}}{{dLAI}}\) im Sommer auf der Nordhalbkugel (JJA, Juni bis August) und (b) im Winter auf der Nordhalbkugel (Dezember bis). Februar). Der schattierte Bereich zeigt den durchschnittlichen Schneebedeckungsprozentsatz von mehr als 1 % an. c Breitenmittelwerte des monatlichen \(\frac{{{dLST}}_{{bio}}}{{dLAI}}\) für die gesamte Vegetation, Wälder, andere Holzvegetation, Grasland und Ackerland. Die mit schwarzen Punkten markierten Gitter weisen auf eine Schneebedeckung von mehr als 1 % hin. Quelldaten werden mit diesem Dokument bereitgestellt.

Die LST-Empfindlichkeit variiert erheblich je nach Vegetationstyp und klimatischen Bedingungen, der biophysikalische Mechanismus dahinter ist jedoch noch unklar. Daher zerlegen wir die LST-Empfindlichkeit weiter in den Beitrag der nichtstrahlenden Rückkopplung (\(\frac{{{dLST}}_{{bio}}^{{LE}}}{{dLAI}}\)+\( \frac{{{dLST}}_{{bio}}^{H}}{{dLAI}}\)), strahlend (\(\frac{{{dLST}}_{{bio}}^{\alpha }}{{dLAI}}\)) Feedback und indirekte klimatische (\(\frac{{{dLST}}_{{bio}}^{{SW}\downarrow }}{{dLAI}}\)+\( \frac{{{dLST}}_{{bio}}^{LW\downarrow }}{{dLAI}}\)) Feedback basierend auf der Energiebilanzgleichung (siehe Methoden). Hier verwenden wir zur Vereinfachung eines weiteren Vergleichs dieselbe Einheit wie die LST-Empfindlichkeit (K m2 m−2), um die Intensität jedes Prozesses darzustellen. Obwohl der Zerlegungsprozess in einem anderen Maßstab durchgeführt wird, zeigen die Ergebnisse, dass die Summe aller Mitwirkenden gut mit der direkt berechneten LST-Sensitivität übereinstimmt (Ergänzende Abbildungen 3, 4, Ergänzende Diskussion 1). Wie in Abb. 3a dargestellt, stellen wir für alle Breitengrade einen geringen Einfluss der indirekten Klimarückkopplung (gelbe Linie) fest, was darauf hindeutet, dass der lokale Temperatureffekt der Vegetationsbegrünung hauptsächlich durch die direkte Änderung biophysikalischer Oberflächenparameter hervorgerufen wird. In borealen Regionen (>50°N) übersteigt die Strahlungserwärmung (rote Linie) die strahlungslose Abkühlung (blaue Linie), was zu einem positiven LST-Signal (schwarze Linie) führt. Die monatlichen Ergebnisse deuten außerdem darauf hin, dass dieses positive Signal hauptsächlich von Januar bis April auftritt, wobei der Maximalwert im März liegt (Abb. 3b). Diese saisonale Variation ist das kombinierte Ergebnis der Albedo-Empfindlichkeit gegenüber LAI und der einfallenden Kurzwellenstrahlung (siehe „Methoden“). Für die übrigen Breitengrade zeigen unsere Ergebnisse, dass die strahlungslose Abkühlung die Strahlungserwärmung ausgleicht und die endgültige negative LST-Empfindlichkeit dominiert (Abb. 3a). Es finden sich symmetrische Breitenmuster zwischen der Strahlungserwärmung und der nichtstrahlenden Abkühlung, was darauf hindeutet, dass ihre Intensität möglicherweise durch dieselben Faktoren gesteuert wird. Saisonal gesehen weist die strahlungslose Abkühlung in der Vegetationsperiode größere Ausmaße auf als in der Ruhezeit (Abb. 3c, e), was zu dem saisonalen Muster der LST-Empfindlichkeit in mittleren Breiten führt (Abb. 2c). Für die beiden Prozesse oder die LST-Empfindlichkeit in den Tropen wurden jedoch keine signifikanten saisonalen Schwankungen festgestellt (Abb. 3d).

a Das Breitengradmuster der endgültigen LST-Empfindlichkeit (\(\frac{{{dLST}}_{{bio}}}{{dLAI}}\, schwarze Linie) und der äquivalenten LST-Empfindlichkeit aus verschiedenen biophysikalischen Prozessen, einschließlich Strahlung (\ (\frac{{{dLST}}_{{bio}}^{\alpha }}{{dLAI}}\, rote Linie), nicht strahlend (\(\frac{{{dLST}}_{{ bio}}^{{LE}}}{{dLAI}}\)+\(\frac{{{dLST}}_{{bio}}^{H}}{{dLAI}}\, blaue Linie) und indirektes Klima (\(\frac{{{dLST}}_{{bio}}^{{SW}\downarrow }}{{dLAI}}\)+\(\frac{{{dLST}}_{{ bio}}^{{LW}\downarrow }}{{dLAI}}\), gelbe Linie) Feedback. Der schattierte Bereich gibt die Breitenstandardabweichung an. b Saisonales Muster der LST-Empfindlichkeit und der erwähnten biophysikalischen Prozesse in borealen, (c) nördlichen mittleren Breitengraden, (d) tropischen und (e) südlichen mittleren Breitengraden. Quelldaten werden mit diesem Dokument bereitgestellt.

In der kalten Jahreszeit des Boreals kann die dominierende Rolle des Strahlungsprozesses dem Vorhandensein von Schnee zugeschrieben werden17,29, was durch das gleichzeitige Auftreten von Schnee und positive Sensitivität in den monatlichen Ergebnissen bestätigt wird (Abb. 2). Theoretisch ist es wahrscheinlicher, dass das dichte Vegetationsdach den Schneehintergrund bedeckt als das spärliche Blätterdach; Somit wird der Albedounterschied zwischen bewachsenen Oberflächen mit unterschiedlichen LAI-Werten bei Schneewetter verstärkt, was zu einem stärkeren Strahlungserwärmungseffekt der Oberfläche mit höherem LAI führt30,31,32. Dieser biophysikalische Einfluss des Schnees in borealen Regionen wird weiter durch die positive lineare Beziehung zwischen der mittleren monatlichen Schneebedeckung und der mittleren monatlichen LST-Empfindlichkeit von Januar bis April bestätigt (Abb. 4a), wenn die LST-Empfindlichkeit als positiv befunden wird (Abb. 3b). Wie erwartet lässt sich dieser Schneeeinfluss auf die positive lineare Beziehung zwischen Schneebedeckung und Strahlungsprozess zurückführen (Abb. 4b), allerdings ist die Steigung größer als in Abb. 4a (0,032 vs. 0,023). Dieses Ergebnis legt nahe, dass nur etwa drei Viertel der durch den Schneemaskierungseffekt induzierten Energieabsorption zur Verstärkung des LST verwendet werden und das verbleibende Viertel durch die Energiediffusion von der Landoberfläche in die Atmosphäre kompensiert wird (Abb. 4c). wird durch die negative Steigung zwischen dem strahlungslosen Prozess und der Schneebedeckung (−0,009) bestätigt. Diese Ergebnisse liefern Belege für die dominierende Rolle des Schnees bei der Kontrolle der positiven LST-Empfindlichkeit der Boreal, deren Einfluss in früheren modellbasierten Studien unterschätzt wurde10,11.

a Die Beziehung zwischen der mittleren Schneebedeckung und der Empfindlichkeit der Landoberflächentemperatur (LST) und der äquivalenten LST-Empfindlichkeit aus (b) Strahlungsprozess und (c) nichtstrahlendem Prozess in schneebedeckten Gebieten (Schneebedeckung größer als 1 %). Januar bis April. Fehlerbalken zeigen die Standardabweichung der Empfindlichkeit innerhalb des Schneebedeckungsbereichs (±2 %). d Die Beziehung zwischen der jährlichen LAI- und LST-Empfindlichkeit und der äquivalenten LST-Empfindlichkeit aus (e) Strahlungsprozess und (f) Nichtstrahlungsprozess in schneefreien Regionen. Fehlerbalken zeigen die Standardabweichung der Empfindlichkeit innerhalb des LAI-Bins (±0,15 m2 m−2). Quelldaten werden mit diesem Dokument bereitgestellt.

Für die verbleibenden schneefreien Regionen zeigt unsere Analyse, dass das Vegetationsgrün eine starke Kontrolle über die Modulation des Ausmaßes der negativen LST-Empfindlichkeit hat. Insbesondere wird eine Exponentialfunktion verwendet, um die beobachtete Beziehung zwischen LAI und LST-Empfindlichkeit zu charakterisieren (Abb. 4d). Diese Beziehung legt nahe, dass die Begrünung von Gebieten mit niedrigem LAI einen stärkeren Kühleffekt hervorrufen könnte und dieser Kühleffekt mit zunehmendem LAI allmählich abnimmt und gegen Null geht. Dieser exponentielle Zusammenhang könnte auf ähnliche Ergebnisse bei strahlenden und nicht strahlenden Prozessen mit gegensätzlichen Temperatureffekten zurückgeführt werden (Abb. 4e, f). Im Wettbewerb der beiden biophysikalischen Prozesse nimmt die strahlungslose Kühlung die dominierende Stellung ein und führt zu einer negativen LST-Empfindlichkeit. Allerdings sind die Intensitäten beider Prozesse in Gebieten mit niedrigerem Grünanteil größer und nehmen ab, wenn der LAI grüner wird. Der Mechanismus besteht darin, dass biophysikalische Parameter wie Albedo und Rauheitslänge mit zunehmendem LAI-Anstieg allmählich gesättigt werden, was zu einem schwachen Ausmaß biophysikalischer Rückkopplungen in Gebieten mit hohem Grünanteil führt33,34. Darüber hinaus stellen wir fest, dass der Strahlungswärmeeffekt nahezu Null ist, wenn der LAI 1,5 m2 m−2 erreicht, und dass in höher begrünten Gebieten eine umgekehrte, aber leichte Strahlungskühlung zu beobachten ist (Abb. 4e). Eine mögliche Erklärung ist, dass die Entwicklung des Blätterdachs in solchen Regionen mit hohem LAI die Reflexion im nahen Infrarot (NIR) verstärken könnte35, was zu einer geringeren Energieabsorption führt. Insgesamt könnte unsere Schlussfolgerung zur LAI-Kontrolle die große Variabilität der LST-Empfindlichkeit zwischen verschiedenen Vegetationstypen und Klimazonen (mit Ausnahme kalter Klimazonen) erklären (ergänzende Abbildung 2). Beispielsweise haben Grünland und Ackerland (niedrigerer LAI) eine stärkere Kühlwirkung, und Wälder (höherer LAI) zeigen in gemäßigten und äquatorialen Klimazonen keine signifikante Temperaturempfindlichkeit (ergänzende Abbildung 5). Darüber hinaus könnte der umfassende Kühleffekt in Trockengebieten teilweise auch auf den niedrigeren LAI-Wert der Vegetation in wasserarmen Umgebungen zurückzuführen sein (Abb. 1b).

Interessanterweise stellen wir fest, dass die Beziehung zwischen LAI und LST-Empfindlichkeit nicht universell ist. Die Anpassungsergebnisse schneefreier Regionen in verschiedenen Breitengraden zeigen bei gleichem LAI-Wert eine größere negative Empfindlichkeit in den Tropen als in mittleren Breiten (ergänzende Abbildung 6). Dieser Unterschied wird höchstwahrscheinlich durch die inhärenten Unterschiede der klimatischen Bedingungen in verschiedenen Breitengraden verursacht. In Anbetracht der Tatsache, dass nach unten gerichtete Kurzwellenstrahlung die treibende Kraft der meisten Breitengradphänomene ist, haben wir ihren möglichen Einfluss auf die LST-Empfindlichkeit weiter untersucht. Die gruppierten Mittelwerte der LST-Empfindlichkeit gegenüber LAI und nach unten gerichteter Kurzwellenstrahlung weisen auf eine stärkere negative LST-Empfindlichkeit unter den Bedingungen hoher einfallender Strahlung und niedriger LAI-Werte hin (ergänzende Abbildung 7a). Strahlungs- und nichtstrahlende Rückkopplungen werden ebenfalls verstärkt, wenn die nach unten gerichtete Kurzwellenstrahlung zunimmt oder der LAI abnimmt (ergänzende Abbildung 7b, c). Da der Strahlungsantrieb in den Tropen relativ stark ist, könnte der Einfluss kurzwelliger Strahlung den Unterschied in der ergänzenden Abbildung 6 erklären. Darüber hinaus schließen wir, dass diese Klimakontrolle das saisonale Muster von \(\frac{{{dLST}}} erklären kann. _{{bio}}}{{dLAI}}\) in mittleren Breiten, wo die LST-Empfindlichkeit in der Vegetationsperiode (reichlich vorhandene Sonneneinstrahlung) höher ist als in der Ruhezeit (begrenzte Sonneneinstrahlung) (Abb. 3c, z ).

Die LST-Empfindlichkeit stellt nur die Temperaturreaktion des idealen durchschnittlichen Ökologisierungsszenarios weltweit dar. Hier quantifizieren wir den tatsächlichen LST-Effekt basierend auf der Sensitivitätskarte und dem beobachteten LAI-Trend über den Untersuchungszeitraum weiter. Die Ergebnisse zeigen einen weit verbreiteten Ökologisierungstrend mit einem globalen Mittelwert von 0,037 m2 m−2 Dekade−1 (ergänzende Abbildung 8). Dementsprechend beträgt der globale mittlere durch die Ökologisierung verursachte Temperaturtrend (\({\delta {LST}}_{{bio}}\)) −0,013 ± 0,009 K/Dekade (Abb. 5a), was 4,6 ± 3,2 % davon ausgleicht der Erwärmungstrend von 0,289 K/Jahrzehnt innerhalb der Vegetationsfläche (ergänzende Abbildung 9). Betrachtet man die Pixel mit statistisch signifikanten LAI-Trends (Mann-Kendall-Test, P < 0,05), kann der Abkühlungstrend auf –0,029 ± 0,008 K/Dekade ansteigen. Eine Begrünung in solchen Regionen könnte etwa 9,2 ± 3,7 % des entsprechenden Erwärmungstrends ausgleichen und etwa 68 % zum globalen Abkühlungssignal beitragen. Wie in Abb. 5b dargestellt, bestätigen wir die durch die Ökologisierung verursachte Beschleunigung der globalen Erwärmung in der borealen Region (0,008 ± 0,007 K/Jahrzehnt), die hauptsächlich durch den erheblichen Erwärmungstrend im Winter (0,020 ± 0,006 K/Jahrzehnt) beeinflusst wird Feder (0,022 ± 0,009 K/Dekade). Für die übrigen Breitengrade könnte das jährliche mittlere Temperatursignal von −0,020 ± 0,012 K/Jahrzehnt etwa 5,9 ± 3,8 % des Erwärmungstrends ausgleichen, der hauptsächlich durch die Abkühlung von 0° auf 50° N verursacht wird (Abb. 5b). . Der Abkühlungstrend zeigt dramatische saisonale Schwankungen in den nördlichen mittleren Breiten (–0,075 ± 0,027 K/Jahrzehnt im Sommer, –0,010 ± 0,004 K/Jahrzehnt im Winter) (Abb. 5b), was die innerjährlichen Temperaturschwankungen verringern kann. Unterdessen kann die deutliche Abkühlung im Sommer auf der Nordhalbkugel auch das Risiko künftiger Hitzewellen mit häufiger auftretenden Extremwetterereignissen verringern36. Insgesamt ist unser Ergebnis zum globalen Ausmaß der umweltfreundlicheren Abkühlung mit früheren modellbasierten Studien vergleichbar, weist jedoch eine größere räumliche oder saisonale Variabilität auf10,11,37.

eine globale Karte von \({\delta {LST}}_{{bio}}\). b Breitenmittelwerte der jährlichen und saisonalen \({\delta {LST}}_{{bio}}\). Abkürzungen: MAM, März bis Mai; JJA, Juni bis August; SOHN, September bis November; DJF, Dezember bis Februar. c Rangfolge des Mittelwerts \({\delta {LST}}_{{bio}}\) für verschiedene Biome. Die Fehlerbalken stellen das 95 %-Konfidenzintervall des Temperaturtrends dar. Es werden nur Biome angezeigt, deren Fläche mehr als 1,5 % der globalen Vegetationsfläche beträgt. OWV andere Gehölzvegetation.

Wir ordnen die jährlichen Klimaauswirkungen der Vegetationsbegrünung weiter auf Biomebene ein (Abb. 5c). Die Ergebnisse zeigen, dass die Begrünung von Ackerland zu einer erheblichen Abkühlung führen könnte (−0,066 ± 0,016 K/Jahrzehnt, Rang 4), insbesondere im trockenen (−0,112 ± 0,034 K/Jahrzehnt, Rang 1) und trockenen äquatorialen Klima (−0,105 ± 0,029). K/Dekade, Rang 2). Diese dramatische Abkühlung der globalen Ackerflächen sollte das Ergebnis sowohl der großen LST-Empfindlichkeit (−0,83 K m² m²) als auch des LAI-Trends (0,072 m² m²/Jahrzehnt) sein. Dennoch induziert die Begrünung von Grasland mit höherer LST-Empfindlichkeit (−0,94 K m2 m−2) nur eine leichte globale Abkühlung (−0,012 ± 0,014 K/Dekade, Rang 12), hauptsächlich aufgrund des niedrigeren LAI-Trends (0,031 m2 m−2). /Dekade) und das Vorhandensein von Grasland im feuchtkalten Klima, wo die Begrünung den gegenteiligen Erwärmungseffekt hervorrufen könnte (0,004 ± 0,0011 K/Dekade, Rang 19). Umgekehrt könnte die Begrünung der Wälder die globale Erwärmung um 0,007 ± 0,003 K/Jahrzehnt beschleunigen. Da die LST-Empfindlichkeit in Gebieten mit hohem LAI gering ist (Abb. 4d), ist der Kühleffekt der Waldbegrünung in mittleren und niedrigen Breitengraden sehr begrenzt. Zu diesem globalen positiven Trend trägt vor allem der Erwärmungstrend der Wälder in feuchtkalten Regionen bei (0,018 ± 0,007 K/Jahrzehnt, Rang 24), wo Schneefall die positive LST-Empfindlichkeit verstärkt (Abb. 5c). Dieses Ergebnis stellt jedoch nur den wärmenden Effekt der Waldbegrünung durch das biophysikalische Feedback dar, und die weitere Bewertung des Nettoklimaeffekts sollte auch das biochemische Feedback berücksichtigen4,28.

Um den regionalen Klimavorteil der Begrünung zu untersuchen, berechnen wir das Minderungsverhältnis der Begrünung anhand des beobachteten Trends der Oberflächenlufttemperatur (\({\delta T}_{{obs}}\)) und des geschätzten, durch die Begrünung verursachten Temperaturtrends (\ ({\delta {LST}}_{{bio}}\)) auf Pixel- und nationaler Ebene (siehe „Methoden“). Der höhere Wert dieses Verhältnisses weist auf einen größeren Erwärmungstrend hin, den die biophysikalische Rückkopplung der Ökologisierung ausgleichen kann. Wie in Abb. 6a dargestellt, überschneiden sich Regionen, in denen die Begrünung den Klimawandel erheblich abmildern kann, mit bedeutenden Begrünungsgebieten (z. B. China, Indien, Europa und Südbrasilien). Die vorherige Studie hat auch bestätigt, dass diese Regionen das globale Ökologisierungssignal nach dem 21. Jahrhundert dominieren38. Wir vergleichen außerdem \({\delta {LST}}_{{bio}}\) und \({\delta T}_{{obs}}\) in 10 Ländern mit beträchtlichen Vegetationsflächen (definiert als Vegetationsflächen größer als 1,5 Millionen km2). Wie in Abb. 6b dargestellt, gehören Indien und China zu den Top 2, wo eine erhebliche Begrünung starke Abkühlungseffekte von –0,140 ± 0,048 K/Jahrzehnt und –0,059 ± 0,009 K/Jahrzehnt hervorruft. Diese Abkühlungseffekte können 39,4 ± 13,9 % bzw. 19,0 ± 8,2 % der Oberflächenerwärmung ausgleichen. Australien, das einen langsameren Ökologisierungstrend verzeichnet, weist ebenfalls eine starke Abkühlung im Zusammenhang mit der Ökologisierung auf, jedoch mit erheblicher Unsicherheit (−0,030 ± 0,071 K/Jahrzehnt). Diese Ergebnisse unterstreichen die wichtige Rolle des biophysikalischen Feedbacks der Ökologisierung für den regionalen Klimaschutz. Für die Länder auf den Rängen vier bis acht sind die Abkühlungseffekte der Ökologisierung gering, und nur die Europäische Union (EU) weist nennenswerte umweltfreundlichere Minderungseffekte auf. Im Gegensatz dazu deuten unsere Ergebnisse darauf hin, dass die Ökologisierung in Kanada und Russland die Erwärmungstrends leicht beschleunigt hat, hauptsächlich aufgrund ihrer positiven LST-Empfindlichkeit (Abb. 1a). Auch in Brasilien zeigt sich die mit Vegetationsveränderungen einhergehende Erwärmung, der Grund sind jedoch die Braunfärbungssignale in den Regenwäldern und im Cerrado. Gleichzeitig kompensiert die Abkühlung durch die Begrünung von Weiden und landwirtschaftlichen Flächen diesen Erwärmungseffekt teilweise (Abb. 6 und ergänzende Abb. 8) und führt somit zu einer großen Unsicherheit der Temperaturentwicklung.

eine räumliche Karte des Minderungsverhältnisses. Es werden nur Pixel angezeigt, die bei einem Konfidenzintervall von 95 % signifikant sind. Bereiche mit statistisch signifikanten Begrünungstrends werden durch schwarze Punkte maskiert (Mann-Kendall-Test, P < 0,05). b Vergleich der beobachteten Temperaturtrends und der durch die Begrünung verursachten Trends der Landoberflächentemperatur in 10 Ländern mit großer Vegetation. Fehlerbalken zeigen die Unsicherheit des durch die Ökologisierung verursachten Temperaturtrends an. Der Prozentsatz unter jedem blauen Balken gibt die Klimaschutzquote an (Mittelwert ± Unsicherheit). Dabei wird die Europäische Union (EU) in die Analyse einbezogen. USA Vereinigte Staaten, Demokratische Republik Kongo, Demokratische Republik Kongo. Quelldaten werden mit diesem Dokument bereitgestellt.

Mithilfe von Satellitenbeobachtungen untersuchen wir die biophysikalischen Auswirkungen der Erdbegrünung auf den LST von 2001 bis 2018 in einem feineren Maßstab. Das in unserer Studie entwickelte räumliche Regressionsmodell hilft uns, den unidirektionalen LAI-LST-Effekt vom sich gleichzeitig ändernden Klima- und Vegetationsbegrünungssignal zu trennen (Ergänzende Diskussion 2). Unsere Ergebnisse liefern Belege für den durch die Begrünung verursachten Erwärmungseffekt in borealen Regionen (Abb. 5), der in den letzten Jahren immer noch diskutiert wurde9,10,20. Darüber hinaus könnte unsere Studie durch eine weitere Untersuchung der verschiedenen biophysikalischen Prozesse und ihrer treibenden Faktoren das Verständnis der biophysikalischen Rückkopplungsmechanismen einer weit verbreiteten Erdbegrünung verbessern. Die tiefere Bedeutung der Kenntnis dieser Kontrollfaktoren besteht darin, vernünftige Vorhersagen über die zukünftige Temperaturempfindlichkeit zu ermöglichen. Wir glauben an die potenzielle Abschwächung des Klimas durch die Begrünung in borealen Regionen in einer prognostizierten Welt mit Erwärmung, vor allem weil die verringerte Schneedecke die Strahlungserwärmung in Zukunft abschwächen wird29 (Abb. 4a). Andererseits deutet unsere Ansicht, dass LAI die biophysikalische Empfindlichkeit kontrolliert, auf einen Rückgang der strahlungslosen Kühlung in der Zukunft hin, da die Turbulenzflüsse in einer kontinuierlich grüner werdenden Welt aufgrund des Sättigungseffekts weniger empfindlich sein werden (Abb. 4d – f). . Eine frühere Studie deutet jedoch auf eine erhöhte Empfindlichkeit von Turbulenzflüssen gegenüber dem Grün der Vegetation aufgrund des Klimawandels hin18. Angesichts der unterschiedlichen Ansichten früherer Studien und des Kompromisses zwischen den beiden genannten Mechanismen argumentieren wir, dass die Variation der zukünftigen biophysikalischen LST-Empfindlichkeit ungewiss bleibt und einer weiteren quantitativen Bewertung bedarf.

Die zunehmende CO2-Konzentration ist die Hauptantriebskraft sowohl für die globale Erwärmung als auch für die Begrünung der Erde in den letzten Jahrzehnten. Im Vergleich zur globalen Erwärmungsrate bestätigen wir jedoch die sehr begrenzte Wirkung der biophysikalischen Klimaminderung durch die Begrünung der Erde. Mittlerweile liefern unsere Ergebnisse auch Belege für die erhebliche Oberflächenabkühlung in Regionen mit ausgeprägten Begrünungstrends. Konkret stellen wir fest, dass eine Abkühlung im Zusammenhang mit der Ökologisierung etwa 20 % bzw. 40 % des Erwärmungstrends in China und Indien ausgleichen kann (Abb. 6b). Diese Ergebnisse unterstreichen die Rolle der biophysikalischen Auswirkungen der Begrünung bei zukünftigen Anpassungsstrategien gegen die anhaltende Erwärmung. Eine frühere Studie hat gezeigt, dass China und Indien im 21. Jahrhundert führend bei der globalen Ökologisierung sind, was durch menschliches Landnutzungsmanagement erreicht wird, wie zum Beispiel das Aufforstungsprojekt in China8 und die Vergrößerung der Erntefläche durch Düngung und Bewässerung in Indien38. Dies deutet auf das große Potenzial menschlicher Landnutzungs- und Landbewirtschaftungsstrategien sowie ökologischer Projekte zur Minderung des Klimadrucks hin, nicht nur durch die Kohlenstoffaufnahme aus der Atmosphäre, sondern auch durch biophysikalische Prozesse. Dennoch wird auch in der EU39 Aufforstungstechnik betrieben, und der Ökologisierungstrend ist auch hier signifikant, allerdings ist eine sehr begrenzte Klimaauswirkung durch die biophysikalische Rückkopplung der Ökologisierung zu beobachten (Abb. 6b). Die gegensätzlichen Ergebnisse legen nahe, wie wichtig es ist, der Geolokalisierung ökologischer Projekte Priorität einzuräumen, um den größtmöglichen Nutzen für das Klima zu erzielen. Zu diesem Zweck könnte unsere Bewertung der globalen LST-Empfindlichkeit sehr hilfreich sein, um regionale, auf Vegetation basierende Klimaanpassungspolitiken für die Gegenwart und Zukunft zu informieren28.

Diese Studie führt kontrollierte Experimente anhand der Raum-Zeit-Analogie durch, um die Empfindlichkeit der Oberflächentemperatur gegenüber Vegetationsveränderungen auf einer feineren Skala zu extrahieren, und wir zeigen die Klimaauswirkungen der Erdbegrünung mit erheblicher räumlicher Heterogenität und saisonaler Variabilität auf. Allerdings gibt es in unserer Studie immer noch Vorbehalte, die aufgrund der Einschränkungen der Daten und Methoden hervorgehoben werden sollten. Erstens kann unsere kartierte Empfindlichkeit im Bereich mit niedrigem Grünanteil eine relativ große Unsicherheit aufweisen, was sich in der großen Standardabweichung von Streuungen mit niedrigem LAI in Abb. 4d widerspiegelt. In solchen Regionen könnte die regressierte Steigung empfindlich auf das Rauschen der Eingabedaten reagieren, da der Unterschied zwischen den Eingabe-LAI relativ gering ist. Wir verwenden jedoch einen zusätzlichen Filter, um den minimalen LAI-Unterschied einzuschränken und so die Robustheit unserer Ergebnisse sicherzustellen. Mittlerweile spiegelt sich diese Empfindlichkeitsunsicherheit auch in der Unsicherheit des Temperatureffekts (\({\delta {LST}}_{{bio}}\)) nach Kombination mit den beobachteten LAI-Änderungen wider (siehe Methoden). Zweitens quantifiziert unsere Analyse nur das lokale Temperatursignal der Ökologisierung, ignoriert jedoch die weiteren Auswirkungen großräumiger Rückkopplungen auf das Klima, die in datengesteuerten Studien nur schwer zu erfassen sind40,41. Bemerkenswert ist, dass diese indirekten Klimaauswirkungen nicht lokal oder ferngesteuert sind und durch das Ausmaß und die Geolokalisierung von Oberflächenveränderungen bestimmt werden. Dennoch könnte unser Ergebnis für lokale Klimaanpassungsstrategien und für den Vergleich oder die Bewertung der simulierten Empfindlichkeit von Landoberflächenmodellen nützlich sein, da sich diese Modelle nur auf den Landoberflächenprozess konzentrieren, ohne dass der atmosphärische Zirkulationsprozess beteiligt ist.

Darüber hinaus verwenden wir satellitengestützte LST als Indikator für die thermischen Bedingungen an der Oberfläche, nicht jedoch die oberflächennahe Lufttemperatur, obwohl letztere möglicherweise relevanter für die Lebensbedingungen des Menschen ist. Einerseits verwenden wir LST, weil Fernerkundungsbeobachtungen im Hinblick auf die Datenverfügbarkeit direkte Messungen der radiometrischen Oberflächentemperatur ermöglichen. Die globale Schätzung der oberflächennahen Lufttemperatur erfordert im Allgemeinen komplexe statistische Modelle oder Assimilationsmethoden in Kombination mit Standortbeobachtungen. Daher kann die Datenunsicherheit in solchen Regionen mit der spärlichen räumlichen Verteilung der Beobachtungsstandorte erheblich sein. Andererseits argumentieren wir, dass die Verwendung von LST die reinen Klimaauswirkungen der Landoberflächenbegrünung für unsere Methode besser widerspiegeln kann, da die Variation der oberflächennahen Lufttemperatur ein hybrides Signal aus atmosphärischen und Landoberflächenprozessen ist und somit die Empfindlichkeit Die aus der Lufttemperatur abgeleiteten Werte unterschätzen möglicherweise die tatsächlichen Klimaauswirkungen aufgrund der horizontalen Wärmekonvektion in der oberflächennahen Atmosphäre. Wenn der Erwerb der Empfindlichkeit jedoch nicht auf unsere Methode beschränkt ist, haben frühere Studien auch die unterschiedlichen Reaktionen der Lufttemperatur und der Oberflächentemperatur auf Vegetationsveränderungen gezeigt42,43. Basierend auf den ESM-Simulationen verschiedener Szenarien beträgt die lokale Empfindlichkeit der Lufttemperatur in 2 m Entfernung etwa 35 bis 65 % der lokalen Empfindlichkeit der Oberflächentemperatur. Berücksichtigt man diesen Unterschied in den Temperaturmessungen, halbiert sich auch der Kühleffekt der Begrünung entsprechend. Allerdings könnte die Klimaschutzquote in Indien und China 24,5 % bzw. 10,5 % erreichen (unter der Annahme, dass die Lufttemperaturempfindlichkeit halb so groß ist wie die Oberflächentemperaturempfindlichkeit), was immer noch die starken Klimaschutzeffekte der anthropogenen Begrünung zeigt. Daher argumentieren wir, dass die Rolle der Vegetationsbegrünung bei der Beurteilung des zukünftigen Klimas nicht außer Acht gelassen werden darf, insbesondere im Hinblick auf die Brennpunkte der Begrünung, die direkt durch menschliche Aktivitäten verursacht werden.

Die Daten zur Modellierung der biophysikalischen Empfindlichkeit umfassen biophysikalische Oberflächeneigenschaften aus MODIS-Beobachtungen (Moderate-resolution Imaging Spectroradiometer) und andere Umgebungsvariablen auf monatlicher Ebene.

Die monatliche mittlere Landoberflächentemperatur (LST) über den Untersuchungszeitraum (2001–2018) wird durch eine zweistufige Strategie ermittelt. Die ursprünglichen LST-Daten stammen aus der Sammlung 6 MOD11A1- und MYD11A1-Produkte mit einer räumlichen Auflösung von 1 km, die von der Website der National Aeronautics and Space Administration (NASA) heruntergeladen wurden. Basierend auf dem Qualitätskontrollflag werden nur Daten mit LST-Fehlern von weniger als 2 K verwendet. Zunächst werden die momentanen Temperaturbeobachtungen mithilfe einer statistischen Methode44 in die Tagesmitteltemperatur umgerechnet. Diese Methode generiert den täglichen Mittelwert LST für jedes Pixel unter Verwendung des gewichteten Mittelwerts verschiedener MODIS-Beobachtungskombinationen (mindestens eine Tages- und eine Nachtbeobachtung für Aqua- und Terra-Beobachtungen). Zweitens wird die tägliche Durchschnittstemperatur unter Verwendung des „Averaged by Day“-Ansatzes (ABD)45 zeitlich zum monatlichen Wert aggregiert und räumlich mit einer Auflösung von 0,05° aggregiert. Das Flussdiagramm für die monatliche LST-Produktion finden Sie in der ergänzenden Abbildung 11. Verglichen mit der direkten Verwendung des arithmetischen Mittels der Tag- und Nacht-LST-Beobachtungen aus dem MYD11C3-Produkt (MODIS/Aqua monatlich 0,05°) ist die zweistufige Strategie könnte die Datenverfügbarkeit durch die Kombination von Aqua- und Terra-Beobachtungen erheblich verbessern (ergänzende Abbildung 12), was für die weitere Analyse wichtig ist.

Der Blattflächenindex (LAI) wird zur Charakterisierung der Struktureigenschaften und des Grüns der Vegetation verwendet. Die wichtigsten LAI-Daten von 2001 bis 2018, die in dieser Studie verwendet werden, stammen aus dem Global Land Surface Satellite (GLASS)-Datensatz, der auf MODIS-Oberflächenreflexionsbeobachtungen basiert und durch allgemeine Regressions-Neuronale Netze (GRNNs)46 generiert wird. Das GLASS LAI-Produkt hat eine räumliche Auflösung von 0,05° und eine zeitliche Auflösung von 8 Tagen mit einer räumlichen Wand-zu-Wand-Abdeckung von 70°N bis 70°S. Die 8-Tages-Daten werden anhand des Mittelwerts zeitlich zur Monatsskala aggregiert. Darüber hinaus werden auch die alternativen LAI-Datensätze GLOBMAP (0,072°, 8 Tage) und GIMMS3g (0,083°, 15 Tage)47,48 erneut abgetastet und zeitlich auf die gleiche Auflösung (0,05°, monatlich) aggregiert, um die Robustheit der Daten weiter zu testen Ergebnisse (Ergänzende Diskussion 3).

Jährliche Karten der vorherrschenden Landbedeckungstypen und der Teilgitterhäufigkeit im Zeitraum 2001–2018 stammen aus der MODIS-Sammlung 6, dem Landbedeckungsprodukt MCD12C1, mit einer räumlichen Auflösung von 0,05°49. Die in unserer Studie verwendeten Landbedeckungskarten basieren auf dem Klassifizierungsschema des International Geosphere-Biosphere Program (IGBP). In dieser Studie werden nur von Vegetation bedeckte Regionen untersucht, und die breiten Vegetationsklassen werden zur weiteren Analyse aus allen IGBP-Vegetationstypen aggregiert (Ergänzungstabelle 1 und Ergänzungsabbildung 2).

Die in unserer Analyse verwendeten Klimavariablen von 2001–2018 umfassen Niederschlags-, Lufttemperatur- und Strahlungsdaten aus den monatlich gemittelten Reanalysedaten von ERA5-Land mit einer räumlichen Auflösung von 0,1°. Niederschlag und Lufttemperatur werden verwendet, um den Einfluss des Hintergrundklimas auf die biophysikalische Rückkopplungsintensität zu untersuchen. Strahlungsdaten, einschließlich der oberflächenabwärts gerichteten Sonnenstrahlung (SW ↓ ) und der oberflächenabwärts gerichteten langwelligen Strahlung (LW ↓ ), dienen als Attributionsfaktoren für die weitere Analyse.

Turbulenzflüsse, einschließlich latenter Wärme (LE) und sensibler Wärme (H), sind entscheidende biophysikalische Parameter, die an unserer Attributionsanalyse beteiligt sind. In diesem Artikel stammen LE- und H-Daten aus dem FluxCom-Datensatz50, der aus der Kombination von Flux-Tower-Messungen, Fernerkundungsdaten und meteorologischen Daten mithilfe der Model Tree Ensemble (MTE)-Regression abgeleitet wird. Der ursprüngliche FluxCom-Datensatz hat eine räumliche und monatliche zeitliche Auflösung von 1/12°. Wir resampeln die Originaldaten auf eine Auflösung von 0,1°, um sie an die Strahlungsdaten anzupassen. Bemerkenswert ist, dass die in dieser Studie verwendeten Daten zu turbulenten Wärmeflüssen aus den Jahren 2001 bis 2015 stammen, da der Datensatz nur bis 2015 aktualisiert wird.

Die Daten zum monatlichen Bodenwärmefluss (G) im Zeitraum 2001–2015 stammen aus Ergebnissen des NOAH-Landoberflächenmodells im Datensatz des Global Land Data Assimilation System 2.1 (GLDAS-2.1). Der GLDAS-Datensatz mit der räumlichen Auflösung von 0,25° wird in 0,1° neu abgetastet, um mit anderen Energiebilanzdaten übereinzustimmen.

Albedo (α)-Daten aus den Jahren 2001–2015 werden aus dem MODIS Collection 6-Produkt MCD43C3 extrahiert, das die gleiche räumliche Auflösung von 0,05° und eine zeitliche Auflösung von 16 Tagen aufweist. Aufgrund der starken Korrelation und des geringen Unterschieds zwischen der Albedo des schwarzen und des weißen Himmels berechnen wir die tatsächliche Albedo einfach anhand des arithmetischen Mittels der Albedo des schwarzen und weißen Himmels für jedes Pixel17. Die monatlichen Albedodaten werden anhand des Mittelwerts zeitlich aus den Originaldaten aggregiert und anschließend räumlich auf eine räumliche Auflösung von 0,1° aggregiert.

Das digitale Höhenmodell (DEM) mit einer räumlichen Auflösung von 0,05° wird verwendet, um den Einfluss der Höhe auf die lokale Temperatur herauszufiltern, der aus der Version 4 der Shuttle-Radar-Topographie-Mission (SRTM) mit einer Auflösung von 90 m räumlich aggregiert wird.

Die monatlichen Schneebedeckungsdaten (MYD10CM) des National Snow & Ice Data Center (NSIDC) mit einer räumlichen Auflösung von 0,05° von 2001–2018 werden verwendet, um den Einfluss von Schnee auf das biophysikalische Feedback zu analysieren.

Da zwischen dem lokalen Hintergrundklima und den Vegetationswachstumsbedingungen auf verschiedenen Skalen komplexe bidirektionale Wechselwirkungen bestehen9,20,22, wenden wir eine von der „Raum-für-Zeit“-Methode inspirierte Moving-Window-Strategie an, um die biophysikalische Empfindlichkeit von LST gegenüber LAI zu berechnen (\ (\frac{{{dLST}}_{{bio}}}{{dLAI}}\)) in dieser Studie. Die „Raum-für-Zeit“-Methode wurde häufig verwendet, um die lokalen Temperaturauswirkungen von LULCC zu untersuchen. Es wird davon ausgegangen, dass das Zielpixel das gleiche Hintergrundklima mit benachbarten Pixeln innerhalb des Bewegungsfensters teilt, sodass der LST-Unterschied im Ziel- und Kontrastpixel durch die biophysikalischen Rückkopplungen der Landbedeckungsveränderung induziert wird23,24,51. In ähnlicher Weise gehen wir davon aus, dass das Grün der Vegetation unter bestimmten Einschränkungen der einzige treibende Faktor für die räumliche Variation des LST sein kann. Die biophysikalische Empfindlichkeit des LST gegenüber LAI könnte aus räumlichen LAI- und LST-Beobachtungen in der Nähe zurückgeführt werden. Der Vorteil dieser Methode gegenüber der Strategie der zeitlichen Regression9 besteht darin, dass der Einfluss der natürlichen Klimavariabilität oder des langfristigen Erwärmungstrends auf das Vegetationswachstum ausgeschlossen wird, da Pixel mit unterschiedlichen LAI-Werten innerhalb des beweglichen Fensters dasselbe Hintergrundklima haben (ergänzende Abbildung). 16).

Diese sich räumlich bewegende Fensterstrategie wird verwendet, um über den Untersuchungszeitraum monatlich \(\frac{{{dLST}}_{{bio}}}{{dLAI}}\) zu erstellen. Die konkrete Funktionsweise der Strategie ist wie folgt. Für ein bestimmtes Zielpixel stammen alle potenziellen Vergleichsproben aus den räumlich benachbarten Pixeln innerhalb des Bewegungsfensters, das gemäß früheren Studien auf 50 × 50 km (9 × 9 Pixel am Äquator) festgelegt ist8,52. Wir legen außerdem zwei Screening-Kriterien für alle Kandidaten fest, um den Einfluss von Landbedeckung und Höhenunterschieden auszuschließen: (1) Das ausgewählte Pixel sollte denselben Hauptlandbedeckungstyp wie das Zielpixel haben und die prozentuale Abdeckungsdifferenz sollte weniger als 10 % betragen. gemäß MODIS-Landbedeckungsdaten; (2) Der Höhenunterschied zwischen dem ausgewählten und dem Zielpixel sollte weniger als 100 m betragen. Dann können wir die biophysikalische Empfindlichkeit für das Zielpixel durch die Regression der LAI- und LST-Differenzen zwischen allen ausgewählten Vergleichspixeln und dem Zielpixel erhalten. Hier wird die nichtparametrische Theil-Sen-Steigung verwendet, um das Problem der potenziell schiefen Verteilung der Stichproben zu lösen53:

hier geben x und y die LAI- und LST-Unterschiede an; i und j sind die Geolokalisierungen der Proben innerhalb des sich bewegenden Fensters. Der Theil-Sen-Steigungsschätzer übernimmt den Medianwert eines Bereichs möglicher Steigungen und ist daher unempfindlich gegenüber statistischen Ausreißern der Stichproben. Darüber hinaus berechnen wir die Sensitivität nur, wenn mindestens vier gültige Proben vorhanden sind und die minimale LAI-Differenz größer als 0,1 m2 m−2 ist, um die Robustheit unseres Ergebnisses weiter sicherzustellen. Dabei bedeutet ein positiver Sensitivitätswert, dass die Vegetationsbegrünung einen wärmenden Effekt auf das lokale Klima hat und umgekehrt.

Um den Beitrag verschiedener biophysikalischer Rückmeldungen zur endgültigen LST-Empfindlichkeit zu analysieren, führen wir ein Zerlegungsverfahren basierend auf der Energiebilanzgleichung durch:54,55

wobei SW ↓ und LW ↓ kurzwellige und langwellige Abwärtsstrahlung sind, α gibt Albedo an; σ bezeichnet die Stephan-Boltzmann-Konstante (5,67 × 10−8 W m−2 K−4); ε gibt den Oberflächenemissionsgrad an, der aus der empirischen Beziehung zur Albedo für bewachsene Oberflächen geschätzt wird (ε = 0,99-0,16α);55 H, LE und G sind jeweils fühlbare Wärme, latente Wärme und Bodenwärmefluss. Insbesondere ist für das Zerlegungsmodell eine Schließung der Energiebilanz erforderlich56, aber die in dieser Studie verwendeten Energiebilanzterme stammen aus unterschiedlichen Datensätzen und sind daher nicht geschlossen. Um dies zu berücksichtigen, führen wir dann die Energierestverteilung mithilfe der Bowen-Verhältnis-Methode durch, bei der davon ausgegangen wird, dass das Verhältnis von H zu LE invariant ist50.

Insbesondere bedeutet diese invariante Annahme nicht, dass das Bowen-Verhältnis konstant ist, wenn sich die Vegetation verändert hat. Anschließend werden die korrigierten turbulenten Flussdaten (\({{LE}}_{{corrected}}\) und \({H}_{{corrected}}\)) für die weitere Attributionsanalyse in diesem Artikel verwendet.

Die monatliche LST-Empfindlichkeit, die durch die nach oben gerichtete langwellige Strahlung durch den Stephan-Boltzmann-Ausdruck54 dargestellt wird, könnte mithilfe der Taylor-Entwicklung erster Ordnung in den Beitrag jedes Termes unterteilt werden:

Dabei bezeichnen die fünf Terme auf der rechten Seite der Gleichung die äquivalente LST-Empfindlichkeit aus dem entsprechenden biophysikalischen Pfad:

Hier ist λ0 durch den Taylor-Entwicklungsterm erster Ordnung der aufwärts gerichteten langwelligen Strahlung gegeben:

Beachten Sie, dass die Sensitivitätsterme in Bezug auf Emissionsgrad und Bodenwärmefluss ignoriert werden, da ihre Auswirkungen relativ gering sind37,52,55. In der Zwischenzeit vernachlässigen wir den komplexen Effekt von LST auf andere Energiebilanzterme im Attributionsmodell aus den folgenden zwei Gründen: (1) Attributionsmodelle, die den Einfluss von LST auf Turbulenzflüsse berücksichtigen, sollten mehr zusätzliche meteorologische Daten verwenden, um den aerodynamischen oder Oberflächenwiderstand zu berechnen . Diesen meteorologischen Variablen wie Lufttemperatur und atmosphärenspezifischer Luftfeuchtigkeit fehlen Produkte mit hoher räumlicher Auflösung;24,57 (2) Frühere Studien zeigen keinen signifikanten Unterschied zwischen den Ergebnissen dieser Attributionsmethoden, d. h. die relative Dominanz von Strahlungs- und Nichtstrahlungsprozessen58 ,59.

Alle biophysikalischen Empfindlichkeitsbegriffe, einschließlich Albedo (\(\frac{{d{\alpha }}_{{bio}}}{{dLAI}}\)), latente Wärme (\(\frac{{{dLE}}_ {{bio}}}{{dLAI}}\)), sensible Wärme (\(\frac{{{dH}}_{{bio}}}{{dLAI}}\)), nach unten gerichtete kurzwellige Strahlung (\( \frac{{{dSW}\downarrow }_{{bio}}}{{dLAI}}\)) und nach unten gerichtete langwellige Strahlung (\(\frac{{{dLW}\downarrow }_{{bio}}}{ {dLAI}}\)) werden auf monatlicher Ebene mit der gleichen Methode wie die LST-Empfindlichkeit berechnet, jedoch unter Verwendung von Eingabedaten mit einer räumlichen Auflösung von 0,1° (zur Übereinstimmung mit ERA-Strahlungs- und turbulenten Flussdaten). Dementsprechend werden auch andere Eingabedaten, einschließlich LAI-, DEM- und Landbedeckungsdaten, räumlich mit einer Auflösung von 0,1° aggregiert. Um mit der LST-Empfindlichkeit konsistent zu sein, ist die Fenstergröße für die 0,1°-Dateneingabe weiterhin auf 50 × 50 km eingestellt, was am Äquator etwa 5 × 5 Pixel entspricht.

Darüber hinaus ist es erwähnenswert, dass \(\frac{{{dSW}\downarrow }_{{bio}}}{{dLAI}}\) und \(\frac{{{dLW}\downarrow }_{{bio }}}{{dLAI}}\) werden hier nicht durch großräumige atmosphärische Zirkulation oder biochemische Prozesse induziert, sondern durch lokale oder mesoskalige biophysikalische atmosphärische Rückkopplungen60. Theoretisch könnte die Begrünung durch horizontale Wärme- oder Dampfübertragung auch das außerörtliche Klima beeinflussen und durch die Aufnahme von atmosphärischem CO2 auch eine globale Abkühlung bewirken. Die Strahlungsempfindlichkeiten unserer Methode enthalten jedoch nicht die Beiträge dieser beiden Prozesse, hauptsächlich weil die räumliche Regression das fernverbundene oder globale einheitliche Signal nicht extrahieren kann. In dieser Studie gibt die Strahlungsempfindlichkeit den vertikalen Einfluss der Begrünung auf das Klima an. Insbesondere verändert die Begrünung direkt die Energieabsorption sowie die Effizienz des Wasser- und Wärmeaustauschs zwischen der Oberfläche und der Atmosphäre und wirkt sich anschließend lokal auf die oberflächennahe Temperatur, die relative Luftfeuchtigkeit, die atmosphärische Durchlässigkeit und die Wolkendecke aus61, was die kurz- und langwellige Strahlung nach unten weiter verändern könnte.

Durch die erwähnte räumliche Regressionsmethode erhalten wir die monatliche biophysikalische Empfindlichkeit von LST gegenüber LAI von 2001 bis 2018 mit einer räumlichen Auflösung von 0,05° und die zerlegte Empfindlichkeit der Energiebilanzterme gegenüber LAI von 2001 bis 2015 mit einer räumlichen Auflösung von 0,1°. Um den Mittelwert des Untersuchungszeitraums darzustellen, berechnen wir den Mittelwert für jeden Monat über 18 (bzw. 15) Jahre. Vor der zeitlichen Aggregation entfernen wir den Wert innerhalb des maximalen und minimalen 1 %-Werts basierend auf der kumulativen Verteilungshäufigkeit (CDF) für alle mittleren monatlichen Ergebnisse, um die Auswirkungen von Ausreißern auszuschließen. Anschließend werden die jährlichen Sensitivitäten anhand des Monatswerts gemittelt, wenn alle monatlichen Sensitivitäten für einen bestimmten Standort gültig sind. Bemerkenswert ist, dass diese klimatologischen Sensitivitäten für die räumlichen und saisonalen Muster und die Zerlegungsanalyse berechnet werden, da sie nur die Temperaturreaktion auf die Begrünung unter dem mehrjährigen durchschnittlichen Hintergrundklima darstellen.

Der durch die Ökologisierung (\({\delta {LST}}_{{bio}}\)) im Untersuchungszeitraum (2001–2018) induzierte LST-Trend ist das Ergebnis sowohl der biophysikalischen Empfindlichkeit als auch der LAI-Variation. Da die zwischenjährlichen Schwankungen der Vegetation und der klimatischen Bedingungen die biophysikalische Empfindlichkeit erheblich beeinflussen können, verwenden wir die ursprüngliche monatliche Empfindlichkeit anstelle des klimatologischen Werts, um den Temperatureffekt der Begrünung abzuschätzen. Insbesondere werden alle Empfindlichkeitskarten zunächst in einer Auflösung von 0,5° aggregiert, um die Auswirkungen von Landbedeckungs- oder Landbewirtschaftungsänderungen auf den LAI oder die Empfindlichkeit im Feinmaßstab zu eliminieren. Dabei werden nur Raster mit mehr als 50 % gültigen Werten beibehalten. Die harmonische Analyse von Zeitreihen (HANTS) wird durchgeführt, um die ungültigen Werte der Empfindlichkeitsreihe für jedes 0,5°-Raster zu füllen62. Dann kann die durch die Ökologisierung verursachte LST-Variation (\({\Delta {LST}}_{{bio}}\)) auf der Grundlage der jährlichen LAI-Variation (ΔLAI) und der LST-Empfindlichkeit (\(\) berechnet werden. frac{{{dLST}}_{{bio}}}{{dLAI}}\)) auf monatlicher Ebene:

wobei y und m das Jahr und den Monat bezeichnen. Der monatliche \({\delta {LST}}_{{bio}}\) könnte durch den linearen Trend von 17 Jahren \({\Delta {LST}}_{{bio}}\) berechnet werden, und der jährliche oder saisonale \({\delta {LST}}_{{bio}}\) werden in ähnlicher Weise aus 17 Jahren jährlichem oder saisonalem \({\Delta {LST}}_{{bio}}\) (zeitlich aggregiert aus dem Monat) regressiert \({\Delta {LST}}_{{bio}}\)). Die Unsicherheit von \({\delta {LST}}_{{bio}}\) könnte mithilfe des 95 %-Konfidenzintervalls der Regressionssteigung der durch die Begrünung verursachten Temperaturschwankungen von Jahr zu Jahr weiter geschätzt werden.

Darüber hinaus wird der Temperaturtrend (\({\delta T}_{{obs}}\)) auch durch lineare Regression berechnet, um den Klimaschutzeffekt der biophysikalischen Rückkopplung der Begrünung zu bewerten. Um das Signal der globalen Erwärmung robust widerzuspiegeln, wird insbesondere das Zeitintervall für die Lösung von \({\delta T}_{{obs}}\) im Vergleich zum Intervall für die Bewertung der biophysikalischen Auswirkungen um zehn Jahre verlängert. Konkret verwenden wir das Oberflächenlufttemperaturprodukt der Climate Research Unit (CRU, TS4.04) von 1991 bis 2018, um \({\delta T}_{{obs}}\) zu berechnen (ergänzende Abbildung 9), da es keine gibt Das verfügbare monatliche LST-Satellitenprodukt vor 2001 und die Trends der Oberflächenlufttemperatur und des LST sind auf globaler und regionaler Ebene sehr ähnlich63. Hier stellt \({\delta T}_{{obs}}\) die Temperaturreaktion auf alle Kräfte dar, die durch die zunehmende CO2-Konzentration, die durch die Erwärmung verursacht wird, dominiert wird, und wir verwenden \({\delta T}_{{obs }}-{\delta {LST}}_{{bio}}\), um den Temperaturtrend ohne biophysikalische Rückkopplung der Begrünung darzustellen. Dann kann der Minderungsprozentsatz durch das Verhältnis des durch die Ökologisierung induzierten Temperaturtrends zur Erwärmungsrate ohne die Milderung der Ökologisierung \(\left(-\frac{{\delta {LST}}_{{bio}}}{{ \delta T}_{{obs}}-{\delta {LST}}_{{bio}}}\times 100\%\right)\). Darüber hinaus wird die Unsicherheit dieses Verhältnisses basierend auf der Fehlerausbreitung von \({\delta T}_{{obs}}\) und \({\delta {LST}}_{{bio}}\) berechnet.

Die kürzlich veröffentlichte Köppen-Geiger-Weltkarte wird zur Definition der Klimazonen in unserer Analyse verwendet, die auf den Temperatur- und Niederschlagsdaten aus CRU-Datensätzen basiert64. Wir fassen die 31 Klimazonen in sieben Hauptzonen zusammen (dh feuchtes Äquatorialgebiet, trockenes Äquatorialgebiet, trockenes Klima, feuchtes gemäßigtes Klima, trockenes gemäßigtes Klima, feuchtes kaltes Klima und trockenes kaltes Klima) (ergänzende Abbildung 17).

Die Daten, die die Ergebnisse dieser Studie stützen, sind offen verfügbar. Die MODIS-Daten zu Landoberflächentemperatur, Albedo und Landbedeckung können unter https://ladsweb.modaps.eosdis.nasa.gov/search/ heruntergeladen werden. Die Blattflächenindexdaten sind verfügbar unter http://www.glass.umd.edu/LAI/MODIS/0.05D/ (GLASS), https://zenodo.org/record/4700264 (GLOBMAP) und https:/ /sites.bu.edu/cliveg/datacodes (GIMMS3g). Die ERA5-Land-Reanalyseprodukte sind unter https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-land-monthly-means verfügbar. Das SRTM-DEM ist auf der Google Earth Engine unter https://developers.google.com/earth-engine/datasets/catalog/CGIAR_SRTM90_V4 verfügbar. Die MODIS-Schneebedeckungsdaten stammen von https://nsidc.org/data/MYD10CM/versions/6. Die FluxCom-Flussdaten sind nach Anleitung unter https://www.bgc-jena.mpg.de/geodb/projects/Home.php verfügbar. Die gerasterten Klimadaten sind unter https://catalogue.ceda.ac.uk/uuid/e0b4e1e56c1c4460b796073a31366980 verfügbar. Der GLDAS 2.1-Datensatz ist unter https://disc.gsfc.nasa.gov/datasets verfügbar. Die Köppen-Geiger-Klimaklassifikationskarte ist unter http://koeppen-geiger.vu-wien.ac.at/present.htm verfügbar. Quelldaten werden mit diesem Dokument bereitgestellt.

Der zur Verarbeitung und Analyse der Daten verwendete Code wird mit Python 3.8 und MATLAB 2019a geschrieben. Die Skripte sind unter https://zenodo.org/record/7446790 oder auf Anfrage beim entsprechenden Autor erhältlich.

Zhu, Z. et al. Begrünung der Erde und ihre Treiber. Nat. Aufstieg. Änderung 6, 791–795 (2016).

Artikel ADS CAS Google Scholar

Piao, S. et al. Merkmale, Treiber und Rückmeldungen der globalen Ökologisierung. Nat. Rev. Earth Environ. 1, 14–27 (2020).

Chen, JM et al. Der Strukturwandel der Vegetation seit 1981 hat die terrestrische Kohlenstoffsenke deutlich erhöht. Nat. Komm. 10, 4–10 (2019).

CAS Google Scholar

Bonan, GB Wälder und Klimawandel: Antriebe, Rückkopplungen und die Klimavorteile von Wäldern. Wissenschaft 320, 1444–1449 (2008).

Artikel ADS CAS Google Scholar

Canadell, JG & Raupach, MR Bewirtschaftung von Wäldern zur Eindämmung des Klimawandels. Science 320, 1456–1457 (2008).

Artikel ADS CAS Google Scholar

Bright, RM et al. Lokale Temperaturreaktion auf Landbedeckungs- und Bewirtschaftungsänderungen, die durch strahlungslose Prozesse verursacht werden. Nat. Aufstieg. Änderung 7, 296–302 (2017).

Artikel ADS Google Scholar

Shen, M. et al. Durch Vegetationswachstum verursachte Verdunstungskühlung über dem tibetischen Plateau. Proz. Natl Acad. Wissenschaft. USA 112, 9299–9304 (2015).

Artikel ADS CAS Google Scholar

Ge, J. et al. Der strahlungslose Effekt dominiert die lokale Oberflächentemperaturänderung, die durch Aufforstung in China verursacht wird. J. Clim. 32, 4445–4471 (2019).

Artikel ADS Google Scholar

Forzieri, G., Alkama, R., Miralles, DG & Cescatti, A. Satelliten zeigen unterschiedliche Reaktionen des regionalen Klimas auf die weit verbreitete Begrünung der Erde. Science 356, 1180–1184 (2017).

Artikel CAS Google Scholar

Chen, C. et al. Biophysikalische Auswirkungen der Erdbegrünung werden weitgehend durch den aerodynamischen Widerstand gesteuert. Wissenschaft. Adv. 6, 1–10 (2020).

Artikel CAS Google Scholar

Zeng, Z. et al. Klimaschutz durch biophysikalische Rückkopplungen der Vegetation in den letzten drei Jahrzehnten. Nat. Aufstieg. Änderung 7, 432–436 (2017).

Artikel ADS Google Scholar

Liu, Z., Ballantyne, AP & Cooper, LA Biophysikalische Rückkopplung globaler Waldbrände auf die Oberflächentemperatur. Nat. Komm. 10, 1–9 (2019).

Google Scholar

Zhou, D. et al. Ackerflächen verstärken laut Satellitenbeobachtungen die regionale und globale Erwärmung. Fernerkundung. Umwelt. 1–10 (2021) https://doi.org/10.1016/j.rse.2021.112585 (2021).

Alkama, R. & Cescatti, A. Biophysikalische Klimaauswirkungen der jüngsten Veränderungen in der globalen Waldbedeckung. Wissenschaft 351, 600–604 (2016).

Artikel ADS CAS Google Scholar

Liu, Z., Ballantyne, AP & Cooper, LA Anstiege der Landoberflächentemperatur als Reaktion auf Brände in sibirischen Borealwäldern und ihre Zuordnung zu biophysikalischen Prozessen. Geophys. Res. Lette. 45, 6485–6494 (2018).

Artikel ADS Google Scholar

Wang, J. et al. Globale Abkühlung durch biophysikalische Effekte des Anbaus von Bioenergiepflanzen. Nat. Komm. 12, 1–9 (2021).

Artikel Google Scholar

Duveiller, G., Hooker, J. & Cescatti, A. Die Spuren der Vegetationsveränderung im Energiegleichgewicht der Erdoberfläche. Nat. Komm. 9, 64–75 (2018).

Artikel Google Scholar

Forzieri, G. et al. Verstärkte Kontrolle der Vegetation auf globale terrestrische Energieflüsse. Nat. Aufstieg. Änderung 10, 356–362 (2020).

Artikel ADS Google Scholar

Duveiller, G. et al. Biophysik und Veränderungen der Vegetationsbedeckung: ein prozessbasierter Bewertungsrahmen für die Gegenüberstellung von Landoberflächenmodellen mit Satellitenbeobachtungen. Erdsystem. Wissenschaft. Daten 10, 1265–1279 (2018).

Artikel ADS Google Scholar

Li, Y., Zeng, Z., Huang, L., Lian, X. & Piao, S. Kommentar zu „Satelliten zeigen gegensätzliche Reaktionen des regionalen Klimas auf die weit verbreitete Begrünung der Erde“. Wissenschaft 360, 1–3 (2018).

Artikel Google Scholar

Gao, B., Li, M., Wang, J. & Chen, Z. Zeitlich oder räumlich? Kausalitätsfolgerung in den Erdsystemwissenschaften. Wissenschaft. Stier. 67, 232–235 (2022).

Artikel Google Scholar

Forzieri, G., Alkama, R., Miralles, DG & Cescatti, A. Antwort auf den Kommentar zu „Satelliten zeigen gegensätzliche Reaktionen des regionalen Klimas auf die weit verbreitete Begrünung der Erde“. Wissenschaft 360, 1180–1184 (2018).

Artikel Google Scholar

Li, Y. et al. Lokale Abkühlungs- und Erwärmungseffekte von Wäldern basierend auf Satellitenbeobachtungen. Nat. Komm. 6, 1–10 (2015).

ADS Google Scholar

Lee, X. et al. Beobachtete Zunahme des lokalen Kühleffekts der Entwaldung in höheren Breiten. Natur 479, 384–387 (2011).

Artikel ADS CAS Google Scholar

Zeng, Z., Peng, L. & Piao, S. Reaktion der terrestrischen Evapotranspiration auf die Begrünung der Erde. Curr. Meinung. Umgebung. Aufrechterhalten. 33, 9–25 (2018).

Artikel Google Scholar

Lawrence, D., Coe, M., Walker, W., Verchot, L. & Vandecar, K. Die unsichtbaren Auswirkungen der Entwaldung: biophysikalische Auswirkungen auf das Klima. Vorderseite. Globus. Änderung 5, 1–13 (2022).

Artikel Google Scholar

Prevedello, JA, Winck, GR, Weber, MM, Nichols, E. & Sinervo, B. Auswirkungen von Aufforstung und Entwaldung auf die lokale Temperatur auf der ganzen Welt. PLoS ONE 14, 1–18 (2019).

Artikel Google Scholar

Windisch, MG, Davin, EL & Seneviratne, SI Priorisierung der Aufforstung basierend auf biogeochemischen und lokalen biogeophysikalischen Auswirkungen. Nat. Aufstieg. Änderung 11, 867–871 (2021).

Artikel ADS CAS Google Scholar

Alkama, R. et al. Vegetationsbasierter Klimaschutz in einer wärmeren und grüneren Welt. Nat. Komm. 13, 1–10 (2022).

Artikel ADS Google Scholar

Essery, R. Groß angelegte Simulationen der Schneealbedomaskierung durch Wälder. Geophys. Res. Lette. 40, 5521–5525 (2013).

Artikel ADS Google Scholar

Betts, RA Ausgleich der potenziellen Kohlenstoffsenke durch boreale Aufforstung durch Abnahme der Oberflächenalbedo. Natur 408, 187–190 (2000).

Artikel ADS CAS Google Scholar

Li, Q., Ma, M., Wu, X. & Yang, H. Schneedecke und Vegetationsbedingter Rückgang der globalen Albedo von 2002 bis 2016. J. Geophys. Res. Atmosphäre. 123, 124–138 (2017).

Winckler, J., Reick, CH, Bright, RM & Pongratz, J. Bedeutung der Oberflächenrauheit für die lokalen biogeophysikalischen Auswirkungen der Entwaldung. J. Geophys. Res. Atmosphäre. 124, 8605–8618 (2019).

Artikel ADS CAS Google Scholar

Huang, D. et al. Stochastische Transporttheorie zur Untersuchung der dreidimensionalen Baumkronenstruktur aus Weltraummessungen. Fernerkundung. Umwelt. 112, 35–50 (2008).

Artikel ADS Google Scholar

Abera, TA, Heiskanen, J., Pellikka, P., Rautiainen, M. & Maeda, EE Klärung der Rolle von Strahlungsmechanismen bei den räumlich-zeitlichen Veränderungen der Landoberflächentemperatur am Horn von Afrika. Fernerkundung. Umwelt. 221, 210–224 (2019).

Artikel ADS Google Scholar

Yu, L., Liu, Y., Liu, T. & Yan, F. Einfluss der jüngsten Vegetationsbegrünung auf Temperatur und Niederschlag über China. Landwirtschaft. Meteorol. 295, 108197 (2020).

Artikel Google Scholar

Lian, X. et al. Biophysikalische Auswirkungen nördlicher Vegetationsveränderungen auf saisonale Erwärmungsmuster. Nat. Komm. 13, 3925 (2022).

Artikel ADS CAS Google Scholar

Chen, C. et al. China und Indien sind führend bei der Ökologisierung der Welt durch Landnutzungsmanagement. Nat. Aufrechterhalten. 2, 122–129 (2019).

Artikel Google Scholar

Buitenwerf, R., Sandel, B., Normand, S., Mimet, A. & Svenning, JC Die Begrünung der Landoberfläche deutet auf ein kräftiges Nachwachsen der Gehölze in der gesamten naturnahen Vegetation Europas hin. Globus. Chang. Biol. 24, 5789–5801 (2018).

Artikel Google Scholar

Chen, L. & Dirmeyer, PA Die Unstimmigkeiten zwischen beobachteten und simulierten Temperaturreaktionen auf die Entwaldung in Einklang bringen. Nat. Komm. 11, 1–10 (2020).

Google Scholar

Li, Y., Piao, S., Chen, A., Ciais, P. & Li, LZX Lokale und fernvernetzte Temperatureffekte von Aufforstung und Vegetationsbegrünung in China. Natl. Sci. Rev. 7, 897–912 (2020).

Artikel Google Scholar

Novick, KA & Katul, GG Die Dualität der Wiederaufforstung wirkt sich auf die Oberflächen- und Lufttemperatur aus. J. Geophys. Res. Biogeowissenschaften 125, 1–15 (2020).

Artikel Google Scholar

Winckler, J. et al. Unterschiedliche Reaktion der Oberflächentemperatur und der Lufttemperatur auf die Entwaldung in Klimamodellen. Erdsystem. Dyn. 10, 473–484 (2019).

Artikel ADS Google Scholar

Xing, Z. et al. Schätzung der täglichen mittleren Landoberflächentemperatur auf globaler Ebene unter Verwendung von MODIS-Momentanbeobachtungspaaren bei Tag und Nacht. ISPRS J. Fotogramm. Remote Sens. 178, 51–67 (2021).

Artikel ADS Google Scholar

Ding, F. et al. Bewertung der Auswirkungen zweier Mittelungsmethoden auf monatliche Airs-Level-3-Produkte und mehrjährige monatliche Mittelwerte. J. Atmos. Ozean. Technol. 37, 1027–1050 (2020).

Artikel ADS Google Scholar

Xiao, Z. et al. Verwendung allgemeiner neuronaler Regressionsnetze zur Generierung des GLASS-Blattflächenindexprodukts aus der Zeitreihen-MODIS-Oberflächenreflexion. IEEE Trans. Geosci. Remote Sens. 52, 209–223 (2014).

Artikel ADS Google Scholar

Liu, Y., Liu, R. & Chen, JM Retrospektive Ermittlung des langfristig konsistenten globalen Blattflächenindex (1981–2011) aus kombinierten AVHRR- und MODIS-Daten. J. Geophys. Res. Biogeosci. 117, 1–14 (2012).

Artikel Google Scholar

Zhu, Z. et al. Globale Datensätze des Vegetationsblattflächenindex (LAI)3g und des Anteils der photosynthetisch aktiven Strahlung (FPAR)3g, abgeleitet aus globalen Inventarmodellierungs- und Kartierungsstudien (GIMMS), normalisiertem Differenzvegetationsindex (NDVI3G) für den Zeitraum 1981 bis 2. Remote Sens 5 , 927–948 (2013).

Artikel ADS Google Scholar

Friedl, MA et al. MODIS Collection 5 globale Landbedeckung: Algorithmusverfeinerungen und Charakterisierung neuer Datensätze. Fernerkundung. Umwelt. 114, 168–182 (2010).

Artikel ADS Google Scholar

Jung, M. et al. Jüngster Rückgang des globalen Evapotranspirationstrends an Land aufgrund der begrenzten Feuchtigkeitsversorgung. Natur 467, 951–954 (2010).

Artikel ADS CAS Google Scholar

Peng, SS et al. Aufforstung in China kühlt die lokale Landoberflächentemperatur. Proz. Natl Acad. Wissenschaft. USA 111, 2915–2919 (2014).

Artikel ADS CAS Google Scholar

Zhao, K. & Jackson, RB Biophysikalische Faktoren für Landnutzungsänderungen durch potenzielle forstwirtschaftliche Aktivitäten in Nordamerika. Ökologisch. Monogr. 84, 329–353 (2014).

Artikel Google Scholar

Sen, PK Schätzungen des Regressionskoeffizienten basierend auf Kendalls Tau. Marmelade. Stat. Assoc. 63, 1379–1389 (1968).

Artikel MathSciNet MATH Google Scholar

Luyssaert, S. et al. Landbewirtschaftung und Landbedeckungsänderungen haben Auswirkungen ähnlicher Größenordnung auf die Oberflächentemperatur. Nat. Aufstieg. Änderung 4, 389–393 (2014).

Artikel ADS Google Scholar

Juang, JY, Katul, G., Siqueira, M., Stoy, P. & Novick, K. Trennung der Auswirkungen der Albedo von ökophysiologischen Veränderungen auf die Oberflächentemperatur entlang einer sukzessiven Chronosequenz im Südosten der Vereinigten Staaten. Geophys. Res. Lette. 34, 1–5 (2007).

Artikel Google Scholar

Liao, W., Rigden, AJ & Li, D. Zuordnung der lokalen Temperaturreaktion zur Entwaldung. J. Geophys. Res. Biogeosci. 123, 1572–1587 (2018).

Artikel Google Scholar

Rigden, AJ & Li, D. Zuordnung von Oberflächentemperaturanomalien, die durch Landnutzung und Landbedeckungsänderungen verursacht werden. Geophys. Res. Lette. 44, 6814–6822 (2017).

Artikel ADS Google Scholar

Wang, L. et al. Reaktion der Oberflächentemperatur auf Aufforstung in der Kubuqi-Wüste in der Inneren Mongolei. J. Geophys. Res. Atmosphäre. 123, 948–964 (2018).

Artikel ADS Google Scholar

Wang, L., Tian, F., Wang, X., Yang, Y. & Wei, Z. Zuordnung der Reaktion der Landoberflächentemperatur auf Landnutzungsumwandlungen von unbebautem Land. Globus. Planet. Änderung 193, 103268 (2020).

Artikel Google Scholar

Xu, R. et al. Gegensätzliche Auswirkungen von Wäldern auf die Wolkendecke basierend auf Satellitenbeobachtungen. Nat. Komm. 13, 670 (2022).

Artikel ADS CAS Google Scholar

Duveiller, G. et al. Aufdeckung des weit verbreiteten Potenzials von Wäldern zur Erhöhung der Wolkendecke in niedrigen Lagen. Nat. Komm. 12, 1–15 (2021).

Artikel Google Scholar

Jiang, C. et al. Inkonsistenzen der zwischenjährlichen Variabilität und Trends bei langfristigen Satelliten-Blattflächenindexprodukten. Globus. Chang. Biol. 23, 4133–4146 (2017).

Artikel ADS Google Scholar

Wang, Y., Hessen, DO, Samset, BH & Stordal, F. Bewertung globaler und regionaler Landerwärmungstrends in den letzten Jahrzehnten mit MODIS- und ERA5-Land-Landoberflächentemperaturdaten. Fernerkundung. Umwelt. 280, 113181 (2022).

Artikel ADS Google Scholar

Kottek, M., Grieser, J., Beck, C., Rudolf, B. & Rubel, F. Weltkarte der Köppen-Geiger-Klimaklassifikation aktualisiert. Meteorol. Z. 15, 259–263 (2006).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wird von der National Natural Science Foundation of China (Grant No. 41921001, ZL, PY und WW), dem Strategic Priority Research Program der Chinese Academy of Sciences (Grant No. XDA28050200, HW) und der National Natural Science Foundation unterstützt of China (Grant No. 41871267, HW).

Staatliches Schlüssellabor für Ressourcen und Umweltinformationssystem, Institut für Geographische Wissenschaften und Forschung zu natürlichen Ressourcen, Chinesische Akademie der Wissenschaften, 100101, Peking, China

Yitao Li, Hua Wu und Ronglin Tang

Universität der Chinesischen Akademie der Wissenschaften, 100049, Peking, China

Yitao Li & Hua Wu

Schlüssellabor für landwirtschaftliche Fernerkundung, Ministerium für Landwirtschaft und ländliche Angelegenheiten/Institut für landwirtschaftliche Ressourcen und Regionalplanung, Chinesische Akademie der Agrarwissenschaften, 100081, Peking, China

Zhao-Liang Li, Xiangyang Liu, Pei Leng, Peng Yang und Wenbin Wu

Zentrum für Ozeanfernerkundung der südlichen Meereswissenschaften und -technik Guangdong Laboratory (Guangzhou), Guangzhou Institute of Geography, Guangdong Academy of Sciences, 510070, Guangzhou, China

Chenghu Zhou

School of Land Science and Space Planning, Hebei GEO University, 050031, Shijiazhuang, China

Guo-Fei Shang

Schlüssellabor für quantitative Fernerkundungsinformationstechnologie, Institut für Luft- und Raumfahrtinformationsforschung, Chinesische Akademie der Wissenschaften, 100094, Peking, China

Lingling Ma

Sie können diesen Autor auch in PubMed Google Scholar suchen

ZL und YL konzipierten und gestalteten die Forschung. XL und PL organisierten und verarbeiteten die Daten. YL und HW führten die Analyse durch, mit Unterstützung von CZ, PY und WW bei der Interpretation der Ergebnisse. YL hat das Papier entworfen. ZL, CZ, RT, GS und LM haben das Manuskript bearbeitet und überarbeitet.

Korrespondenz mit Zhao-Liang Li.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Nature Communications dankt den 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.

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

Li, Y., Li, ZL., Wu, H. et al. Biophysikalische Auswirkungen der Erdbegrünung können die Erwärmung der regionalen Landoberflächentemperatur erheblich abmildern. Nat Commun 14, 121 (2023). https://doi.org/10.1038/s41467-023-35799-4

Zitat herunterladen

Eingegangen: 13. Juni 2022

Angenommen: 02. Januar 2023

Veröffentlicht: 09. Januar 2023

DOI: https://doi.org/10.1038/s41467-023-35799-4

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link 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.

Nachricht

Biophysikalische Auswirkungen der Erdbegrünung können die Erwärmung der regionalen Landoberflächentemperatur erheblich abmildern