از دست دادن مقاومت جنگل بارانی آمازون از اوایل دهه 2000

مقاومت در برابر جنگلهای بارانی آمازون به تغییر آب و هوا و استفاده از زمین برای تنوع زیستی ، آب و هوای منطقه ای و چرخه جهانی کربن بسیار مهم است. جنگل زدایی و تغییرات آب و هوا ، با افزایش طول فصل خشک و فرکانس خشکسالی ، ممکن است در حال حاضر آمازون را به آستانه بحرانی Direback جنگلهای بارانی نزدیک کرده باشد. در اینجا ، ما با استفاده از شاخص های تعیین شده (به عنوان مثال ، اندازه گیری همبستگی LAG-1) به داده های پوشش گیاهی از راه دور با تمرکز بر عمق نوری پوشش گیاهی ، تغییرات تاب آوری آمازون را کمیت می کنیم. ما می دانیم که بیش از سه چهارم از جنگلهای بارانی آمازون از اوایل دهه 2000 از دست رفته است ، مطابق با رویکرد به یک انتقال بحرانی. تاب آوری در مناطقی با بارندگی کمتر و در بخش هایی از جنگل های بارانی که به فعالیت های انسانی نزدیکتر هستند ، سریعتر از بین می روند. ما شواهد تجربی مستقیم ارائه می دهیم که نشان می دهد جنگلهای بارانی آمازون در حال از دست دادن تاب آوری است و با پیامدهای عمیق برای تنوع زیستی ، ذخیره کربن و تغییرات آب و هوا در مقیاس جهانی ، خطرناک است.

نگرانی گسترده ای در مورد انعطاف پذیری جنگل های بارانی آمازون در برابر تغییرات کاربری زمین و تغییرات آب و هوایی وجود دارد. آمازون به عنوان یک عنصر بالقوه در سیستم آب و هوای زمین شناخته می شود، بوته ای از تنوع زیستی 2 است و معمولاً به عنوان یک مخزن کربن بزرگ زمینی عمل می کند. با این حال، بهره وری خالص اکوسیستم (شار جذب کربن) آمازون طی چهار دهه گذشته رو به کاهش بوده است و در طی دو خشکسالی بزرگ در سال های 2005 و 2010، آمازون به دلیل افزایش مرگ و میر درختان به طور موقت به منبع کربن تبدیل شد. 6،7. چندین مطالعه نشان داده اند که جنگل زدایی 8 و گرم شدن زمین 9،10 ناشی از انسان، به ویژه در ترکیب، می تواند جنگل بارانی آمازون را از آستانه بحرانی 11،12 عبور دهد، جایی که بازخوردهای مثبت باعث از بین رفتن ناگهانی و قابل توجه بیشتر جنگل می شود. دو نوع بازخورد مثبت از اهمیت ویژه ای برخوردار است. اول، بازخوردهای آتش سوزی موضعی خشکسالی و از دست دادن جنگل های مرتبط با آن را با از بین بردن درختان تشدید می کند 13 و خود رژیم آتش سوزی ممکن است از محلی به «مگا آتش سوزی» 14 تبدیل شود. دوم، جنگل زدایی و تخریب جنگل، چه به دلیل مداخله مستقیم انسان یا خشکسالی، تبخیر و تعرق را کاهش می دهد و در نتیجه رطوبت را به سمت غرب منتقل می کند، بارندگی و زیست جنگل را در آنجا کاهش می دهد و بازخورد بازیافت رطوبت در مقیاس بزرگ را ایجاد می کند. کاهش خالص بارندگی ممکن است به نوبه خود گرمای نهان آمازون را تا حدی کاهش دهد که گردش خون در سطح پایین بادهای موسمی آمریکای جنوبی 8 را تضعیف کند. مدل پیش بینی تغییرات آینده در جنگل های بارانی آمازون به طور گسترده ای متفاوت است 9،16،17،18. مطالعات اولیه نشان داد که جنگل های بارانی آمازون ممکن است تا پایان قرن بیست و یکم خشکی شدیدی را نشان دهد. هر دو در مناطق گرمسیری آمریکای جنوبی خشک می شوند و CO ضعیف هستند₂اثر لقاح 18 به این نتیجه کمک کرد، با مرگ و میر نیز در سناریوهای انتشار گازهای گلخانه ای قوی تر 17 رایج تر است. مطالعات دیگر بر اساس متغیرهای گردش عمومی و اجزای مدل پوشش گیاهی طیف وسیع تری از نتایج را نشان می دهد 20،21. با این وجود، ممکن است جنگل علیرغم اینکه در پایان اجراهای مدل 16 پایدار به نظر می رسد، متعهد به از بین رفتن باشد. این امر اهمیت اندازه گیری پایداری دینامیکی در حال تغییر جنگل را در کنار وضعیت میانگین آن برجسته می کند. با توجه به عدم قطعیت در پیش بینی های مدل، ما مستقیماً داده های مشاهده ای را برای نشانه های از دست دادن انعطاف پذیری در آمازون تجزیه و تحلیل می کنیم.

میانگین وضعیت یک سیستم معمولاً در مورد تغییرات در مقاومت آموزنده نیست. در هر صورت می تواند تغییر کند در حالی که دیگری 16،17 ثابت باقی مانده است. بنابراین ، خصوصیات آماری با مرتبه بالاتر که نسبت به میانگین نیاز به تعیین کمیت مقاومت در نظر گرفته می شوند ، به بی ثباتی پاسخ می دهند. برای اندازه گیری مقاومت در حال تغییر جنگل بارانی آمازون ، ما از یک شاخص پایداری استفاده می کنیم که برای پیش بینی رویکرد یک سیستم دینامیکی به سمت انتقال بحرانی ناشی از bifurcation استفاده می شود. پیش بینی از پدیده کاهش سرعت بحرانی 22،23 (CSD) ناشی می شود: از آنجا که حالت تعادل در حال حاضر اشغالی یک سیستم پایدارتر می شود ، با کمال سرعت بیشتری به آشفتگی های کوتاه مدت پاسخ می دهد (برای مثال ، تنوع آب و هوا برای آمازون). این از دست دادن تاب آوری ، که خود به طور معمول 24 به عنوان نرخ بازده ناشی از آشفتگی ها تعریف می شود ، نشان دهنده تضعیف بازخوردهای منفی است که ثبات را حفظ می کند. این رفتار را می توان با افزایش همبستگی LAG-1 (AR (1)) در سری زمانی ضبط دینامیک سیستم 25،26 تشخیص داد. همچنین ممکن است به عنوان افزایش واریانس در طول زمان آشکار شود اما واریانس نیز می تواند به راحتی با تغییر تنوع در آشفتگی های رانندگی سیستم 27 تأثیر بگذارد. افزایش AR (1) برای تشخیص CSD قبل از انتقال حالت ناشی از bifurcation در تعدادی از سیستم ها ، از جمله اما محدود به آب و هوا 25،28 و اکولوژی 29 استفاده نشده است. به طور خاص ، اخیراً CSD در بازسازی تغییرات ورق یخ گرینلند غربی 30 و همچنین تغییرپذیری گردش خون واژگون کننده نصف النهار اقیانوس اطلس 31 تشخیص داده شده است. احتیاط ، که با تجزیه و تحلیل پیش بینی های مدل قبل از آمازون Dieback 27 برجسته شده است ، این است که یک سیستم باید کندتر از مقیاس زمان پاسخ ذاتی آن برای CSD (روش ها) مجبور شود. از این رو ، عدم وجود CSD ممکن است احتمال انتقال بحرانی آینده را رد نکند. در مقابل ، افزایش AR (1) گاهی اوقات به دلایل جسمی دیگر ممکن است رخ دهد. یک تعویض فضا برای زمان قبلاً نشان داده است که انعطاف پذیری جنگل های گرمسیری که توسط میانگین AR (1) اندازه گیری شده است (بر اساس سلول شبکه) برای مبلغ بارندگی کمتر سالانه 32 کمتر است ، اما تغییرات تاب آوری آمازون با گذشت زمان تاکنون مورد بررسی قرار نگرفته استواد

ما کنترل های مقاومت در برابر سیستم پوشش گیاهی آمازون و چگونگی تغییر مقاومت آن در سه دهه گذشته ، از نظر تغییر ضریب AR (1) را که از داده های پوشش گیاهی مشتق از ماهواره تخمین زده می شود ، بررسی می کنیم. برای مقایسه ، ما همچنین تغییرات واریانس را در طول زمان ، به عنوان یک شاخص ثانویه برای CSD بررسی می کنیم. مجموعه داده های اصلی ما از بایگانی آب و هوای عمق نوری (VODCA) 33 استفاده می کنیم ، اما ما همچنین رادیومتر با وضوح بسیار بلند NOAA (AVHRR) را تجزیه و تحلیل می کنیم (NDVI) 34 برای مقایسه. عمق نوری پوشش گیاهی (VOD) قبلاً برای برآورد تغییرات در زیست توده پوشش گیاهی 35 استفاده شده است ، در حالی که NDVI بیشتر برای اندازه گیری سبز بودن پوشش گیاهی (یعنی فعالیت فتوسنتزی 36) استفاده می شود ، که می تواند در پوشش چمن متراکم اشباع شود. VOD ، یک محصول مشتق از مایکروویو ، اشباع نمی شود و در چگالی زیست توده بالا 35 نسبت به تغییرات نیز حساس است. ما از محصول باند Ku طولانی تر از VODCA استفاده می کنیم ، که دارای وضوح 0. 25 × 0. 25 درجه است ، که از این طریق با گرفتن میانگین مقادیر یک مجموعه داده ماهانه ایجاد می کنیم و برای مقایسه مستقیم ، داده های NDVI را با همان وضوح ذخیره می کنیم. برای بررسی استحکام ، ما همچنین از محصول C-Band از VODCA استفاده می کنیم که یک دوره زمانی کوتاه تر را شامل می شود. ما روی دو استرس زا آمازون تمرکز می کنیم که ممکن است باعث تغییر مقاومت شود - کاهش پیش بینی و تأثیر انسان.

نتایج

ما از حوضه آمازون به عنوان منطقه مورد مطالعه خود استفاده می کنیم و بر روی سلولهای شبکه ای که دارای یک کسر ≥ 80 ٪ Evergreen Broadleaf (BL) با توجه به محصول نوع پوشش MODIS در سال 2001 37 (روش ها) هستند ، تمرکز می کنیم. شکل 1 نشان می دهد که میانگین تغییرات در بخش BL در این منطقه به خوبی با تغییرات VOD مطابقت دارد. به طور متوسط در منطقه مورد مطالعه آمازون ، ما VOD را به طور کلی در طی سال های 2001-2016 کاهش می دهیم ، که مربوط به کاهش مشاهده شده در تعداد سلولهای شبکه ای است که هر سال 80 ≥ BL دارند (شکل 1A). بین سالهای 2001 و 2016 ، بخش BL در قسمتهای جنوب شرقی حوضه آمازون ، در امتداد قسمتهای رودخانه آمازون و در بعضی از مناطق شمالی حوضه ، برجسته ترین تغییر کرده است (شکل 1B). تغییرات در VOD یک الگوی مکانی مشابه با تغییر در بخش BL دارد ، با کاهش متمرکز در لبه های جنوب شرقی جنگل (شکل 1C). در مقابل ، NDVI با تغییرات در بخش BL (شکل مکمل 1) به طور موقت یا مکانی موافق نیست ، با افزایش NDVI در قسمت های جنوب شرقی آمازون که میزان جنگل زدایی بالاترین است. در سطح سلول شبکه فردی ، تغییرات در BL با تغییر در VOD (R = 0. 556 R = Pearson ؛ شکل 2A) در مقایسه با تغییرات NDVI (R = -0. 133 ؛ شکل 2B) ارتباط دارد. این مقایسه های قبلی درجا بین VOD و NDVI 38 را تکرار می کند. از این رو ، ما تجزیه و تحلیل خود را بر روی VOD در زیر متمرکز می کنیم ، با نتایج NDVI در ارقام تکمیلی.

یک سری زمانی از پوشش زمین MODIS Cover Evergreen BL و محصول Vodca Ku-Band. تغییرات در بخش BL به عنوان درصد سلولهای شبکه ای که در هر سال کسری BL 80 ٪ دارند ، در مقایسه با تعداد سلولهای شبکه ای که در سال 2001 کسر BL 80 ٪ داشتند ، بیان شده است و VOD میانگین ماهانه است. B ، تغییرات در بخش BL از سال 2001 تا 2016 برای سلولهای شبکه ای که بخش BL در سال 2001 80 ٪ است. C ، تغییر در VOD از 1991 تا 2016 (تفاوت بین میانگین 2012-2016 و 1991-1995) برایسلولهای شبکه ای که در آن بخش BL در سال 2001 80 ٪ بود. طرح های کشور توسط بسته "نقشه ها" در طرح R و طرح حوضه آمازون از http://worldmap. harvard. edu/data/geonode:Amapoly_ivb (روشها ایجاد شده است.).

ما تجزیه و تحلیل انعطاف پذیری خود را با تمرکز بر تغییرات زمانی AR (1) ، که در ویندوز کشویی از سری زمانی VOD غیرخطی و غیرقانونی محاسبه شده است ، شروع می کنیم (شکل 2 و روش ها). ما سلولهای شبکه جنگلی (80 ٪ BL) را که دارای استفاده از زمین انسانی در آنها هستند (روش ها) حذف می کنیم ، و در نتیجه 6369 سلول شبکه مورد تجزیه و تحلیل قرار می گیرند. توزیع مکانی گرایش AR (1) ، که توسط ضریب همبستگی درجه کندال τ (روشها) در هر سلول شبکه اندازه گیری می شود ، نشان می دهد که AR (1) در بیشتر سلولهای شبکه شامل جنگل بارانی آمازون افزایش می یابد (شکل 2A ، شکل 2A ،ب). به همین ترتیب ، سری زمانی که از میانگین AR (1) در منطقه مورد مطالعه ما هر ماه محاسبه می شود ، افزایش قابل توجهی در طول زمان ، به ویژه از اوایل دهه 2000 نشان می دهد (شکل 2C). ما برخی از مقادیر AR (1) پایدار یا در حال کاهش را در اطراف شاخه های رودخانه آمازون مشاهده می کنیم ، که نشان دهنده افزایش مقاومت است. مقادیر VOD می تواند تحت تأثیر آب باز باشد اما این امر باید با نگاه فقط به سلولهای شبکه ای که 80 ≥ BL در آن قرار دارد ، به حداقل برسد. پیش از این ، جنگل های سیلاب در نزدیکی رودخانه ، که 14 ٪ از حوضه را پوشش می دهد ، نشان داده شده است که بسیار کمتر از جنگل های غیر آب در سراسر آمازون 39 است. با این حال ، هنگامی که ما سلولهای شبکه را در سیل های حوضه آمازون و آنهایی که در خارج (روشها) مقایسه می کنیم ، مقایسه می کنیم ، ما تفاوت معنی داری بین سیگنال های انعطاف پذیری مشاهده نمی کنیم (ما ن-ویتنی U-test P = 0. 579) ، به جز یک مقدار کندال کوچکتر τ برای دشت های سیلاب از سیلاب ها2003 به بعد (0. 863 در مقایسه با 0. 915 ؛ شکل 3).

A ، نقشه ای از مقادیر Kendall τ سلولهای شبکه فردی از سال 2003. B ، هیستوگرام مقادیر Kendall τ برای جنگل های بارانی آمازون ، با توجه به داده های سال 2003 به بعد. از سلولهای شبکه ، 76. 2 ٪ از سال 2003 به بعد ارزش Kendall τ مثبت دارند و 77. 8 ٪ این را برای سری تمام وقت دارند. C ، میانگین VOD AR (1) سری زمانی (خط جامد) به همراه 1 S. D.(خطوط نقطه ای) از سلولهای شبکه ایجاد شده است که دارای کسری BL 80 ≥ در حوضه آمازون هستند و همچنین حاوی هیچ کاربری اراضی انسانی (متن و روش های اصلی) نیستند. سری زمانی کامل AR (1) از سال 1991 (خاکستری) دارای مقدار کندال τ 0. 589 (P = 0. 006) و از سال 2003 (سیاه) است ، مقدار 0. 913 (P<0.001). Note that the AR(1) values are plotted at the end of each 5-yr sliding window. Country and Amazon basin outlines produced as described in Fig. 1.

به طور کلی ، بیشتر (76. 2 ٪) از سلولهای شبکه افزایش مقادیر AR (1) را از اوایل دهه 2000 به بعد نشان می دهند و از این رو ، از دست دادن مقاومت (شکل 2B) و همچنین 77. 8 ٪ سلولهای شبکه در طول دوره تمام وقت. با استفاده از روشهای جایگزین برای محرومیت از سری زمانی VOD (روش ها) نتایج مشابهی را به همراه می آورد (شکل تکمیلی 4 و 5) ، همانطور که طول پنجره مورد استفاده برای تخمین AR (1) متفاوت است (شکل مکمل 6). نتایج همچنین به انتخاب آستانه کسری BL که برای تعیین جنگل استفاده می شود ، قوی است ، همچنین در هنگام استفاده از BL ≥ 90 ٪ یا BL ≥ 40 ٪ ، افزایش AR (1). علاوه بر این ، محدود کردن تجزیه و تحلیل به نقاط شبکه ای که در طی دوره 2001-2016 80 ٪ BL دارند ، به جای اینکه فقط سلولهای شبکه را برای BL ≥ 80 ٪ در سال 2001 بررسی کنند ، سیگنال های مشابهی از از دست دادن تاب آوری را نشان می دهد (شکل 8). غالب افزایش روند AR (1) نیز برای سری زمانی NDVI از سال 2003 یافت می شود (شکل مکمل 9).

برای تلاش و تعیین دلایل از دست دادن تاب آوری شناسایی شده در حوضه آمازون ، ما روابط بین روند AR (1) و میانگین بارش سالانه را بررسی می کنیم (MAP ، تخمین زده شده از مجموعه داده های Chirps 40) ، و همچنین بین AR (1) روند و فاصله از کاربری اراضی انسان (روش ها). قبلاً پیشنهاد شده است که جنگل خشک تر 32 مقاومت کمتری دارد و همچنین جنگل نزدیکتر از اراضی انسان 41. ما همچنین شامل فاصله از جاده ها در کنار کاربری اراضی هستیم اما این دامنه تجزیه و تحلیل به برزیل را محدود می کند تا از ناهمگونی در داده های جاده ای در کشورهای مختلف جلوگیری شود (شکل 10 ؛ روش ها). شکل 3 الگوهای مکانی روند AR (1) ، MAP و استفاده از اراضی انسانی را مقایسه می کند. روابط با هر دو متغیر توضیحی قابل تشخیص است ، با کاهش (کمتر شایع) در AR (1) (شکل 3a) در مناطقی از نقشه های بالا در شمال منطقه یافت می شود (شکل 3B) و دورتر از استفاده از اراضی انسان (شکل 3c). ما هیچ رابطه گیج کننده ای بین نقشه و کاربری اراضی انسانی نمی یابیم. آنها فقط بسیار ضعیف با یکدیگر ارتباط دارند (ρ = 0. 057 ، P Spearman.<0.001). Hence, we can consider them as separate relationships. The computed minimum distances to human land use and roads should be interpreted as upper bounds because for the full region we do not include roads, and for the Brazil distances our dataset will not include non-federal or non-state roads, which also have human activity associated with them. Furthermore, the classification of grid cells that contain human land use at the spatial resolution used in this analysis is likely to only detect large farms and settlements.

مقادیر A ، Vod AR (1) KENDALL τ (مانند شکل 2a). B ، نقشه از مجموعه داده های Chirps از 1991 تا 2016. C ، فاصله از کاربری اراضی انسانی (HLU) (روش ها). در A - C ، کانتورهای MAP به همراه سلولهای شبکه HLU (زرد) نشان داده شده است. شکل 10 مکمل فاصله از جاده های HLU یا برزیل برای سلولهای شبکه در برزیل را نشان می دهد. طرح های حوضه کشور و آمازون همانطور که در شکل 1 شرح داده شده است.