Aufkommende Anzeichen einer abnehmenden Widerstandsfähigkeit der Wälder im Zuge des Klimawandels

Nature Band 608, Seiten 534–539 (2022)Diesen Artikel zitieren

33.000 Zugriffe

38 Zitate

628 Altmetrisch

Details zu den Metriken

Waldökosysteme hängen von ihrer Fähigkeit ab, natürlichen und anthropogenen Störungen standzuhalten und sich von ihnen zu erholen (d. h. von ihrer Widerstandsfähigkeit)1. Experimentelle Belege für einen plötzlichen Anstieg der Baumsterblichkeit geben Anlass zur Sorge hinsichtlich der unterschiedlichen Widerstandsfähigkeit der Wälder2, doch ist wenig darüber bekannt, wie sie sich als Reaktion auf den Klimawandel entwickelt. Hier integrieren wir satellitengestützte Vegetationsindizes mit maschinellem Lernen, um zu zeigen, wie sich die Widerstandsfähigkeit der Wälder, quantifiziert anhand kritischer Verlangsamungsindikatoren3,4,5, im Zeitraum 2000–2020 verändert hat. Wir zeigen, dass tropische, aride und gemäßigte Wälder einen erheblichen Rückgang der Widerstandsfähigkeit verzeichnen, der wahrscheinlich mit zunehmenden Wasserbeschränkungen und Klimaschwankungen zusammenhängt. Im Gegensatz dazu weisen boreale Wälder unterschiedliche lokale Muster mit einem durchschnittlich steigenden Trend zur Widerstandsfähigkeit auf, die wahrscheinlich von der Erwärmung und der CO2-Düngung profitieren, die die negativen Auswirkungen des Klimawandels überwiegen könnten. Diese Muster treten sowohl in bewirtschafteten als auch in intakten Wäldern konsistent auf und bestätigen die Existenz gemeinsamer großräumiger Klimatreiber. Ein Rückgang der Widerstandsfähigkeit ist statistisch gesehen mit einem abrupten Rückgang der Primärproduktivität der Wälder verbunden, der als Reaktion auf eine langsame Annäherung an eine kritische Widerstandsschwelle auftritt. Ungefähr 23 % der intakten, ungestörten Wälder, was 3,32 Pg C der Bruttoprimärproduktivität entspricht, haben bereits einen kritischen Schwellenwert erreicht und erleben eine weitere Verschlechterung der Widerstandsfähigkeit. Zusammengenommen deuten diese Signale auf einen weit verbreiteten Rückgang der Widerstandsfähigkeit der Wälder gegen Störungen hin, der bei der Gestaltung landgestützter Abschwächungs- und Anpassungspläne berücksichtigt werden sollte.

Wälder bedecken etwa 41 Millionen km2 – etwa 30 % der Landoberfläche. Sie spielen eine grundlegende Rolle im globalen Kohlenstoffkreislauf, absorbieren etwa 33 % der anthropogenen Kohlenstoffemissionen und gelten als Schlüsselelement zur Eindämmung des künftigen Klimawandels6. Darüber hinaus erbringen Wälder eine Reihe von Ökosystemdienstleistungen, die zum gesellschaftlichen Wohlergehen beitragen, wie etwa die Regulierung von Wasserflüssen, den Schutz von Böden und die Erhaltung der biologischen Vielfalt7. Leider werden Waldökosysteme zunehmend durch zahlreiche Störungen gefährdet, darunter natürliche Einflüsse (z. B. Brände, Stürme und Krankheitserreger) und anthropogener Druck2. Die Beständigkeit und Funktionalität dieser Ökosysteme hängt in hohem Maße von ihrer Widerstandsfähigkeit ab, die als die Fähigkeit definiert ist, Umweltstörungen zu widerstehen und sich von ihnen zu erholen3,4,5. Wälder mit geringer Widerstandsfähigkeit reagieren empfindlicher auf Anomalien externer Treiber und sind möglicherweise stärker abrupten und möglicherweise irreversiblen Veränderungen (z. B. Regimewechsel) ausgesetzt8. Dies ist besonders kritisch angesichts der anhaltenden Verschärfung der Störungsregime, die die Bereitstellung wichtiger Ökosystemdienstleistungen in naher Zukunft beeinträchtigen könnten9,10,11. Gleichzeitig werden waldbasierte Minderungsstrategien, die auf nachhaltigen Kohlenstoffsenken und -speichern basieren, immer wichtiger, um die ehrgeizigsten Klimaziele zu erreichen. In diesem Zusammenhang wird es immer wichtiger, die Anfälligkeit der Kohlenstoffspeicher und -flüsse in Wäldern gegenüber externen Störungen zu untersuchen. Es ist jedoch wenig darüber bekannt, wie sich die Widerstandsfähigkeit der Wälder als Reaktion auf globale Umweltveränderungen entwickelt hat. Das Verständnis der zugrunde liegenden Mechanismen der Waldresilienz und ihrer jüngsten Dynamik ist daher von größter Bedeutung für die Entwicklung fundierter Erhaltungs- und Bewirtschaftungspläne.

Theoretische Studien haben gezeigt, dass Systeme an Widerstandsfähigkeit verlieren, wenn sie sich einem Wendepunkt nähern (d. h. einer Schwelle, an der eine selbsttragende außer Kontrolle geratene Veränderung beginnt), sodass kleine kontinuierliche externe Störungen das System in eine alternative Konfiguration verschieben können12. Es wurde vorgeschlagen, dass ein solcher Verlust an Belastbarkeit anhand der erhöhten zeitlichen Autokorrelation (TAC) im Zustand des Systems erkannt werden kann, was einen Rückgang der Wiederherstellungsraten aufgrund der kritischen Verlangsamung (CSD) von Systemprozessen widerspiegelt, die bei Schwellenwerten auftreten3 ,4,5 (Ergänzende Methoden 1–3 und ergänzende Abbildungen 1 und 2). In einem solchen Rahmen wird Resilienz als die Fähigkeit von Ökosystemen definiert, Störungen zu widerstehen und Zustandsänderungen zu vermeiden, und nicht als die Wiederherstellung des Ausgangszustands, nachdem eine Zustandsänderung durch ein Großereignis ausgelöst wurde. Die Verringerung der Widerstandsfähigkeit kann durch beeinträchtigte physiologische Funktionen verursacht werden, die das Ökosystem instabil oder zumindest anfälliger für Regimewechsel aufgrund von Störungen (z. B. in Bezug auf Produktivität, Blattflächenindex oder Artenzusammensetzung) machen12,13,14. Diese Eigenschaft wurde in früheren Studien genutzt, um räumliche Muster der statischen Widerstandsfähigkeit von Wäldern zu bewerten15,16,17,18. Die Anwendung dieser Methode in großem Maßstab in einem dynamischen Kontext ist jedoch aufgrund der begrenzten Zeitreihen der Beobachtungen, des Vorhandenseins dominanter saisonaler Frequenzen in Variationen sowohl der Ökosystemreaktionen als auch der Antriebssignale, der Variationen in der Autokorrelation der Antriebssignale und des Vorhandenseins eine Herausforderung von stochastischem Rauschen4. Bisher haben diese Herausforderungen die Untersuchung der zeitlichen Entwicklung der Widerstandsfähigkeit von Wäldern in realen Systemen eingeschränkt19,20,21 und zu einem erheblichen Mangel an Bewertungen auf globaler Ebene geführt. In dieser Hinsicht bietet die zunehmende Verfügbarkeit zeitlich konsistenter Erdbeobachtungen über mehrere Jahrzehnte hinweg nun neue Möglichkeiten, die zeitlich variierende Widerstandsfähigkeit von Wäldern auf regionaler bis globaler Ebene zu überwachen.

Hier schätzen wir die CSD aus Zeitreihen satellitengestützter Vegetationsindizes, um die Raum-Zeit-Variation der Waldresilienz zu untersuchen, die in den letzten zwei Jahrzehnten auf globaler Ebene aufgetreten ist. Insbesondere haben wir den 1-Lag-TAC als CSD-Indikator im Zusammenhang mit der Resilienz3,4,5 aus satellitenbasierten Abrufen des Kernel Normalized Difference Vegetation Index (kNDVI) abgerufen, der für den Zeitraum 2000–2020 auf globaler Ebene bei 0,05° räumlich ermittelt wurde Auflösung vom Sensor des Moderate Resolution Imaging Spectroradiometers. kNDVI wurde kürzlich als robuster Indikator für die Ökosystemproduktivität22 vorgeschlagen und wird daher in dieser Studie als geeignete Metrik zur Darstellung des Zustands von Waldökosystemen verwendet.

Wir haben zunächst den durchschnittlichen TAC auf Pixelebene aus der gesamten kNDVI-Zeitreihe (2000–2020; im Folgenden als Langzeit-TAC bezeichnet) untersucht. Durch die Integration des Zusammenspiels zwischen Wald und Klima spiegelt dieses Signal die Langsamkeit des Wald-Klima-Systems wider, die sich aus dem Zusammenspiel von Umweltfaktoren ergibt, die das Pflanzenwachstum beeinflussen, und der Fähigkeit des Ökosystems, sich von Störungen zu erholen. Anschließend wurde ein Random Forest (RF)-Regressionsmodell23 entwickelt, um die entstehenden Beziehungen zwischen der langfristigen TAC (Antwortvariable) und einer Reihe von Wald- und Klimametriken (Umweltprädiktoren; Methoden und erweiterte Datentabelle 1) zu identifizieren. Die Ergebnisse zeigen, dass globale Wälder durch eine beträchtliche räumliche Variabilität der langfristigen TAC gekennzeichnet sind (Erweiterte Daten, Abb. 1), die größtenteils durch lokale Umweltbedingungen erklärt wird (R2 = 0,87; Erweiterte Daten, Abb. 2 und Ergänzende Diskussion 1). Um das Widerstandssignal des Waldsystems zu erkennen und seine zeitliche Dynamik als Reaktion auf sich ändernde Umweltbedingungen zu untersuchen, analysierten wir die zeitliche Entwicklung der TAC, die auf kNDVI mit gleitenden 3-Jahres-Fenstern über den Beobachtungszeitraum berechnet wurde. Faktorielle Simulationen des zuvor entwickelten RF-Modells wurden durchgeführt, um den Beitrag der Umweltfaktoren zu entwirren und die Störsignale herauszufiltern, die von der TAC der Klimatreiber herrühren (Einzelheiten unter Methoden). Dies führte zu einer Zeitreihe der jährlichen TAC und deren zeitlicher Trend (δTAC) wurde als Indikator für CSD verwendet, um Veränderungen in der Widerstandsfähigkeit der Wälder im Laufe der Zeit zu erkennen.

Die Ergebnisse zeigen einen weit verbreiteten und signifikanten Anstieg der TAC und damit einen zeitlichen Rückgang der Widerstandsfähigkeit in tropischen, gemäßigten und trockenen Regionen (1,63 × 10−3, 1,43 × 10−3 bzw. 1,26 × 10−3 Jahr). Im Gegensatz dazu weisen boreale Wälder divergierende lokale Muster mit einem durchschnittlich steigenden Trend der Widerstandsfähigkeit (–1,54 × 10–3 Jahr–1; Abb. 1a, b und erweiterte Datentabelle 2) auf, der deutlich mit einem Rückgang der TAC im Osten Kanadas verbunden ist Europäisches Russland. Wir haben die zeitlichen Veränderungen der Belastbarkeit weiter untersucht, indem wir den durchschnittlichen TAC von kNDVI verglichen, der über zwei unabhängige Zeitfenster (2000–2010 und 2011–2020; Methoden) berechnet wurde. Wir fanden einen statistisch signifikanten Anstieg im Zeitverlauf auf globaler Ebene (53 % der Weltbevölkerung erfahren eine positive relative Veränderung; Abb. 2c). Das globale Signal wird jedoch durch die Kompensation gegensätzlicher Muster in verschiedenen Klimaregionen begrenzt. Tatsächlich wird der statistisch signifikante Anstieg der TAC in tropischen, ariden und gemäßigten Wäldern (56–63 % der Fläche mit positiver relativer Veränderung) teilweise durch einen gegenteiligen Trend ausgeglichen, der in den borealen Wäldern auftritt (56 % der Fläche mit negativer relativer Veränderung). Die Muster, die sich aus dem Vergleich der beiden unabhängigen Jahrzehnte ergeben, stimmen mit den Trajektorien von δTAC überein (Abb. 1a, b und erweiterte Daten Abb. 3) und bestätigen die Gültigkeit des Ergebnisses. Diese aufkommenden Signale deuten auf besorgniserregende Entwicklungen für die Widerstandsfähigkeit eines Großteils der globalen Wälder hin. Die Signale sind besonders robust, da sie auf einem einzigen Sensor (dem Moderate Resolution Imaging Spectroradiometer) und einem Vegetationsindex (kNDVI) basieren, der im Vergleich zu anderen klassischen Indizes22 (Methoden) eine verbesserte Korrelation mit der Primärproduktivität und geringere Lärm- und Stabilitätsprobleme aufwies. Umfangreiche Sensitivitätsanalysen untermauern zusätzlich die Robustheit dieser aufkommenden zeitlichen Abweichungen (Methoden, ergänzende Diskussion 2 und erweiterte Daten, Abb. 4–6).

a, räumliche Karte des zeitlichen Trends von TAC (δTAC). Positive δTAC-Werte (zum Beispiel tropische Wälder) deuten auf eine Verringerung der Erholungsraten und damit einen Rückgang der Widerstandsfähigkeit hin, und umgekehrt für negative δTAC-Werte (zum Beispiel boreale Wälder). Für visuelle Zwecke werden die Werte über ein sich bewegendes Fenster von 1° × 1° gemittelt. b, δTAC wie in einer Klasse als Funktion der klimatologischen Temperatur und des Niederschlags. Die schwarzen Punkte kennzeichnen Abschnitte mit Durchschnittswerten, die statistisch von Null abweichen (zweiseitiger Student-t-Test; P-Wert ≤ 0,05). c, Häufigkeitsverteilung der TAC-Unterschiede, berechnet für zwei unabhängige Zeitfenster (2011–2020 minus 2000–2010) und separat für verschiedene Klimaregionen dargestellt. Die Zahlen beziehen sich auf den Prozentsatz der Beobachtungen kleiner und größer als Null; Die Sternchen kennzeichnen Verteilungen mit Durchschnittswerten, die statistisch von Null abweichen (zweiseitiger Student-t-Test; P-Wert ≤ 0,05). Die dünne vertikale Linie in jedem Diagramm zeigt den Verteilungsdurchschnitt. d, Der Bedeckungsanteil, der jeder Klimaregion und jedem Farbcode entspricht, der in c angegeben und über dem Breitengradienten angezeigt wird. e: Der zonale Durchschnitt des TAC-Trends (δTAC), bestimmt durch die drei Treiber (X), bei einer Breitenauflösung von 5° und dem entsprechenden 95 %-Konfidenzintervall, dargestellt als farbige Linie bzw. schattiertes Band. Die Farben spiegeln die drei verschiedenen Treiberkategorien wider: Walddichte, Hintergrundklima und Klimavariabilität.

a, Häufigkeitsverteilungen der langfristigen TAC (2000–2020) für bewirtschaftete Wälder (MF) und intakte Wälder (IF), die sich in einem ähnlichen Hintergrundklima befinden. Die farbigen Zahlen geben die jeweiligen Durchschnittswerte an, die oberen Beschriftungen beziehen sich auf den Mittelwert der Unterschiede (Diff.) der langfristigen TAC zwischen bewirtschafteten und intakten Wäldern und das Sternchen zeigt statistisch unterschiedliche Verteilungen an (zweiseitiger Student-T-Test). ; P-Wert ≤ 0,05). b, das Gleiche wie für a, jedoch für δTAC; Die farbigen Zahlen beziehen sich auf den Prozentsatz der Beobachtungen, die kleiner bzw. größer als Null sind (links bzw. rechts von 0 auf der x-Achse). c, Dasselbe wie für b, jedoch für die zeitliche Korrelation zwischen jährlichem GPP und TAC, bezeichnet als ρ(GPP,TAC). d, Eine räumliche Karte von ρ(GPP,TAC). e, ρ(GPP,TAC) gruppiert als Funktion des klimatologischen Niederschlags und der Temperatur. Die schwarzen Punkte kennzeichnen Abschnitte mit Durchschnittswerten, die statistisch von Null abweichen (zweiseitiger Student-t-Test; P-Wert ≤ 0,05). f, Eine räumliche Karte der Gebiete mit unterschiedlichen Farben für die vier Kombinationen von positivem/negativem δGPP und δTAC. Die Bedeckungsanteile jeder der vier Klassen für bewirtschaftete und intakte Wälder werden in gestapelten Balken angegeben.

Betrachtet man den marginalen Beitrag der Treiber von δTAC, stellten wir fest, dass die weit verbreitete Begrünung der Vegetation, die in den letzten Jahrzehnten stattgefunden hat (Extended Data Abb. 2c und Extended Data Abb. 7a), wahrscheinlich getrieben durch CO2-Düngung und Klimawandel24, einen positiven Effekt hatte auf die globale Widerstandsfähigkeit, vor allem in kalten und gemäßigten Klimazonen (Abb. 1d, e, Walddichte). Allerdings haben die gleichzeitigen Verschärfungen von Wasserbeschränkungen und extremen Klimaereignissen, die besonders schwerwiegend in tropischen, trockenen und gemäßigten Regionen sind (Extended Data Abb. 2d,e und Extended Data Abb. 7c–j), die Vorteile der CO2-Düngung und Begrünung zunichte gemacht (Abb . 1d,e; |\(\delta \text{TAC}\)| aufgrund von Änderungen des Hintergrundklimas und der Klimavariabilität > |\(\delta \text{TAC}\)| aufgrund von Änderungen der Walddichte). Dies führte letztendlich zu einem Nettoverlust der Widerstandsfähigkeit der Wälder in diesen Biomen (Abb. 1a–c). Die zunehmende Anfälligkeit der Wälder gegenüber natürlichen Störungen und die erhöhte Baumsterblichkeit in weiten Teilen Amerikas und Europas in den letzten Jahrzehnten liefern unabhängige Beweise für einen anhaltenden Rückgang der Widerstandsfähigkeit der Wälder25,26. Die oben genannten klimabedingten Belastungen traten auch in borealen Wäldern auf, ihre Schwere konnte jedoch den mit der positiven Wirkung der CO2-Düngung und einem wärmeren Klima in den meisten Gebieten dieses temperaturbegrenzten Bioms verbundenen Gewinn wahrscheinlich nicht kompensieren (Abb. 1d). ,e). Das in den hohen Breiten beobachtete Muster könnte sich jedoch irgendwann als Reaktion auf den erwarteten Rückgang der Wasserverfügbarkeit aufgrund des Zusammenspiels zwischen globaler Erwärmung und erwarteter Phänologie ändern27. Tatsächlich deuten aktuelle Beobachtungsstudien darauf hin, dass die globalen Wälder von einer Periode, die von den positiven Auswirkungen der CO2-Düngung dominiert wird, zu einer Periode übergehen, die durch die fortschreitende Sättigung der positiven Auswirkungen der Düngung auf Kohlenstoffsenken und die Zunahme negativer Auswirkungen des Klimawandels gekennzeichnet ist28, 29.

Die bisher gezeigten Ergebnisse konzentrierten sich auf die Rolle natürlicher Treiber bei der Modulation räumlicher und zeitlicher Variationen der Waldresilienz. Allerdings haben anthropogene Störungen wie Waldbewirtschaftung und Landnutzungsänderungen das Potenzial, die Fähigkeit von Waldökosystemen, sich von Störungen zu erholen, zu beeinflussen, indem sie sich direkt auf Baumarten, Altersverteilung, Bewuchsdichte, Wurzeltiefe und Primärproduktivität auswirken1,30,31 ( Erweiterte Daten Abb. 2c und Erweiterte Daten Abb. 7a,b). Um solche Effekte auszuschließen, haben wir die langfristige TAC und δTAC für bewirtschaftete und intakte Wälder unter ähnlichem Hintergrundklima analysiert (Methoden und erweiterte Daten, Abb. 8). Intakte Wälder haben eine deutlich niedrigere langfristige TAC (d. h. eine höhere Widerstandsfähigkeit des Waldes) als bewirtschaftete Wälder (0,13 bzw. 0,21; Abb. 2a). Dieser Befund bestärkt die Erwartung, dass intakte Wälder aufgrund ihrer typischerweise höheren strukturellen Komplexität und ihres Artenreichtums eine höhere Widerstandsfähigkeit gegen äußere Störungen aufweisen32,33. Unabhängige Beobachtungsergebnisse unterstreichen den Beitrag menschlicher Belastungen zum Rückgang der Widerstandsfähigkeit der Wälder in den letzten Jahrzehnten1,26,30,34. Interessanterweise weisen bewirtschaftete und intakte Wälder im Hinblick auf zeitliche Trends (δTAC) keine signifikanten Unterschiede auf und weisen vergleichbare Anteile von Wäldern auf, die positive Trends aufweisen (72 % bzw. 66 %, Abb. 2b) und daher eine abnehmende Widerstandsfähigkeit aufweisen. Dies ist eine wichtige Erkenntnis, da sie darauf hindeutet, dass die durchschnittliche Widerstandsfähigkeit der Wälder in einem bestimmten Klima stark von der Waldbewirtschaftung beeinflusst wird, während ihre laufenden zeitlichen Schwankungen (Abb. 1a, b) durch großräumige Klimasignale gesteuert werden. Die beobachteten globalen Trends spiegeln daher plausibel die effektiven klimabedingten Veränderungen in der Fähigkeit der Wälder wider, äußeren Störungen standzuhalten.

Unabhängig vom Waldtyp können Veränderungen in der Waldresilienz aufgrund eines gegenseitigen Kausalzusammenhangs Schwankungen in der Bruttoprimärproduktivität (BPP) auslösen und umgekehrt. Angesichts der Rolle von GPP im globalen Kohlenstoffkreislauf35 ist es von entscheidender Bedeutung, das Zusammenspiel dieser beiden Variablen zu verstehen. Wir haben dies untersucht, indem wir die Korrelation zwischen satellitengestützten GPP-Abrufen36 und TAC auf jährlicher Ebene (kurzfristiges Zusammenspiel) analysiert und die Trends bei GPP und TAC (langfristiges Zusammenspiel; Methoden) verglichen haben. Kurzfristig weisen intakte Wälder eine geringere Korrelation zwischen GPP und TAC auf als bewirtschaftete Wälder (Abb. 2c), wahrscheinlich weil die Widerstandsfähigkeit in intakten Ökosystemen im Durchschnitt höher ist (Abb. 2a) und daher wahrscheinlich weniger entscheidend für die Produktivität ist. Solche bidirektionalen Wechselwirkungen führen zu einer negativen Korrelation zwischen GPP und TAC, wobei der Zusammenhang in trockenen und kalten Klimazonen enger ist, was wahrscheinlich die mögliche Verstärkung der wechselseitigen Wechselwirkung in diesen Regionen widerspiegelt (Abb. 2d, e). Langfristig gesehen verzeichnen derzeit etwa 70 % der bewirtschafteten und intakten Wälder einen positiven Trend beim GPP, aber in 50 % dieser Gebiete (rund 36 % in absoluten Zahlen) geht dies mit einem positiven Trend beim TAC einher (Abb. 2f, dunkelrote Muster). Dies impliziert, dass ein erheblicher Teil der Waldfläche die Primärproduktivität erhöht und gleichzeitig eine abnehmende Widerstandsfähigkeit aufweist, was zu einer zwar wachsenden, aber anfälligeren Waldsenke führt. Die weit verbreiteten Beobachtungen steigender Baumsterblichkeit2 sowie Beobachtungen der wachsenden terrestrischen Kohlenstoffsenke37 bestätigen das gleichzeitige Auftreten solcher antagonistischer Prozesse als Reaktion auf den globalen Wandel2.

Da ein Verlust der Widerstandsfähigkeit des Waldes die Empfindlichkeit gegenüber externen Störungen erhöht, haben wir das Potenzial von δTAC untersucht, als Frühwarnsignal für einen plötzlichen Waldrückgang zu fungieren (theoretischer Rahmen, beschrieben in den ergänzenden Methoden 1 und 2). Um die Auswirkungen der Landbewirtschaftung auszuschließen (z. B. scheinbar abrupte Rückgänge (ADs) aufgrund der Waldernte), haben wir die Analyse auf globale intakte Wälder beschränkt und uns dabei auf tropische und boreale Regionen konzentriert, die zusammen etwa 97 % des untersuchten Gebiets abdecken (Erweiterte Daten Abb. 8). ADs werden hier als plötzliche Veränderungen im Zustand des Waldökosystems definiert und für eine Reihe von Schweregraden als negative Anomalien des 1- bis 6-fachen der Standardabweichung (σ) des mittleren kNDVI der Vegetationsperiode in Bezug auf den ungestörten Referenzmittelwert erkannt in der Zeitreihe. In dieser Analyse quantifizieren wir, ob rückläufige Trends in der Belastbarkeit (d. h. Erhöhungen von δTAC) mit einer daraus resultierenden abrupten Verschiebung im System verbunden sind, unabhängig von der Art der Störung (Einzelheiten unter Methoden).

Auf globaler Ebene haben intakte Wälder eine AD-Wahrscheinlichkeit, vorausgesetzt, dass δTAC größer als 0,5 ist (Abb. 3a). Dieses Signal ist statistisch signifikant und nimmt mit der Schwere der AD zu, was darauf hindeutet, dass die fortschreitende Verschlechterung des Ökosystemzustands, die sich in der Abnahme der Widerstandsfähigkeit widerspiegelt, wahrscheinlich zum Anstieg negativer Anomalien in der Walddynamik beigetragen hat. Die sich abzeichnende Beziehung wird hauptsächlich durch die borealen Wälder vorangetrieben, insbesondere jene in Zentralrussland und Westkanada, wo es zu einem lokal auftretenden Rückgang der Widerstandsfähigkeit der Wälder kommt (Abb. 1a). Solche Muster können darauf hindeuten, dass die AD in diesen Zonen dem Abdriften in Richtung einer kritischen Widerstandsschwelle folgt, die wahrscheinlich durch die Veränderungen der Umweltfaktoren in den nördlichsten Breiten ausgelöst wird38. Insektenausbrüche, die typischerweise durch Wasserstress begünstigt werden39, können eine der Hauptstörungen darstellen, die letztendlich zu solchen ADs im Ökosystemzustand geführt haben40,41. Im Gegenteil, ADs in tropischen Wäldern sind statistisch nicht mit hohen δTAC-Werten verbunden (Abb. 3a). In diesen Regionen können schnelle und starke Störungsereignisse wie Brände42 oder Dürren43 unabhängig von langfristig steigenden Trends bei CSD eine AD auslösen (Lit. 3,4; hier dargestellt durch δTAC). Die oben genannten Hypothesen stimmen auch mit den vorherrschenden Klimatreibern von δTAC in borealen und tropischen Regionen überein (Hintergrundklima bzw. Klimavariabilität, Abb. 1d, e) und werden durch mehrere unabhängige Beweise weiter gestützt (z. B. Lit. 26). ,30,44,45).

a, Wahrscheinlichkeit des Auftretens von AD abhängig von den Werten von δTAC für verschiedene Schweregrade von AD (ausgedrückt als Anomalie n-fache lokale Standardabweichung unter dem lokalen Mittelwert, σ), separat für drei verschiedene Klimaregionen dargestellt. Die Sternchen geben Wahrscheinlichkeiten an, die statistisch von 0,5 abweichen (zweiseitiger Student-t-Test; P-Wert ≤ 0,05). b, TAC, abgerufen im Jahr vor dem Auftreten eines AD (TACAD), gruppiert als Funktion des klimatologischen Niederschlags und der Temperatur. c, Toleranz gegenüber TACAD (der absolute Anstieg der TAC, den ein Ökosystem im Gleichgewicht tolerieren kann, bevor kritische Bedingungen erreicht werden) über einen Gradienten des Trockenheitsindex. Der Kreis und die Whiskers beziehen sich auf den Durchschnittswert und sein 95 %-Konfidenzintervall; Farben beziehen sich auf das entsprechende TACAD. Jeder gruppierte Trockenheitsindex im Bereich von 0 bis 500 mm °C−1 zählt 10.868, 16.799, 728, 59 und 13 abgetastete Pixel. d, Nähe zu TACAD (Nähe der gegenwärtig intakten Wälder an ihrem kritischen Zustandsschwellenwert), klassifiziert als Funktion des klimatologischen Niederschlags und der Temperatur. Die schwarzen Punkte kennzeichnen Abschnitte mit Durchschnittswerten, die statistisch von Null abweichen (zweiseitiger Student-t-Test; P-Wert ≤ 0,05). Negative Werte der Nähe zu TACAD stellen Bereiche dar, in denen die Schwellenresilienz für AD (TACAD) bereits überschritten wurde, und umgekehrt gilt das für positive Werte. e, Häufigkeitsverteilungen der Nähe zu TACAD, getrennt für verschiedene Klimaregionen dargestellt und über das gesamte Gebiet (blau) und über die Gebiete berechnet, in denen gleichzeitig ein positives δTAC (rot) auftritt. Die farbigen Zahlen beziehen sich auf den Prozentsatz der Häufigkeitsverteilung kleiner und größer als Null (jeweils links und rechts von 0 auf der x-Achse) in Bezug auf die gesamte Domäne.

Um die Schwellenwertmechanismen und die mit ADs verbundene Kausalität weiter zu untersuchen, haben wir die TAC für das Jahr vor dem Auftreten einer AD ermittelt (im Folgenden als beobachtete TACAD bezeichnet) – und damit den Schwellenwert der Widerstandsfähigkeit vor der AD des Ökosystems widerspiegeln. Für jedes AD-Ereignis haben wir die entsprechende Ökosystemtoleranz ermittelt, ausgedrückt als Differenz zwischen TACAD und seinem durchschnittlichen TAC, der unter Bedingungen vor der Störung berechnet wurde (Details unter Methoden). Diese Metrik spiegelt den absoluten Anstieg der TAC wider, den ein Ökosystem im Gleichgewicht tolerieren kann, bevor kritische AD-Bedingungen erreicht werden. Wir fanden heraus, dass Ökosysteme, die häufig Wassereinschränkungen ausgesetzt sind, trotz der durchschnittlich langsamen Erholungsraten (Erweiterte Daten, Abb. 1 und Ergänzende Diskussion 1) ADs bei höheren TACAD-Werten erfahren (Abb. 3b), dank ihrer höheren Toleranz im Vergleich zu tropischen Ökosystemen. feuchte und kalt-trockene Wälder (Abb. 3c). Diese Muster sind wahrscheinlich auf die langfristige Anpassung von Baumarten in trockenen Regionen zurückzuführen, die zu einer strukturellen und physiologischen Anpassung an Wasserbeschränkungen führt (z. B. tiefere Wurzelsysteme, Widerstandsfähigkeit gegen Kavitation und höheres Wurzel-Spross-Verhältnis), während sie feucht und kalt sind Biome sind anfälliger für Wassermangel46,47.

Um die Nähe aktueller intakter Wälder zu ihrer kritischen Widerstandsschwelle zu bewerten, haben wir den Wert von TACAD mithilfe des RF-Regressionsalgorithmus im Weltraum extrapoliert und ihn mit dem für das Jahr 2020 ermittelten TAC verglichen. Bei TACAD nimmt die Nähe negative oder Nullwerte an bereits im Jahr 2020 erreicht wurden und positive Werte, wenn noch Spielräume bis zum Erreichen der kritischen Schwelle vorhanden sind (Methoden). Die Ergebnisse zeigen, dass am Ende unseres Beobachtungszeitraums etwa 30 % der weltweit intakten Wälder ihren TACAD-Wert bereits erreicht oder überschritten haben (Abb. 3d, e). Noch kritischer ist, dass bei etwa 23 % ein gleichzeitiger Anstieg des δTAC zu verzeichnen war (Abb. 1a), was auf eine anhaltende Verringerung der Widerstandsfähigkeit des Ökosystems auf Werte hindeutet, die sich bereits in der Nähe eines AD und möglicherweise eines Wendepunkts befinden. Wir schätzen, dass 3,32 Pg C GPP solchen kritischen Bedingungen ausgesetzt sind, vor allem in tropischen Wäldern (93 %), eine Menge, die etwa dreimal so hoch ist wie die Kohlenstoffverluste aufgrund der Abholzung im brasilianischen Amazonasgebiet in den letzten zehn Jahren26. Wir weisen darauf hin, dass diese kritischen Bedingungen nicht ausreichen, um einen Regimewechsel festzustellen (Ergänzende Methoden 3). Sie stellen jedoch einen starken Hinweis auf die steigenden Risiken einer erhöhten Instabilität und Anfälligkeit für Gefahren von Waldbiomen dar. Dies ist besonders wichtig für tropische Wälder, wo der beobachtete jüngste Rückgang der Kohlenstoffsenke48,49 durch die kontinuierliche und fortschreitende Verschlechterung der Widerstandsfähigkeit der Wälder und den parallelen Anstieg der Baumsterblichkeit und der Umschlagshäufigkeit noch verschärft werden könnte.

Unsere Analyse zeigt, dass sowohl intakte als auch bewirtschaftete Wälder in den letzten Jahrzehnten erhebliche Veränderungen in der Widerstandsfähigkeit erfahren haben, die durch großräumige Klimasignale gesteuert werden. Wir fanden heraus, dass die Widerstandsfähigkeit tropischer, gemäßigter und trockener Wälder abnahm, was wahrscheinlich auf die damit einhergehende Zunahme von Wasserbeschränkungen und Klimaschwankungen zurückzuführen ist. Im Gegenteil, die Vorteile der Klimaerwärmung und der CO2-Düngung überwogen diese negativen Auswirkungen in weiten Teilen des borealen Bioms und führten letztendlich zu einer Erhöhung der Widerstandsfähigkeit der Wälder. Die zunehmende Anfälligkeit gegenüber äußeren Störungen in Kombination mit einer Produktivitätssteigerung für einen beträchtlichen Teil der globalen Wälder (etwa 36 %) bestätigt das gleichzeitige Auftreten antagonistischer Prozesse, die Photosynthese und Baumsterblichkeit als Reaktion auf globale Veränderungen vorantreiben2. Wir schätzen, dass etwa 23 % der intakten, ungestörten Wälder bereits ihre kritische Schwelle für eine AD erreicht haben und gleichzeitig eine weitere Verschlechterung ihrer Widerstandsfähigkeit erleben. In Anbetracht des erwarteten Übergangs von einer von CO2-Düngung dominierten Periode zu einer von Erwärmung/Trocknung dominierten Periode27,28,29 deuten die beobachteten negativen Entwicklungen der Widerstandsfähigkeit der Wälder auf potenziell kritische Folgen für wichtige Ökosystemdienstleistungen wie die Kohlenstoffbindung hin. Daher wird es immer dringender, diese Trends bei der Entwicklung wirksamer waldbasierter Minderungsstrategien zu berücksichtigen, um künftige unerwartete negative Ereignisse zu vermeiden, die durch die zunehmende Anfälligkeit der Kohlenstoffvorräte ausgelöst werden. In diesem Zusammenhang zeigt unsere globale datengesteuerte Bewertung, dass Resilienzdenken50 in einem wissenschaftlich fundierten und lösungsorientierten Rahmen effektiv entwickelt werden kann, um die vielen Herausforderungen der Waldbewirtschaftung in Zeiten schneller klimatischer Veränderungen zu bewältigen.

Um den Einfluss des Klimas auf die Widerstandsfähigkeit des Waldes zu untersuchen (siehe die folgenden Abschnitte), verwendeten wir den monatlich gemittelten Gesamtniederschlag, die 2-m-Lufttemperatur, das Evapotranspirationsdefizit und die Oberflächensonnenstrahlung nach unten, die aus dem ERA5-Land-Reanalyseprodukt mit einer räumlichen Auflösung von 0,1° erfasst wurden der Zeitraum 2000–2020 (https://cds.climate.copernicus.eu/cdsapp#!/home). Das Evapotranspirationsdefizit wurde als Gesamtniederschlag minus Evapotranspiration quantifiziert. In dieser Studie haben wir uns auf Klimaregionen bezogen, wie sie durch die Köppen-Geiger-Weltkarte der Klimaklassifikation51 (http://koeppen-geiger.vu-wien.ac.at/present.htm) definiert sind. Die ursprünglichen 31 Klimazonen wurden zu Hauptzonen zusammengefasst und nur diejenigen, die durch Vegetationsbedeckung gekennzeichnet sind, wurden in unsere Studie einbezogen (tropisch, arid, gemäßigt und boreal; erweiterte Daten, Abb. 8).

NDVI-Daten, die vom MODIS-Instrument (Moderate Resolution Imaging Spectroradiometer) an Bord des Terra-Satelliten erfasst wurden, wurden verwendet, um Veränderungen in der globalen Vegetation für den Zeitraum 2000–2020 abzuleiten. Wir verwendeten wolkenfreie räumliche Kompositionen mit einer zeitlichen Auflösung von 16 Tagen und einer räumlichen Auflösung von 0,05° (MOD13C1 Version 6; https://lpdaac.usgs.gov/products/mod13c1v006/) und behielten nur Pixel mit guter und marginaler Gesamtqualität bei. Der von MODIS abgeleitete NDVI-Datensatz stellt ein hochmodernes Produkt des Vegetationszustands dar, dessen Abrufalgorithmus ständig verbessert wird52. Da er von einer einzigartigen Plattform und einem einzigartigen Sensor abgeleitet wird, ist er zeitlich und räumlich konsistent. Die Vegetationsdynamik wurde anhand von kNDVI analysiert, einer nichtlinearen Verallgemeinerung des NDVI basierend auf Referenz. 22 und wie folgt abgeleitet:

kNDVI wurde kürzlich als starker Indikator für die Ökosystemproduktivität vorgeschlagen, der hohe Korrelationen sowohl mit Messungen der Primärproduktivität auf Parzellenebene als auch mit Satellitenaufnahmen der sonneninduzierten Fluoreszenz zeigt22. Darüber hinaus wurde dokumentiert, dass kNDVI enger mit der Primärproduktivität zusammenhängt, resistent gegen Sättigung, Voreingenommenheit und komplexe phänologische Zyklen ist und im Vergleich zu alternativen Produkten (z. B. NDVI und Nahinfrarotreflexion der Vegetation). Aus diesen Gründen wurde es in dieser Studie als bevorzugte Metrik zur Beschreibung des Zustands des Waldökosystems beibehalten.

Um eine genaue Schätzung der Widerstandsindikatoren zu erhalten, müssen Vegetationszeitreihen stationär sein und keine saisonalen periodischen Muster oder langfristigen Trends aufweisen53. Zu diesem Zweck wurden Vegetationsanomalien aus kNDVI-Daten ermittelt, indem zunächst der mehrjährige 16-Tage-Stichprobenmittelwert subtrahiert und dann lineare Trends aus der resultierenden Zeitreihe entfernt wurden. Fehlende Daten, beispielsweise aufgrund der Schneedecke, die die Ermittlung der Reflexionseigenschaften beeinträchtigt, wurden durch klimatologische kNDVI-Werte gefüllt. Die Zeitreihe kNDVI-basierter Vegetationsanomalien wurde verwendet, um Widerstandsindikatoren abzuleiten und ihre räumlichen und zeitlichen Variationen zu bewerten (siehe nächste Abschnitte).

Zwischenjährliche Veränderungen in der Vegetation wurden anhand des über die Vegetationsperiode gemittelten kNDVI bewertet. Zu diesem Zweck wurde eine klimatologische Vegetationsperiode, die sich über Monate erstreckte und sich mindestens 75 % der Tage in der Grünphase befanden, aus dem satellitenbasierten Produkt Vegetation Index and Phänology54 (https://vip.arizona.edu/) abgeleitet und für die erfasst Zeitraum 2000–2016 bei 0,05° räumlicher Auflösung. Darüber hinaus wurde der Waldbedeckungsanteil (FC) aus den jährlichen Landbedeckungskarten der Klimaschutzinitiative der Europäischen Weltraumorganisation (https://www.esa-landcover-cci.org/)55 für den Zeitraum 2000–2018 abgeleitet 300 m räumliche Auflösung. Der FC wurde durch Summieren des Anteils von Laubwäldern, immergrünen Laubwäldern, immergrünen Nadelblättern und immergrünen Nadelblättern ermittelt. FC wurde auf 0,05° neu abgetastet, um der räumlichen Auflösung von kNDVI zu entsprechen.

In dieser Studie haben wir die Widerstandsfähigkeit von Waldökosystemen – ihre Fähigkeit, sich von äußeren Störungen zu erholen – mithilfe des 1-Lag-TAC quantifiziert (Ref. 3,4,5). Ein solcher Indikator wurde ursprünglich für die gesamte Zeitreihe der Vegetationsanomalien (2000–2020) für Waldpixel mit weniger als 50 % fehlenden Daten im ursprünglichen NDVI und FC größer als 0,05 berechnet und im Text als langfristige TAC bezeichnet. Diese Analyse wurde verwendet, um die räumlichen Muster der Waldverlangsamung zu bewerten, die durch Umweltfaktoren vermittelt wird, die die Wachstumsraten der Pflanzen und die Fähigkeit, sich von Störungen zu erholen, beeinflussen. Die langfristige TAC wurde sowohl im geografischen als auch im klimatischen Raum untersucht (Extended Data Abb. 1). Im Klimabereich wurde die langfristige TAC in einem 50 × 50-Raster als Funktion des durchschnittlichen jährlichen Niederschlags und der durchschnittlichen Temperatur eingeteilt, die beide über den Zeitraum 2000–2020 berechnet wurden, wobei der Durchschnitt als Aggregationsmetrik verwendet wurde, gewichtet mit der jeweiligen Flächenausdehnung aufzeichnen. Wir haben nur Behälter mit mindestens 50 Datensätzen aufbewahrt.

Um die potenziellen Treiber der langfristigen TAC zu untersuchen, haben wir ein RF-Regressionsmodell23 entwickelt und die beobachtete langfristige TAC (Antwortvariable) auf der Grundlage einer Reihe von Umweltmerkmalen (Prädiktoren) vorhergesagt. Der Einsatz von maschinellem Lernen im Allgemeinen und von RF im Besonderen, da es sich um nichtparametrische und nichtlineare datengesteuerte Methoden handelt, erfordert keine a priori Annahmen über die funktionale Form, die die Schlüsseltreiber und die Antwortfunktionen in Beziehung setzt. Zu den Umweltvariablen gehören Vegetationseigenschaften (FC und über die Vegetationsperiode gemittelter kNDVI) und Klimavariablen (Gesamtniederschlag, 2-m-Lufttemperatur, Evapotranspirationsdefizit und oberflächennahe Sonnenstrahlung nach unten). Jede der Klimavariablen wurde als Durchschnitt, Variationskoeffizient und 1-Lag-Autokorrelation ausgedrückt und auf eine räumliche Auflösung von 0,05° neu abgetastet, um der räumlichen Auflösung von kNDVI zu entsprechen. Alle Umweltvariablen wurden jährlich berechnet und dann über die Zeit gemittelt, mit Ausnahme der Autokorrelation, die analog zur langfristigen TAC direkt für den gesamten Zeitraum berechnet wurde. Dies führte zu einem Satz von 14 Prädiktoren, die die Walddichte, das Hintergrundklima, die Klimavariabilität und ihre TAC im Beobachtungszeitraum darstellen (erweiterte Datentabelle 1). Das RF-Modell wurde entwickelt, indem die beobachtete Langzeit-TAC in zwei separate Stichproben aufgeteilt wurde: 60 % der Aufzeichnungen wurden für die Modellkalibrierung verwendet, und die restlichen 40 % wurden zur Validierung der Modellleistung im Hinblick auf das Bestimmtheitsmaß (R2), den Mittelwert, verwendet Quadratischer Fehler und prozentualer Bias (PBIAS). Jeder Datensatz bezieht sich auf ein 0,05°-Pixel. Die hier implementierte RF verwendet 100 Regressionsbäume, deren Tiefe und Anzahl der an jedem Knoten abzutastenden Prädiktoren mithilfe der Bayes'schen Optimierung identifiziert wurden. Die allgemeine Modellformulierung lautet wie folgt:

Dabei ist f das RF-Regressionsmodell, X sind die Umweltprädiktoren und εf sind die Residuen. Wir fanden heraus, dass das Modell 87 % der räumlichen Varianz (R2) der beobachteten langfristigen TAC mit einem mittleren quadratischen Fehler von 0,007 und einer durchschnittlichen Überschätzung von 0,058 erklärt (PBIAS; Extended Data Abb. 2a). Methoden des maschinellen Lernens basieren per Definition nicht auf der mechanistischen Darstellung der Phänomene und können daher keine direkten Informationen über die zugrunde liegenden Prozesse liefern, die die Systemreaktion auf Fahrer beeinflussen. Allerdings können einige modellunabhängige Methoden angewendet werden, um Einblicke in die Ergebnisse von HF-Modellen zu gewinnen. Hier haben wir Metriken mit variabler Wichtigkeit verwendet, um zu quantifizieren und einzustufen, wie einzelne Umweltfaktoren die TAC beeinflussen (Erweiterte Daten, Abb. 2b). Darüber hinaus untersuchten wir mithilfe partieller Abhängigkeitsdiagramme, die vom maschinellen Lernalgorithmus RF abgeleitet wurden, die Ökosystem-Reaktionsfunktion (TAC) über Gradienten von Vegetations- und Klimamerkmalen hinweg (Ergänzende Diskussion 1 und erweiterte Daten, Abb. 2c – f).

Um die zeitliche Variation der Waldresilienz zu untersuchen, verwendeten wir CSD-Indikatoren, die hier anhand zeitlicher Änderungen der TAC quantifiziert wurden, die für zwei aufeinanderfolgende und unabhängige Zeiträume von 2000 bis 2010 und von 2011 bis 2020 ermittelt wurden, und bewerteten die Bedeutung der Änderung in der Waldresilienz Stichprobenmittelwert, aggregiert für verschiedene Klimaregionen durch einen zweiseitigen t-Test (Abb. 1c). Diese Analyse wurde durch die Berechnung der TAC auf der Jahresskala über ein um zwei Jahre verzögertes Zeitfenster (3-Jahres-Fenstergröße) ergänzt, um die zeitlichen Änderungen der CSD zu verfolgen. Daraus entstand eine Zeitreihe der TAC mit einem jährlichen Zeitschritt.

Wir weisen darauf hin, dass die zeitliche Dynamik der jährlichen TAC von zwei Prozessen bestimmt wird: den Veränderungen in der Widerstandsfähigkeit des Systems, die sich auf die Geschwindigkeit der Erholung von externen Störungen auswirken, und den verwirrenden Auswirkungen der Veränderungen in der Autokorrelation der Klimatreiber (Xac). wirken sich direkt auf die Autokorrelation von NDVI aus. Angesichts der spezifischen Ziele dieser Studie haben wir den zweiten Prozess aus dem gesamten TAC-Signal herausgerechnet, um zu vermeiden, dass eine zunehmende Autokorrelation in den Treibern unsere Analyse und Schlussfolgerungen über die Belastbarkeit und den potenziellen Anstieg der Instabilität beeinflussen würde56. Zu diesem Zweck haben wir die zeitlichen Änderungen der TAC aufgrund von Variationen in der Autokorrelation in den Klimatreibern (\({\rm{TAC}}| {X}_{{\rm{ac}}}\)) entwirrt, indem wir Folgendes übernommen haben Raum-Zeit-Analogie und wendete das RF-Modell (f) in einem jährlichen Zeitschritt (t) in einer Reihe faktorieller Simulationen wie folgt an:

Der erste Term auf der rechten Seite von Gleichung (3) ist die RF-Modellsimulation, die durch Berücksichtigung der Dynamik aller Prädiktoren erhalten wird, und der zweite Term ist die RF-Modellsimulation, die durch Berücksichtigung der Dynamik aller Prädiktoren mit Ausnahme der Faktoren der Autokorrelation im Klima generiert wird werden auf dem Wert des ersten Jahres (Jahr 2000) konstant gehalten. Für solche Läufe verwendeten wir Prädiktoren, die auf jährlicher Skala über ein zwei Jahre verzögertes Zeitfenster berechnet wurden, konsistent zur TAC-Zeitreihe. Wir fanden heraus, dass die direkten Auswirkungen der Autokorrelation im Klima zu einem positiven TAC-Trend in Trockenzonen (aufgrund der zunehmenden Autokorrelation der Treiber in diesen Regionen) und zu einem gegenteiligen Effekt in gemäßigten Feuchtwäldern geführt haben (ergänzende Abbildung 3). Um diese Störeffekte zu beseitigen, wird zur Ableitung der geschätzte Term \({{\rm{TAC}}}^{t}| {X}_{{\rm{ac}}}\) durch Subtraktion aus dem TACt herausgerechnet eine verbesserte Schätzung der jährlichen Widerstandsfähigkeit, die unabhängig von der Autokorrelation im Klima ist (Extended Data Abb. 3).

Langfristige lineare Trends, die anhand der resultierenden erweiterten TAC-Zeitreihen (δTAC) berechnet werden, stellen unseren Referenz-CSD-Indikator dar, der in dieser Studie zur Untersuchung der Veränderungen in der Widerstandsfähigkeit der Wälder verwendet wird. δTAC wurde für jede Gitterzelle quantifiziert (Abb. 1a) und im Klimaraum nach der zuvor beschriebenen Methodik dargestellt (Abb. 1b). Anschließend haben wir die Signifikanz der Trends auf Klassenebene bewertet, indem wir einen zweiseitigen T-Test für die Stichprobentrendverteilungen innerhalb jeder Klasse angewendet haben. Dieser Signifikanztest ist unabhängig von den strukturellen zeitlichen Abhängigkeiten, die sich aus der Verwendung eines um zwei Jahre verzögerten zeitlichen Fensters zur Berechnung der TAC-Zeitreihe ergeben.

Nach einem analogen Ansatz, der in Gleichung (3) beschrieben ist, haben wir die Auswirkung der Variation der Walddichte, des Hintergrundklimas und der Klimavariabilität auf zeitliche Änderungen der TAC entwirrt (Abb. 1d, e). Wir sind uns bewusst, dass andere Umweltfaktoren, die in unserem RF-Modell nicht explizit berücksichtigt werden, eine Rolle bei der Modulation der zeitlichen Schwankungen der TAC spielen könnten. Angesichts der Vollständigkeit der in Gleichung (2) verwendeten Prädiktoren (erweiterte Datentabelle 1) erscheint es jedoch plausibel, dass die Residuen hauptsächlich die intrinsische Widerstandsfähigkeit des Waldes widerspiegeln, die Komponente, die eng mit den kurzfristigen Reaktionen der Wälder auf Störungen verbunden ist. was nicht direkt mit der Klimavariabilität zusammenhängt. Evolutionsprozesse im Waldökosystem könnten ebenfalls eine Rolle spielen, allerdings wären längere Zeitreihen erforderlich, um diese Dynamik zuverlässig zu erfassen. Darüber hinaus könnten abrupte Rückgänge (ADs) des Vegetationszustands und folgende Erholungen, ähnlich denen, die möglicherweise auf Waldstörungen (z. B. Waldbrände und Insektenbefall) zurückzuführen sind, die TAC-Änderungen beeinflussen. Es wird jedoch erwartet, dass solche Ereignisse, die über den gesamten Zeitraum über den gesamten Globus verteilt sind, den resultierenden Trend in den TAC-Zeitreihen nur geringfügig beeinflussen.

Um die Robustheit unserer Ergebnisse in Bezug auf die oben beschriebenen Modellierungsoptionen zu beurteilen, haben wir eine Reihe von Sensitivitätsanalysen für die Differenz der TAC durchgeführt, die für die beiden unabhängigen Zeiträume (2000–2010 und 2011–2020) ermittelt wurde. Zu diesem Zweck haben wir ihre Abhängigkeit getestet von: der Qualitätsmarkierung der für die Analysen verwendeten NDVI-Daten (gut, gut und marginal); das Lückenfüllverfahren wurde in verschiedenen Zeiträumen (Jahr und Vegetationsperiode) getestet; die Einbeziehung oder der Ausschluss von Waldgebieten, die von AD betroffen sind; der Schwellenwert für den maximalen Prozentsatz fehlender NDVI-Daten, der auf Pixelebene zulässig ist (20 %, 50 % und 80 %); der Schwellenwert für den minimal zulässigen FC-Prozentsatz auf Pixelebene (5 %, 50 % und 90 %); und die für die Analysen verwendete räumliche Pixelauflösung (0,05°, 0,25° und 1°). Darüber hinaus haben wir die Empfindlichkeit des Trends im gesamten TAC-Signal auf die Länge des sich bewegenden zeitlichen Fensters getestet, das zur Berechnung der Autokorrelation bei Verzögerung 1 verwendet wurde. Die für die verschiedenen Konfigurationen erhaltenen Ergebnisse wurden hinsichtlich der Häufigkeitsverteilungen getrennt für Klimaregionen verglichen (Extended Data Abb . 4) und im Klimaraum weiter erforscht (Extended Data Abb. 5 und 6). Die Ergebnisse der Sensitivitätsanalyse werden in der ergänzenden Diskussion 2 erörtert.

Resilienz und GPP interagieren durch gegenseitige kausale Zusammenhänge miteinander. Einerseits macht eine Verringerung der Widerstandsfähigkeit des Waldes das System empfindlicher gegenüber Störungen mit möglichen daraus resultierenden Verlusten im GPP (Lit. 26). Andererseits kann eine Verringerung des GPP gemäß der Hypothese des Kohlenstoffmangels zu einem Rückgang der Widerstandsfähigkeit führen und mit einem zunehmenden hydraulischen Versagen verbunden sein46. Um den Zusammenhang zwischen der Widerstandsfähigkeit der Wälder und der Primärproduktivität zu untersuchen, haben wir die Korrelation zwischen TAC und GPP quantifiziert. Schätzungen des GPP wurden aus dem FluxCom Model Tree Ensemble für den Zeitraum 2001–2019 mit einer zeitlichen Auflösung von 8 Tagen und einer räumlichen Auflösung von 0,0833° abgeleitet und unter Verwendung von Ökosystem-GPP-Flüssen aus dem FLUXNET-Netzwerk und MODIS-Fernerkundungsdaten als Prädiktorvariablen generiert36 (http:/ /www.fluxcom.org/). Jährliche GPP-Karten wurden quantifiziert und auf 0,05° neu abgetastet, um der zeitlichen und räumlichen Auflösung der TAC-Zeitreihen zu entsprechen. Die Spearman-Rangkorrelation (ρ) wurde dann zwischen dem jährlichen GPP und dem TAC über ein räumliches Bewegungsfenster von 1° berechnet, um die empirische Verteilung der beiden Variablen besser abzutasten (Abb. 2d). Die Signifikanz von ρ(GPP,TAC) wurde über den Klimaraum separat für jeden Abschnitt bewertet (Abb. 2e), ähnlich dem Ansatz, der zum Testen der Signifikanz von δTAC verwendet wurde. Darüber hinaus untersuchten wir die Beziehungen zwischen dem Trend des GPP (δGPP) und dem Trend des TAC (δTAC), indem wir den Globus entsprechend den Richtungen der langfristigen Trajektorien der oben genannten Variablen gruppierten (Abb. 2f).

Um die TAC für verschiedene Waldtypen zu charakterisieren und die potenziellen Auswirkungen der Waldbewirtschaftung zu entschlüsseln, wurden die Ergebnisse getrennt für intakte Wälder und bewirtschaftete Wälder analysiert. Als intakte Wälder galten die Waldpixel, die den Datensatz „Intact Forest Landscapes57“ (https://intactforests.org/) bilden. Intact Forest Landscapes identifiziert die Waldflächen ohne Anzeichen nennenswerter menschlicher Aktivität im Zeitraum 2000–2016 auf der Grundlage von Landsat-Zeitreihen. Die verbleibenden Waldpixel – die nicht als intakt gekennzeichnet waren – wurden als bewirtschaftete Wälder betrachtet (Extended Data Abb. 8). Die resultierende Waldtypkarte stimmt mit denen überein, die für die Berichterstattung des Rahmenübereinkommens der Vereinten Nationen über Klimaänderungen verwendet werden58, allerdings mit konservativeren Schätzungen intakter Wälder in der borealen Zone aufgrund der in dieser Studie verwendeten Maskierung auf Basis von FC und dem Prozentsatz fehlender Daten.

Wir haben die Unterschiede in der langfristigen TAC (berechnet für den gesamten Zeitraum 2000–2020) zwischen bewirtschafteten und intakten Wäldern analysiert, indem wir die möglichen Auswirkungen des Klimahintergrunds ausgeblendet haben. Zu diesem Zweck verglichen wir die Klimaräume, die separat für bewirtschaftete und intakte Wälder generiert wurden, indem wir nur die Klimaräume extrahierten, die von beiden Waldklassen abgedeckt werden. Die resultierenden Verteilungen – eine für jede Waldklasse – haben die gleiche Stichprobengröße und jedes Elementpaar weist denselben Klimahintergrund auf. Mögliche störende Umweltauswirkungen auf die durchschnittlichen Rückgewinnungsraten werden daher minimiert. Anschließend haben wir einen zweiseitigen t-Test angewendet, um die Signifikanz der Differenz in den Stichprobenmittelwerten zu analysieren (Abb. 2a). Ein analoger Ansatz wurde verwendet, um die Unterschiede in δTAC und ρ(GPP,TAC) zwischen bewirtschafteten und intakten Wäldern zu testen (Abb. 2b, c).

Wenn Waldökosysteme einer ausgedehnten und fortschreitenden Verschlechterung unterliegen, kann der Verlust der Widerstandsfähigkeit zu einer AD führen (Ref. 3,4,5). Solche abrupten Änderungen können einen Regimewechsel (Kipppunkt) auslösen, abhängig von der Fähigkeit des Systems, sich von den Störungen zu erholen (ergänzende Methoden 1 und 2). Wir untersuchten das Potenzial von Änderungen der TAC als Frühwarnsignale für ADs in intakten Wäldern im Zeitraum 2010–2020. Zu diesem Zweck haben wir ADs auf Pixelebene als Ereignisse quantifiziert, die in einem bestimmten Jahr auftreten, wenn der entsprechende durchschnittliche kNDVI der Vegetationsperiode mehr als das n-fache der lokalen Standardabweichung unter dem lokalen Mittelwert liegt. Der lokale Mittelwert und die Standardabweichung (σ) wurden über den Zeitraum von 10 Jahren im vorangegangenen Zeitfenster (ungestört) berechnet und n variiert zwischen 1 und 6, wobei höhere Werte schwerwiegendere Änderungen im Zustand des Systems widerspiegeln. Für jedes Pixel und für jeden festen n-Wert haben wir nur das erste AD-Auftreten aufgezeichnet und so eine eindeutige Aufzeichnung für jede abrupte Änderung des Systemzustands erstellt.

Anschließend untersuchten wir, ob die abgerufenen ADs statistisch mit vorangegangenen hohen Werten von δTAC verbunden waren. Um Verwechslungen mit der Kausalitätszuschreibung zu vermeiden, haben wir für jede AD, die zum Zeitpunkt t (im Zeitraum 2010–2020) auftrat, den δTAC über das Zeitfenster 2000 − (t − 1) abgeleitet. Der resultierende Trend bei δTAC ist daher vorhergehend und unabhängig von den mit der AD verbundenen Vegetationsveränderungen. Dann haben wir für jedes Pixel mit einer AD zum Zeitpunkt t auch zufällig eines der ungestörten (ohne AD) benachbarten Pixel extrahiert und δTAC über dasselbe Zeitfenster abgerufen. Diese Analyse ergab zwei Verteilungen von δTAC im Zusammenhang mit Pixeln mit und ohne ADs (AD bzw. ohne AD). Die beiden Verteilungen haben die gleiche Größe und jedes Elementpaar weist ein ähnliches Hintergrundklima auf. Wir haben die Wahrscheinlichkeit des Auftretens von AD berechnet, abhängig vom Trend in δTAC (\({\rm{AD}}| \delta {\rm{TAC}}\)) als die Häufigkeit von ADs, für die \(\delta {\ rm{TAC}}\left(\mathrm{AD}\right)| > \delta {\rm{TAC}}\left(\mathrm{no\; AD}\right)\) und die Signifikanz der Differenz in den beiden Stichprobenmittelwerten (AD und kein AD) wurde durch einen zweiseitigen t-Test bewertet. Wahrscheinlichkeit und Signifikanz wurden für verschiedene Klimaregionen und den Schweregrad von ADs bewertet (Abb. 3a). Hohe statistisch signifikante Wahrscheinlichkeiten deuten darauf hin, dass die AD dem Abdriften in Richtung einer kritischen Resilienzschwelle folgt, die plausibel mit Veränderungen der Umweltfaktoren verbunden ist.

Wir haben die oben genannten Analysen ergänzt, indem wir die Toleranz und Nähe zu AD ermittelt haben, die im Folgenden für einen Schweregrad von 3σ bestimmt werden. Wir quantifizierten zunächst den TAC, der dem Auftreten einer AD vorausging, und verfolgten einen fortschreitenden Verlust der Belastbarkeit, der durch positives δTAC erfasst wurde. Dieser Wert, im Folgenden als zeitliche Autokorrelation mit abruptem Rückgang (TACAD) bezeichnet, spiegelt den TAC-Schwellenwert wider, über dem wir eine abrupte Änderung des Waldzustands beobachtet haben (Abb. 3b). Die AD-Toleranz wurde als Differenz zwischen dem lokalen TACAD und dem über den Zeitraum 2000–2009 gemittelten TAC-Wert quantifiziert, um die Bedingungen vor der Störung zu charakterisieren. Die Toleranzmetrik wurde über einen Gradienten des Trockenheitsindex59 untersucht (Abb. 3c).

TACAD kann nur auf den Waldpixeln direkt abgerufen werden, die bereits eine AD erfahren haben. Da ein beträchtlicher Teil der ungestörten Wälder möglicherweise nahe an ihrem kritischen TAC-Schwellenwert liegt oder diesen sogar bereits überschritten hat, ist es wichtig, ihren TACAD zu bestimmen. Zu diesem Zweck haben wir ein RF-Regressionsmodell entwickelt, das den TACAD als Funktion des Satzes . Die allgemeine Formulierung lautet wie folgt:

Dabei ist g das RF-Regressionsmodell, Xreduced die Umgebungsprädiktoren und εg die Residuen. Implementierung, Kalibrierung und Validierung von g folgen demselben Prinzip, das zuvor für das f-Modell beschrieben wurde. Wir fanden heraus, dass das RF-Modell 50 % der Varianz (R2) des beobachteten TACAD erklärt, mit einem mittleren quadratischen Fehler von 0,019 und einer durchschnittlichen Unterschätzung von 0,86 (PBIAS).

Das RF-Modell wurde dann verwendet, um den TACAD über den gesamten Bereich intakter Wälder vorherzusagen, und diente als Eingabe zur Quantifizierung der Nähe ungestörter Waldpixel zur AD am Ende des Beobachtungszeitraums (Jahr 2020). Hier haben wir die Nähemetrik als Differenz zwischen dem Wert von TAC im Jahr 2020 und TACAD definiert. Die Nähe nimmt negative oder Nullwerte an, wenn TACAD bereits erreicht wurde (\({{{\rm{TAC}}}^{2020}\ge {\rm{TAC}}}_{{\rm{AD}}}\ )) und positive Werte, wenn noch Margen vorhanden sind, bevor der kritische Schwellenwert erreicht wird (\({{{\rm{TAC}}}^{2020} < {\rm{TAC}}}_{{\rm{AD}} }\)). Zusammen \(\delta {\rm{TAC}} > 0\) und \({{{\rm{TAC}}}^{2020}\ge {\rm{TAC}}}_{{\rm{AD }}}\) stellen daher die kritischsten Bedingungen dar, da sie darauf hinweisen, dass die kritische Widerstandsschwelle für AD bereits erreicht wurde und das Ökosystem weiterhin seine Fähigkeit verliert, auf externe Störungen zu reagieren. Schließlich haben wir die Menge an GPP quantifiziert, die möglicherweise solchen kritischen Bedingungen ausgesetzt ist, indem wir das GPP für das Jahr 2020 (die verfügbaren GPP-Daten enden im Jahr 2019) linear extrapoliert und auf der Karte der kritischen Bedingungen (Nähe zu \({\rm{AD}) überlagert haben. } < 0\) und \(\delta {\rm{TAC}} > 0\)).

Weitere Informationen zum Forschungsdesign finden Sie in der Nature Research Reporting Summary, die mit diesem Artikel verlinkt ist.

Die in dieser Studie verwendeten Klimadatensätze sind öffentlich verfügbar über das ERA5-Land-Reanalyseprodukt (https://cds.climate.copernicus.eu/cdsapp#!/home) und über die Köppen-Geiger-Weltkarte der Klimaklassifizierung (http: //koeppen-geiger.vu-wien.ac.at/present.htm). NDVI-Daten wurden von MODIS (MOD13C1 Version 6, https://lpdaac.usgs.gov/products/mod13c1v006/) erfasst, Daten zur Landoberflächen-Phänologie wurden vom satellitenbasierten Produkt Vegetation Index and Phenology (https://vip) erfasst. arizona.edu/) und FC-Daten wurden von der Climate Change Initiative der Europäischen Weltraumorganisation (https://www.esa-landcover-cci.org/) erworben. GPP-Flüsse sind im FluxCom-Produkt (http://www.fluxcom.org/) verfügbar und die räumliche Abgrenzung intakter Wälder ist im Datensatz „Intact Forest Landscapes“ (http://intactforests.org/) verfügbar.

Der benutzerdefinierte MATLAB-Code (R2017b), der zur Analyse der Daten, zur Entwicklung des RF-Modells und zur Generierung von Zahlen geschrieben wurde, ist unter https://doi.org/10.6084/m9.figshare.19636059.v1 verfügbar.

Ibáñez, I. et al. Widerstandsfähigkeit der Wälder angesichts globaler Umweltveränderungen: Verfügen wir über die Informationen, die wir brauchen? Eine systematische Übersicht. PLoS ONE 14, e0222207 (2019).

Artikel PubMed PubMed Central CAS Google Scholar

McDowell, NG et al. Umfassende Veränderungen in der Walddynamik in einer sich verändernden Welt. Wissenschaft 368, eaaz9463 (2020).

Artikel CAS PubMed Google Scholar

Scheffer, M., Carpenter, SR, Dakos, V. & van Nes, EH Allgemeine Indikatoren der ökologischen Widerstandsfähigkeit: Ableitung der Chance eines kritischen Übergangs. Annu. Rev. Ecol. Entwicklung Syst. 46, 145–167 (2015).

Artikel Google Scholar

Dakos, V., Carpenter, SR, van Nes, EH & Scheffer, M. Resilienzindikatoren: Aussichten und Grenzen für Frühwarnungen vor Regimewechseln. Phil. Trans. R. Soc. B 370, 20130263 (2015).

Artikel PubMed Central Google Scholar

Scheffer, M. et al. Frühwarnsignale für kritische Übergänge. Natur 461, 53–59 (2009).

Artikel ADS CAS PubMed Google Scholar

Friedlingstein, P. et al. Globaler Kohlenstoffhaushalt 2021. Erdsystem. Wissenschaft. Daten. 14, 1917–2005 (2022).

Artikel ADS Google Scholar

Reid, WV et al. Ökosysteme und menschliches Wohlbefinden – Synthese: ein Bericht der Millennium Ecosystem Assessment (Island Press, 2005).

Dakos, V. et al. Ökosystem-Kipppunkte in einer sich entwickelnden Welt. Nat. Ökologisch. Entwicklung 3, 355–362 (2019).

Artikel PubMed Google Scholar

Seidl, R., Schelhaas, M.-J., Rammer, W. & Verkerk, PJ Zunehmende Waldstörungen in Europa und ihre Auswirkungen auf die Kohlenstoffspeicherung. Nat. Aufstieg. Änderung 4, 806–810 (2014).

Artikel ADS CAS Google Scholar

Seidl, R. et al. Waldstörungen im Zuge des Klimawandels. Nat. Aufstieg. Änderung 7, 395–402 (2017).

Artikel ADS Google Scholar

Bender, MA et al. Modellierter Einfluss der anthropogenen Erwärmung auf die Häufigkeit intensiver Hurrikane im Atlantik. Wissenschaft 327, 454–458 (2010).

Artikel ADS CAS PubMed Google Scholar

Scheffer, M., Carpenter, S., Foley, JA, Folke, C. & Walker, B. Katastrophale Veränderungen in Ökosystemen. Natur 413, 591–596 (2001).

Artikel ADS CAS PubMed Google Scholar

Nes, E. Hvan et al. Was meinst du mit „Wendepunkt“? Trends Ecol. Entwicklung 31, 902–904 (2016).

Artikel PubMed Google Scholar

Kéfi, S., Dakos, V., Scheffer, M., Van Nes, EH & Rietkerk, M. Frühwarnsignale gehen auch nicht katastrophalen Übergängen voraus. Oikos 122, 641–648 (2013).

Artikel Google Scholar

Verbesselt, J. et al. Fernerkundte Widerstandsfähigkeit tropischer Wälder. Nat. Aufstieg. Änderung 6, 1028–1031 (2016).

Artikel ADS Google Scholar

Hirota, M., Holmgren, M., Nes, EHV & Scheffer, M. Globale Widerstandsfähigkeit von Tropenwäldern und Savannen gegenüber kritischen Übergängen. Wissenschaft 334, 232–235 (2011).

Artikel ADS CAS PubMed Google Scholar

Seddon, AWR, Macias-Fauria, M., Long, PR, Benz, D. & Willis, KJ Empfindlichkeit globaler terrestrischer Ökosysteme gegenüber Klimaschwankungen. Natur 531, 229–232 (2016).

Artikel ADS CAS PubMed Google Scholar

De Keersmaecker, W. et al. Ein Modell zur Quantifizierung der globalen Vegetationsresistenz und Widerstandsfähigkeit gegenüber kurzfristigen Klimaanomalien und deren Zusammenhang mit der Vegetationsbedeckung. Globus. Ökologisch. Biogeogr. 24, 539–548 (2015).

Artikel Google Scholar

Liu, Y., Kumar, M., Katul, GG & Porporato, A. Reduzierte Widerstandsfähigkeit als Frühwarnsignal für Waldsterblichkeit. Nat. Aufstieg. Änderung 9, 880–885 (2019).

Artikel ADS Google Scholar

Gazol, A. et al. Die Widerstandsfähigkeit der Wälder gegenüber Dürre variiert je nach Biom. Globus. Biol. ändern 24, 2143–2158 (2018).

Artikel ADS Google Scholar

De Keersmaecker, W. et al. Bewertung der regionalen Vegetationsreaktion auf Klimaanomalien: eine Fallstudie für Australien unter Verwendung der GIMMS NDVI-Zeitreihen zwischen 1982 und 2006. Remote Sens. 9, 34 (2017).

Artikel ADS Google Scholar

Camps-Valls, G. et al. Ein einheitlicher Vegetationsindex zur Quantifizierung der terrestrischen Biosphäre. Wissenschaft. Adv. 7, eabc7447 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Breiman, L. Zufällige Wälder. Mach. Lernen. 45, 5–32 (2001).

Artikel MATH Google Scholar

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

Artikel ADS CAS Google Scholar

Forzieri, G. et al. Neue Anfälligkeit für klimabedingte Störungen in europäischen Wäldern. Nat. Komm. 12, 1081 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Qin, Y. et al. Der Kohlenstoffverlust durch Waldschädigung übersteigt den durch Abholzung im brasilianischen Amazonasgebiet. Nat. Aufstieg. Änderung https://doi.org/10.1038/s41558-021-01026-5 (2021).

D'Orangeville, L. et al. Die positiven Auswirkungen der Klimaerwärmung auf das Wachstum borealer Bäume können vorübergehender Natur sein. Nat. Komm. 9, 3213 (2018).

Artikel ADS PubMed PubMed Central CAS Google Scholar

Yuan, W. et al. Ein erhöhtes atmosphärisches Dampfdruckdefizit verringert das globale Vegetationswachstum. Wissenschaft. Adv. 5, eaax1396 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Peñuelas, J. et al. Übergang von einer von der Befruchtung dominierten zu einer von der Erwärmung dominierten Periode. Nat. Ökologisch. Entwicklung 1, 1438–1445 (2017).

Artikel PubMed Google Scholar

Gauthier, S., Bernier, P., Kuuluvainen, T., Shvidenko, AZ & Schepaschenko, DG Boreale Waldgesundheit und globaler Wandel. Wissenschaft 349, 819–822.

Artikel ADS CAS PubMed Google Scholar

Villa, PM et al. Die Intensivierung der Wanderlandwirtschaft verringert die Widerstandsfähigkeit der Wälder im nördlichen Amazonasgebiet. Für. Ökologisch. Geschäftsführer 430, 312–320 (2018).

Artikel Google Scholar

Schmitt, S. et al. Funktionelle Vielfalt verbessert die Widerstandsfähigkeit tropischer Wälder: Erkenntnisse aus einem virtuellen Langzeitexperiment. J. Ecol. 108, 831–843 (2020).

Artikel Google Scholar

Folke, C. et al. Regimewechsel, Resilienz und Biodiversität im Ökosystemmanagement. Annu. Rev. Ecol. Entwicklung Syst. 35, 557–581 (2004).

Artikel Google Scholar

Zemp, DC, Schleussner, C.-F., Barbosa, HMJ & Rammig, A. Auswirkungen der Entwaldung auf die Widerstandsfähigkeit des Amazonaswaldes. Geophys. Res. Lette. 44, 6182–6190 (2017).

Artikel ADS Google Scholar

Beer, C. et al. Terrestrische Brutto-Kohlendioxidaufnahme: globale Verteilung und Kovariation mit dem Klima. Wissenschaft 329, 834–838 (2010).

Artikel ADS CAS PubMed Google Scholar

Jung, M. et al. Skalierung von Kohlenstoffflüssen von Eddy-Kovarianz-Standorten zum Globus: Synthese und Bewertung des FLUXCOM-Ansatzes. Biogeosciences 17, 1343–1365 (2020).

Artikel ADS CAS Google Scholar

Harris, NL et al. Globale Karten der Kohlenstoffflüsse in Wäldern im 21. Jahrhundert. Nat. Aufstieg. Änderung 11, 234–240 (2021).

Artikel ADS Google Scholar

Serreze, MC, Barrett, AP, Stroeve, JC, Kindig, DN & Holland, MM Die Entstehung der oberflächenbasierten arktischen Verstärkung. Kryosphäre 3, 11–19 (2009).

Artikel ADS Google Scholar

McDowell, NG et al. Die gegenseitige Abhängigkeit der Mechanismen, die der klimabedingten Vegetationssterblichkeit zugrunde liegen. Trends Ecol. Entwicklung 26, 523–532 (2011).

Artikel PubMed Google Scholar

Kurz, WA et al. Feedback von Bergkiefernkäfern und Waldkohlenstoff zum Klimawandel. Natur 452, 987–990 (2008).

Artikel ADS CAS PubMed Google Scholar

Schaphoff, S., Reyer, CPO, Schepaschenko, D., Gerten, D. & Shvidenko, A. Tamm Rezension: Beobachtete und prognostizierte Auswirkungen des Klimawandels auf Russlands Wälder und seine Kohlenstoffbilanz. Für. Ökologisch. Geschäftsführer 361, 432–444 (2016).

Artikel Google Scholar

Brando, PM et al. Plötzlicher Anstieg der Baumsterblichkeit im Amazonas aufgrund von Dürre-Brand-Wechselwirkungen. Proz. Natl Acad. Wissenschaft. USA 111, 6347–6352 (2014).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Doughty, CE et al. Auswirkungen von Dürre auf die Kohlenstoffdynamik und -flüsse in Wäldern im Amazonasgebiet. Natur 519, 78–82 (2015).

Artikel ADS CAS PubMed Google Scholar

McDowell, N. et al. Treiber und Mechanismen der Baumsterblichkeit in feuchten Tropenwäldern. Neues Phytol. 219, 851–869 (2018).

Artikel PubMed Google Scholar

Scheffer, M., Hirota, M., Holmgren, M., Nes, EHV & Chapin, FS Schwellenwerte für boreale Biomübergänge. Proz. Natl Acad. Wissenschaft. USA 109, 21384–21389 (2012).

Artikel ADS CAS PubMed PubMed Central Google Scholar

McDowell, N. et al. Mechanismen des Überlebens und Sterbens von Pflanzen während der Dürre: Warum überleben einige Pflanzen, während andere der Dürre erliegen? Neues Phytol. 178, 719–739 (2008).

Artikel PubMed Google Scholar

Vicente-Serrano, SM et al. Reaktion der Vegetation auf Dürrezeitskalen in globalen Landbiomen. Proz. Natl Acad. Wissenschaft. USA 110, 52–57 (2013).

Artikel ADS CAS PubMed Google Scholar

Hubau, W. et al. Asynchrone Kohlenstoffsenkensättigung in tropischen Wäldern Afrikas und des Amazonas. Natur 579, 80–87 (2020).

Artikel ADS CAS PubMed Google Scholar

Brienen, RJW et al. Langfristiger Rückgang der Kohlenstoffsenke Amazonas. Natur 519, 344–348 (2015).

Artikel ADS CAS PubMed Google Scholar

Rist, L. & Moen, J. Nachhaltigkeit in der Waldbewirtschaftung und eine neue Rolle für Resilienzdenken. Für. Ökologisch. Geschäftsführer 310, 416–427 (2013).

Artikel 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

Huete, A. et al. Überblick über die radiometrische und biophysikalische Leistung der MODIS-Vegetationsindizes. Fernerkundung. Umwelt. 83, 195–213 (2002).

Artikel ADS Google Scholar

Dakos, V. et al. Verlangsamung als Frühwarnsignal für einen abrupten Klimawandel. Proz. Natl Acad. Wissenschaft. USA 105, 14308–14312 (2008).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Zhang, Int. J. Biometeorol. 58, 547–564 (2014).

Artikel ADS PubMed Google Scholar

Land Cover CCI-Produktbenutzerhandbuch Version 2 (ESA, 2017).

Dakos, V., van Nes, EH, D'Odorico, P. & Scheffer, M. Robustheit von Varianz und Autokorrelation als Indikatoren für eine kritische Verlangsamung. Ökologie 93, 264–271 (2012).

Artikel PubMed Google Scholar

Potapov, P. et al. Die letzten Grenzen der Wildnis: Verfolgung des Verlusts intakter Waldlandschaften von 2000 bis 2013. Sci. Adv. 3, e1600821 (2017).

Artikel ADS PubMed PubMed Central Google Scholar

Ogle, SM et al. Abgrenzung bewirtschafteter Flächen für die Berichterstattung über nationale Treibhausgasemissionen und -abbau an das Rahmenübereinkommen der Vereinten Nationen zum Klimawandel. Kohlenstoffbilanzmanagement 13, 9 (2018).

Artikel PubMed PubMed Central Google Scholar

De Martonne, E. Eine neue klimatologische Idee: der Trockenheitsindex. Meteorologie 2, 449–458 (1926).

Google Scholar

Referenzen herunterladen

Die Studie wurde durch das Sondierungsprojekt FOREST@RISK der Europäischen Kommission, Gemeinsame Forschungsstelle, finanziert. NGM wurde vom Projekt „Next Generation Ecosystem Experiment-Tropics“ des Energieministeriums unterstützt.

John Forzieri

Derzeitige Adresse: Fakultät für Bau- und Umweltingenieurwesen, Universität Florenz, Florenz, Italien

Europäische Kommission, Gemeinsame Forschungsstelle, Ispra, Italien

Giovanni Forzieri, Alkama Ramdane und Alessandro Cescatti

Montpellier Institute of Evolutionary Sciences (ISEM), Universität Montpellier, CNRS, IRD, EPHE, Montpellier, Frankreich

Vasilis Dakos

Abteilung für Atmosphärenwissenschaften und globale Veränderungen, Pacific Northwest National Laboratory, Richland, WA, USA

Nate G. McDowell

Fakultät für Biowissenschaften, Washington State University, Pullman, WA, USA

Nate G. McDowell

Sie können diesen Autor auch in PubMed Google Scholar suchen

GF und AC haben die Studie entworfen; GF hat die Analysen entwickelt; GF und AC interpretierten die Ergebnisse, GF verfasste das Manuskript mit Beiträgen aller Co-Autoren.

Korrespondenz mit Giovanni Forzieri.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Nature dankt Thilo Gross, Ben Somers 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) Räumliche Karte des langfristigen \({TAC}\), berechnet für den gesamten Zeitraum 2000–2020. (b) Langfristige \({TAC}\)-Gruppierung als Funktion der klimatologischen Temperatur und des Niederschlags.

(a) Beobachtetes versus modelliertes Langzeit-\({TAC}\). Die Anzahl der gruppierten Datensätze (N), das Bestimmtheitsmaß (R2), der mittlere quadratische Fehler (MSE) und der prozentuale Bias (PBIAS) werden in Beschriftungen angezeigt, während die Häufigkeitsverteilung in Farbe angezeigt wird. (b) Prädiktoren für \({TAC}\) und entsprechende Variablenbedeutung basierend auf dem Random-Forest-Regressionsmodell der Forest-Resilienz. Die vier Kategorien von Umweltprädiktoren werden durch schraffierte Füllmuster gekennzeichnet; wohingegen die Farben die verschiedenen Variablen unterscheiden. (c) Abhängigkeit von \({TAC}\) von Prädiktoren der Walddichte. (d), (e) und (f) wie (c), jedoch für Prädiktoren des Hintergrundklimas, der Klimavariabilität bzw. der Autokorrelation.

Zeitliche Änderungen in \({TAC}\), berechnet über ein gleitendes 3-Jahres-Fenster und angezeigt in Bezug auf das Referenzjahr 2002 getrennt für die globalen (a), tropischen (b), trockenen (c), gemäßigten (d) und Boreale (e) Regionen. Durchgezogene Linien beziehen sich auf die regionalen Durchschnittswerte, während schattierte Bereiche ihr 95 %-Konfidenzintervall aus visuellen Gründen um den Faktor 10 vergrößert anzeigen.

(a–e) Häufigkeitsverteilung der Unterschiede in \({TAC}\), berechnet für zwei unabhängige Zeitfenster (2011-2020 und 2000-2010), separat dargestellt für verschiedene Klimaregionen und für die Verwendung unterschiedlicher Qualitätsflags von NDVI-Daten (QF). Die Zahlen beziehen sich auf den Prozentsatz der Häufigkeitsverteilung, der kleiner bzw. größer als Null ist (auf der linken bzw. rechten Y-Achse). (f–j), (k–o), (p–t), (u–y) und (z–ad) wie (a–e), aber berechnet für verschiedene Lückenfüllanalysen (GF), Einschluss/Ausschluss von von abrupten Rückgängen betroffene Gebiete (AD), Prozentsätze fehlender Daten (PMD), Prozentsätze der Waldbedeckung (PFC) bzw. räumliche Auflösung (PSR).

(a–b) Unterschiede in \({TAC}\), berechnet für zwei unabhängige Zeitfenster (2011-2020 und 2000-2010), separat dargestellt für verschiedene Qualitätsflaggen (QF), gruppiert als Funktion der klimatologischen Temperatur und des Niederschlags. Schwarze Punkte kennzeichnen Abschnitte mit Durchschnittswerten, die statistisch von Null abweichen (zweiseitiger Student-t-Test; P-Wert ≤ 0,05). (c–d), (e–f), (g–i), (j–l) und (m–o) wie (a–b), aber berechnet für verschiedene Lückenfüllanalysen (GF), Einschluss/Ausschluss von von abrupten Rückgängen betroffene Gebiete (AD), Prozentsätze fehlender Daten (PMD), Prozentsätze der Waldbedeckung (PFC) bzw. räumliche Auflösung (PSR).

(a–c) Trend im gesamten \({TAC}\), gruppiert als Funktion der klimatologischen Temperatur und des Niederschlags, separat dargestellt für verschiedene zeitliche Fensterlängen (TWL). Schwarze Punkte kennzeichnen Abschnitte mit Durchschnittswerten, die statistisch von Null abweichen (zweiseitiger Student-t-Test; P-Wert ≤ 0,05).

(ab) Zeitliche Trends bei Umweltprädiktoren der Kategorie „Walddichte“, berechnet über ein gleitendes 3-Jahres-Fenster und gruppiert als Funktion des klimatologischen Niederschlags und der Temperatur. Schwarze Punkte kennzeichnen Abschnitte mit Durchschnittswerten, die statistisch von Null abweichen (zweiseitiger Student-t-Test; P-Wert ≤ 0,05). (c–f) und (g–j) wie (a,b), jedoch für Umweltprädiktoren der Kategorien „Hintergrundklima“ bzw. „Klimavariabilität“. Prädiktorakronyme sind in der erweiterten Datentabelle 1 aufgeführt.

(a) Raumkarte der Klimaregionen. (b) Bedecken Sie den Anteil bewirtschafteter und intakter Wälder für jede Klimaregion. (c) Raumkarte bewirtschafteter und intakter Wälder. (d) Decken Sie den Anteil der Klimaregionen für jedes Waldgebiet ab.

Diese Datei enthält die ergänzenden Methoden 1–3, Diskussion 1 und 2 sowie Abbildungen. 1–3.

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 ursprünglichen Autor(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 durch gesetzliche Vorschriften 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

Forzieri, G., Dakos, V., McDowell, NG et al. Aufkommende Anzeichen einer abnehmenden Widerstandsfähigkeit der Wälder im Zuge des Klimawandels. Natur 608, 534–539 (2022). https://doi.org/10.1038/s41586-022-04959-9

Zitat herunterladen

Eingegangen: 02. August 2021

Angenommen: 09. Juni 2022

Veröffentlicht: 13. Juli 2022

Ausgabedatum: 18. August 2022

DOI: https://doi.org/10.1038/s41586-022-04959-9

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

Naturkommunikation (2023)

Nature Reviews Mikrobiologie (2023)

Naturkommunikation (2023)

Umweltwissenschaften und Umweltverschmutzungsforschung (2023)

Pflanzenökologie (2023)

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.