【无标题】

文献阅读-旱后亚马逊碳汇的下降

该文章于2018年发表于NATURE COMMUNICATION

摘要：在过去的二十年里，亚马逊森林经历了频繁而严重的旱灾。然而，关于干旱对森林碳储量和动态的大规模遗留问题却知之甚少。利用2003年至2008年LiDAR波形测量的森林结构的系统取样，我们在此表明，在2005年特大干旱之后，整个亚马逊流域的碳损失显著，速度为0.3±0.2（95%CI）PgC yr-1，这种情况在接下来的3年（2005-2008）持续存在。森林结构的变化，由LiDAR森林平均高度捕获并转换为地面生物量碳密度，显示在干旱中心一年后（2006年）平均损失2.35±1.80MgC ha-1。随着未来更频繁的干旱，亚马逊的森林可能会失去其作为一个强大的碳汇的作用，导致一个重要的积极的气候反馈并加剧变暖趋势。

亚马逊森林含有近一半的热带森林碳储量1，在全球碳预算中发挥着重要但不确定的作用2-5。在过去的二十年里（1998年至今），亚马逊森林经历了频繁和严重的干旱，这些干旱是由气候变异引起的，间隔时间大约为5-6年，从1998-99年的厄尔尼诺开始，2005年和2010年由于热带北大西洋（TNA）的变暖异常6-8，以及最近的2015-16厄尔尼诺9。干旱对亚马逊森林碳动态的影响已被记录在短期（1-3年）树木死亡和生物量损失方面，这些都是在盘点地块的小规模观察中发现的10-13。从库存地块的重复测量结果显示，2005年干旱后出现了显著的遗留效应14，树木死亡率和碳损失不断增加，使亚马逊森林暂时从净汇15（约0.71兆克/公顷-1年）转变为净碳源（约5.3兆克/公顷），森林遭受的缺水增加100毫米12。然而，从地块级的研究推断到整个亚马逊地区可能有很大的不确定性，因为森林组成和控制森林功能和对气候压力的复原力的气候和土壤条件的变化16。包括动态全球植被模型（DGVMs）在内的陆面模型预测极端气候对亚马逊森林碳储量和动态的大尺度影响的能力，需要以整个景观的森林生物量和生产力的空间异质性数据来初始化，但这种模型目前受到许多因素的限制17,18，包括普遍缺乏现实的树木死亡函数19和与植物对二氧化碳富集的生理反应相关的不确定性20。因此，干旱对亚马逊地区森林的大规模影响及其遗留的问题仍然不确定。如果地块中观察到的树木死亡和对森林生产力的干扰是普遍的，那么干旱造成的碳损失将是巨大的，并可能对全球碳循环及其对气候的反馈产生不利影响12,21。
在本文中，我们分析了2003年至2008年冰、云和海拔卫星（ICESat）上的地球科学激光测高系统（GLAS）对森林结构进行的LiDAR测量，以量化2005年干旱造成的森林结构和碳储量的变化。森林垂直结构的LiDAR样本被认为是量化地上森林生物量的最有效的遥感方法1,22-26。我们研究了在2005年干旱影响严重的亚马逊西部（南纬4°-12°S，西经76°-66°W）或经历缺水和温度异常的整个亚马逊（南纬19°-12°N；西经81°-44°W），是否存在树木死亡或树冠干扰的广泛的森林结构变化。分析的重点是对完整森林的6年（2003-2008年）观测，以评估2005年干旱是否具有超越其发生的空间和时间上的遗留影响。通过将LiDAR测量值转换为地面上的森林，并通过异体测量法转换为地面下的碳密度，我们量化了亚马逊森林的净碳平衡及其在观测期间的碳源和碳汇的归属。我们的研究结果表明，偶发性干旱对亚马逊森林的碳动态产生了广泛而持久的影响，以及干旱后对全球碳源和碳汇的重大影响。

结果
**森林结构的变化。**我们根据热带雨量测量任务（TRMM）的10年（2000-2009）卫星降雨量数据结合现场气象观测网络计算出的2005年7、8、9月（JAS）的累积缺水（CWD）异常水平，将亚马逊森林分层为五个区域（见方法）（图1a）。该分层提供了2005年干旱影响的梯度，将西部的极端干旱（ED）与西南部的严重干旱（SD）、南部相对温和的干旱（MD）、东北部的轻度干旱（LD）以及亚马逊西北部几乎没有缺水的地区（ND）分开。分层只包括属于湿润热带森林类别的像素（5公里×5公里），树木覆盖率超过60%，森林变化只指那些关注完整的森林，每个像素中发生的毁林和火灾事件少于1%（见方法）。
我们观察到2005年干旱后，在三个受干旱影响的地区（ED、SD和MD），森林冠层高度普遍下降（图1b）。高度测量是基于GLAS LiDAR波形的第90百分位数（RH90），捕捉森林结构和上部树冠体积和间隙的变化，并在每年的旱季结束时（10-11月）收集（见方法）。这一高度指标的下降（在亚马逊地区平均约24米）代表了干扰（树木倒下、落叶、树冠损坏）对森林地上生物量（AGB）的影响。最明显的下降发生在西南部（ED）–2005年干旱的中心，RH90在干旱一年后下降了0.88±0.69米，表明树冠树木的损失或干扰（如落叶或树木倒下的间隙）（补充表1）。SD地区也经历了森林高度的下降（下降了0.59±0.53米），但其幅度在干旱后仅2年就与ED地区相当（从2004年到2007年下降了0.82±0.54米）。MD地区也遭受了季节性缺水，并显示出相对稳定的下降，尽管森林结构的变化并不明显（0.49±0.54米），直到2007年（0.92±0.54米）。干旱事件后树冠高度的这种持续下降明显高于与森林结构的空间变异性相关的方差（如果将变化视为独立事件，我们有变化的不确定性σ ¼ ffiffiffiffiffi σ21 þ σ22 p，其中σ1和σ2是与第1年和第2年的结构相关的不确定性）。MD地区也受到巴西亚马逊地区严重伐木活动的影响，森林结构的下降也可能是由于干旱后伐木森林中树木死亡率的任何增加（相比之下，LD和ND地区从2004年到2008年森林高度的变化要小得多，而且这两个变化都没有统计学意义（LD为-0.49±0.79米，ND地区为-0.30±0.93米）。虽然在干旱后的第一年内，树冠高度的变化没有统计学意义，但除LD和ND外，所有地区的森林高度在3年后都有明显下降。在整个观察期间（到2008年底），平均树冠高度没有显示出任何明显的恢复迹象，表明2005年的干旱至少有3-4年的遗留问题。
**生物量和碳的变化。**利用现有的既定模型1,5，我们进一步将每年的GLAS LiDAR样本转换为AGB和总碳，通过使用树木异位测量法（见方法）增加地面以下生物量（BGB）。亚马逊西部和南部的区域AGB变化显示了2005年干旱后生物量的重大损失（图2a）。具体来说，ED和SD地区在2005年干旱后1年内有生物量损失，但MD地区的生物量下降较慢，3-4年后（2004-2008）才变得显著。LD和ND地区在整个观测期间降雨量充足，没有明显的水胁迫和AGB下降（总碳也没有明显下降）。将LD和ND地区作为北方，ED、SD和MD地区作为南方，我们发现北方和南方的总碳变化有明显的区别（图2b，c）。亚马逊河北部的森林平均保持相对不变，但亚马逊河南部的森林在干旱事件后有所下降。整个亚马逊流域地区的总碳量也从2004年底开始持续下降（图2d），没有恢复的迹象。整个亚马逊流域的平均碳损失为0.27 ± 0.15 PgC yr-1（表1）。虽然这一估计的不确定性排除了对干旱事件后立即进行的生物量下降的评估，但滞后效应和干旱的长期影响使我们能够找到干旱后不久开始的生物量损失的统计学意义上的估计。

在研究期间，我们假设亚马逊流域森林的总碳排放量来自三个来源的组合：包括砍伐和焚烧清理产生的火灾在内的森林砍伐，未计入森林砍伐的封闭树冠森林火灾，以及影响完整的古老森林的干旱相关干扰。在此，我们忽略了伐木、林下火灾和任何其他隐性退化过程的排放，因为它们可能无法被遥感观测发现，假设碳损失很小（小于10%）28,29，而且在我们的研究期间，毁林和伐木的后续再生的碳增益可以忽略不计，并且没有明显的年度趋势30。根据卫星数据（见方法），我们确定了有火灾和毁林活动的森林像素。在我们的研究期间，大多数火灾发生在亚马逊南部，靠近热带和过渡性森林的边缘（图3a）。很大一部分毁林事件也包括在火灾像素中，但在亚马逊北部和西部还有其他受火灾影响的像素，这些像素与毁林无关，被单独处理。计算每个地区完整森林的碳净变化时，要剔除所有卫星图像检测到的毁林和火灾存在率超过1%的像素（约25平方公里），从而排除大部分可能受到卫星产品中未检测到的林下火灾影响的森林边缘31。2003年至2008年，毁林对总排放量的贡献稳定在0.15 PgC yr-1左右（0.12 PgC来自南部，0.03 PgC来自北部）（图3b，c：汇为负，源为正）。火灾对碳排放的贡献略小（0.11 PgC yr-1）（0.09 PgC来自南部，0.02 PgC来自北部），主要是由于排放系数较小32,33。从空间上看，亚马逊河北部的森林砍伐和火灾活动较少（图3a，b），这说明南部的排放量大得多（图3c）。如果不考虑火灾和毁林的影响，北方剩余的完整森林的净碳变化在统计上没有变化（图3b），但在干旱前从一个不明显的负值（汇）约0.2 PgC转为一个明显的来源，在干旱一年后为0.4 PgC（图3c），三年后为约0.9 PgC（图3d）。南方森林碳变化的逐年变化都指向大气中的碳源，重要的是，当干扰持续时，其贡献在统计学上是显著的，这表明干旱遗留问题对亚马逊完整的古老森林的碳循环产生了强烈影响。尽管我们对亚马逊地区碳源和碳汇规模的逐年估计可能仍有一些潜在的森林退化或一些林下火灾的残余影响31，但长期趋势和碳储量逐渐下降为净源主要与2005年的干旱有关，并与小区网络的测量结果一致11。

讨论
年度LiDAR足迹是森林冠层高度的统计样本（没有重复测量同一足迹的时间），捕捉每个区域的森林结构的平均状态。LiDAR RH90指标提供了近似的平均冠层高度，如果冠层因落叶、结构破坏和树木倒伏而受到干扰，或因生长和间隙填充而增加，其值就会下降（补充图1）。对于稳态条件下的老龄化森林，大区域内LiDAR测量值的逐年平均变化应该是可以忽略的，只代表背景干扰和恢复过程34。因此，ED和SD区域的平均RH90的下降表明，许多大树冠的树木受到了很大的影响，这与理论和经验证据一致，即较大的树木受ED事件影响最大35,36。通过选择每年旱季后期的LiDAR样本（见方法），我们也期望高度下降的信号独立于任何季节性叶子物候的潜在影响37。
与地面库存数据相比，LiDAR分析得出的2005年干旱后森林生物量的总体下降可能低估了生物量的总损失11,12。在LiDAR分析中，由于树木倒下和枯死的树木落叶造成的空隙增加而导致的树木高度减少已经转化为生物量损失。而在地面库存中，死树被从生物量计算中移除，以计算总的承诺排放量，但允许在很长一段时间内（约30年）分解，以计算净碳排放量29,30。在我们的研究中，由于与RH90指标相关的权重较高（见方法），LiDAR得出的生物量变化可能被完整的老林所主导，但也有林下生长（补充图2），部分反映在我们用于同位素测量的RH30指标。此外，来自非重叠LiDAR样本的森林碳储量的年度变化比重复LiDAR测量或库存地块有更大的不确定性，导致难以将南方森林碳的逐年下降归结为具有统计学意义的净来源。
我们对2005年干旱造成的碳损失的估计必须被视为森林碳汇的减少，而不是碳汇的绝对规模。然而，干旱后几年碳损失的持续存在表明偶发性干旱对亚马逊森林的影响是渐进和长期的。亚马逊地区严重的偶发性干旱在过去十年中被记录在案（2005年、2010年和2015年），预计在未来会更加频繁9。这些生态系统中普遍存在的干旱遗留问题14可能对热带碳汇和整个陆地碳预算产生长期影响，导致对区域和全球气候的正反馈加速。LiDAR数据的重复取样能够记录整个亚马逊地区的旱后结构变化和碳损失，证实了在研究地块的较小范围内发现的记录树木死亡率增加和树木生产力潜在下降的情况38。我们的结果清楚地表明，面对反复发生的严重干旱，亚马逊森林可能会失去其作为大气碳汇的有力作用4,39。通过结合广泛的地面地块13和空间的重复观测，对森林功能进行详细的生态水文研究7,40，今后可以在较少的不确定性中探索这些变化的根本原因及其空间范围和长期影响。

方法
遥感数据。我们的研究区域包括南美洲北部和中部边界内的整个亚马逊森林（19°S-12°N；81°W-44°W）。我们使用最新的中分辨率成像分光仪（MODIS）土地覆盖（LC）产品41中确定为常绿阔叶林（EBF）的像素。EBF像素是从2005年的LC地图中定义的，用于我们的观测期（2003-2008年），以确保捕捉到2005年亚马逊旱灾引发的森林变化。MODIS植被连续场（VCF）产品42也被用来进一步分层像素。通过将2003年至2008年的最大VCF值作为VCFmax，我们的研究区域将只关注密集的热带森林（VCFmax>60%）。VCF的阈值将排除毁林弧线上的大量部分森林区域。
本研究中使用的数据集的核心是空间的GLAS激光雷达波形测量。冰、云和陆地海拔卫星（ICESat）上的GLAS传感器是第一个用于对地球进行连续全球观测的空间波形采样激光雷达仪器。它发射短时激光脉冲并记录从地球表面反射的回波43。对于植被表面，返回的回波或波形是激光照射区域（足迹）内树冠垂直分布和地面高程的函数，从而反映了树冠结构信息1,44,45。在这里，我们使用GLAS/ICESat L2全球陆地表面测高数据（GLAH14）产品，并使用一系列严格的质量控制和处理步骤对原始数据进行过滤（见GLAS预处理）。我们从重建的波形数据中计算出冠层高度指标，以研究检索期间（2003-2008）的年际变化。
其他辅助数据，包括QuickSCAT卫星46（QSCAT）的雷达后向散射，以及MODIS多角度实施大气校正算法（MAIAC）EVI产品47，可以直接或间接捕捉亚马逊森林的结构和碳变化7,48,49。再加上固定的MODIS VCFmax层来说明有效的树冠覆盖，我们使用这些空间和/或时间上连续的卫星数据来插值激光雷达采样，从而创建每年的基于激光雷达的地图。我们进一步探讨了MODIS燃烧区产品50的火灾频率，以确定有森林火灾的地区。导致森林覆盖率损失的其他活动，如砍伐森林，则使用从Landsat图像中获得的全球森林覆盖率（GFC）损失事件数据进行分析51。我们还利用TRMM 3B43产品的降雨数据对亚马逊流域的热带气候进行了分类52。3B43产品结合了来自TRMM和其他卫星的降雨量估计，以及全球网格化雨量计数据，并提供了从1998年开始的0.25°×0.25°空间分辨率的月度降水率53。我们在研究中使用的最后一个数据集是热带森林的基准生物量图1。使用基准生物量图作为参考，我们将GLAS高度指标解释为亚马逊森林的碳储存变化。然而，原始生物量图及其空间变化并没有直接影响我们的结果。
GLAS的预处理。GLAS的GLAH14产品是一个包含陆地高程和高程分布的陆地产品54。在我们的研究区域内，我们共有750万张GLAS照片，格式为GLAH14，研究时间为2003-2008年（补充表2）。但不是所有的数据都对研究年际变化有用，因此有必要进行数据筛选。为了从原始数据产品中获得对冠层结构的无偏估计，我们进行了以下必要的数据预处理步骤（补充表3）：LC滤波器、VCF滤波器、季节性滤波器、饱和度滤波器、2峰滤波器、云层滤波器和斜率滤波器。
分层随机抽样。分层随机抽样（SRS）是一种基于设计的抽样策略，首先将区域划分为K个不重叠的阶层，然后从每个阶层中选择空间上的随机样本。与系统抽样不同，SRS方法通常比简单随机抽样更有效率，同时保持对人口的设计无偏估计68,69,73。
分层的普通克里格法。基于设计的SRS方法通过将抽样程序视为独立事件来估计方差。但从基于模型的角度来看，由于空间自相关的性质，空间样本的观测值是相关的73。
**填补数据空白的空间模型。**使用来自MODIS和QuikSCAT的中分辨率卫星产品，我们将GLAS激光雷达采样推断为2003至2008年每年5公里分辨率的空间连续地图。MAIAC EVI代表了关于热带森林树冠结构及其潜在干扰状态的信息27。
**碳计算。**利用全球数据集中GLAS的地面校准的洛雷高度22，我们重建了亚马逊地区特有的GLAS衍生的洛雷高度（LH）。
**排放和森林碳变化的计算。**在MODIS烧毁面积产品和Landsat的GFC损失数据的帮助下，我们能够确定有火灾或毁林的像素。从每年的这些像素中，我们估算出每年毁林和火灾的排放量。通过计算每个5公里像素中火灾或毁林的面积比例（火灾用Af表示，毁林用Ad表示），将两个数据集放大到5公里的空间分辨率。
降水的空间模式。我们根据TRMM产品的降雨模式将亚马逊森林分层为五个不同的区域（图1a）。
**区域估计的不确定性。**我们使用三种不同的方法对GLAS的波形进行采样和解释（采样策略，补充图8a）。每种采样策略都有自己的假设。SRS是最保守的估计平均高度的方法，有很大的不确定性，但由于空间平衡的样本，是无偏的；SOK假设区块之间没有依赖性，每个区块的平均估计来自普通克里格；SMF使用QSCAT和MODIS假设每个5公里像素的GLAS采样可以很好地代表树木高度的动态，但来自地理上遥远的样本的预测不确定性比在不同时间测量的附近样本预测的误差大得多。我们选择介绍SMF的结果，因为SMF的变化是最保守的。
**与GLAS数据过滤有关的不确定性。**在我们的研究中，GLAS数据过滤也是一个重要的预处理步骤，以减少不确定性，避免从噪声数据中得出有偏见的结论。筛选步骤的演变（补充图9）显示，未经任何筛选的原始数据呈现出更加剧烈的下降趋势。我们的数据筛选程序对亚马逊森林的年际变化产生了一个更保守的、但仍然明显的负面趋势。