Noticias

Dec 04, 2023

Agua tropical cada vez más negativa

Naturaleza (2023)Citar esto

Naturaleza (2023)Citar este artículo

4613 Accesos

110 Altmetric

Detalles de métricas

Los ecosistemas terrestres han absorbido alrededor del 32% de las emisiones antropogénicas totales de CO2 en las últimas seis décadas1. Sin embargo, las grandes incertidumbres en las retroalimentaciones del carbono terrestre y el clima dificultan predecir cómo responderá el sumidero de carbono terrestre al cambio climático futuro2. Las variaciones interanuales en la tasa de crecimiento del CO2 atmosférico (CGR) están dominadas por los flujos de carbono tierra-atmósfera en los trópicos, lo que brinda la oportunidad de explorar las interacciones tierra-carbono-clima3,4,5,6. Se cree que las variaciones en la CGR están controladas en gran medida por la temperatura7,8,9,10, pero también hay evidencia de una estrecha relación entre la disponibilidad de agua y la CGR11. Aquí, utilizamos un registro de CO2 atmosférico global, almacenamiento de agua terrestre y datos de precipitación para investigar los cambios en la relación interanual entre las condiciones climáticas de la tierra tropical y la CGR bajo un clima cambiante. Encontramos que la relación interanual entre la disponibilidad de agua tropical y la CGR se volvió cada vez más negativa durante 1989–2018 en comparación con 1960–1989. Esto podría estar relacionado con cambios espaciotemporales en las anomalías de disponibilidad de agua tropical impulsadas por cambios en las teleconexiones de El Niño/Oscilación del Sur, incluida la disminución de los efectos compensatorios espaciales del agua9. También demostramos que la mayoría de los modelos acoplados del sistema terrestre y la superficie terrestre no reproducen el acoplamiento intensificador de agua y carbono. Nuestros resultados indican que la disponibilidad de agua tropical está controlando cada vez más la variabilidad interanual del ciclo del carbono terrestre y modulando las retroalimentaciones del clima y el carbono terrestre tropical.

Se encuentra que las variaciones interanuales (IAV) de la tasa de crecimiento de CO2 (CGR) están fuertemente correlacionadas con El Niño/Oscilación del Sur (ENOS)12,13 (por ejemplo, R = −0.55, P < 0.05 en la ref. 12, Pearson coeficiente de correlación), particularmente con las variaciones de la temperatura tropical7,8,9 (por ejemplo, R = 0,7, P < 0,01 en la ref. 7), a pesar del IAV más bajo de la temperatura tropical que para otros lugares14. La sensibilidad histórica del IAV de la CGR a la temperatura tropical se identificó además como una restricción observacional que puede reducir significativamente las incertidumbres en los presupuestos de carbono tropical proyectados5. En comparación con la temperatura tropical, la precipitación tropical concurrente no está bien correlacionada con CGR15,16 (por ejemplo, R = −0.19, P > 0.1 en la referencia 16), pero se demostró que la precipitación tropical retrasada explica fuertemente el IAV de CGR o tierra neta tropical flujo de carbono7,17 (por ejemplo, R = −0,5, P < 0,05 en la referencia 7), lo que da como resultado un papel ambiguo de la disponibilidad de agua en el control de la CGR desde la perspectiva del proceso. Recientemente, el lanzamiento de satélites gemelos del Gravity Recovery and Climate Experiment (GRACE) permitió la medición directa de la variabilidad del almacenamiento de agua terrestre (WS), y un análisis posterior mostró que está estrechamente acoplado a CGR11 (R = −0.85, P < 0,01). Sin embargo, en el contexto del cambio climático, no está claro si el acoplamiento identificado entre el clima y el carbono terrestre es constante a lo largo del tiempo o puede variar según los cambios en los forzadores del clima y el clima medio.

Aquí, investigamos los cambios en la relación interanual entre las condiciones climáticas terrestres tropicales y la CGR en las últimas décadas. Para complementar el registro de observación más breve de los satélites GRACE, también utilizamos la variabilidad del WS a largo plazo recientemente reconstruida18. Además, la precipitación anual con un retraso de 6 meses (LagP) puede aproximarse bien al WS IAV tropical agregado y se correlaciona con el IAV CGR, emergiendo como otro proxy eficiente para el IAV de disponibilidad de agua terrestre tropical (Métodos). Esto también ayuda a explicar por qué la precipitación retardada se correlacionó bien con la CGR en hallazgos anteriores7,17.

Se elimina la tendencia de todas las variables en la escala de tiempo anual al eliminar la tendencia lineal a largo plazo, ya que nos enfocamos en la relación en la variabilidad interanual. Los años posteriores a las erupciones del Monte Agung (1962 y 1963), El Chichón (1982) y el Monte Pinatubo (1991–1993) también se excluyen de los análisis para evitar perturbaciones de anomalías inusuales en el flujo de carbono19. Durante todo el período 1960-2018, la CGR se correlaciona significativamente con la temperatura tropical (RT, CGR = 0,64, P < 0,01, coeficiente de correlación de Pearson) y la WS tropical (RWS, CGR = −0,58, P < 0,01) (Fig. 1a ). El signo opuesto en las dos relaciones sugiere que las condiciones climáticas más cálidas (anomalía de temperatura positiva) y más secas (anomalía negativa de WS) generalmente amortiguaron el sumidero de carbono terrestre y, por lo tanto, aumentaron el crecimiento de CO2 atmosférico en las últimas décadas. También hay una pequeña proporción de CGR que no se ajusta al patrón general, lo que sugiere el papel de otros factores, como las emisiones antropogénicas excepcionales (no lineales) o el sumidero de carbono del océano.

a, Temperatura tropical anual versus WS tropical versus CGR en anomalías sin tendencia. Los valores de CGR están indicados por la barra de color. b, Histogramas de correlaciones interanuales de clima-CGR en las primeras tres décadas (1960-1989) y en las tres décadas más recientes (1989-2018), derivadas utilizando 5000 repeticiones de arranque. Tanto WS tropical como LagP se utilizan para representar la disponibilidad de agua tropical. c, Como para b pero mostrando histogramas de las correlaciones parciales de CGR con la temperatura tropical y el agua tropical después de controlar el agua tropical y la temperatura tropical, respectivamente. d, Histogramas de la sensibilidad interanual de CGR a WS tropical (γWS) y LagP (γLagP) en la regresión univariante para los mismos dos períodos, derivados usando 5000 repeticiones de arranque. A diferencia de las correlaciones, γWS y γLagP difieren en magnitud debido a las diferencias en la magnitud de WS y LagP IAV y, por lo tanto, se muestran por separado. La unidad de esta sensibilidad es PgC año−1 por Tt H2O. e, Como para d pero mostrando γWS y γLagP estimados utilizando la regresión bivariada con agua tropical y temperatura tropical como predictores. La regresión de cresta se utiliza aquí para reducir los sesgos de la alta colinealidad entre el agua y la temperatura (Métodos).

A continuación, investigamos cómo cambia la correlación entre el clima y la CGR desde los primeros 30 años (1960–1989) hasta los 30 años más recientes (1989–2018). La incertidumbre de la correlación se cuantifica mediante bootstrapping (5.000 repeticiones). Los resultados muestran que las distribuciones de arranque de las correlaciones temperatura-CGR son similares entre los dos períodos, pero las correlaciones agua-CGR son significativamente diferentes entre los dos períodos (según la prueba de rango con signo de Wilcoxon, P < 0,05) y se vuelven más negativas con el tiempo. (Fig. 1b y Tabla de datos extendida 1). Para verificar si esta correlación agua-carbono cada vez más negativa está influenciada por el posible acoplamiento confuso de la temperatura del agua, observamos la dinámica temporal de las correlaciones de la temperatura del agua y encontramos que son estables en el tiempo (Fig. 1 complementaria). Las correlaciones parciales eliminan las correlaciones agua-temperatura y sus cambios relativos ayudan directamente a confirmar que la correlación agua-carbono tropical cada vez más negativa sigue siendo sólida (Fig. 1c). Observamos que debido a que la variabilidad del agua terrestre también puede influir indirectamente en el ciclo del carbono terrestre al desencadenar temperaturas atmosféricas extremas a través de retroalimentaciones bien documentadas entre la humedad del suelo y la atmósfera20,21, podría ser inapropiado interpretar la correlación parcial RW,CGR|T como impactos totales en el agua en CGR en los dos períodos, pero los cambios temporales de RW,CGR|T son útiles aquí (Métodos). Además, calculamos las correlaciones clima-CGR para una ventana móvil de 25 años para proporcionar información sobre los cambios graduales, que son bastante suaves con el tiempo (Figura complementaria 2). Para probar aún más la solidez de los cambios en las correlaciones interanuales entre el agua tropical y la CGR, también consideramos conjuntos de datos de observación alternativos de precipitación tropical anual y temperatura tropical (Datos extendidos Fig. 1a). Para verificar que el IAV en CGR no se origine principalmente de las emisiones de combustibles fósiles, el cambio de uso de la tierra y la absorción del océano, también usamos el sumidero de tierra residual (RLS) en lugar de CGR (Datos extendidos Fig. 1b). Todos estos resultados apuntan a una correlación cada vez más negativa entre el agua tropical y la CGR en la escala interanual durante las últimas décadas.

La sensibilidad de CGR IAV al agua tropical se estima aún más utilizando regresiones lineales, definidas como la pendiente de la regresión entre CGR y el clima, con ambas variables sin tendencia. En alineación con las correlaciones, primero realizamos una regresión univariada en la que la CGR es función del agua tropical únicamente para evitar posibles subestimaciones de la sensibilidad de la CGR a las variaciones de las aguas tropicales. La sensibilidad univariada de CGR a WS tropical y LagP aumentó (más negativa) en aproximadamente un 35% en promedio desde los 30 años anteriores (1960-1989) hasta los 30 años más recientes (1989-2018) (Fig. 1d y Tabla de datos extendida 1). Por ejemplo, la sensibilidad a la WS tropical aumentó de −0,95 ± 0,27 PgC año−1 por Tt H2O (teratoneladas de agua) a −1,26 ± 0,23 PgC año−1 por Tt H2O durante los mismos dos períodos. También realizamos una regresión lineal bivariada con la temperatura tropical y el agua tropical como predictores, y la sensibilidad de la CGR a las variaciones del agua tropical no es significativamente diferente de 0 en los primeros 30 años, pero se vuelve significativamente negativa en los últimos 30 años (P < 0,05) (Figura 1e). Usamos la regresión de cresta para reducir los efectos de la alta colinealidad entre el agua y la temperatura en las estimaciones de sensibilidad, pero la regresión de mínimos cuadrados ordinarios (OLS) también produce una sensibilidad cada vez más negativa con el tiempo (Tabla 1 de datos ampliados). Además, los resultados basados ​​en una ventana móvil de 25 años muestran que la sensibilidad se estanca en el período reciente de 34 años, es decir, después de la ventana de tiempo centrada en 1997 (1985-2009) (Figura complementaria 3). Estos resultados juntos sugieren que la relación interanual entre el agua tropical y la CGR se ha vuelto cada vez más negativa en el pasado reciente (1989–2018) en comparación con las condiciones climáticas anteriores (1960–1989). Además, encontramos que la amplitud de la mejora de la sensibilidad a la temperatura a partir de la regresión bivariada es menor que la informada anteriormente16,22, si se utiliza WS o LagP, en lugar de la precipitación concurrente, como proxy de la disponibilidad de agua (Datos ampliados, Fig. 2). Esto se debe a que no se identificó ni se dispuso de un proxy preciso para la disponibilidad de agua (es decir, usando precipitación concurrente (RPre,CGR = −0,19, P > 0,1 en la referencia 16) en lugar de WS o LagP como proxy a partir de 1960 ( RLagP,CGR = −0,68, P < 0,01; datos ampliados Fig. 3b)). Además, ampliamos el período de tiempo del análisis al incluir de 2011 a 2018 y observamos una disminución reciente de la sensibilidad a la temperatura. Todos estos resultados enfatizan que es crucial integrar la disponibilidad de agua en la métrica de retroalimentación de carbono-clima para estimar mejor los cambios provocados por el clima en el sumidero de carbono terrestre tropical.

Los cambios interanuales en el clima tropical son impulsados ​​en gran medida por ENSO23. Bajo el calentamiento antropogénico, la creciente evidencia observacional muestra cambios sólidos en las características de ENOS, como aumentos en la frecuencia y variabilidad con cambios en los tipos24, especialmente los cambios más grandes de anomalías en la temperatura de la superficie del mar (TSM) del Pacífico Oriental (EP) al Pacífico Central (CP). ) desde la década de 199025,26,27,28. Como resultado, es probable que altere los patrones de los flujos de humedad y calor en los continentes tropicales, por ejemplo, desencadenando sequías e incendios más extremos29 y, por lo tanto, modulando las retroalimentaciones terrestres de carbono y clima. De hecho, encontramos que la mayoría de los años con alta coherencia espacial de anomalías tropicales de WS son años ENOS (Fig. 2a, b), para los cuales la coherencia espacial se cuantifica aplicando una métrica ajustada de la ref. 9 (Métodos). Todavía hay una pequeña proporción de alta coherencia espacial que no puede ser explicada por ENOS, lo que sugiere un papel para otros factores, como la variabilidad del Atlántico tropical30,31 y el Dipolo del Océano Índico32,33. En comparación con los años ENOS neutrales, los patrones espaciales de la anomalía WS durante los años ENOS son bastante uniformes (Datos extendidos, Fig. 4). Luego, desde los primeros 30 años (1960–1989) hasta los 30 años más recientes (1989–2018), la fracción de años con altos niveles de coherencia espacial aumenta del 30 % al 41 % debido a mayores contribuciones de CP ENOS y menos neutrales. años (Fig. 2b). Estos resultados podrían ser importantes porque el papel dominante de la disponibilidad de agua en el control de los flujos de carbono a mayor escala se ve afectado por el grado de compensación espacial de las anomalías del agua: la disponibilidad de agua domina claramente el flujo de carbono IAV a nivel local, pero este control podría compensarse espacialmente en parte cuando se agrega9. Para confirmar aún más los efectos de la coherencia espacial en el acoplamiento agua tropical-CGR, realizamos un nuevo análisis de subconjunto. Primero eliminamos la tendencia de todos los años de datos eliminando la tendencia a largo plazo y luego los agrupamos en tres subconjuntos de acuerdo con los niveles de coherencia espacial. El RWS,CGR es altamente negativo solo cuando la coherencia espacial es alta (Fig. 2c). El RWS,CGR|T confirma que esta dependencia del acoplamiento agua-carbono en la coherencia espacial no está influenciada por efectos de temperatura confusos. Se encuentran resultados similares cuando reemplazamos WS con LagP (Fig. 4 complementaria). También se espera que la sensibilidad de CGR a WS se vuelva aparentemente negativa solo cuando la coherencia espacial es alta (Figura 5 complementaria). Otro análisis de subconjunto que utiliza una ventana móvil de 25 años también respalda la idea de que la coherencia espacial mejorada fortalece el acoplamiento cada vez más negativo del agua tropical-CGR (Figura complementaria 6). Estos resultados indican que la mejora identificada de la coherencia espacial impulsada por ENOS a lo largo del tiempo es una explicación probable del acoplamiento cada vez más negativo entre el agua tropical y el CGR IAV. En el futuro, si los eventos CP ENSO se vuelven más comunes con el calentamiento global, como se predijo34, el agua tropical podría continuar controlando cada vez más el IAV del sumidero terrestre tropical. Las investigaciones adicionales sobre los diferentes impactos de los eventos EP ENSO y CP ENSO en el ciclo del carbono terrestre son útiles para comprender mejor las futuras retroalimentaciones del carbono y el clima35,36.

a, Variaciones de año a año de la coherencia espacial de la anomalía del WS tropical y ENOS. Todos los años se clasifican en tres subconjuntos según el nivel de coherencia espacial: nivel bajo (percentil 0 a 33,3); nivel medio (percentil 33,3 a 66,6); y nivel alto (percentil 66,6 a 100). El año se considera ENSO del Pacífico Oriental (EP) cuando la anomalía DJF SST más grande sobre la región de 2° S–2° N, 110° E–90° W se encuentra en el Pacífico Oriental (al este de 150° W) y el índice Nino3 excede 1 sd Año se considera Pacífico Central (CP) ENSO cuando la anomalía DJF SST más grande correspondiente se encuentra en el Pacífico Central (al oeste de 150° W) y el índice Nino4 excede 1 sd Los años volcánicos se excluyen de los análisis. Las líneas discontinuas verticales grises conectan los símbolos de alta coherencia espacial y ENSO. b, Fracción de años con alta coherencia espacial dentro del primer período de 30 años (1960–1989) y dentro del período reciente de 30 años (1989–2018). Los años neutrales se identifican como años que no están en el estado EP ENSO o CP ENSO. c, Dependencia de RWS,CGR y RWS,CGR|T en la coherencia espacial de la anomalía WS. **P < 0,05 (correlación significativa).

Las relaciones de observación entre el clima tropical y la CGR son métricas valiosas para diagnosticar la capacidad de los modelos para simular la variabilidad interanual del carbono y el clima terrestre. Por lo tanto, investigamos si los modelos de última generación que participan en la Fase 6 del Proyecto de Intercomparación de Modelos Acoplados (CMIP6) pueden capturar esta característica observada. Calculamos la correlación interanual entre la WS tropical (utilizando la humedad total del suelo tropical como proxy) y el intercambio global neto de ecosistemas simulado (NEE, respiración del ecosistema menos fotosíntesis) estimado por un conjunto de nueve Modelos del Sistema Terrestre (ESM) acoplados y seis Modelos de Superficie Terrestre fuera de línea (LSM) en el período histórico 1960-2014 (Métodos). Encontramos que las correlaciones (parciales) entre la humedad del suelo tropical simulada y el NEE global son persistentemente altas y, por lo tanto, permanecen casi sin cambios a lo largo del tiempo en la mayoría de los ESM y LSM (Fig. 3a y Datos extendidos Fig. 5). Además, la mayoría de los modelos no reproducen la mayor sensibilidad de NEE a la humedad del suelo tropical, aunque difieren en gran medida en la magnitud absoluta de la sensibilidad (Datos ampliados, Fig. 6). Estos resultados indican que los modelos no capturan la mejora emergente observada del acoplamiento agua-carbono tropical a lo largo del tiempo, aunque los modelos capturan aproximadamente el signo y la fuerza de esta relación agua-carbono interanual durante 1960-2014 (Fig. 3b). La capacidad de los modelos para reproducir el acoplamiento agua-carbono tropical observado depende no solo de la simulación de la disponibilidad de agua terrestre sino también de las representaciones de procesos de la respuesta del ciclo del carbono al clima. Además, encontramos que los modelos podrían no representar bien la última parte porque el acoplamiento agua-carbono modelado es estable a lo largo del tiempo, independientemente de las grandes diferencias entre la humedad del suelo simulada. Específicamente, los patrones espaciales dominantes de las anomalías de humedad del suelo simuladas son en gran medida divergentes entre los modelos (Figuras complementarias 7 y 8), aunque la humedad del suelo simulada de todos los modelos fuera de línea generalmente puede capturar las teleconexiones ENOS (Figura complementaria 9). Para los ESM acoplados, la razón subyacente es más compleja, por ejemplo, tienen problemas conocidos al simular la probabilidad de ocurrencia de EP ENSO y CP ENSO37 históricos. En comparación con la respiración del ecosistema, la respuesta simulada de la producción primaria bruta del ecosistema a la humedad del suelo en los modelos es más consistente (Figuras complementarias 10 y 11). La inclusión adicional de posibles flujos de carbono modelados de incendios y otras perturbaciones, es decir, reemplazar NEE con producción neta de bioma, no puede ayudar a explicar la falla de los modelos para reproducir el acoplamiento intensificado de agua y carbono (Figura complementaria 12). Es posible que los modelos también carezcan de algunas representaciones de procesos críticos11, como la parametrización de la absorción de aguas profundas38, la mortalidad de los árboles39 y las características relacionadas con la adaptación de las raíces de las plantas40. Por lo tanto, la capacidad de los modelos para proyectar futuras retroalimentaciones terrestres de carbono y clima está sujeta a incertidumbres y estos resultados requieren mejoras en las interacciones agua-carbono para restringir mejor las proyecciones.

a, Cambios en las correlaciones interanuales y correlaciones parciales entre la disponibilidad de agua tropical y los flujos de carbono terrestre desde los 27 años anteriores (1960–1986) hasta los 27 años recientes (1988–2014). Para correlaciones parciales, se controla la temperatura tropical. Todas las variables se eliminan de la tendencia a escala anual en cada ventana correspondiente. Para las observaciones, se utilizan CGR/RLS, WS tropical reconstruido/LagP tropical y temperatura tropical para los cálculos (n = 4). Para los modelos, el NEE global, la humedad total del suelo tropical y la temperatura tropical de cada modelo se utilizan para los cálculos (modelos acoplados, n = 9; modelos fuera de línea, n = 6). Los diagramas de caja muestran la distribución de las estimaciones para todos los modelos, las líneas horizontales continuas indican los valores medianos, las cajas cubren el rango intercuartílico y las líneas verticales alcanzan los percentiles 5 y 95. b, Igual que a pero mostrando las correlaciones interanuales y las correlaciones parciales entre la disponibilidad de agua tropical y los flujos de carbono en la tierra durante 1960–2014.

Se carece de observaciones directas de los flujos de carbono netos y constituyentes tropicales que cubran un período de tiempo tan largo, lo que limita las atribuciones espacialmente explícitas de los cambios en los flujos de carbono a regiones específicas y los factores subyacentes. Evidencia reciente muestra que los flujos de carbono sobre el suelo (AGC) en biomas tropicales semiáridos están fuertemente asociados con CGR IAV durante 2011–201741. La dinámica del AGC tropical se recupera de las observaciones satelitales de microondas de la profundidad óptica de la vegetación (VOD). Sin embargo, nueva evidencia plantea una advertencia sobre la interpretación de IAV de AGC derivado de VOD (AGCVOD) como IAV de biomasa solo porque esto podría estar más directamente relacionado con la humedad del suelo42. Por lo tanto, aunque encontramos un mayor acoplamiento CGR-AGCVOD semiárido en los últimos 15 años (2002-2016) en relación con los primeros 15 años (1989-2003) utilizando el VOD de banda Ku disponible más largo siguiendo el enfoque de la ref. 41 (Métodos y Fig. 13 complementaria), las interpretaciones subyacentes necesitan más validaciones. No obstante, los análisis independientes de VOD implican que los ecosistemas semiáridos sensibles al agua podrían haberse vuelto más importantes para CGR IAV durante las últimas tres décadas. Aún no se dispone de variaciones en otros flujos de carbono constituyentes; por ejemplo, la dinámica temporal de la respiración del suelo a gran escala y la sensibilidad a la temperatura de la respiración del suelo están limitadas por la disponibilidad de datos y, por lo tanto, siguen siendo inciertas43. Otros posibles mecanismos que no se investigan aquí incluyen los efectos de sinergia de otras perturbaciones inducidas por la sequía (como los efectos del fuego44), los efectos duraderos de la mortalidad de los árboles en la absorción de carbono45 y la disminución de la sensibilidad a la temperatura tanto de la fotosíntesis tropical como de la respiración del suelo bajo el calentamiento global46. Los 30 años más recientes (1989-2018) se superponen con la "pausa del calentamiento global" decenal (1998-2012) en la que la variabilidad interna natural, como ENOS, podría desempeñar un papel47. Los efectos de la variabilidad interna no deberían cambiar el mayor control de aguas tropicales sobre CGR IAV en el futuro porque ya hemos tenido en cuenta ENSO. Se requieren más estudios para investigar estos posibles mecanismos, por ejemplo, mediante la integración de nuevas observaciones de torres de flujo, experimentos de campo y satélites48 para calibrar modelos orientados a procesos.

En resumen, demostramos que es probable que la disponibilidad de agua tropical tenga una CGR atmosférica interanual cada vez más controlada durante los últimos 59 años. El factor climático dominante de la variación interanual del ciclo del carbono terrestre ya ha mostrado una tendencia a pasar de la temperatura al agua, lo que sugiere un aumento de las limitaciones de agua en el sumidero de carbono terrestre tropical. Por lo tanto, también reconciliamos en parte el debate de los controles de agua versus temperatura para el ciclo del carbono terrestre7,9,11 desde la perspectiva de los marcos de tiempo considerados, además de la opinión reciente de que la retroalimentación tierra-atmósfera es importante20. Dado que la sensibilidad de la absorción de carbono terrestre a la temperatura se usa generalmente como medida para diagnosticar o limitar las retroalimentaciones del clima y el carbono terrestre49, solicitamos que se preste más atención a la relevancia del agua tropical para predecir la CGR atmosférica del próximo año y sugerimos que es oportuno. introducir restricciones basadas en el agua en futuras retroalimentaciones de carbono terrestre tropical y clima. Las incertidumbres en la retroalimentación del clima y el carbono terrestre afectan fuertemente la evaluación de la magnitud de las reducciones de emisiones requeridas para lograr cualquier objetivo de temperatura global. Por lo tanto, el fracaso de los modelos de última generación para capturar el acoplamiento cada vez más negativo observado entre las aguas terrestres tropicales y la CGR interanual exige una mejor caracterización de los procesos relevantes para mejorar la representación del ciclo del carbono terrestre en los ESM y las proyecciones climáticas.

La CGR atmosférica global anual que abarca desde 1960 hasta 2018 se obtiene de la referencia de la capa límite marina de gases de efecto invernadero de la Administración Nacional Oceánica y Atmosférica (NOAA/ESRL)50. Según la directriz, la CGR anual en un año determinado es la diferencia en la concentración de CO2 entre finales de diciembre y principios de enero de ese año. Además, también usamos el RLS estimado del último Global Carbon Budget 20201 para verificar la solidez de nuestro hallazgo principal (Datos extendidos Fig. 1b). RLS se infiere como un residuo entre las emisiones, la acumulación de CO2 atmosférico y el sumidero oceánico.

Los satélites gemelos GRACE proporcionan la medición de los cambios en la WS terrestre a escala mensual desde marzo de 200251. En particular, la WS terrestre es la suma de toda la WS por encima y por debajo de la superficie, incluida la humedad del suelo, las aguas subterráneas, la nieve, el hielo y el agua almacenada en vegetación y ríos y lagos. Para complementar el registro más corto de observaciones proporcionadas por los satélites GRACE, utilizamos una reconstrucción estadística recientemente publicada de WS terrestre que se entrenó en los satélites gemelos GRACE18. El WS terrestre reconstruido se basa en dos soluciones GRACE diferentes y tres conjuntos de datos de forzamiento meteorológico diferentes. Aquí, usamos principalmente la media del conjunto de todos los miembros. Los detalles del enfoque estadístico están documentados en la ref. 18. La validación contra el WS terrestre original respalda la confiabilidad de las reconstrucciones en la reproducción de señales históricas a escala de tiempo anual, incluidos los trópicos (Figura complementaria 14 y Tabla complementaria 1). El conjunto de datos WS terrestre reconstruido tiene una resolución espacial de 0,5° × 0,5° y una resolución temporal de un día desde 1901 hasta 2018.

Además, se encontró que las observaciones directas de LagP sobre tierras tropicales capturan el IAV de la anomalía de WS tropical agregada en una escala de tiempo anual (Datos extendidos, Fig. 3a y Tabla complementaria 1). Por ejemplo, el LagP en 2018 es la suma de la precipitación desde julio de 2017 hasta junio de 2018. Además, de acuerdo con hallazgos anteriores7,17, el IAV de la precipitación retrasada en tierras tropicales se correlaciona con el pozo CGR (datos extendidos, Fig. 3b) . Esto ayuda a explicar la racionalidad de esta relación a partir del proceso de memoria WS. Por lo tanto, LagP se identifica como otro proxy eficiente para IAV de anomalía de WS tropical agregada. La precipitación se obtiene de la Unidad de Investigación Climática (CRU) TS4.03 (ref. 52) basada en la estación y el Centro de Climatología de Precipitación Global (GPCC) Full Data Monthly v.2020. Para confirmar aún más que la calidad de los datos de la precipitación tropical basada en estaciones es confiable, comparamos la precipitación CRU basada en estaciones con la precipitación de la Misión de Medición de Lluvia Tropical (TRMM) basada en satélites (Datos extendidos Fig. 7a); también comparamos la precipitación de CRU con la precipitación de GPCC, que tiene estaciones de medición mucho más grandes que CRU (Datos extendidos, Fig. 7b). De hecho, en comparación con las décadas de 2000 a 2010 (en las que las observaciones satelitales confirman la confiabilidad del IAV de precipitación tropical basado en estaciones), la cantidad de estaciones de medición fue mucho mayor en las décadas de 1960 y 1990 (Datos extendidos Fig. 7c). Estas validaciones sugieren que el IAV de precipitación tropical basado en estaciones es confiable durante 1960–2018. El conjunto de datos de precipitación TRMM 3B43 tiene una resolución espacial de 0,25° × 0,25° y una resolución temporal de 1 mes desde 1998 hasta 2019. Tanto CRU como GPCC tienen una resolución espacial de 0,5° × 0,5° y una resolución temporal de 1 mes desde 1891 hasta 2018.

Por lo tanto, usamos WS tropical y LagP reconstruidos anualmente para indicar el IAV de la anomalía de disponibilidad de agua terrestre tropical.

La temperatura se obtiene de CRU TS4.03 (ref. 52). La temperatura de la superficie global de la Tierra de Berkeley también se usa para una prueba robusta53. Los dos conjuntos de datos de temperatura tienen una resolución espacial de 0,5° × 0,5° y una resolución temporal de 1 mes desde 1901 hasta 2018.

Las tierras tropicales se definen como el promedio espacial de todas las áreas de tierra con vegetación entre 24° N y 24° S, como en la ref. 7. El dominio de la región tropical semiárida consiste en matorrales y sabana (leñosa), que se identifica de acuerdo con el mapa de clasificación de cobertura terrestre de MODIS (MCD12C1, tipo 3). El mapa se volvió a cuadricular utilizando un filtro mayoritario a una resolución espacial de 0,5° × 0,5°.

El ENOS es la fuente más importante de variabilidad climática interanual de la Tierra. Los promedios de área de las anomalías de la temperatura de la superficie del mar (TSM) en relación con una climatología promedio a largo plazo se utilizan para caracterizar ENOS. El período de tiempo de 1960 a 2018 se utiliza aquí como climatología. Las anomalías de la TSM sobre la región Nino3.4 (5° N–5° S, 120° W–170° W) son las más utilizadas e incluyen las señales de EP ENSO y CP ENSO54. El año se considera EP ENSO cuando la anomalía DJF (diciembre a febrero) más grande de TSM sobre la región de 2° S–2° N, 110° E–90° W se encuentra en el EP (al este de 150° W) y el índice Nino3 excede 1 sd Año se considera CP ENOS cuando la correspondiente anomalía DJF SST más grande se encuentra en el CP (al oeste de 150° W) y el índice de Nino4 excede 1 sd Notamos que la identificación de los tipos ENOS podría variar con el método utilizado27. Este estudio utiliza la Temperatura Superficial del Mar de Reconstrucción Extendida (ERASST v.5) de la Administración Nacional Oceánica y Atmosférica (NOAA). Este conjunto de datos tiene una resolución temporal de 1 mes desde 1855 hasta el presente y una resolución espacial de 2° × 2° (ref. 55).

Se utilizan nueve ESM acoplados que participan en la sexta fase del Proyecto de intercomparación de modelos acoplados (CMIP6): CESM2, CNRM-ESM2-1, IPSL-CM6A-LR, MPI-ESM1-2-LR, UKESM1-0-LL, ACCESS-ESM1 -5, CanESM5, MIROC-ES2L y NorESM2-LM. Los ESM acoplados permiten retroalimentaciones entre el clima físico y los procesos biológicos y químicos en el océano y en la tierra. Adoptamos la salida de datos del escenario 'histórico' (1960–2014) con un miembro del conjunto para cada modelo. Los sumideros de carbono del clima y la tierra se simulan con todos los forzamientos, incluidas las causas naturales (por ejemplo, erupciones volcánicas y variabilidad solar) y factores humanos (por ejemplo, concentración de CO2, aerosoles y uso de la tierra) durante el período 1850-2014. En los ESM acoplados, el ciclo del carbono está acoplado al sistema climático.

Aquí se utilizan seis LSM fuera de línea del Proyecto de intercomparación de modelos de humedad de la superficie terrestre, la nieve y el suelo (LS3MIP)56: CESM2, CNRM-ESM2-1, IPSL-CM6A-LR, MPI-ESM1-2-LR, UKESM1-0-LL y CMCC-ESM2. Los LSM fuera de línea dan cuenta de los cambios en el uso de la tierra, pero no incluyen retroalimentaciones locales de la tierra y la atmósfera. Adoptamos la salida de datos del escenario 'Land-Hist' (1960–2014) con un miembro del conjunto para cada modelo, para el cual se prescribieron los datos de forzamiento atmosférico, vegetación, suelo, topografía y máscara terrestre/mar siguiendo el protocolo utilizado para el Simulaciones CMIP6 DECK. El forzamiento atmosférico proviene de la fase tres del Proyecto Global de Humedad del Suelo (GSWP3), que es una versión dinámicamente reducida y con corrección de sesgos del Twentieth Century Reanalysis57. La puesta en marcha de las simulaciones solo terrestres sigue el protocolo del proyecto 'Tendencias e impulsores de las fuentes y sumideros de dióxido de carbono a escala regional' (TRENDY)58.

Siguiendo esfuerzos previos11,59, para permitir una comparación justa de la relación agua-carbono entre las observaciones y los modelos, utilizamos la suma de la humedad del suelo en todas las capas y el equivalente de agua de nieve como WS terrestre modelado. En los trópicos, el equivalente de agua de nieve es insignificante.

La correlación parcial se usa aquí para verificar directamente si el acoplamiento agua-carbono cada vez más negativo está influenciado por el acoplamiento agua-temperatura de confusión. Sin embargo, no se sugiere usar valores específicos de RW,CGR|T para concluir el signo y la fuerza de los impactos totales del agua en la CGR. RW,CGR|T aísla los impactos del agua en la CGR del acoplamiento confuso de la temperatura del agua mediante la eliminación lineal de todas las covariaciones relacionadas con la temperatura. Sin embargo, dadas las bien documentadas retroalimentaciones de la humedad del suelo y la atmósfera21, la variabilidad de la temperatura en realidad incluye muchas retroalimentaciones de la humedad del suelo (por ejemplo, temperaturas extremas en las regiones tropicales semiáridas) y eliminarlas eliminaría indirectamente algunos impactos del agua en la CGR debido a su conexión física. Además, los modelos no reproducen el acoplamiento intensificado de agua y carbono, pero capturan aproximadamente el signo y la fuerza del acoplamiento tropical de agua y carbono a largo plazo durante 1960-2018, lo que proporciona información sobre los procesos subyacentes. Los experimentos factoriales modelo muestran que la eliminación de la variabilidad interanual de la humedad del suelo suprime la variabilidad de la absorción de carbono terrestre en aproximadamente un 90 %, mientras que la temperatura media tropical permanece sin cambios (Datos ampliados, Fig. 10 en la ref. 20). Por lo tanto, ref. 20 sugieren que la temperatura media tropical podría no representar un impulsor climático mecánico para la variabilidad de la absorción de carbono terrestre. Por lo tanto, RW,CGR|T es una medida insuficiente y menos precisa para inferir el signo y la fuerza de los impactos independientes del agua en la CGR y subestimar los impactos del agua en la CGR en fases en las que el control de la temperatura es dominante. No obstante, sus cambios relativos son útiles en este estudio y respaldan el hallazgo de que el acoplamiento agua-carbono se ha vuelto cada vez más negativo en el pasado reciente (1989-2018) en comparación con las condiciones climáticas anteriores (1960-1989).

El método de análisis de funciones ortogonales empíricas (EOF) puede desconvolucionar la variabilidad espaciotemporal de una señal en modos ortogonales, cada uno indicado por un patrón espacial principal y la serie temporal de componentes principales correspondiente. Es ampliamente utilizado para estudiar patrones espaciales de variabilidad climática y cómo cambian con el tiempo60,61. Realizamos el análisis EOF en la humedad del suelo tropical simulada de los modelos CMIP6.

En presencia de colinealidad, el uso del estimador OLS puede conducir a estimaciones de coeficientes de regresión que tienen una gran variabilidad de muestreo e incluso un signo erróneo. La regresión de cresta es una técnica común que se utiliza para abordar los problemas que surgen a través de la colinealidad62. En la regresión de cresta, se agrega un término de penalización a la función de pérdida para reducir los coeficientes de regresión63. La cantidad de contracción se define mediante un parámetro de regularización que elegimos en un enfoque de validación cruzada. Los datos se dividieron aleatoriamente 25 veces en conjuntos de entrenamiento y validación y, para cada división, se evaluó el rendimiento del conjunto de prueba de validación (error cuadrático medio) para 100 parámetros de regularización diferentes espaciados uniformemente en una escala logarítmica. Se seleccionaron los parámetros de regularización de mejor rendimiento para cada división y se retuvo el promedio entre ellos para el modelo final. Para evaluar la incertidumbre en las estimaciones de los coeficientes de regresión, nos basamos en el arranque, lo que significa que tomamos muestras aleatorias de los datos 5000 veces y estimamos los coeficientes de regresión para cada muestra.

Para cuantificar el grado de coherencia espacial de la anomalía tropical anual de WS, siguiendo la ref. 9, calculamos una gran matriz de covarianza de todas las celdas de la cuadrícula frente a todas las celdas de la cuadrícula para la anomalía de WS tropical. Cada elemento de esta matriz de covarianza se denomina ci,j de la siguiente manera:

donde i y j indican las dos celdas de cuadrícula que se usaron para calcular la covarianza, WSi y WSj son las series temporales de anomalías anuales de WS correspondientes en el período de tiempo especificado. Luego, sumamos todos los términos de covarianza positivos y negativos (denominados tcov, tcov+ y tcov−), respectivamente, de la siguiente manera:

Las varianzas en la diagonal de la matriz de covarianza (donde i = j) fueron excluidas porque siempre son positivas y no contribuyen a la estimación de la coherencia espacial. Finalmente, la coherencia espacial de la anomalía WS se definió como la siguiente ecuación:

En teoría, el 100 % indica que todas las celdas de la cuadrícula covarian en el mismo signo, es decir, la mayor coherencia espacial. Los valores más bajos indican que las covarianzas positivas totales se contrarrestan con las covarianzas negativas totales, es decir, una coherencia espacial más baja.

El VOD obtenido de las observaciones satelitales de microondas está vinculado al contenido de agua de la masa de vegetación y ofrece posibilidades para monitorear la dinámica de AGC41. Utilizamos productos VOD a largo plazo publicados recientemente del Archivo Climático VOD (VODCA), que combina recuperaciones de VOD derivadas de múltiples sensores (SSM/I, TMI, AMSR-E, WindSat y AMSR2) utilizando el Modelo de recuperación de parámetros terrestres64 . Para completar el tiempo, usamos el VOD más largo disponible estimado de la banda Ku que cubre el período 1988-2016. Para estimar el AGC tropical, siguiendo el enfoque de la ref. 65, primero ajustamos una función empírica de cuatro parámetros calibrando VOD tropical contra el mapa de referencia AGC tropical de la ref. 66 en 2000 de la siguiente manera:

donde a, b, c y d son los cuatro parámetros de mejor ajuste e Inf se establece en 1010. La densidad de AGC (MgC ha−1) se obtuvo multiplicando los valores originales de densidad de biomasa aérea por un factor de 0,5 (ref. 67). Para Ku-VOD y AGC, los datos se agregan a una resolución espacial de 0,5° × 0,5°. El gráfico de dispersión espacial de VOD y AGC demuestra claramente la buena relación entre VOD y AGC (coeficiente de determinación R2 = 0,76, P <0,01; Fig. 15 complementaria). Parece que el rendimiento de VODCA Ku-VOD es menos comparable con L-VOD (R2 = 0,81) (ref. 41), que se consideró más sensible a AGC en regiones de alta biomasa. Sin embargo, L-VOD solo ha estado disponible desde 2010 y, por lo tanto, no se usa aquí. Finalmente, aplicamos esta función empírica para convertir VOD a AGC de 1988 a 2016.

Todos los conjuntos de datos utilizados aquí están disponibles públicamente. Las observaciones de CO2 atmosférico están disponibles en https://gml.noaa.gov/ccgg/; Las observaciones de GRACE del WS terrestre están disponibles en https://grace.jpl.nasa.gov/data/get-data/monthly-mass-grids-land/; Los WS terrestres GRACE-REC están disponibles en https://doi.org/10.6084/m9.figshare.7670849; Los conjuntos de datos climáticos de CRU están disponibles en https://www.uea.ac.uk/groups-and-centres/climatic-research-unit; El conjunto de datos de precipitación de GPCC está disponible en https://www.dwd.de/EN/ourservices/gpcc/gpcc.html; El conjunto de datos de precipitación TRMM está disponible en https://disc.gsfc.nasa.gov/datasets/; Los conjuntos de datos climáticos de Berkeley Earth están disponibles en http://berkeleyearth.org/; ERASST v.5 está disponible en https://psl.noaa.gov/data/gridded/data.noaa.ersst.v5.html; Los resultados del modelo CMIP6 están disponibles en https://pcmdi.llnl.gov/CMIP6/; y los productos VODCA están disponibles en https://doi.org/10.5281/zenodo.2575599.

Los códigos están disponibles a través de Zenodo en https://doi.org/10.5281/zenodo.6447779.

Friedlingstein, P. et al. Presupuesto global de carbono 2020. Earth Syst. ciencia Datos 12, 3269–3340 (2020).

Artículo ANUNCIOS Google Académico

Friedlingstein, P. et al. Análisis de retroalimentación del ciclo clima-carbono: resultados de la intercomparación de modelos (CMIP)-M-4. J. Clim. 19, 3337–3353 (2006).

Artículo ANUNCIOS Google Académico

Bouquet, P. et al. Cambios regionales en los flujos de dióxido de carbono de la tierra y los océanos desde 1980. Science 290, 1342–1346 (2000).

Artículo ADS CAS PubMed Google Scholar

Piao, SL et al. Variación interanual del ciclo del carbono terrestre: Problemas y perspectivas. globo Cambio Biol. 26, 300–318 (2020).

Artículo ANUNCIOS Google Académico

Cox, PM y col. Sensibilidad del carbono tropical al cambio climático restringida por la variabilidad del dióxido de carbono. Naturaleza 494, 341–344 (2013).

Artículo ADS CAS PubMed Google Scholar

Canadell, JG et al. in Climate Change 2021: The Physical Science Basis (eds Masson-Delmotte, V. et al.) 673–816 (Cambridge Univ. Press, 2021).

Wang, WL et al. Variaciones en las tasas de crecimiento del CO2 atmosférico junto con la temperatura tropical. proc. Academia Nacional. ciencia EE. UU. 110, 13061–13066 (2013).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Anderegg, WRL et al. El calentamiento nocturno tropical como impulsor dominante de la variabilidad en el sumidero de carbono terrestre. proc. Academia Nacional. ciencia EE. UU. 112, 15591–15596 (2015).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Jung, M. et al. Los efectos compensatorios del agua vinculan los cambios anuales del sumidero de CO2 terrestre global con la temperatura. Naturaleza 541, 516–520 (2017).

Artículo ADS CAS PubMed Google Scholar

Braswell, BH, Schimel, DS, Linder, E. & Moore, B. La respuesta de los ecosistemas terrestres globales a la variabilidad interanual de la temperatura. Ciencia 278, 870–872 (1997).

Artículo ADS CAS Google Académico

Humphrey, V. et al. Sensibilidad de la tasa de crecimiento del CO2 atmosférico a los cambios observados en el almacenamiento de agua terrestre. Naturaleza 560, 628-631 (2018).

Artículo ADS PubMed Google Scholar

Bacastow, RB Modulación del dióxido de carbono atmosférico por la Oscilación del Sur. Naturaleza 261, 116–118 (1976).

Artículo ADS CAS Google Académico

Keeling, CD, Whorf, TP, Wahlen, M. y van der Plichtt, J. Extremos interanuales en la tasa de aumento del dióxido de carbono atmosférico desde 1980. Nature 375, 666–670 (1995).

Artículo ADS CAS Google Académico

Zeng, XB, Eyre, JEJR, Dixon, RD y Arevalo, J. Cuantificación de la ocurrencia de años cálidos récord a través de tendencias de calentamiento normalizadas. Geofísico. Res. Letón. 48, e2020GL091626 (2021).

Adams, JM & Piovesan, G. Relaciones de series largas entre el incremento global interanual de CO2 y el clima: evidencia de estabilidad y cambio en el papel de las zonas tropical y boreal-templada. Chemosphere 59, 1595–1612 (2005).

Artículo ADS CAS PubMed Google Scholar

Wang, XH et al. Un aumento del doble de la sensibilidad del ciclo del carbono a las variaciones de temperatura tropical. Naturaleza 506, 212–215 (2014).

Artículo PubMed Google Académico

Wang, J., Zeng, N. & Wang, MR Variabilidad interanual de la tasa de crecimiento del CO2 atmosférico: funciones de la precipitación y la temperatura. Biogeociencias 13, 2339–2352 (2016).

Artículo ADS CAS Google Académico

Humphrey, V. & Gudmundsson, L. GRACE-REC: una reconstrucción de los cambios en el almacenamiento de agua provocados por el clima durante el último siglo. Sistema Tierra ciencia Datos 11, 1153–1170 (2019).

Artículo ANUNCIOS Google Académico

Mercado, LM et al. Impacto de los cambios en la radiación difusa en el sumidero de carbono terrestre global. Naturaleza 458, 1014–1087 (2009).

Artículo ADS CAS PubMed Google Scholar

Humphrey, V. et al. La retroalimentación entre la humedad del suelo y la atmósfera domina la variabilidad de la absorción de carbono terrestre. Naturaleza 592, 65–69 (2021).

Artículo PubMed PubMed Central Google Académico

Seneviratne, SI et al. Investigación de las interacciones entre la humedad del suelo y el clima en un clima cambiante: una revisión. Ciencias de la Tierra Rev. 99, 125–161 (2010).

Artículo ADS CAS Google Académico

Luo, XZ & Keenan, TF Las sequías extremas tropicales impulsan un aumento a largo plazo en la variabilidad de la tasa de crecimiento del CO2 atmosférico. Nat. común 13, 1193 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Gu, GJ & Adler, RF Variaciones de precipitación y temperatura en la escala de tiempo interanual: evaluación del impacto de ENOS y erupciones volcánicas. J. Clim. 24, 2258–2270 (2011).

Artículo ANUNCIOS Google Académico

Cai, WJ et al. Cambiando El Niño-Oscilación del Sur en un clima cálido. Nat. Rev. Medio Ambiente. 2, 628–644 (2021).

Artículo Google Académico

Freund, MB et al. Mayor frecuencia de eventos de El Niño en el Pacífico Central en las últimas décadas en relación con siglos pasados. Nat. Geosci. 12, 450–455 (2019).

Artículo ANUNCIOS Google Académico

Johnson, NC ¿Cuántos sabores ENSO podemos distinguir? J. Clim. 26, 4816–4827 (2013).

Artículo ANUNCIOS Google Académico

Capotondi, A. et al. Entendiendo la diversidad ENOS. Toro. Am. Meteorol. Soc. 96, 921–938 (2015).

Artículo ANUNCIOS Google Académico

Ashok , K. , Behera , SK , Rao , SA , Weng , HY & Yamagata , T. El Niño Arma y su posible teleconexión. J. Geophys. Res. Océanos https://doi.org/10.1029/2006JC003798 (2007).

Wang, G. & Hendon, HH Sensibilidad de las precipitaciones australianas a las variaciones entre El Niño. J. Clim. 20, 4211–4226 (2007).

Artículo ANUNCIOS Google Académico

de Linage, C., Kim, H., Famiglietti, JS & Yu, JY Impacto de las temperaturas superficiales del océano Pacífico y Atlántico en las variaciones interanuales y decenales del almacenamiento de agua terrestre GRACE en América del Sur tropical. J. Geophys. Res. Atmos 118, 10811–10829 (2013).

Artículo Google Académico

Rodell, M. et al. Tendencias emergentes en la disponibilidad global de agua dulce. Naturaleza 557, 651–659 (2018).

Artículo PubMed PubMed Central Google Académico

Wang, J. et al. Mayor absorción de carbono entre India y África y liberación de carbono en Asia y el Pacífico asociadas con el dipolo extremadamente positivo del Océano Índico de 2019. Geofísico. Res. Letón. 49, e2022GL100950 (2022).

Wang, J. et al. Modulación de la fotosíntesis terrestre por el dipolo del Océano Índico: observaciones satelitales y proyecciones futuras de la CMIP6. Futuro de la Tierra 9, e2020EF001942 (2021).

Sí, SW et al. El Niño en un clima cambiante. Naturaleza 461, 511–570 (2009).

Artículo ADS CAS PubMed Google Scholar

Chylek, P., Tans, P., Christy, J. & Dubey, MK La respuesta del ciclo del carbono a dos tipos de El Niño: un estudio observacional. Reinar. Res. Letón. 13, 024001 (2018).

Wang, J. et al. Contraste de las variabilidades interanuales del CO2 atmosférico y sus mecanismos terrestres para dos tipos de El Niño. atmósfera química física 18, 10333–10345 (2018).

Artículo ADS CAS Google Académico

Timmermann, A. et al. Complejidad de El Niño-Oscilación del Sur. Naturaleza 559, 535–545 (2018).

Artículo ADS CAS PubMed Google Scholar

Fan, Y., Miguez-Macho, G., Jobbagy, EG, Jackson, RB & Otero-Casal, C. Regulación hidrológica de la profundidad de enraizamiento de las plantas. proc. Academia Nacional. ciencia EE. UU. 114, 10572–10577 (2017).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Yang, Y. et al. Disminución posterior a la sequía del sumidero de carbono del Amazonas. Nat. común 9, 3172 (2018).

Artículo ADS PubMed PubMed Central Google Scholar

Feddes, RA et al. Modelización de la absorción de agua por las raíces en modelos hidrológicos y climáticos. Toro. Soy. Meteorol. Soc. 82, 2797–2809 (2001).

2.3.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0477%282001%29082%3C2797%3AMRWUIH%3E2.3.CO%3B2" aria-label="Article reference 40" data-doi="10.1175/1520-0477(2001)0822.3.CO;2">Artículo ANUNCIOS Google Académico

Ventilador, L. et al. Dinámica del carbono pantropical observada por satélite. Nat. Plantas 5, 944–951 (2019).

Artículo CAS PubMed Google Académico

Konings, AG, Holtzman, NM, Rao, K., Xu, L. y Saatchi, SS Las variaciones interanuales de la profundidad óptica de la vegetación se deben tanto al estrés hídrico como a los cambios en la biomasa. Geofísico. Res. Letón. 48, e2021GL095267 (2021).

Bond-Lamberty, B. Nuevas técnicas y datos para comprender el flujo de respiración global del suelo. Earths Future 6, 1176–1180 (2018).

Artículo ANUNCIOS Google Académico

Liu, JJ et al. Respuestas contrastantes del ciclo del carbono de los continentes tropicales a El Niño 2015-2016. Ciencia https://doi.org/10.1126/science.aam5690 (2017).

da Costa, ACL et al. Efecto de 7 años de sequía experimental sobre la dinámica de la vegetación y el almacenamiento de biomasa de una selva amazónica oriental. Fitol nuevo. 187, 579–591 (2010).

Artículo PubMed Google Académico

Huang, MT y col. Temperatura del aire óptima de la productividad de la vegetación en los biomas globales. Nat. Ecol. Evol. 3, 772–779 (2019).

Artículo PubMed PubMed Central Google Académico

Medhaug, I., Stolpe, MB, Fischer, EM y Knutti, R. Reconciliando controversias sobre la 'pausa del calentamiento global'. Naturaleza 545, 41–47 (2017).

Artículo PubMed Google Académico

Liu, LB et al. La humedad del suelo domina el estrés por sequía en la producción de los ecosistemas a nivel mundial. Nat. común 11, 4892 (2020).

Arora, VK et al. Retroalimentación de concentración de carbono y carbono-clima en los modelos CMIP6 y su comparación con los modelos CMIP5. Biogeociencias 17, 4173–4222 (2020).

Artículo ADS CAS Google Académico

Masarie, KA & Tans, PP Ampliación e integración de datos de dióxido de carbono atmosférico en un registro de medición coherente a nivel mundial. J. Geophys. Res. atmósfera 100, 11593–11610 (1995).

Artículo ADS CAS Google Académico

Tapley, BD, Bettadpur, S., Ries, JC, Thompson, PF y Watkins, MM Mediciones GRACE de la variabilidad de la masa en el sistema terrestre. Ciencia 305, 503–505 (2004).

Artículo ADS CAS PubMed Google Scholar

Harris, I., Osborn, TJ, Jones, P. & Lister, D. Versión 4 del conjunto de datos climáticos multivariados cuadriculados de alta resolución mensual CRU TS. ciencia Datos 7, 109 (2020).

Artículo PubMed PubMed Central Google Académico

Rohde, RA y Hausfather, Z. El registro de temperatura terrestre/oceánica de la Tierra de Berkeley. Sistema Tierra ciencia Datos 12, 3469–3479 (2020).

Artículo ANUNCIOS Google Académico

Trenberth, KE La definición de El Niño. Toro. Soy. Meteorol. Soc. 78, 2771-2777 (1997).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0477%281997%29078%3C2771%3ATDOENO%3E2.0.CO%3B2" aria-label="Article reference 54" data-doi="10.1175/1520-0477(1997)0782.0.CO;2">Artículo ANUNCIOS Google Académico

Huang, BY et al. Temperatura de la superficie del mar reconstruida extendida, versión 5 (ERSSTv5): actualizaciones, validaciones e intercomparaciones. J. Clim. 30, 8179–8205 (2017).

Artículo ANUNCIOS Google Académico

van den Hurk, B. et al. Contribución de LS3MIP (v1.0) a CMIP6: Proyecto de intercomparación de modelos de humedad de la superficie terrestre, la nieve y el suelo: objetivos, configuración y resultados esperados. Geosci. Desarrollo del modelo 9, 2809–2832 (2016).

Artículo ANUNCIOS Google Académico

Compo, GP et al. El proyecto de reanálisis del siglo XX. Meteorito QJR. Soc. 137, 1–28 (2011).

Artículo ANUNCIOS Google Académico

Sitch, S. et al. Tendencias recientes e impulsores de fuentes y sumideros regionales de dióxido de carbono. Biogeociencias 12, 653–679 (2015).

Artículo ANUNCIOS Google Académico

Wu, RJ, Lo, MH & Scanlon, BR El ciclo anual de anomalías en el almacenamiento de agua terrestre en modelos CMIP6 evaluados contra datos GRACE. J. Clim. 34, 8205–8217 (2021).

ANUNCIOS Google Académico

Björnsson, H. & Venegas, SJCR Un manual para análisis EOF y SVD de datos climáticos. CCGCR Rep. 97, 112–134 (1997).

Cai, WJ et al. ENSO y el calentamiento de efecto invernadero. Nat. Clima Cambio 5, 849–859 (2015).

Artículo ANUNCIOS Google Académico

Dormann, CF y col. Colinealidad: una revisión de los métodos para tratarla y un estudio de simulación que evalúe su desempeño. Ecografía 36, ​​27–46 (2013).

Artículo Google Académico

Hoerl, AE & Kennard, RW Regresión de Ridge: estimación sesgada para problemas no ortogonales. Tecnometría 12, 55–67 (1970).

Matemáticas Google Académico

Moesinger, L. et al. El Archivo Climático de Profundidad Óptica de la Vegetación (VODCA, por sus siglas en inglés) global de microondas a largo plazo. Sistema Tierra ciencia Datos 12, 177–196 (2020).

Artículo ANUNCIOS Google Académico

Liu, YY et al. Reversión reciente en la pérdida de biomasa terrestre global. Nat. Clima Cambio 5, 470–474 (2015).

Artículo ANUNCIOS Google Académico

Avitabile, V. et al. Un mapa de biomasa pantropical integrado que utiliza múltiples conjuntos de datos de referencia. globo Cambio Biol. 22, 1406–1420 (2016).

Artículo ANUNCIOS Google Académico

Baccini, A. et al. Emisiones estimadas de dióxido de carbono de la deforestación tropical mejoradas por mapas de densidad de carbono. Nat. Clima Cambio 2, 182–185 (2012).

Artículo ADS CAS Google Académico

Descargar referencias

Reconocemos al Programa Mundial de Investigación del Clima, que, a través de su Grupo de Trabajo sobre Modelado Acoplado, coordinó y promovió la CMIP6. Agradecemos a los grupos de modelado climático por producir y poner a disposición el resultado de su modelo, a la Earth System Grid Federation (ESGF) por archivar los datos y proporcionar acceso y a las múltiples agencias de financiación que apoyan CMIP6 y ESGF. Agradecemos a todos los colaboradores de los experimentos LS3MIP y LMIP. Agradecemos a la División de Monitoreo Global de NOAA/Laboratorio de Investigación del Sistema Terrestre por proporcionar las mediciones de CO2 atmosférico. Agradecemos a U. Beyerle, L. Brunner, R. Lorenz y M. Hauser por descargar y procesar los datos de CMIP6 y LS3MIP. Reconocemos a NOAA/OAR.ESRL PSL por proporcionar el conjunto de datos ERSST_v5. Agradecemos a M. Hirschi por descargar los datos VOD. Agradecemos a V. Humphrey y Q. Sun por sus útiles debates. LL, RSP, PC, PF y SIS agradecen el apoyo del Programa de Investigación e Innovación Horizonte 2020 de la Unión Europea (subvención n.º 821003 (4C)). LL, PC y SIS también agradecen el apoyo de HORIZON.2.5 (subvención n.° 101056939) (RESCUE).

Financiamiento de acceso abierto proporcionado por el Instituto Federal Suizo de Tecnología de Zúrich.

Instituto de Ciencias Atmosféricas y Climáticas, ETH Zurich, Zurich, Suiza

Laibao Liu, Ryan S. Padron, Jonas Schwaab, Lukas Gudmundsson y Sonia I. Seneviratne

Laboratorio de Ciencias Ambientales y del Clima, CEA-CNRS-UVSQ, Universidad Paris Saclay, Gif-sur-Yvette, Francia

Felipe Ciais

Instituto Conjunto para la Ciencia e Ingeniería del Sistema Terrestre Regional (JIFRESSE), Universidad de California, Los Ángeles, Los Ángeles, CA, EE. UU.

Mengxi Wu

Facultad de Ingeniería, Matemáticas y Ciencias Físicas, Universidad de Exeter, Exeter, Reino Unido

Pedro Friedlingstein

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

LL concibió la idea original. LL, SIS y PC diseñaron los experimentos. LL, SIS, PC, WM, RSP, PF, JS y LG realizaron la investigación. JS llevó a cabo análisis de regresión de cresta. LL llevó a cabo todos los demás análisis. LL escribió el artículo con contribuciones de todos los coautores.

Correspondencia a Laibao Liu.

Los autores declaran no tener conflictos de intereses.

Nature agradece a Russell Scott, Jun Wang y los otros revisores anónimos por su contribución a la revisión por pares de este trabajo. Los informes de los revisores están disponibles.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

a, Histogramas de correlaciones interanuales entre el clima y el carbono en las tres primeras décadas (1960–1989) y en las últimas tres décadas (1989–2018), derivadas utilizando 5000 repeticiones de arranque. Igual que la Fig. 1c, pero el agua tropical se refiere a la precipitación retrasada de 6 meses de GPCC y la temperatura tropical se deriva de la temperatura de la superficie global de la Tierra de Berkeley. b, Igual que la Fig. 1c, pero el CGR se reemplaza con un sumidero de tierra residual (RLS).

a, La sensibilidad interanual de la CGR a la temperatura tropical se estima a partir de la regresión bivariada con la temperatura tropical y el agua tropical como predictores. Pre indica precipitación concurrente. Para mantener la consistencia en el método con los estudios relevantes anteriores, primero empleamos la regresión OLS. Cada punto indica un período de 25 años. El año central de la ventana de tiempo está etiquetado en el eje horizontal. Las áreas sombreadas representan el intervalo de confianza del 95 %, obtenido mediante 5000 repeticiones de arranque. Para una mejor legibilidad, solo se representa el intervalo de confianza del 95 % de la sensibilidad a la temperatura de la primera y la tercera función de regresión. b, igual que a, pero utilizando la regresión de Ridge.

a, b, IAV de LagP tropical y (a) WS tropical y (b) CGR durante 1960–2018. Los tonos grises verticales indican tres erupciones volcánicas (Monte Agung, El Chichón y Pinatubo).

El año se considera EP ENSO cuando la anomalía DJF SST más grande en la región de 2°S–2°N, 110°E–90°W se encuentra en el Pacífico oriental (este de 150°W) y el índice Nino3 excede una desviación estándar. El año se considera CP ENOS cuando la correspondiente anomalía DJF SST más grande se encuentra en el Pacífico Central (Oeste de 150°W) y el índice Nino4 excede una desviación estándar. Los años volcánicos están excluidos de los análisis.

Los años etiquetados en el eje horizontal indican el año central de la ventana de tiempo móvil de 27 años (todas las variables sin tendencia a escala anual en cada ventana correspondiente). Los modelos se basan en la humedad total del suelo tropical, la temperatura tropical y el intercambio global neto de ecosistemas.

Para los modelos, se utilizan para los cálculos el intercambio global neto de ecosistemas, la humedad total del suelo tropical y la temperatura tropical de cada modelo. La sensibilidad univariante y bivariante se estima utilizando la regresión OLS y la regresión Ridge, respectivamente. Se muestra la mejor estimación de la sensibilidad de CGR al agua tropical. ** indica una sensibilidad significativa a P < 0,05.

a, b, IAV de LagP tropical en CRU, (a) TRMM durante 1999–2018 y (b) GPCC durante 1960–2018. c, Cobertura temporal del número de estaciones de aforo en GPCC y CRU.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Liu, L., Ciais, P., Wu, M. et al. Acoplamiento cada vez más negativo del agua tropical y la tasa de crecimiento interanual de CO2. Naturaleza (2023). https://doi.org/10.1038/s41586-023-06056-x

Descargar cita

Recibido: 05 enero 2022

Aceptado: 05 abril 2023

Publicado: 31 mayo 2023

DOI: https://doi.org/10.1038/s41586-023-06056-x

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.