Information

2.5.4: Datentauchgang - Biom-Kohlenstoffspeicherung - Biologie

2.5.4: Datentauchgang - Biom-Kohlenstoffspeicherung - Biologie



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Überblick

Kohlenstoffbindung ist der Prozess, bei dem atmosphärisches Kohlendioxid von Bäumen, Gräsern und anderen Pflanzen durch Photosynthese aufgenommen und als Kohlenstoff in Biomasse (Stämme, Äste, Blätter und Wurzeln) gespeichert wird. Die folgende Abbildung zeigt die geschätzte Speicherung über (Pflanzen) und unter (Boden) Boden durch terrestrische Biome:

Abbildung(PageIndex{a}): Kohlenstoffspeicherung (in Tonnen CO2 pro Hektar) über (Pflanze) und unter (Boden) Boden in verschiedenen Biomen. Grafik von Rachel Schleiger (CC-BY-NC), modifiziert nach Daten in Islam KK, Sato N 2012.

Fragen

  1. Was ist das für eine Grafik?
  2. Was ist die unabhängige (erklärende) Variable und die abhängige (Antwort-) Variable?
  3. Welches Biom hat den größten Speicher in Pflanzen? Was ist mit Erde?
  4. Was sind die drei wichtigsten terrestrischen Biome in Bezug auf ihre Kohlenstoffspeicherung?
  5. Wie können die Ergebnisse dieser Grafik in zukünftige Naturschutzbemühungen einfließen?
  6. Worauf machen die Ergebnisse dieser Grafik neugierig?

Die Nettobiomproduktion von Vollfruchtfolgen in Europa

Datensätze biometeorologischer Messungen von Ökosystem CO2 kombiniert mit Ernte- und Gülledaten aus mehreren europäischen Ackerflächen wurden integriert, um eine Bewertung des Kohlenstoffhaushalts zu ermöglichen. Die Standorte umfassten verschiedene Klimaregionen und kontrastierende Fruchtfolgen. Der Einfluss verschiedener Kulturpflanzen und Bewirtschaftungspraktiken wurde ebenfalls bewertet, um einige der Hauptfaktoren zu identifizieren, die zur Kohlenstoffbilanz der Ackerflächen beitragen. Da Fruchtwechsel und Anbauperioden nicht immer dem Kalenderjahr folgen, sind Nettoökosystemproduktion (NEP) sowie Nettobiomproduktion (NBP) Summen von vollen Fruchtfolgen oder von mindestens 4 Jahren längerfristiger Fruchtfolgen und von Monokulturen wurden verwendet. In einer zweiten Analyse wurden die NBP-Summen mit den Bodeneigenschaften korreliert. Abschließend wurden die Daten mit weiteren Daten kombiniert, um eine mittlere jährliche THG-Bilanz für die betrachteten europäischen Ackerflächen abzuleiten.

Fünf Fruchtfolgen und zwei Monokulturen wurden über 4 Jahre integriert. Während 4 Jahren lag der durchschnittliche jährliche NEP bei −240 ± 113 g C m −2 y −1 . Im Durchschnitt wurden 382 ± 117 g C m −2 y −1 geerntet, wobei der durchschnittliche Kohlenstoffeintrag durch Gülle und Aussaat 47 ± 51 g C m −2 y −1 betrug. Der durchschnittliche NBP der sieben betrachteten Standorte wurde auf einen Kohlenstoffverlust von 95 ± 87 g C m −2 y −1 geschätzt. Die vollständige THG-Bilanz der betrachteten Standorte wurde auf 160 g C m −2 y −1 in CO . geschätzt2-Äquivalente.

Diese Ergebnisse stellen die aktuellen Leitlinien für bewährte Verfahren in Frage, die neutrale CO2-Budgets für Systeme vorhersagen, in denen die Einträge von Dung und Pflanzenresten von vergleichbarer Größenordnung sind wie die, die mit den in dieser Studie untersuchten Standorten verbunden sind. Der anhaltende Humusverlust trotz guter Praxis hängt hauptsächlich mit Böden mit hohen Kohlenstoffkonzentrationen zusammen, die nicht im Gleichgewicht sind, sondern können auch eine Folge des bereits anhaltenden Klimawandels sein. Möglicherweise ist eine Änderung der Leitlinien für bewährte Verfahren erforderlich, um den Kohlenstoffeintrag zu erhöhen.

Ergebnisse einer Repräsentativitätsanalyse legen nahe, dass mehr als 50 Standorte für ein europäisches Ackerlandflussnetzwerk erforderlich sind, um die Variabilität von Klima, Boden und Bewirtschaftung innerhalb des europäischen Kontinents angemessen abzubilden. Somit sind die Unsicherheiten aufgrund des Netzdesigns derzeit größer als die dem Messverfahren innewohnende Unsicherheit.

Forschungshighlights

. ▶ Dieser datenorientierte Ansatz aus europäischem Ackerland zeigte einen durchschnittlichen Kohlenstoffverlust von 95 ± 87 g C m −2 y −1 . ▶ Die vollständige THG-Bilanz der betrachteten Standorte wurde auf 160 g C m −2 y −1 in CO . geschätzt2-Äquivalente. ▶ Kohlenstoffverluste sind hauptsächlich auf Böden mit hohen Kohlenstoffkonzentrationen zurückzuführen, die nicht im Gleichgewicht sind.


Zugangsoptionen

Erhalten Sie vollen Zugriff auf Zeitschriften für 1 Jahr

Alle Preise sind Nettopreise.
Die Mehrwertsteuer wird später an der Kasse hinzugefügt.
Die Steuerberechnung wird während des Bezahlvorgangs abgeschlossen.

Erhalten Sie zeitlich begrenzten oder vollständigen Artikelzugriff auf ReadCube.

Alle Preise sind Nettopreise.


Eine Reihe sozialer und wirtschaftlicher Faktoren treiben CO . an2 und andere mit der Landwirtschaft verbundene Treibhausgasemissionen (siehe Tabelle 5.1), einschließlich Ernährungspräferenzen und Traditionen inländischer und globaler Rohstoffmärkte Bundesanreize für Erhaltungsprogramme und technische Möglichkeiten für Produktion, Verarbeitung und Lagerung in verschiedenen geografischen Regionen. Zum Beispiel haben Politiken und wirtschaftliche Faktoren, die Bioenergie- und Biokraftstoff-Rohstoffproduktionssysteme beeinflussen, verschiedene direkte und indirekte Auswirkungen auf den Kohlenstoffkreislauf, wie später in diesem Kapitel und in Kap. 3: Energiesysteme. Der CO2-Fußabdruck eines Biokraftstoffs hängt vom Rohstoff und der damit verbundenen Bewirtschaftung sowie der Effizienz der letztendlich aus dem Rohstoff erzeugten Energie ab. Veränderungen im Umgang mit diesen sozialen und wirtschaftlichen Faktoren können die Kohlenstoffbindung und -speicherung im Boden sowie die landwirtschaftlichen Treibhausgasemissionen beeinflussen. Ein weiterer Treiber für Veränderungen in landwirtschaftlichen Produktionssystemen ist die Nachfrage der Verbraucher nach Lebensmittelarten (z. B. Fleisch gegenüber Milchprodukten gegenüber Gemüse) und die Herkunft der Lebensmittel (z. B. mit Gras gefüttert, biologisch und lokal). Solche Einflüsse können sich direkt und indirekt sowohl negativ als auch positiv auf den Kohlenstoffkreislauf auswirken (siehe Kasten 5.1, Lebensmittelverschwendung und Kohlenstoff). In den letzten zehn Jahren wurden Instrumente zur Entscheidungsunterstützung entwickelt, um die Auswirkungen der Landwirtschaft auf Klima- und Umweltfaktoren zu berücksichtigen, die eine Rolle im Kohlenstoffkreislauf spielen (Beispiele siehe Kapitel 18: Carbon Cycle Science in Support of Decision Making).

Emissionsquelle Kanada Vereinigte Staaten von Amerika Mexiko c Gesamt nach Quelle
Enterische Fermentation 25 166.5 43.3 234.8
Güllemanagement 8 84.0 25,7 f 117.7
Landwirtschaftliche Bodenbewirtschaftung 24 Tage 295.0 0 318.0
Reisanbau 0 12.3 0.2 12.5
Kalken, Harnstoffanwendung und andere 3 8.7 7,5 g 19.2
Feldverbrennung von landwirtschaftlichen Rückständen 0 0.4 1.3 1.7
Ernterückstände NR e NR 1.9 1.9
Gesamt nach Land h 60 566.9 79.9 705.8

Anmerkungen
a Quelle: ECCC (2018) Daten für 2016.
b Quelle: US EPA (2018) Daten für 2015.
c Quelle: FAOSTAT (2017) Durchschnittsdaten für 1990–2014.
d Beinhaltet Emissionen aus der Feldverbrennung von landwirtschaftlichen Reststoffen.
e Nicht gemeldet.
f Umfasst auf Böden aufgebrachten Dünger, auf der Weide verbleibenden Dünger und Düngermanagement.
g Synthetischer Dünger.
h Wie in der Quelle angegeben, stimmt die Summe der einzelnen Emissionskategorien aufgrund von Rundungen möglicherweise nicht überein.


2. MATERIALIEN UND METHODEN

2.1 Systematisches Mapping-Protokoll

Wir haben ein systematisches Kartierungsprotokoll (Anhang A) erstellt, um die Beweise auf transparente und objektive Weise zu katalogisieren (Collaboration for Environmental Evidence, 2018). Wir haben den Frageumfang (Tabelle 1), die Suchzeichenfolge, die Studienauswahlkriterien und den Kodierungsrahmen (Tabellen S1 und S2, Kasten 1 Anhang B) Anfang 2018 durch eine Reihe von Treffen und Workshops mit einem Expertengremium aus Naturschutz und Entwicklung überarbeitet Sektoren mit globaler Expertise in den Bereichen Ernährungs- und Wassersicherheit, ökosystembasierte Ansätze zur Anpassung an den Klimawandel, Ökosystemdienstleistungen, nachhaltige Entwicklung und Klimapolitik (siehe Abschnitt Danksagung Anhang A). Wir haben den Rahmen entworfen, um die Relevanz für politische Entscheidungsträger sicherzustellen und die breite Heterogenität von Studien, Interventionsarten und Ergebnissen im Zusammenhang mit dem NbS-Konzept zu erfassen. Wir haben uns speziell auf die Evidenz zu den Auswirkungen naturbasierter Interventionen auf Klimafolgen konzentriert.

Ziel Intervention
Menschen, Gruppen, Gemeinschaften und Wirtschaftssektoren (z. B. Landwirtschaft, Wasser, Forstwirtschaft, Verkehr, Energie) Maßnahmen in ländlichen, halbländlichen oder stadtnahen Umgebungen, die das Management, die Wiederherstellung oder den Schutz von Biodiversität, Ökosystemen oder Ökosystemdienstleistungen oder die Schaffung und anschließende Bewirtschaftung von Ökosystemen umfassen
Komparator Ergebnis
Basislinien vor der Intervention wiederholen Bewertungen im Laufe der Zeit quasi oder experimentelle Kontrollen (wo keine Anpassungsmaßnahmen ergriffen wurden), modellierte kontrafaktische Werte oder Schlussfolgerungen von Bewertern auf kontrafaktische Werte. Studien, die nicht naturbasierte Anpassungsansätze als Vergleichsgeräte verwendeten, wurden eingeschlossen, aber für diese wurde keine Gesamtwirksamkeit gemeldet Gemessene, beobachtete oder ex-ante-modellierte Ergebnisse (Regulierung oder Bereitstellung von Ökosystemleistungen), die Auswirkungen hydrometeorologischer Gefahren oder des Klimawandels auf Menschen oder Wirtschaftssektoren haben

KASTEN 1. Studienausschlusskriterien (siehe Tabelle S2 in Anhang E für die vollständige Liste der Auswahlkriterien)

  • Auswirkungen naturbasierter Interventionen auf Stressoren, die nicht mit dem Klimawandel oder hydrometeorologischen Gefahren in Zusammenhang stehen, die dennoch eine wichtige Rolle bei der Stärkung der Widerstandsfähigkeit gegenüber den Auswirkungen des Klimawandels spielen könnten
  • Auswirkungen, die nicht explizit als (zumindest teilweise) durch Klima oder hydrometeorologische Phänomene verursacht wurden
  • Auswirkungen auf die Vulnerabilität (einschließlich sozialer Anpassungsfähigkeit), die sich nur aus der Umsetzung, dem Management oder der Governance von Interventionen ergeben und nicht aus dem Fluss von Ökosystemleistungen
  • Urbane naturbasierte Lösungen, hybride natürliche/technische Interventionen, landwirtschaftliche Interventionen (wie Agroforstwirtschaft), Weideland oder Fischereiinterventionen, die keine Wiederherstellung oder den Schutz von Ökosystemen beinhalten
  • Wirksamkeit bestehender Ökosysteme für anpassungsrelevante Leistungen, es sei denn, es handelte sich um Eingriffe (z.B. Schutz oder Wiederherstellung)

Wir haben einen früheren Suchstring modifiziert, der von Munroe et al. ( 2012 ), um dem konzeptionellen Umfang von NbS zu entsprechen (Cohen-Shacham et al., 2016), und erweiterte die vierteilige Suchzeichenfolge in eine fünfteilige Suchzeichenfolge, wobei der vorherige Satz von Begriffen modifiziert und darauf aufgebaut wurde (Anhang A) . Dadurch wurde die Suche gezielter, um eine überschaubare Anzahl von Studien zu gewährleisten. Wir schlossen auch Studien mit THG-Minderung, ökologischen oder sozialen Outcomes nur dann ein, wenn auch die Wirkung der Intervention auf Klimafolgen berichtet wurde. Daher wurde eine große Menge an Literatur, die ausschließlich über einen dieser anderen Endpunkte berichtet, ausgeschlossen (z. B. Anderson et al., 2019 Busch et al., 2019 Friedlingstein, Allen, Canadell, Peters, & Seneviratne, 2019 Griscom et al., 2017 , 2020 Lewis, Wheeler, Mitchard & Koch, 2019 Roe et al., 2019).

2.2 Recherchen und Screening-Prozess

Wir haben die Suchzeichenfolge für englische Publikationen in den Indexsammlungen SCOPUS und Web of Science CORE (12. Kommentare und Perspektiven. Wir haben Duplikate in EndNote (v8.2) entfernt und Suchergebnisse in Abstrackr (Wallace, Small, Brodley, Lau, & Trikalinos, 2012 ) exportiert, um sie in einem schrittweisen Verfahren zu überprüfen, wobei zuerst Referenztitel und dann Abstracts überprüft werden. Als nächstes haben wir die Auswahlkriterien für Klarheit und Konsistenz zwischen den Gutachtern schrittweise verfeinert und diese Kriterien nach dem abstrakten Screening weiter verfeinert, um eine überschaubare Anzahl von Studien basierend auf Zeit- und Teamkapazitätsbeschränkungen zu erstellen. Zu diesem Zeitpunkt schlossen wir Studien aus, die sich ausschließlich auf hybride (natürliche/technische) Interventionen konzentrierten, es sei denn, das Ergebnis der naturbasierten Komponente wurde explizit abgegrenzt, sowie eine Reihe von landwirtschaftlichen, pastoralen und fischereiorientierten Interventionen, die nicht auf das Ziel ausgerichtet waren ein natürliches Ökosystem wiederherzustellen oder zu schützen (siehe Tabelle S2 – Auswahlkriterien Ausschlusspunkte 1 und 2).

Entscheidungen in jeder Phase des Screenings waren konservativ. Wir bewerteten Studien, für die die Aufnahmefähigkeit in der nächsten Phase unklar war. Wir haben nach dem Zufallsprinzip mindestens 10 % der Referenzen ausgewählt, um die Kodierungskonsistenz zwischen den Gutachtern mit einem Kappa-Test zu überprüfen. Wenn der Kappa-Koeffizient unter 0,6 lag (der Schwellenwert, bei dem die Kodierungskonsistenz zwischen den Gutachtern als ausreichend erachtet wird, Cohen, 1960), überprüften wir alle aufkommenden Inkonsistenzen und überarbeiteten die Screening-Strategie und die Auswahlkriterien aus Gründen der Klarheit. Wir haben das Single-Reviewer-Screening vorsichtig durchgeführt, d. h. die Konsistenz des Screenings während des gesamten Prozesses überprüft. Etwa 25 % aller Screening-Entscheidungen im Abstract- und im Volltextstadium wurden von mindestens zwei Gutachtern getroffen. Studien, die während des Volltextscreenings ausgeschlossen wurden, und Gründe für ihren Ausschluss sind in Anhang D aufgeführt. Die Entscheidungen zur Aufnahme wurden davon geleitet, ob die Studie Ergebnisse aus naturbasierten Interventionen berichtete, die für die Bewertung der Auswirkungen auf eine bestehende oder vorhergesagte Klimawirkung relevant sind, unabhängig vom Ziel der Intervention.

2.3 Codierungsstrategie

Die Extraktion von Evidenz aus Studien wurde durch einen Kodierungsrahmen (Anhang B) geleitet und durch ein Eingabeformular erfasst, das in eine Online-Evidenzlandkarte (naturebasedsolutionsevidence.info) eingespeist wurde. Wir haben eine Typologie von 29 Klimafolgen von Munroe et al. (2012). Klimaauswirkungen können miteinander verknüpft sein – zum Beispiel kann Dürre die Wasserverfügbarkeit und die Nahrungsmittelproduktion beeinträchtigen. Um die Kodierung zu standardisieren, kategorisierten wir die Studie nach den Klimafolgen, die dem Ergebnismaß am ehesten entsprechen. Wenn beispielsweise Wasserflüsse gemessen wurden, kodierten wir die Wasserverfügbarkeit, selbst wenn die Auswirkungen als Dürre charakterisiert wurden. Wir definierten Effektivität als das Ausmaß, in dem eine Intervention eine Klimawirkung im Vergleich zu dem in der Studie berichteten Vergleich beeinflusst hat (siehe Tabelle 1).

Um die Vollständigkeit von Bewertungen der Wirksamkeit von Interventionen zu untersuchen, haben wir auch für berichtete soziale und ökologische Ergebnisse kodiert, die über diejenigen hinausgehen, die sich direkt auf Klimaauswirkungen beziehen (im Folgenden „weitere Ergebnisse“ siehe Anhang B für vollständige Definitionen). Gemeldete ökologische Ergebnisse wurden als Ergebnisse im Zusammenhang mit Artenschutz, Lebensraumqualität, Vielfalt (z. B. Artenreichtum) oder Widerstandsfähigkeit natürlicher Ökosysteme definiert und wurden entweder gemessen oder indirekt (z. B. aus lokalem Wissen) berichtet. Wir definierten soziale Ergebnisse als alle berichteten Ergebnisse, die von den Autoren als relevant für eine bestimmte Personengruppe eingestuft wurden. Soziale Ergebnismaße überschnitten sich manchmal mit dem Ergebnismaß für die Klimawirkung, beispielsweise wenn es sich um die Anzahl der Menschen einer Gemeinde handelte, die vor Küstenstürmen geschützt sind. In anderen Fällen wurden soziale Ergebnisse nicht mit Klimaauswirkungen in Verbindung gebracht, beispielsweise in Studien zu Gerechtigkeit oder Empowerment. Wir erfassten auch, ob die Studie monetarisierte Implementierungs- und Erhaltungskosten oder ökonomische Ergebnisse (danach volkswirtschaftliche Kosten/Nutzen) aus der Intervention berichtet, ob diese im Rahmen wirtschaftlicher Bewertungen (einschließlich monetärer Bewertungen von Ökosystemdienstleistungen) gemeldet wurden und ob die Implementierung und Erhaltung Die Kosten wurden mit denen alternativer Interventionen verglichen. Bei Studien zu wirtschaftlichen Ergebnissen haben wir nicht die Gesamtrichtung der wirtschaftlichen Wirkung kodiert, sondern uns stattdessen darauf konzentriert, ob die Studie Kostenvergleiche und ökonomische Bewertungen berichtet.

Wir haben naturbasierte Interventionen in sechs Kategorien eingeteilt: (a) Schutz (b) Wiederherstellung (c) andere Formen des Managements natürlicher oder halbnatürlicher Ökosysteme (im Folgenden Management) (d) Kombination (eine Kombination aus Schutz, Wiederherstellung und/ oder Bewirtschaftung) (e) Schaffung oder Bewirtschaftung von geschaffenen Ökosystemen (im Folgenden „geschaffene Ökosysteme“ genannt) und (f) Kombination von Maßnahmen in geschaffenen Ökosystemen und natürlichen/halbnatürlichen Ökosystemen (im Folgenden „gemischt geschaffen/nicht geschaffen“ siehe Kasten 2 für Definitionen). Wir haben die Ökosysteme, in denen Interventionen stattfanden, in 28 Kategorien gruppiert, wobei wir uns an die Typologien von Munroe et al. ( 2012 ) und das Habitatschema der IUCN (v3.1 IUCN, 2015 ) und passen sie an die verschiedenen Ökosysteme an, die in unserer Evidenzdatenbank enthalten sind (insbesondere durch Hinzufügen expliziter Kategorien für angelegte Wälder, angelegtes Grasland und geschaffene „sonstige“). Die Länder, in denen Interventionen stattfanden, wurden in Bezug auf breite geografische Regionen und Einkommensgruppen nach dem regionalen Klassifikationsschema der Weltbank ( 2020 ) klassifiziert. Ausführliche Informationen finden Sie in den online verfügbaren Hintergrundinformationen (Anhang B).

KASTEN 2. Codierungsdefinitionen für naturbasierte Interventionen

Wiederherstellung: Aktive oder passive Wiederherstellung von natürlichen oder naturnahen Ökosystemen, einschließlich Ansätze, die wie folgt charakterisiert werden: ökologische Wiederherstellung funktionelle Wiederherstellung Lebensraumwiederherstellung strukturelle Wiederherstellung Intervention Ökologie Rekultivierung Wiederaufforstung Rehabilitation Rekonstruktion Begrünung. Laborbasierte Experimente (z. B. Gerinneexperimente), die die Wiederherstellung nachahmen, wurden als solche kodiert. Ökologische, ökosystemare oder naturbasierte Engineering-Ansätze wurden als geschaffene Ökosysteminterventionen kodiert, wenn keine klare Absicht bestand, ein natürliches oder halbnatürliches Ökosystem wiederherzustellen oder wiederherzustellen.

Schutz: Meeres-, Süßwasser- und standortspezifischer Schutz natürlicher oder naturnaher Ökosysteme, einschließlich Schutzgebiete und deren Management, Landausschließungen, private Landschutzmaßnahmen, Reservate, Naturschutzgebiete und lokal bewirtschaftete Meeresgebiete mit spezifischer „Erhaltung“ Zonen.“

Verwaltung: Natürliche oder naturnahe Ökosystem-Management-Interventionen außer Wiederherstellung oder Schutz. Dazu gehören Waldbewirtschaftung (z. B. naturnahe Ansätze) und ökosystembasierte Brandbekämpfungsstrategien. Wir haben landwirtschaftliche, fischereiliche und landwirtschaftliche Ansätze, einschließlich Viehzucht, ausgeschlossen, die nicht darauf abzielen, ein natürliches oder halbnatürliches Ökosystem wiederherzustellen oder zu schützen, um unterstützende, regulierende oder Bereitstellungsdienste für die Anpassung an den Klimawandel bereitzustellen.

Kombination: Eine Kombination von zwei oder mehr Ansätzen in natürlichen oder naturnahen Ökosystemen, einschließlich Interventionen, bei denen sich Land durch Schutz regenerieren kann.

Ökosysteme geschaffen: Die Einrichtung, der Schutz oder die Bewirtschaftung von geschaffenen Ökosystemen, einschließlich der Schaffung eines neuen Ökosystemtyps anstelle eines natürlich vorkommenden (z natürlichen ökologischen Zustand (zB Sanierung degradierter Flächen mit exotischen Arten oder Wiederaufforstung eines Gebietes mit einer einzigen Art, wo früher ein vielfältiger Wald stand). In diese Kategorie fallen auch Eingriffe, bei denen nicht festgestellt werden konnte, ob der etablierte Lebensraum natürlich oder naturnah geschaffen wurde, und Aufforstungen, die zur Erleichterung der Wiederherstellung des natürlichen Lebensraums durchgeführt wurden, sofern die Klimawirkungsergebnisse zumindest teilweise aus den aufgeforsteten (geschaffenen) Lebensraum.

Gemischt erstellt/nicht erstellt: Ansätze, die sowohl natürliche/halbnatürliche als auch geschaffene Ökosysteme einbeziehen.

2.4 Datenanalyse und Mapping

Die Evidenzbasis wurde durch deskriptive Statistiken charakterisiert, die die Anzahl der Studien in Bezug auf Methodik (Abschnitt 3.1), geografische Region, Art der Intervention, räumlichen Umfang der Umsetzung (standortspezifisch oder landschaftsbezogen), Art des Ökosystems und Klimaauswirkungen kartieren angesprochen (Abschnitt 3.2). Anschließend berichteten wir über empirische Bewertungen, die sich auf die Zusammenhänge zwischen Interventionstyp und Klimawirkung (Abschnitt 3.3), berichtete Interventionseffektivität bei der Reduzierung von Klimafolgen (Abschnitt 3.4), Wirksamkeitsvergleiche mit alternativen Ansätzen, Umfang der Berichterstattung über breitere Ergebnisse und die berichteten Wirkungen konzentrierten der naturbasierten Intervention auf diesen und die Beziehung zwischen den berichteten Klimaauswirkungsergebnissen einer bestimmten Intervention. Eine kritische Bewertung der Studienqualität wurde nicht durchgeführt, da dies den Rahmen einer systematischen Karte sprengt und im Allgemeinen erfolgt, um kleinere Teilmengen von Studien zu synthetisieren (James et al., 2016), deren Qualität in Bezug auf spezifische Ziele des Reviews bewertet werden kann Frage. Hier fassen wir die berichtete Wirksamkeit von Interventionen zusammen, um die Evidenzbasis zu charakterisieren und zukünftige Analysen zu leiten, anstatt die Gesamtwirksamkeit eines Interventionstyps abzuleiten.

Wir beschreiben die Evidenzbasis in absoluten Zahlen und Prozentsätzen von Studien oder Fällen innerhalb der Kategorien der Karte (z. B. Regionen, Ökosystemtypen, Klimawirkungen). Interventionen, die in Szenariomodellierungsstudien berichtet wurden, wurden nur auf Studienebene kodiert, während für empirische Studien Interventionen in Fälle disaggregiert wurden (jede Kombination aus Interventionstyp, Standort und Ökosystem wurde als separater Fall erfasst). Wo absolute Studien- oder Fallzahlen in den Abbildungen 1-4-1-4 dargestellt sind, geben wir im Text nur Prozentsätze an. Sowohl Zahlen als auch Prozentsätze sind in den Tabellen S3–S8 zu finden. Evidenz-Heatmaps, andere Visualisierungen und eine vollständige Liste der identifizierten Studien sind online verfügbar (www.naturebasedsolutionsevidence.info).


4. Schlussfolgerungen und Diskussion

[19] Klimaänderungen und atmosphärisches CO2 während des Zeitraums 1981–1998 verursachte hohe jährliche Schwankungen der terrestrischen Ökosystemflüsse. Die Variationen von KKW und NEP waren eindeutig mit ENSO-Zyklen mit Abnahmen von El Niño und Zunahmen der normalen oder La Niña-Saison korreliert. Sowohl NPP als auch HR reagierten sensibel auf Klimaschwankungen und trugen etwa gleichermaßen zur interannualen Variabilität des globalen NEP bei. Da das globale NPP stärker gestiegen ist als die HR, stieg das globale NEP um 0,3 % pro Jahr −1 von 0,23 Gt C pro Jahr −1 in den 1980er Jahren auf 1,10 Gt C pro Jahr −1 in den 1990er Jahren. Die Tropen machten den größten Teil der jährlichen Variation des globalen NEP aus, und sein mittlerer NEP war im Zeitraum 1981-1998 fast doppelt so hoch wie der der nördlichen Regionen, jedoch trugen die beiden Regionen in ähnlicher Weise zum globalen NEP-Anstieg von den 1980er bis 1990er Jahre. Der mittlere globale NEP für den Zeitraum 1981–1998 betrug 0,62 Gt C yr −1 , was zu einer Kohlenstoffakkumulation in terrestrischen Ökosystemen von 11,2 Gt C führte HR über Streuinput. Unser geschätzter globaler jährlicher NEP stieg von den 1980er bis in die 1990er Jahre um 0,87 Gt C an, was 73 % des Anstiegs von 0,2 auf 1,4 Gt C yr −1 des Netto-Kohlenstoffflusses der terrestrischen Atmosphäre im gleichen Zeitraum ausmachte [ Schlachtet al., 2000 Bousquet et al., 2000 ].

[20] Die gesamte terrestrische Kohlenstoffsenke in den 1980er und 1990er Jahren, verursacht durch verschiedene Prozesse wie atmosphärisches CO2 Anstieg, Klimavariation, Stickstoffdeposition und Landnutzungsänderung, betrug etwa 2–4 ​​Gt C yr −1 [ Prentice et al., 2001 Schimelet al., 2001]. Unser geschätzter globaler NEP von 0,62 Gt C yr −1 für denselben Zeitraum als Reaktion auf Klimaschwankungen und atmosphärisches CO2 Zuwächse trugen zwischen 15 und 30 % zu dieser gesamten terrestrischen Kohlenstoffsenke bei. Frühe Studien schätzten, dass die Wachstumssteigerung durch beispielsweise atmosphärisches CO2 Zuwächse, Klimaschwankungen und Stickstoffdeposition würden 60–70% der terrestrischen Kohlenstoffsenke ausmachen [ Friedlingsteinet al., 1995 Thompsonet al., 1996 Houghtonet al., 1999]. Neuere Studien zeigen jedoch, dass der relative Beitrag der Wachstumssteigerung im Vergleich zum Waldnachwuchs aufgrund von Landnutzungsänderungen von 2% [ Caspersenet al., 2000 ] bis 25 % [ Schimelet al., 2000 ] der gesamten Kohlenstoffsenke in den Vereinigten Staaten. Der Beitrag der Wachstumssteigerung kann in anderen Regionen aufgrund unterschiedlicher Landnutzungsänderungen und Ökosystemreaktionen auf Klima- und Atmosphärenänderungen unterschiedlich sein [ Spieckeret al., 1996 Gastonet al., 1998 Valentiniet al., 2000 Caoet al., 2001 Fanget al., 2001 ], aber für eine quantitative Analyse liegen nur wenige Daten vor. Unsere Einschätzung des Beitrags der Wachstumsförderung mag gering sein, da der Effekt der Stickstoffdeposition nicht berücksichtigt wurde und aufgrund des besonderen Klimas im Zeitraum 1981–1998, das durch starke Erwärmung und häufige, intensive El Niños gekennzeichnet war [ Mannet al., 1998 Follandet al., 2001 ], die der Pflanzenproduktion zusätzlichen Stress auferlegten und die Kohlenstofffreisetzung im Boden stimulierten.

[21] Die Ergebnisse dieser Studie zeigen komplexe Reaktionen von Kohlenstoffflüssen in terrestrischen Ökosystemen auf Klimaänderungen und atmosphärisches CO2 erhöht sich. Neben globalen Reaktionen auf weltweite Klimaphänomene, beispielsweise Erwärmung und die ENSO-Zyklen, spielten auch regionale Klimavariabilität und unterschiedliche Reaktionen verschiedener Biome eine wichtige Rolle. Die geschätzten hohen räumlich-zeitlichen Variationen der Kohlenstoffflüsse in Ökosystemen und die unterschiedlichen Reaktionen der Kohlenstoffspeicherung in Boden und Vegetation haben sowohl wissenschaftliche als auch politische Auswirkungen. Erstens sollten aufgrund der hohen zeitlichen Variabilität der Kohlenstoffflüsse in Ökosystemen die Schätzung der terrestrischen Kohlenstoffsenke und die Bewertung der Wirksamkeit der Strategien und Aktivitäten zum Kohlenstoffmanagement zur Verbesserung der Kohlenstoffbindung auf einer langfristigen Kohlenstoffbilanz und nicht auf einer kurzfristigen Kohlenstoffbilanz basieren. Begriffsänderungen, die durch ein Ergebnis bestimmter klimatischer Bedingungen verzerrt sein können. Zweitens spielt die Bodenatmung eine ebenso wichtige Rolle wie KKW in der globalen Kohlenstoffbilanz des terrestrischen Ökosystems. Darüber hinaus nahm unsere geschätzte Kohlenstoffspeicherung im Boden trotz der Zunahme der Kohlenstoffspeicherung in der Vegetation und des Eintrags von Abfällen im Untersuchungszeitraum ab. Daher sollte der Bodenatmung und der Kohlenstoffspeicherung sowohl in der Forschung als auch in der Politik mehr Aufmerksamkeit geschenkt werden. Drittens müssen wir, um die terrestrische Kohlenstoffsenke genauer zu quantifizieren, die hohe räumliche Heterogenität sowohl bei der Klimavariabilität als auch bei den Reaktionen des Ökosystems berücksichtigen. Dies erfordert die Verwendung von Daten zu Klima und Vegetation in feinerer Auflösung, wie sie beispielsweise Satellitenbeobachtungen im Kilometer- und Tagesmaßstab liefern. Satellitendaten wurden verwendet, um die zwischenjährlichen Schwankungen des Pflanzenwachstums oder des KKW abzuschätzen [ Potteret al., 1999 Götzet al., 2000 Myneni et al., 2001 Tuckeret al., 2001 Caoet al., 2002 ], wurden aber noch nicht vollständig zur Quantifizierung der terrestrischen Kohlenstoffsenke genutzt.


Zusammensetzung und Vielfalt über kontrastierende trophische Ebenen

Einhergehend mit Verschiebungen der Eigenschaften auf Ökosystemebene über den Gradienten des Inselgebiets hinweg sind Veränderungen auf Gemeinschaftsebene, einschließlich der Verbraucherorganismen. Retrogressive Chronosequenzen sind potenziell leistungsstarke Werkzeuge zur Bewertung des Einflusses der Quantität und Qualität der pflanzlichen Ressourcen auf die trophischen Ebenen unter und über der Erde über große Umweltgradienten ( Peltzer et al. 2010 ), obwohl sie für diesen Zweck selten verwendet wurden ( Gruner 2007 Doblas-Miranda et al. 2008). Studien zum Inselsystem haben Veränderungen der Biomasse oder Dichte mehrerer Verbrauchergruppen untersucht, die sich über mindestens drei trophische Ebenen erstrecken, darunter Bodenmikroben, ober- und unterirdische Wirbellose und insektenfressende Vögel (Abb. 5). Von diesen gehen nur die Primär- und Sekundärkonsumenten im Nahrungsnetz der Zersetzer (d. h. Mikroben bzw. mikrobenfressende Nematoden) als Reaktion auf die abnehmende Ressourcenqualität und -quantität während der Retrogression zurück. Bei den Mikroben steigt auch die Abundanz von Pilzen im Vergleich zu Bakterien mit abnehmender Inselgröße (Abb. 5), was sowohl auf einen schlechteren Streueintrag als auch auf einen konservativeren Nährstoffkreislauf hinweist ( Bardgett & Wardle 2010 ). Andere Bodenfaunagruppen wie räuberische Nematoden, Milben und Springschwänze reagieren nicht auf die Inselgröße und ändern daher die Vegetation während der Rückentwicklung (Jonsson, Yeates & Wardle 2009).

Biomasse- oder Dichtedaten für Erzeuger und Verbrauchergruppen mehrerer trophischer Ebenen über Inselgrößenklassen hinweg. SIR = Substrat-induzierte Atmung Bakterien-zu-Pilz-Verhältnisse gelten für mikrobielle Phospholipidfettsäuren. Dichten von Raubkäfern und bodenbewohnenden Spinnen sind die Gesamtfänge während 2 Wochen Fallenfang. Die Daten zu pflanzenfressenden Rüsselkäfern beziehen sich auf die Art Deporaus betulae. Daten für Panels (a und b) stammen von Wardle et al. (2003a) , für Panels (f, g und i–k) von Jonsson, Yeates & Wardle (2009) (nur Daten von 2007), für Panel (h) von Crutsinger et al. (2008) und aus Tafel (l) von Jonsson, Englund & Wardle (2011) . Methoden für bisher unveröffentlichte Daten in Panels (c–e) sind in Anhang S1 und für andere Panels in den Quellpublikationen angegeben. F Werte werden von Einweg-Anova mit 2,27 Freiheitsgraden abgeleitet (nach Log-Transformation für die Nematoden- und Vogeldaten). NS, *, ** und *** zeigen an, dass der Einfluss der Inselgröße bei nicht signifikant oder signifikant ist P = 0,05, 0,01 bzw. 0,001. Innerhalb jedes Panels unterscheiden sich die Balken, die von demselben Buchstaben überragt werden, gemäß Tukeys Test at . nicht signifikant P = 0.05.

Im Gegensatz dazu stieg die Dichte mehrerer oberirdischer wirbelloser Gruppen und insektenfressender Vögel mit abnehmender Inselgröße trotz sinkender KKW- und Ressourcenqualität (Abb. 5). Für den am häufigsten vorkommenden Pflanzenfresser im System, den Rüsselkäfer Deporaus betulae das ist spezialisiert auf B. pubescens Blätter, eine größere Dichte auf kleinen Inseln ist mit einer Bevorzugung von Blättern verbunden, die einen hohen Anteil an Sekundärmetaboliten enthalten (Abb. 1) ( Crutsinger et al. 2008). Die Zunahme von Insektenfressern wie räuberischen Käfern, Spinnen und Vögeln während der Rückentwicklung scheint auf größere Einträge von wirbellosen Beutetieren wie Chironomiden in das Land (pro Flächeneinheit) aus dem umgebenden Wasser auf kleineren Inseln zurückzuführen zu sein, die einen größeren Umfang haben -Flächenverhältnis. In Übereinstimmung mit dieser Interpretation sind die Dichten von Chironomiden auf der Landoberfläche auf kleinen Inseln größer als auf großen Inseln ( Jonsson & Wardle 2009 ), und Spinnen auf kleineren Inseln haben stabile Isotopenwerte (δ 13 C), die näher an denen von Chironomiden liegen als denen auf den großen Inseln ( Hyodo & Wardle 2009 ). Die Modellierung von Strukturgleichungen weist auch auf die Verfügbarkeit von wirbellosen Beutetieren (insbesondere Spinnen, Käfer und Chironomiden) als den besten Prädiktor für die insektenfressende Vogeldichte auf den Inseln hin ( Jonsson, Englund & Wardle 2011 ). Als solche fördern größere Inseln eine größere Dichte einiger im Boden lebender Zersetzungsorganismen aufgrund einer höheren Pflanzenproduktivität und Qualität der Einstreueinträge, während kleinere Inseln eine höhere Dichte mehrerer oberirdischer Verbrauchergruppen als Ergebnis eines größeren Produktivitätsbeitrags der umgebendes Wasser.

Die Zusammensetzung der Gemeinschaft wurde auch über den Inselgradienten für mehrere Organismengruppen gemessen, darunter Pflanzen, Bodenbiota und oberirdische Verbraucher (Tabellen 2 und 3). Bei Pflanzen gibt es einen signifikanten Anstieg während des Rückgangs sowohl des Artenreichtums von Gefäßpflanzen als auch des Shannon-Weiner-Diversitätsindex (im Folgenden Diversitätsindex) ( Wardle et al. 2008a ), jedoch keine entsprechenden Verschiebungen dieser Maßnahmen für Moose (Tabelle 2). Das Inselsystem ermöglicht die Erforschung, warum der Reichtum und die Vielfalt der Gefäßpflanzen mit abnehmender Bodenfruchtbarkeit und -produktivität zunehmen. Es wurde vorgeschlagen, dass mit abnehmender Bodenfruchtbarkeit die Diversität durch eine größere räumliche Heterogenität der limitierenden Ressourcen gefördert wird (Tilman 1982 Tilman & Pacala 1993). Die räumliche Heterogenität der Bodenressourcenverfügbarkeit, wie sie durch die Messungen jeder der fünf Eigenschaften (NH4 + , Aminosäure N, , Streuabbau und mikrobielle Biomasse) über ein räumliches Raster von 49 Punkten auf jeder Insel, war auf größeren Inseln mit der geringsten Diversität größer ( Gundale et al. 2011). Dies bedeutet, dass Veränderungen der Gefäßpflanzendiversität entlang des Gradienten nicht durch Veränderungen der Ressourcenheterogenität erklärt werden können. An alternative explanation is that species with the highest growth rates that dominate on the most productive islands (P. sylvestris und V. myrtillus) exclude weaker competitors when resource availability is high ( Grime 1979 Grace 1999 ), leading to lower diversity on large islands. Consistent with this, experimental studies have shown that on large islands, understorey shrubs are more competitive against each other ( Wardle & Zackrisson 2005 ) and against colonization by other species ( Wardle, Lagerström & Nilsson 2008b ). This suggests that declining productivity and competition intensity as island size decreases allows a greater number of vascular plant species to coexist. Conversely, neither bryophyte productivity nor biomass shows a simple decline with decreasing island size, reducing the potential for competitive exclusion to vary across the gradient and resulting in no net shift in bryophyte diversity.

Organism group Richness of taxa Shannon–Weiner diversity index
Large islands (<1.0 ha) Medium islands (0.1–1.0 ha) Small islands (>1.0 ha) F (P) Large islands (<1.0 ha) Medium islands (0.1–1.0 ha) Small islands (>1.0 ha) F (P)
Vascular plant species 6.6 (0.5) c 8.6 (0.4) b 10.6 (0.6) a 16.6 (<0.001) 0.62 (0.11) b 0.86 (0.06) ab 0.97 (0.06) a 5.0 (0.014)
Bryophyte species 3.6 (0.4) 3.8 (0.5) 4.8 (0.4) 0.9 (0.407) 0.82 (0.07) 0.79 (0.09) 0.91 (0.04) 0.6 (0.540)
Microbial PLFAs* ND ND ND 1.94 (0.01) 1.96 (0.01) 1.94 (0.01) 3.3 (0.052)
Microbial SUPs† ND ND ND 3.01 (0.02) 3.01 (0.01) 3.07 (0.04) 1.3 (0.301)
Soil nematode genera 12.5 (0.82) 12.2 (0.87) 12.8 (0.77) 0.1 (0.876) 1.56 (0.10) 1.51 (0.09) 1.62 (0.10) 0.1 (0.076)
Ground-dwelling beetle species 4.3 (0.7) b 7.7 (0.9) a 8.5 (0.5) a 9.1 (<0.001) 0.90 (0.14) b 1.33 (0.14) a 1.30 (0.09) ab 3.4 (0.047)
Ground-dwelling spider species 6.6 (1.2) b 8.2 (1.1) ab 10.8 (0.8) a 3.9 (0.032) 1.54 (0.19) 1.78 (0.17) 1.57 (0.16) 0.5 (0.583)
Insectivorous bird species 8.4 (0.4) a 4.5 (0.6) b 1.7 (0.3) c 51.8 (<0.001) 1.96 (0.04) c 1.30 (0.17) b 0.39 (0.10) a 44.0 (<0.001)
  • Vascular plant data from Wardle et al. (1997, 2008a ), bryophyte data from Gundale et al. (2011) , SUP data from Schipper et al. (2001) , soil nematode, beetle and spider data from Jonsson, Yeates & Wardle (2009) and bird data from Jonsson, Englund & Wardle (2011) . Previously unpublished data for PLFA are as described in Appendix S1 in Supporting Information. All richness measures are for fixed plot sizes (plants, beetles and spiders) or fixed soil weights (nematodes) irrespective of island size, except for birds for which whole island measures are used. Within each row, numbers for each measure followed by the same letter are not statistically significant at P = 0.05 (Tukey’s test following one-way anova with 2,27 d.f. n = 10 for each size class). P-values in boldface are significant at P = 0.05.
  • *Phospholipid fatty acids.
  • †Substrate utilization profile ND = not determined.
Organism group PC1 PC2
F (P) Percent of variation explained F (P) Percent of variation explained
Vascular plant species 36.3 (<0.001) 47.8 3.9 (0.032) 20.4
Bryophyte species 0.3 (0.717) 24.9 1.1 (0.336) 17.9
Microbial PLFAs* 5.4 (0.010) 38.4 1.4 (0.256) 21.6
Microbial SUPs† 0.2 (0.789) 28.9 1.4 (0.285) 14.3
Soil nematode genera 0.5 (0.614) 20.6 2.3 (0.121) 13.2
Ground-dwelling beetle species 1.6 (0.214) 12.6 1.8 (0.182) 9.6
Ground-dwelling spider species 2.8 (0.077) 14.1 2.5 (0.100) 11.5
Insectivorous bird species 30.3 (<0.001) 18.6 3.8 (0.034) 12.6
  • Data shown are F Werte mit P values in parentheses (following rank transformation of ordination score values) and the percentage of total variation in the data set explained by the ordination axes. P-values in boldface are significant at P = 0.05. All data are from the same sources as for Table 2.
  • *Phospholipid fatty acids.
  • †Substrate utilization profile.

We considered community properties of two key groups of below-ground consumers that are each key components of the decomposer subsystem – microbes and nematodes (Tables 2 and 3). Microbial community measures were determined from data for both microbial phospholipid fatty acids (PLFAs different acids correspond to different subsets of the microbial community) and substrate utilization profiles [SUPs functional community structure is assessed by the relative response of the soil community to different added substrates ( Schipper et al. 2001 )]. Soil nematode community analyses were performed using identifications at genus or family level ( Jonsson, Yeates & Wardle 2009 ). We found that community composition of only PLFAs was related to island size (mainly due to a greater fungal-to-bacterial ratio on small islands) and that richness and diversity index values were not responsive to island size for any group (Tables 2 and 3). Further, across the islands, only the diversity index values of PLFAs were related to vascular plant diversity, and only nematode community composition was related to vascular plant composition (Table 4). This does not provide strong support for suggestions that plant communities drive decomposer communities ( Hooper et al. 2000 ) as a consequence of specificity between decomposer biota and plant species ( Bezemer et al. 2010 Eisenhauer et al. 2010 ). It is also inconsistent with the results of some controlled experiments in which species richness has been experimentally varied (e.g. De Deyn et al. 2004 Scherber et al. 2010 but see Carney, Matson & Bohannan 2004 ). In contrast to many studies exploring diversity linkages between plants and soil biota, the island system involves a naturally assembled gradient of plant diversity, composition and resource availability and one which is dominated by longer-lived woody rather than herbaceous plant species. We show that in this natural setting, the link between the plant community and soil community is weak and that decomposer community properties can remain reasonably invariant across large gradients of soil resource availability, vegetation composition and plant diversity.

Consumer group Plant versus consumer taxonomic richness Plant versus consumer diversity index Plant versus consumer community composition
Microbial PLFAs† ND 0.513** 0.216
Microbial SUPs‡ ND 0.020 0.138
Soil nematode genera 0.176 −0.104 0.074
Ground-dwelling beetle species 0.380* 0.100 0.141
Ground-dwelling spider species 0.362* 0.043 0.192
Insectivorous bird species −0.020 −0.098 0.594**
  • For bird data, because diversity was measured on a whole island scale (rather than on a fixed area or soil mass independent of island size), R-values for richness and diversity indices are partial correlation coefficients correcting for the effect of island size. * and ** indicate that R is significant at P = 0.05 and 0.01, respectively. All data are from the same sources as for Table 2.
  • †Phospholipid fatty acids.
  • ‡Substrate utilization profile ND = not determined.

We have also determined community-level measures for each of three above-ground consumer groups – spiders, beetles and insectivorous birds (Tables 2 and 3). Species richness of both spiders and beetles was greatest on small islands and was related to plant species richness across islands (Table 4). This suggests that richness was driven by the heterogeneity of habitats provided by the plant community (which is greater on small islands) than by island size an sich ( Jonsson, Yeates & Wardle 2009 ). This is consistent with experimental studies pointing to plant species richness as a driver of invertebrate species richness ( Siemann et al. 1998 Scherber et al. 2010 ). In contrast, neither diversity nor composition of either invertebrate group was related to the corresponding measure for the plant community (Table 4). For birds, our measures of diversity are not directly comparable to those of the other groups because they were performed at the whole island scale rather than on plots or samples that were independent of island size. However, structural equation modelling enabled the assessment of the role of factors other than island size an sich on bird species richness and showed that richness was also driven by NPP and the availability of invertebrate prey ( Jonsson, Englund & Wardle 2011 ), as predicted by species energy theory ( Hurlbert 2004 ). In contrast, bird species richness and diversity indices had no relationship with plant richness or diversity indices when the effects of island size an sich were corrected for (Table 4). However, bird species composition was significantly correlated with plant community composition (Table 4), suggesting that island size effects on the plant community in turn drive the bird community, presumably through different plant species offering distinct niches ( Urban & Smith 1989 ). In total, our data suggest that plant species diversity and composition can sometimes exert positive effects on comparable measures of consumer groups, but that these effects are not recurrent or consistent among different groups (Table 4).


Danksagung

Financial support was provided by the National Key Research and Development Program of China (2016YFC0500600 and 2017YFE0104500), the National Natural Science Foundation of China (41771205), the Earmarked Fund for China Agriculture Research System (CARS–34), and the Dynamics of Coupled Natural and Human Systems (CNH) Program of the NSF (#1313761). We greatly appreciate Connor Crank at the LEES Lab of MSU provided constructive and careful editing of the manuscript during revision.


Danksagung

The authors thank Yiqi Luo and Xiaochun Zhang for their comments on early version of this manuscript. We appreciated Aaron Ruesch and Holly K. Gibbs for sharing their global living biomass data for this study. Three anonymous reviewers had constructive comments that have significantly improved this manuscript. This study was supported through the Biogeochemistry Feedbacks Scientific Focus Area (BGC Feedbacks SFA), which is sponsored by the Regional and Global Climate Modeling (RGCM) Program in the Climate and Environmental Sciences Division (CESD) of the Biological and Environmental Research (BER) Program in the U.S. Department of Energy Office of Science. Support for X.S. and X.X. was proved by San Diego State University and the University of Texas at El Paso. Financial assistance was partially provided by the SPRUCE and NGEE Arctic projects, which are supported by the Office of Biological and Environmental Research in the U.S. Department of Energy Office of Science. Contributions by F.H., C.M.I., and J.K. were supported by the U.S. Department of Energy, Office of Science, Office of Biological and Environmental Research. Oak Ridge National Laboratory is managed by UT-Battelle, LLC, for the US Department of Energy under contract DE-AC05-00OR22725. Early work of this study was carried out at an internal cluster at the Climate Change Science Institute at Oak Ridge National Laboratory. This work partially used the Extreme Science and Engineering Discovery Environment (XSEDE), which is supported by National Science Foundation grant ACI-1053575. Authors state that there is no conflict of interest.

Dateiname Beschreibung
jgrg20819-sup-0001-2017JG003914-SI.docxWord 2007 document , 68.1 KB Supporting Information S1
jgrg20819-sup-0002-2017JG003914-ds01.xlsxExcel 2007 spreadsheet , 166.3 KB Data Set S1

Please note: The publisher is not responsible for the content or functionality of any supporting information supplied by the authors. Any queries (other than missing content) should be directed to the corresponding author for the article.


4.4 Limitations and future research

Although we have used a diverse and representative dataset across the globe for the analysis, there are still some limitations in the datasets and assessment. First, our study did not bring detailed land use history and intensity (such as the time length of cropping and the intensity of grazing) into the analysis, which may significantly affect SOC stabilization processes and thus SOC stocks in managed landscapes (Sanderman et al., 2017). As anthropogenic land use may change from year to year, it is challenging to accurately explain SOC stock changes in those systems that experience intensive human disturbances across large extents. Second, all soil properties including SOC were treated as constant. In reality, however, some soil properties, particularly chemical variables such as pH, may actively respond to external disturbance including human activities. Treating these variables as constant may result in under- or overestimations of the variable importance if a variable shows marked temporal variability. Third, in managed systems, the apparent carbon input represented by NPP may not accurately reflect the real carbon input into soil (Luo et al., 2018 Pausch and Kuzyakov, 2018) as discussed above, leading to biased estimation of the importance of C inputs. In cropping areas, for example, yield harvesting and crop residue removal certainly reduce the fraction of NPP ending up in the soil. Fourth, we would like to point out that, albeit edaphic factors appear to be the dominant individual controls on SOC stock, climate might have an impact on those edaphic factors and hence SOC stocks in the long term (Jenny, 1941). Indeed, Luo et al. (2017) have provided evidence that climate not only directly but also indirectly (via its effect on edaphic factors) exerts significant effect on SOC dynamics. All these limitations should be overcome to provide more robust predictions on the role of different factors in SOC stabilization and stock, which will be particularly important for understanding long-term SOC dynamics in managed systems. Fourth, we would like to note that this study focused on the controls over the global spatial pattern of SOC stocks and did not explicitly assess the potential variability of controls at small scales. Under different land use types, for example, factors controlling SOC stock would change. A recent study focused on SOC component fractions has found that continental drivers of SOC stocks were modulated by regional environmental factors (Viscarra Rossel et al., 2019). In order to better understand regional-scale factors controlling SOC dynamics, we should further explore the controls over different spatial scales. Considering that we only included limited soil properties in our assessment and different soil properties may play different roles at different scales, scale-dependent understanding of controls over SOC stocks is important to make site-specific management practices for sustainable soil use and carbon management. Finally, soil samples are still limited in some areas (e.g. tundra and flooded grasslands and savannas) (Batjes, 2016). We do not know much about whether some of the relationships we find between SOC stocks and predictor variables are universal or maybe fundamentally different in less studied soils. The uneven distribution of soil samples may also help to explain the model bias in explaining low and high SOC stocks (Fig. 3). Our results indicate that there are large uncertainties in the relative importance of climate and soil depending on the data used to fit the model (Fig. 5).

Quantitatively, we have demonstrated the primary role of soil properties together with climate in regulating SOC stock in the whole-soil profile across the globe. This result has important implications for understanding mechanisms of SOC stabilization and destabilization. Previous modelling and experimental efforts have mostly focused on climatic and biotic aspects, and many of the studies are over smaller scales. We argue that soil physicochemical characteristics define the boundary conditions for the climatic and biotic factors. That is, climatic and biotic factors (e.g. carbon inputs) can regulate the rate of SOC of shifting from one capacity to another, but a soil's physicochemical properties (e.g. soil structure) may inherently determine the SOC stock capacity of soil. It is thus critical to understand how soil processes mediated by different soil properties in different soil layers respond to those climatic and biotic factors and land management practices and feed this information into the prediction of SOC stock capacity in the whole-soil profile. However, individual soil variables work together involving complex interactions and non-linear relationships with each other as well as with climate to regulate SOC stock (Figs. 2 and 4). We need more and better quality data (e.g. following the same soil sampling and measuring procedure and using a novel approach for monitoring of soil properties) and innovative methods (Viscarra Rossel et al., 2017) for representing soil heterogeneity to facilitate robust prediction of SOC dynamics over large extents. Results of this study further demonstrate that globally the influence of individual climatic variables on SOC stock is weaker than the influence of individual soil properties regardless of soil depth. Current Earth system models are mostly driven by climate, with few cases having approximated the regulation of soil properties on carbon stabilization and destabilization (Tang and Riley, 2014 Riley et al., 2014). Undoubtedly, climate has direct effect on plant growth and thus potential carbon inputs to the soil, but our results demonstrate that soil properties are also primary controls of global SOC stocks. Our research highlights the urgent need to consider soil properties and their interactions with climate to provide more reliable predictions of SOC stock and changes under climatic and land use changes.

Code used to generate the results in this study can be reasonably requested from the corresponding author.


Schau das Video: Erklärt: So bindet der Humus im Boden CO2. PlanetB. BR (August 2022).