Eau tropicale de plus en plus négative | Arbre linéaire Guiyang Co., Ltd

Nature (2023)Citer cet article

4613 Accès

110 Altmétrique

Détails des métriques

Les écosystèmes terrestres ont absorbé environ 32 % des émissions anthropiques totales de CO2 au cours des six dernières décennies1. Cependant, les grandes incertitudes dans les rétroactions carbone-climat terrestres rendent difficile de prédire comment le puits de carbone terrestre réagira au futur changement climatique2. Les variations interannuelles du taux de croissance du CO2 atmosphérique (CGR) sont dominées par les flux de carbone terre-atmosphère dans les tropiques, offrant une opportunité d'explorer les interactions carbone-climat terrestres3,4,5,6. On pense que les variations du CGR sont largement contrôlées par la température7,8,9,10 mais il existe également des preuves d'un couplage étroit entre la disponibilité de l'eau et le CGR11. Ici, nous utilisons un enregistrement des données mondiales sur le CO2 atmosphérique, le stockage de l'eau terrestre et les précipitations pour étudier les changements dans la relation interannuelle entre les conditions climatiques des terres tropicales et le CGR sous un climat changeant. Nous constatons que la relation interannuelle entre la disponibilité de l'eau tropicale et le CGR est devenue de plus en plus négative au cours de la période 1989-2018 par rapport à la période 1960-1989. Cela pourrait être lié aux changements spatio-temporels des anomalies de la disponibilité de l'eau tropicale entraînés par des changements dans les téléconnexions El Niño/Oscillation australe, y compris la diminution des effets hydriques compensatoires spatiaux9. Nous démontrons également que la plupart des modèles de pointe couplés du système terrestre et de la surface terrestre ne reproduisent pas le couplage eau-carbone qui s'intensifie. Nos résultats indiquent que la disponibilité de l'eau tropicale contrôle de plus en plus la variabilité interannuelle du cycle du carbone terrestre et module les rétroactions carbone-climat des terres tropicales.

Les variations interannuelles (IAV) du taux de croissance du CO2 (CGR) se révèlent être fortement corrélées avec El Niño/Oscillation Australe (ENSO)12,13 (par exemple, R = −0,55, P < 0,05 dans la réf. 12, coefficient de corrélation de Pearson), en particulier avec les variations de température tropicales7,8,9 (par exemple, R = 0,7, P < 0,01 dans la réf. 7), malgré la plus faible IAV des température que pour d'autres endroits14. La sensibilité historique de l'IAV du CGR à la température tropicale a en outre été identifiée comme une contrainte d'observation qui peut réduire considérablement les incertitudes dans les budgets de carbone tropicaux projetés5. Par rapport à la température tropicale, les précipitations tropicales simultanées ne sont pas bien corrélées avec le CGR15,16 (par exemple, R = −0,19, P > 0,1 dans la réf. 16) mais il a été démontré que les précipitations tropicales décalées expliquaient fortement l'IAV du CGR ou le flux net de carbone terrestre tropical7,17 (par exemple, R = −0,5, P < 0,05 dans la réf. 7), ce qui entraîne un rôle ambigu de la disponibilité de l'eau dans le contrôle du CGR du point de vue du processus. Récemment, le lancement de satellites jumeaux de Gravity Recovery and Climate Experiment (GRACE) a permis la mesure directe de la variabilité du stockage d'eau terrestre (WS), et une analyse ultérieure a montré qu'il est étroitement couplé à CGR11 (R = −0,85, P < 0,01). Cependant, dans le contexte du changement climatique, il n'est pas clair si le couplage climat terrestre-carbone identifié est constant dans le temps ou peut varier en fonction des changements des forceurs climatiques et du climat moyen.

Ici, nous étudions les changements dans la relation interannuelle entre les conditions climatiques des terres tropicales et le CGR au cours des dernières décennies. Pour compléter l'enregistrement d'observation plus court des satellites GRACE, nous utilisons également la variabilité WS à long terme récemment reconstruite18. En outre, les précipitations annuelles décalées de 6 mois (LagP) peuvent bien se rapprocher de l'IAV WS tropical agrégé et sont en corrélation avec l'IAV CGR, émergeant comme un autre indicateur efficace de la disponibilité de l'eau terrestre tropicale IAV (méthodes). Cela aide également à expliquer pourquoi les précipitations décalées étaient bien corrélées avec le CGR dans les résultats précédents7,17.

Toutes les variables sont redressées à l'échelle annuelle en supprimant la tendance linéaire à long terme, car nous nous concentrons sur la relation dans la variabilité interannuelle. Les années suivant les éruptions du mont Agung (1962 et 1963), El Chichón (1982) et du mont Pinatubo (1991-1993) sont également exclues des analyses pour éviter les perturbations d'anomalies inhabituelles de flux de carbone19. Pour toute la période 1960-2018, le CGR est significativement corrélé à la fois à la température tropicale (RT, CGR = 0, 64, P <0, 01, coefficient de corrélation de Pearson) et au WS tropical (RWS, CGR = -0, 58, P <0, 01) (Fig. 1a). Le signe opposé dans les deux relations suggère que des conditions climatiques plus chaudes (anomalie de température positive) et plus sèches (anomalie de WS négative) ont généralement atténué le puits de carbone terrestre et donc amélioré la croissance du CO2 atmosphérique au cours des dernières décennies. Il existe également une petite proportion de CGR qui ne correspond pas au modèle général, ce qui suggère le rôle d'autres facteurs, tels que les émissions anthropiques exceptionnelles (non linéaires) ou le puits de carbone océanique.

a, Température tropicale annuelle versus WS tropical versus CGR dans les anomalies sans tendance. Les valeurs de CGR sont indiquées par la barre de couleur. b, Histogrammes des corrélations interannuelles climat-RCC au cours des trois premières décennies (1960-1989) et des trois dernières décennies (1989-2018), dérivés à l'aide de 5 000 répétitions d'amorçage. Le WS tropical et le LagP sont utilisés pour représenter la disponibilité de l'eau tropicale. c, comme pour b mais montrant les histogrammes des corrélations partielles du CGR à la température tropicale et à l'eau tropicale après contrôle de l'eau tropicale et de la température tropicale, respectivement. d, Histogrammes de la sensibilité interannuelle du CGR au WS tropical (γWS) et au LagP (γLagP) dans la régression univariée pour les deux mêmes périodes, dérivés à l'aide de 5 000 répétitions d'amorçage. Contrairement aux corrélations, γWS et γLagP diffèrent en amplitude en raison des différences d'amplitude WS et LagP IAV et sont donc présentés séparément. L'unité de cette sensibilité est PgC an−1 par Tt H2O. e, comme pour d mais montrant γWS et γLagP estimés à l'aide de la régression bivariée avec à la fois l'eau tropicale et la température tropicale comme prédicteurs. La régression Ridge est utilisée ici pour réduire les biais dus à une colinéarité élevée entre l'eau et la température (Méthodes).

Ensuite, nous étudions comment la corrélation entre le climat et le CGR change des 30 premières années (1960-1989) aux 30 années les plus récentes (1989-2018). L'incertitude de la corrélation est quantifiée par bootstrap (5 000 réplications). Les résultats montrent que les distributions bootstrap des corrélations température-CGR sont similaires entre les deux périodes, mais que les corrélations eau-CGR sont significativement différentes entre les deux périodes (sur la base du test des rangs signés de Wilcoxon, P <0, 05) et deviennent plus négatives au fil du temps (Fig. 1b et tableau de données étendu 1). Pour vérifier si cette corrélation eau-carbone de plus en plus négative est influencée par l'éventuel couplage confondant eau-température, nous examinons la dynamique temporelle des corrélations eau-température et constatons qu'elles sont stables dans le temps (Fig. 1 supplémentaire). Les corrélations partielles suppriment les corrélations eau-température et leurs changements relatifs aident directement à confirmer que la corrélation eau-carbone tropicale de plus en plus négative reste robuste (Fig. 1c). Nous notons que parce que la variabilité de l'eau terrestre peut également influencer indirectement le cycle du carbone terrestre en déclenchant des températures atmosphériques extrêmes par le biais des rétroactions humidité du sol-atmosphère bien documentées20,21, il pourrait être inapproprié d'interpréter la corrélation partielle RW,CGR|T comme des impacts totaux de l'eau sur le CGR au cours des deux périodes, mais les changements temporels de RW,CGR|T sont utiles ici (Méthodes). De plus, nous calculons les corrélations climat-CGR pour une fenêtre mobile de 25 ans afin de donner un aperçu des changements graduels, qui sont assez réguliers dans le temps (Fig. 2 supplémentaire). Pour tester davantage la robustesse des changements dans les corrélations interannuelles entre l'eau tropicale et le CGR, nous considérons également d'autres ensembles de données d'observation des précipitations annuelles tropicales et de la température tropicale (Extended Data Fig. 1a). Pour vérifier que l'IAV dans le CGR ne provient pas principalement des émissions de combustibles fossiles, du changement d'affectation des terres et de l'absorption par les océans, nous utilisons également le puits terrestre résiduel (RLS) au lieu du CGR (Extended Data Fig. 1b). Ces résultats pointent tous vers une corrélation de plus en plus négative entre l'eau tropicale et le CGR à l'échelle interannuelle au cours des dernières décennies.

La sensibilité du CGR IAV aux eaux tropicales est ensuite estimée à l'aide de régressions linéaires, définies comme la pente de la régression entre le CGR et le climat, les deux variables étant sans tendance. En alignement avec les corrélations, nous effectuons d'abord une régression univariée dans laquelle le CGR est la fonction de l'eau tropicale seule pour éviter d'éventuelles sous-estimations de la sensibilité du CGR aux variations de l'eau tropicale. La sensibilité univariée du CGR au WS tropical et au LagP a augmenté (plus négative) d'environ 35 % en moyenne entre les 30 années précédentes (1960-1989) et les 30 années les plus récentes (1989-2018) (Fig. 1d et Extended Data Table 1). Par exemple, la sensibilité au WS tropical est passée de −0,95 ± 0,27 PgC an−1 par Tt H2O (tératonnes d'eau) à −1,26 ± 0,23 PgC an−1 par Tt H2O au cours des deux mêmes périodes. Nous effectuons également une régression linéaire bivariée avec la température tropicale et l'eau tropicale comme prédicteurs, et la sensibilité du CGR aux variations de l'eau tropicale n'est pas significativement différente de 0 au cours des 30 premières années, mais devient significativement négative au cours des 30 dernières années (P <0, 05) (Fig. 1e). Nous utilisons la régression de crête pour réduire les effets d'une colinéarité élevée entre l'eau et la température sur les estimations de sensibilité, mais la régression des moindres carrés ordinaires (OLS) produit également une sensibilité de plus en plus négative au fil du temps (Extended Data Table 1). De plus, les résultats basés sur une fenêtre mobile de 25 ans montrent que la sensibilité stagne au cours de la période récente de 34 ans, c'est-à-dire après la fenêtre temporelle centrée sur 1997 (1985-2009) (Fig. 3 supplémentaire). L'ensemble de ces résultats suggère que la relation interannuelle entre l'eau tropicale et le CGR est devenue de plus en plus négative dans le passé récent (1989-2018) par rapport aux conditions climatiques antérieures (1960-1989). En outre, nous constatons que l'amplitude de l'amélioration de la sensibilité à la température à partir de la régression bivariée est inférieure à celle rapportée précédemment16,22, si WS ou LagP, plutôt que les précipitations simultanées, est utilisé comme indicateur de la disponibilité de l'eau (Extended Data Fig. 2). En effet, le proxy précis de la disponibilité de l'eau n'a pas été identifié et disponible (c'est-à-dire en utilisant les précipitations simultanées (rapporté RPre, CGR = -0,19, P > 0,1 dans la réf. 16) plutôt que WS ou LagP comme proxy à partir de 1960 (RLagP, CGR = -0,68, P < 0,01 ; Données étendues Fig. 3b)). De plus, nous étendons la période d'analyse en incluant 2011 à 2018 et observons une récente baisse de la sensibilité à la température. Tous ces résultats soulignent qu'il est crucial d'intégrer la disponibilité de l'eau dans la métrique de rétroaction carbone-climat pour mieux estimer les changements induits par le climat dans le puits de carbone terrestre tropical.

Les changements interannuels du climat tropical sont largement induits par l'ENSO23. Sous le réchauffement anthropique, des preuves observationnelles croissantes montrent des changements robustes dans les caractéristiques ENSO, telles que des augmentations de fréquence et de variabilité avec des changements de types24, en particulier la plus grande anomalie de température de surface de la mer (SST) se déplaçant du Pacifique oriental (EP) vers le Pacifique central (CP) depuis les années 199025,26,27,28. En conséquence, il est susceptible de modifier les modèles de flux d'humidité et de chaleur sur les continents tropicaux, par exemple, en déclenchant des sécheresses et des incendies plus extrêmes29 et en modulant ainsi les rétroactions terrestres carbone-climat. En effet, nous constatons que la plupart des années avec une cohérence spatiale élevée des anomalies WS tropicales sont des années ENSO (Fig. 2a, b), pour lesquelles la cohérence spatiale est quantifiée en appliquant une métrique ajustée à partir de la réf. 9 (Méthodes). Il existe encore une petite proportion de cohérence spatiale élevée qui ne peut pas être expliquée par ENSO, ce qui suggère un rôle pour d'autres facteurs, tels que la variabilité atlantique tropicale30,31 et le dipôle de l'océan Indien32,33. Par rapport aux années ENSO neutres, les schémas spatiaux de l'anomalie WS au cours des années ENSO sont assez uniformes (Extended Data Fig. 4). Ensuite, des 30 premières années (1960-1989) aux 30 dernières années (1989-2018), la fraction d'années à des niveaux de cohérence spatiale élevés passe de 30% à 41% en raison de l'augmentation des contributions de CP ENSO et moins d'années neutres (Fig. 2b). Ces résultats pourraient être importants car le rôle dominant de la disponibilité en eau dans le contrôle des flux de carbone à plus grande échelle est affecté par le degré de compensation spatiale des anomalies en eau : la disponibilité en eau domine clairement le flux de carbone IAV localement mais ce contrôle pourrait être partiellement contrebalancé spatialement lorsqu'il est agrégé9. Pour confirmer davantage les effets de la cohérence spatiale sur le couplage eau tropicale-RCG, nous effectuons une nouvelle analyse de sous-ensemble. Nous détendons d'abord toutes les années de données en supprimant la tendance à long terme, puis nous les classons en trois sous-ensembles en fonction des niveaux de cohérence spatiale. Le RWS,CGR est fortement négatif uniquement lorsque la cohérence spatiale est élevée (Fig. 2c). Le RWS,CGR|T confirme que cette dépendance du couplage eau-carbone à la cohérence spatiale n'est pas influencée par les effets confondants de la température. Des résultats similaires sont trouvés lorsque nous remplaçons WS par LagP (Fig. 4 supplémentaire). On s'attend également à ce que la sensibilité du CGR au WS ne devienne apparemment négative que lorsque la cohérence spatiale est élevée (Fig. 5 supplémentaire). Une autre analyse de sous-ensemble utilisant une fenêtre mobile de 25 ans soutient également l'idée que la cohérence spatiale améliorée renforce le couplage eau tropicale-RCG de plus en plus négatif (Fig. 6 supplémentaire). Ces résultats indiquent que l'amélioration de la cohérence spatiale identifiée par ENSO au fil du temps est une explication probable du couplage de plus en plus négatif entre les eaux tropicales et le CGR IAV. À l'avenir, si les événements CP ENSO deviennent plus fréquents avec le réchauffement climatique, comme prévu34, les eaux tropicales pourraient continuer à contrôler de plus en plus le puits terrestre tropical IAV. Des investigations supplémentaires sur les différents impacts des événements EP ENSO et CP ENSO sur le cycle du carbone terrestre sont utiles pour mieux comprendre les futures rétroactions carbone-climat35,36.

a, Variations d'une année à l'autre de la cohérence spatiale de l'anomalie WS tropicale et ENSO. Toutes les années sont classées en trois sous-ensembles selon le niveau de cohérence spatiale : niveau bas (0e au 33,3e centile) ; niveau moyen (33,3e au 66,6e centile); et niveau élevé (66,6e au 100e centile). L'année est considérée comme Eastern Pacific (EP) ENSO lorsque la plus grande anomalie DJF SST sur la région 2° S–2° N, 110° E–90° W se situe dans le Pacifique Est (à l'est de 150° W) et l'indice Nino3 dépasse 1 sd L'année est considérée comme Central Pacific (CP) ENSO lorsque la plus grande anomalie DJF SST correspondante se situe dans le Pacifique Central (ouest de 150° W) et l'indice Nino4 dépasse 1 sd Volcano years sont exclus des analyses. Des lignes pointillées verticales grises relient les symboles de haute cohérence spatiale et ENSO. b, Fraction d'années avec une cohérence spatiale élevée au cours de la première période de 30 ans (1960-1989) et au cours de la période récente de 30 ans (1989-2018). Les années neutres sont identifiées comme des années qui ne sont pas dans l'état EP ENSO ou CP ENSO. c, Dépendance de RWS,CGR et RWS,CGR|T sur la cohérence spatiale de l'anomalie WS. **P < 0,05 (corrélation significative).

Les relations d'observation entre le climat tropical et le CGR sont des mesures précieuses pour diagnostiquer la capacité des modèles à simuler la variabilité interannuelle du climat terrestre et du carbone. Nous étudions donc si les modèles de pointe participant à la phase 6 du projet d'intercomparaison de modèles couplés (CMIP6) peuvent capturer cette caractéristique observée. Nous calculons la corrélation interannuelle entre le WS tropical (en utilisant l'humidité totale du sol tropical comme proxy) et l'échange net mondial simulé de l'écosystème (NEE, respiration de l'écosystème moins photosynthèse) estimé par un ensemble de neuf modèles de système terrestre couplés (ESM) et six modèles de surface terrestre (LSM) hors ligne dans la période historique 1960-2014 (méthodes). Nous constatons que les corrélations (partielles) entre l'humidité du sol tropical simulée et la NEE globale sont constamment élevées et restent donc presque inchangées dans le temps dans la plupart des ESM et LSM (Fig. 3a et Extended Data Fig. 5). De plus, la plupart des modèles ne reproduisent pas la sensibilité accrue du NEE à l'humidité du sol tropical, même s'ils diffèrent largement dans l'amplitude absolue de la sensibilité (Extended Data Fig. 6). Ces résultats indiquent que les modèles ne capturent pas l'amélioration émergente observée du couplage eau-carbone tropical au fil du temps, bien que les modèles capturent approximativement le signe et la force de cette relation interannuelle eau-carbone entre 1960 et 2014 (Fig. 3b). La capacité des modèles à reproduire le couplage eau-carbone tropical observé dépend non seulement de la simulation de la disponibilité de l'eau terrestre mais aussi des représentations des processus de la réponse du cycle du carbone au climat. Nous constatons en outre que les modèles pourraient ne pas bien représenter cette dernière partie car le couplage eau-carbone modélisé est stable dans le temps, quelles que soient les grandes différences entre l'humidité du sol simulée. Plus précisément, les schémas spatiaux dominants des anomalies d'humidité du sol simulées divergent largement d'un modèle à l'autre (Figs. 7 et 8 supplémentaires), bien que l'humidité du sol simulée de tous les modèles hors ligne puisse généralement capturer les téléconnexions ENSO (Fig. 9 supplémentaire). Pour les ESM couplés, la raison sous-jacente est plus complexe, par exemple, ils ont des problèmes connus pour simuler la probabilité d'occurrence des EP ENSO et CP ENSO historiques37. Par rapport à la respiration de l'écosystème, la réponse simulée de la production primaire brute de l'écosystème à l'humidité du sol dans les modèles est plus cohérente (Figs. 10 et 11 supplémentaires). L'inclusion supplémentaire d'éventuels flux de carbone modélisés provenant du feu et d'autres perturbations, c'est-à-dire le remplacement du NEE par la production nette de biome, ne peut aider à expliquer l'échec des modèles à reproduire le couplage eau-carbone intensifié (Fig. 12 supplémentaire). Les modèles manquent également peut-être de certaines représentations de processus critiques11, telles que la paramétrisation de l'absorption d'eau profonde38, la mortalité des arbres39 et les caractéristiques liées à l'adaptation des racines des plantes40. Par conséquent, la capacité des modèles à projeter les futures rétroactions terrestres carbone-climat est sujette à des incertitudes et ces résultats appellent des améliorations sur les interactions eau-carbone pour mieux contraindre les projections.

a, Changements dans les corrélations interannuelles et les corrélations partielles entre la disponibilité de l'eau tropicale et les flux de carbone terrestre des 27 années précédentes (1960-1986) aux 27 dernières années (1988-2014). Pour les corrélations partielles, la température tropicale est contrôlée. Toutes les variables sont redressées à l'échelle annuelle dans chaque fenêtre correspondante. Pour les observations, CGR/RLS, WS tropical reconstruit/LagP tropical et température tropicale sont utilisés pour les calculs (n = 4). Pour les modèles, le NEE global, l'humidité totale du sol tropical et la température tropicale de chaque modèle sont utilisés pour les calculs (modèles couplés, n = 9 ; modèles hors ligne, n = 6). Les boîtes à moustaches montrent la distribution des estimations pour tous les modèles, les lignes horizontales pleines indiquent les valeurs médianes, les boîtes couvrent la plage interquartile et les lignes verticales atteignent les 5e et 95e centiles. b, Identique à a mais montrant les corrélations interannuelles et les corrélations partielles entre la disponibilité de l'eau tropicale et les flux de carbone terrestre au cours de la période 1960-2014.

Les observations directes des flux de carbone nets et constitutifs tropicaux couvrant une période aussi longue font défaut, ce qui limite les attributions spatialement explicites des changements des flux de carbone à des régions spécifiques et les moteurs sous-jacents. Des preuves récentes montrent que les flux de carbone aérien (AGC) dans les biomes tropicaux semi-arides sont fortement associés à la CGR IAV au cours de la période 2011-201741. La dynamique AGC tropicale est extraite des observations satellitaires micro-ondes de la profondeur optique de la végétation (VOD). Cependant, de nouvelles preuves incitent à la prudence quant à l'interprétation de l'IAV de l'AGC dérivée de la VOD (AGCVOD) comme l'IAV de la biomasse seule, car cela pourrait être plus directement lié à l'humidité du sol42. Par conséquent, bien que nous trouvions un couplage CGR-AGCVOD semi-aride accru au cours des 15 dernières années (2002-2016) par rapport aux 15 premières années (1989-2003) en utilisant la plus longue VOD en bande Ku disponible suivant l'approche de la réf. 41 (Méthodes et Fig. 13 supplémentaire), les interprétations sous-jacentes nécessitent des validations supplémentaires. Néanmoins, des analyses indépendantes de VOD impliquent que les écosystèmes semi-arides sensibles à l'eau pourraient être devenus plus importants pour CGR IAV au cours des trois dernières décennies. Les variations des autres flux de carbone constitutifs ne sont toujours pas disponibles ; par exemple, la dynamique temporelle de la respiration du sol à grande échelle et la sensibilité à la température de la respiration du sol sont contraintes par la disponibilité des données et restent donc incertaines43. D'autres mécanismes possibles qui ne sont pas étudiés ici comprennent les effets de synergie d'autres perturbations induites par la sécheresse (comme les effets du feu44), les effets durables de la mortalité des arbres sur l'absorption de carbone45 et la diminution de la sensibilité à la température de la photosynthèse tropicale et/ou de la respiration du sol sous le réchauffement climatique46. Les 30 dernières années (1989-2018) chevauchent la « pause du réchauffement climatique » décennale (1998-2012) dans laquelle la variabilité interne naturelle, comme l'ENSO, pourrait jouer un rôle47. Les effets de la variabilité interne ne devraient pas changer le contrôle accru des eaux tropicales sur CGR IAV à l'avenir car nous avons déjà pris en compte ENSO. D'autres études sont nécessaires pour étudier ces mécanismes potentiels, par exemple en intégrant de nouvelles observations provenant de tours de flux, d'expériences sur le terrain et de satellites48 pour calibrer des modèles orientés processus.

En résumé, nous démontrons que la disponibilité de l'eau tropicale est susceptible d'avoir un CGR atmosphérique interannuel de plus en plus contrôlé au cours des 59 dernières années. Le facteur climatique dominant de la variation interannuelle du cycle du carbone terrestre a déjà montré une tendance à passer de la température à l'eau, suggérant des limitations croissantes de l'eau sur le puits de carbone terrestre tropical. Nous réconcilions donc également en partie le débat entre contrôle de l'eau et de la température pour le cycle du carbone terrestre7,9,11 du point de vue des horizons temporels considérés, en plus de la vision récente selon laquelle la rétroaction terre-atmosphère est importante20. Comme la sensibilité de l'absorption de carbone terrestre à la température est généralement utilisée comme métrique pour diagnostiquer ou limiter les rétroactions terrestres carbone-climat49, nous appelons à une plus grande attention à la pertinence de l'eau tropicale dans la prévision du CGR atmosphérique de l'année prochaine et nous suggérons qu'il est opportun d'introduire des contraintes basées sur l'eau sur les futures rétroactions terrestres tropicales carbone-climat. Les incertitudes dans les rétroactions terrestres carbone-climat affectent fortement l'évaluation de l'ampleur des réductions d'émissions nécessaires pour atteindre tout objectif de température mondiale. Par conséquent, l'incapacité des modèles de pointe à capturer le couplage de plus en plus négatif observé entre les eaux terrestres tropicales et le CGR interannuel appelle à une meilleure caractérisation des processus pertinents pour améliorer la représentation du cycle du carbone terrestre dans les ESM et les projections climatiques.

Le CGR atmosphérique mondial annuel couvrant la période de 1960 à 2018 est obtenu à partir de la Greenhouse Gas Marine Boundary Layer Reference de la National Oceanic and Atmospheric Administration (NOAA/ESRL)50. Selon la ligne directrice, le CGR annuel d'une année donnée est la différence de concentration de CO2 entre la fin décembre et le début janvier de cette année. De plus, nous utilisons également le RLS estimé du dernier budget carbone mondial 20201 pour vérifier la robustesse de notre principale conclusion (Extended Data Fig. 1b). Le RLS est déduit comme un résidu entre les émissions, l'accumulation de CO2 atmosphérique et le puits océanique.

Les satellites jumeaux GRACE fournissent la mesure des changements des WS terrestres à l'échelle mensuelle depuis mars 200251. En particulier, les WS terrestres sont la somme de tous les WS au-dessus et en dessous de la surface, y compris l'humidité du sol, les eaux souterraines, la neige, la glace et l'eau stockée dans la végétation, les rivières et les lacs. Pour compléter l'enregistrement plus court des observations fournies par les satellites GRACE, nous utilisons une reconstruction statistique récemment publiée du WS terrestre qui s'est entraîné sur les satellites jumeaux GRACE18. Le WS terrestre reconstruit est basé sur deux solutions GRACE différentes et trois ensembles de données de forçage météorologique différents. Ici, nous utilisons principalement la moyenne d'ensemble de tous les membres. Les détails de l'approche statistique sont documentés dans la réf. 18. La validation par rapport au WS terrestre d'origine soutient la fiabilité des reconstructions dans la reproduction des signaux historiques à l'échelle annuelle, y compris les tropiques (Fig. 14 supplémentaire et Tableau supplémentaire 1). Le jeu de données WS terrestre reconstruit a une résolution spatiale de 0,5° × 0,5° et une résolution temporelle d'un jour de 1901 à 2018.

De plus, les observations directes de LagP sur les terres tropicales capturent l'IAV de l'anomalie WS tropicale agrégée à l'échelle annuelle (données étendues Fig. 3a et tableau supplémentaire 1). Par exemple, le LagP en 2018 est la somme des précipitations de juillet 2017 à juin 2018. De plus, conformément aux conclusions précédentes7,17, l'IAV des précipitations décalées des terres tropicales est bien corrélée au CGR (Extended Data Fig. 3b). Cela aide à expliquer la rationalité de cette relation à partir du processus de mémoire WS. Par conséquent, LagP est identifié comme un autre proxy efficace pour l'IAV de l'anomalie WS tropicale agrégée. Les précipitations sont obtenues à partir de l'unité de recherche sur le climat (CRU) TS4.03 (réf. 52) et du Global Precipitation Climatology Center (GPCC) Full Data Monthly v.2020. Pour confirmer davantage que la qualité des données des précipitations tropicales basées sur les stations est fiable, nous comparons les précipitations CRU basées sur les stations avec les précipitations satellitaires de la mission de mesure des précipitations tropicales (TRMM) (données étendues Fig. 7a) ; nous comparons également les précipitations CRU avec les précipitations GPCC qui ont des stations de jaugeage beaucoup plus grandes que CRU (Extended Data Fig. 7b). En fait, par rapport aux années 2000 à 2010 (où les observations satellitaires confirment la fiabilité de l'IAV des précipitations tropicales basées sur les stations), le nombre de stations de jauge était beaucoup plus important dans les années 1960 à 1990 (Extended Data Fig. 7c). Ces validations suggèrent que l'IAV des précipitations tropicales basées sur les stations est fiable de 1960 à 2018. Le jeu de données de précipitations TRMM 3B43 a une résolution spatiale de 0,25° × 0,25° et une résolution temporelle de 1 mois de 1998 à 2019. Le CRU et le GPCC ont tous deux une résolution spatiale de 0,5° × 0,5° et une résolution temporelle de 1 mois de 1891 à 2018.

Par conséquent, nous utilisons le WS et le LagP tropicaux reconstruits annuellement pour indiquer l'IAV de l'anomalie de disponibilité de l'eau terrestre tropicale.

La température est obtenue à partir du CRU TS4.03 (réf. 52). La température de surface globale de la Terre de Berkeley est également utilisée pour un test robuste53. Les deux jeux de données de température ont tous deux une résolution spatiale de 0,5° × 0,5° et une résolution temporelle de 1 mois de 1901 à 2018.

Les terres tropicales sont définies comme la moyenne spatiale sur toutes les zones terrestres végétalisées entre 24° N et 24° S, comme dans la réf. 7. Le domaine de la région tropicale semi-aride comprend des savanes arbustives et (boisées), qui sont identifiées selon la carte de classification de l'occupation des sols de MODIS (MCD12C1, type3). La carte a été recadrée à l'aide d'un filtre majoritaire à une résolution spatiale de 0,5° × 0,5°.

L'ENSO est la plus importante source de variabilité climatique interannuelle sur Terre. Les moyennes surfaciques des anomalies de température de surface de la mer (SST) par rapport à une climatologie moyenne à long terme sont utilisées pour caractériser ENSO. La période de 1960 à 2018 est utilisée comme climatologie ici. Les anomalies SST sur la région Nino3.4 (5° N–5° S, 120° W–170° W) sont les plus couramment utilisées et incluent les signaux de EP ENSO et CP ENSO54. L'année est considérée comme EP ENSO lorsque la plus grande anomalie DJF (décembre à février) SST sur la région de 2° S–2° N, 110° E–90° W se situe dans l'EP (à l'est de 150° W) et l'indice Nino3 dépasse 1 sd L'année est considérée comme CP ENSO lorsque la plus grande anomalie DJF SST correspondante se situe dans le CP (ouest de 150° W) et l'indice Nino4 dépasse 1 sd Nous notons que l'identification de Les types ENSO peuvent varier selon la méthode utilisée27. Cette étude utilise la température de surface de la mer de reconstruction étendue (ERASST v.5) de la National Oceanic and Atmospheric Administration (NOAA). Ce jeu de données a une résolution temporelle de 1 mois de 1855 à nos jours et une résolution spatiale de 2° × 2° (réf. 55).

Neuf ESM couplés participant à la sixième phase du projet d'intercomparaison de modèles couplés (CMIP6) sont utilisés : CESM2, CNRM-ESM2-1, IPSL-CM6A-LR, MPI-ESM1-2-LR, UKESM1-0-LL, ACCESS-ESM1-5, CanESM5, MIROC-ES2L et NorESM2-LM. Les ESM couplés permettent des rétroactions entre le climat physique et les processus biologiques et chimiques dans l'océan et sur terre. Nous avons adopté les sorties de données du scénario « historique » (1960-2014) avec un membre d'ensemble pour chaque modèle. Les puits de carbone climatiques et terrestres sont simulés avec tous les forçages, y compris les causes naturelles (par exemple, les éruptions volcaniques et la variabilité solaire) et les facteurs humains (par exemple, la concentration de CO2, les aérosols et l'utilisation des terres) sur la période 1850-2014. Dans les ESM couplés, le cycle du carbone est couplé au système climatique.

Six LSM hors ligne du Land Surface, Snow and Soil Moisture Model Intercomparison Project (LS3MIP) sont utilisés ici56 : CESM2, CNRM-ESM2-1, IPSL-CM6A-LR, MPI-ESM1-2-LR, UKESM1-0-LL et CMCC-ESM2. Les LSM hors ligne tiennent compte des changements d'utilisation des terres mais n'incluent pas les rétroactions locales terre-atmosphère. Nous avons adopté les données de sortie du scénario "Land-Hist" (1960-2014) avec un membre d'ensemble pour chaque modèle, pour lequel les données de forçage atmosphérique, de végétation, de sol, de topographie et de masque terre/mer ont été prescrites selon le protocole utilisé pour les simulations CMIP6 DECK. Le forçage atmosphérique provient de la phase trois du Global Soil Wetness Project (GSWP3), qui est une version dynamiquement réduite et corrigée des biais de la Twentieth Century Reanalysis57. La mise en place des simulations terrestres uniquement suit le protocole du projet « Tendances et moteurs des sources et des puits de dioxyde de carbone à l'échelle régionale » (TRENDY)58.

Suite aux efforts antérieurs11,59, pour permettre une comparaison équitable de la relation eau-carbone entre les observations et les modèles, nous utilisons la somme de l'humidité du sol dans toutes les couches et l'équivalent en eau de la neige comme WS terrestre modélisé. Sous les tropiques, l'équivalent en eau de la neige est négligeable.

La corrélation partielle est utilisée ici pour vérifier directement si un couplage eau-carbone de plus en plus négatif est influencé par un couplage confondant eau-température. Cependant, l'utilisation de valeurs spécifiques de RW,CGR|T pour conclure le signe et la force des impacts totaux de l'eau sur le CGR n'est pas suggérée. RW,CGR|T isole les impacts de l'eau sur le CGR du couplage confondant eau-température en supprimant linéairement toutes les covariations liées à la température. Cependant, étant donné les rétroactions bien documentées de l'humidité du sol et de l'atmosphère21, la variabilité de la température comprend en fait de nombreuses rétroactions de l'humidité du sol (par exemple, les températures extrêmes dans les régions tropicales semi-arides) et les supprimer toutes éliminerait indirectement certains impacts de l'eau sur le CGR en raison de leur connexion physique. De plus, les modèles ne reproduisent pas le couplage eau-carbone intensifié, mais capturent approximativement le signe et la force du couplage eau-carbone tropical à long terme entre 1960 et 2018, fournissant ainsi un aperçu des processus sous-jacents. Des expériences factorielles modèles montrent que la suppression de la variabilité interannuelle de l'humidité du sol supprime la variabilité de l'absorption de carbone terrestre d'environ 90 %, alors que la température moyenne tropicale reste inchangée (Extended Data Fig. 10 dans la réf. 20). Par conséquent, réf. 20 suggèrent que la température moyenne tropicale pourrait ne pas représenter un facteur climatique mécaniste de la variabilité de l'absorption du carbone terrestre. Par conséquent, RW,CGR|T est une mesure insuffisante et moins précise pour déduire le signe et la force des impacts indépendants de l'eau sur le CGR et sous-estimer les impacts de l'eau sur le CGR dans les phases où le contrôle de la température est dominant. Néanmoins, leurs changements relatifs sont utiles dans cette étude et appuient la conclusion selon laquelle le couplage eau-carbone est devenu de plus en plus négatif dans un passé récent (1989-2018) par rapport aux conditions climatiques antérieures (1960-1989).

Le procédé d'analyse de fonction orthogonale empirique (EOF) peut déconvoluer la variabilité spatio-temporelle d'un signal en modes orthogonaux, chacun indiqué par un motif spatial principal et la série temporelle de composants principaux correspondants. Il est largement utilisé pour étudier les schémas spatiaux de la variabilité climatique et leur évolution dans le temps60,61. Nous effectuons l'analyse EOF sur l'humidité du sol tropical simulée à partir des modèles CMIP6.

En présence de colinéarité, l'utilisation de l'estimateur OLS peut conduire à des estimations de coefficients de régression qui présentent une grande variabilité d'échantillonnage et même un mauvais signe. La régression de crête est une technique courante à utiliser pour résoudre les problèmes liés à la colinéarité62. Dans la régression ridge, un terme de pénalité est ajouté à la fonction de perte pour réduire les coefficients de régression63. La quantité de retrait est définie par un paramètre de régularisation que nous avons choisi dans une approche de validation croisée. Les données ont été divisées au hasard 25 fois en ensembles d'apprentissage et de validation et, pour chaque division, la performance de l'ensemble de test de validation (erreur quadratique moyenne) a été évaluée pour 100 paramètres de régularisation différents espacés uniformément sur une échelle logarithmique. Les paramètres de régularisation les plus performants ont été sélectionnés pour chaque fractionnement et la moyenne entre eux a été retenue pour le modèle final. Pour évaluer l'incertitude des estimations des coefficients de régression, nous nous sommes appuyés sur le bootstrap, ce qui signifie que nous avons échantillonné les données au hasard 5 000 fois et estimé les coefficients de régression pour chaque échantillon.

Pour quantifier le degré de cohérence spatiale de l'anomalie WS tropicale annuelle, en suivant la réf. 9, nous calculons une grande matrice de covariance de toutes les cellules de la grille par rapport à toutes les cellules de la grille pour l'anomalie WS tropicale. Chaque élément de cette matrice de covariance est appelé ci,j comme suit :

où i et j indiquent les deux cellules de grille utilisées pour calculer la covariance, WSi et WSj sont les séries temporelles d'anomalies WS annuelles correspondantes dans la période spécifiée. Ensuite, nous avons additionné tous les termes de covariance positifs et négatifs (appelés tcov, tcov+ et tcov−), respectivement, comme suit :

Les variances de la diagonale de la matrice de covariance (où i = j) ont été exclues car elles sont toujours positives et ne contribuent pas à l'estimation de la cohérence spatiale. Enfin, la cohérence spatiale de l'anomalie WS a été définie comme l'équation suivante :

En théorie, 100 % indique que toutes les cellules de la grille covarient dans le même signe, c'est-à-dire la cohérence spatiale la plus élevée. Les valeurs inférieures indiquent que les covariances positives totales sont contrebalancées par les covariances négatives totales, c'est-à-dire une cohérence spatiale plus faible.

La VOD extraite des observations satellitaires micro-ondes est liée à la teneur en eau de la masse végétale et offre des possibilités de suivi de la dynamique AGC41. Nous avons utilisé des produits VOD à long terme récemment publiés de la VOD Climate Archive (VODCA), qui combine des récupérations VOD qui ont été dérivées de plusieurs capteurs (SSM/I, TMI, AMSR-E, WindSat et AMSR2) en utilisant le Land Parameter Retrieval Model64. Pour être complet dans le temps, nous avons utilisé la plus longue VOD disponible estimée à partir de la bande Ku qui couvre la période 1988-2016. Pour estimer l'AGC tropical, en suivant l'approche de la réf. 65, nous avons d'abord ajusté une fonction empirique à quatre paramètres en calibrant la VOD tropicale par rapport à la carte de référence AGC tropicale de la réf. 66 en 2000 comme suit :

où a, b, c et d sont quatre paramètres les mieux ajustés et Inf est fixé à 1010. La densité AGC (MgC ha−1) a été dérivée en multipliant les valeurs originales de densité de biomasse aérienne par un facteur de 0,5 (réf. 67). Pour Ku-VOD et AGC, les données sont agrégées à la résolution spatiale de 0,5° × 0,5°. Le diagramme de dispersion spatiale de la VOD et de l'AGC démontre clairement la bonne relation entre la VOD et l'AGC (coefficient de détermination R2 = 0,76, P <0,01 ; Fig. 15 supplémentaire). Il semble que les performances de VODCA Ku-VOD soient moins comparables à celles de L-VOD (R2 = 0,81) (réf. 41), qui était considérée comme plus sensible à l'AGC dans les régions à forte biomasse. Cependant, la L-VOD n'est disponible que depuis 2010 et n'est donc pas utilisée ici. Enfin, nous appliquons cette fonction empirique pour convertir la VOD en AGC de 1988 à 2016.

Tous les ensembles de données utilisés ici sont accessibles au public. Les observations du CO2 atmosphérique sont disponibles sur https://gml.noaa.gov/ccgg/ ; Les observations GRACE des WS terrestres sont disponibles sur https://grace.jpl.nasa.gov/data/get-data/monthly-mass-grids-land/ ; Les WS terrestres GRACE-REC sont disponibles sur https://doi.org/10.6084/m9.figshare.7670849 ; Les ensembles de données climatiques du CRU sont disponibles sur https://www.uea.ac.uk/groups-and-centres/climatic-research-unit ; L'ensemble de données GPCC sur les précipitations est disponible sur https://www.dwd.de/EN/ourservices/gpcc/gpcc.html ; Le jeu de données TRMM sur les précipitations est disponible sur https://disc.gsfc.nasa.gov/datasets/ ; Les ensembles de données climatiques de Berkeley Earth sont disponibles sur http://berkeleyarth.org/ ; ERASST v.5 sont disponibles sur https://psl.noaa.gov/data/gridded/data.noaa.ersst.v5.html ; Les sorties du modèle CMIP6 sont disponibles sur https://pcmdi.llnl.gov/CMIP6/ ; et les produits VODCA sont disponibles sur https://doi.org/10.5281/zenodo.2575599.

Les codes sont disponibles via Zenodo à https://doi.org/10.5281/zenodo.6447779.

Friedlingstein, P. et al. Budget carbone mondial 2020. Earth Syst. Sci. Données 12, 3269–3340 (2020).

Annonces d'article Google Scholar

Friedlingstein, P. et al. Analyse des rétroactions du cycle climat-carbone : résultats de l'intercomparaison des modèles (CMIP)-M-4. J.Clim. 19, 3337–3353 (2006).

Annonces d'article Google Scholar

Bousquet, P. et al. Changements régionaux dans les flux de dioxyde de carbone des terres et des océans depuis 1980. Science 290, 1342–1346 (2000).

Article ADS CAS PubMed Google Scholar

Piao, SL et al. Variation interannuelle du cycle du carbone terrestre : enjeux et perspectives. Glob. Changer Biol. 26, 300–318 (2020).

Annonces d'article Google Scholar

Cox, PM et al. Sensibilité du carbone tropical au changement climatique contrainte par la variabilité du dioxyde de carbone. Nature 494, 341–344 (2013).

Article ADS CAS PubMed Google Scholar

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

Wang, WL et al. Variations des taux de croissance du CO2 atmosphérique couplées à la température tropicale. Proc. Natl Acad. Sci. États-Unis 110, 13061–13066 (2013).

Article ADS CAS PubMed PubMed Central Google Scholar

Anderegg, WRL et al. Réchauffement tropical nocturne en tant que moteur dominant de la variabilité du puits de carbone terrestre. Proc. Natl Acad. Sci. États-Unis 112, 15591–15596 (2015).

Article ADS CAS PubMed PubMed Central Google Scholar

Jung, M. et al. Les effets compensatoires de l'eau relient les changements annuels mondiaux des puits de CO2 terrestres à la température. Nature 541, 516-520 (2017).

Article ADS CAS PubMed Google Scholar

Braswell, BH, Schimel, DS, Linder, E. & Moore, B. La réponse des écosystèmes terrestres mondiaux à la variabilité interannuelle de la température. Sciences 278, 870–872 (1997).

Article ADS CAS Google Scholar

Humphrey, V. et al. Sensibilité du taux de croissance du CO2 atmosphérique aux changements observés dans le stockage de l'eau terrestre. Nature 560, 628-631 (2018).

Article ADS PubMed Google Scholar

Bacastow, RB Modulation du dioxyde de carbone atmosphérique par l'oscillation australe. Nature 261, 116-118 (1976).

Article ADS CAS Google Scholar

Keeling, CD, Whorf, TP, Wahlen, M. & van der Plichtt, J. Extrêmes interannuels du taux d'augmentation du dioxyde de carbone atmosphérique depuis 1980. Nature 375, 666–670 (1995).

Article ADS CAS Google Scholar

Zeng, XB, Eyre, JEJR, Dixon, RD et Arevalo, J. Quantification de l'occurrence d'années chaudes record par des tendances de réchauffement normalisées. Géophys. Rés. Lett. 48, e2020GL091626 (2021).

Adams, JM & Piovesan, G. Relations en séries longues entre l'augmentation interannuelle mondiale de CO2 et le climat : preuves de stabilité et de changement dans le rôle des zones tropicales et boréales-tempérées. Chemosphere 59, 1595–1612 (2005).

Article ADS CAS PubMed Google Scholar

Wang, XH et al. Un doublement de la sensibilité du cycle du carbone aux variations de température tropicales. Nature 506, 212-215 (2014).

Article PubMed Google Scholar

Wang, J., Zeng, N. & Wang, MR Variabilité interannuelle du taux de croissance du CO2 atmosphérique : rôles des précipitations et de la température. Biogéosciences 13, 2339–2352 (2016).

Article ADS CAS Google Scholar

Humphrey, V. & Gudmundsson, L. GRACE-REC : une reconstruction des changements climatiques liés au stockage de l'eau au cours du siècle dernier. Terre Syst. Sci. Données 11, 1153–1170 (2019).

Annonces d'article Google Scholar

Mercado, LM et al. Impact des modifications du rayonnement diffus sur le puits de carbone terrestre mondial. Nature 458, 1014-1087 (2009).

Article ADS CAS PubMed Google Scholar

Humphrey, V. et al. La rétroaction humidité du sol-atmosphère domine la variabilité de l'absorption du carbone terrestre. Nature 592, 65–69 (2021).

Article PubMed PubMed Central Google Scholar

Seneviratne, SI et al. Étudier les interactions humidité du sol-climat dans un climat changeant: une revue. Terre Sci. Rév. 99, 125–161 (2010).

Article ADS CAS Google Scholar

Luo, XZ & Keenan, TF Les sécheresses extrêmes tropicales entraînent une augmentation à long terme de la variabilité du taux de croissance du CO2 atmosphérique. Nat. Commun. 13, 1193 (2022).

Article ADS CAS PubMed PubMed Central Google Scholar

Gu, GJ & Adler, RF Précipitations et variations de température à l'échelle interannuelle : évaluation de l'impact de l'ENSO et des éruptions volcaniques. J.Clim. 24, 2258-2270 (2011).

Annonces d'article Google Scholar

Cai, WJ et al. Changer El Nino-Oscillation australe dans un climat qui se réchauffe. Nat. Rev. Earth Environ. 2, 628–644 (2021).

Article Google Scholar

Freund, MB et al. Fréquence plus élevée des événements El Nino du Pacifique central au cours des dernières décennies par rapport aux siècles passés. Nat. Géosci. 12, 450–455 (2019).

Annonces d'article Google Scholar

Johnson, NC Combien de saveurs ENSO pouvons-nous distinguer ? J.Clim. 26, 4816–4827 (2013).

Annonces d'article Google Scholar

Capotondi, A. et al. Comprendre la diversité ENSO. Taureau. Am. Météorol. Soc.96, 921–938 (2015).

Annonces d'article Google Scholar

Ashok , K. , Behera , SK , Rao , SA , Weng , HY & Yamagata , T. El Nino Weapon et sa possible téléconnexion. J. Geophys. Rés. Océans https://doi.org/10.1029/2006JC003798 (2007).

Wang, G. & Hendon, HH Sensibilité des précipitations australiennes aux variations inter-El Nino. J.Clim. 20, 4211–4226 (2007).

Annonces d'article Google Scholar

de Linage, C., Kim, H., Famiglietti, JS & Yu, JY Impact des températures de surface de la mer du Pacifique et de l'Atlantique sur les variations interannuelles et décennales du stockage des eaux terrestres GRACE en Amérique du Sud tropicale. J. Geophys. Rés. Atmos 118, 10811–10829 (2013).

Article Google Scholar

Rodell, M. et al. Tendances émergentes de la disponibilité mondiale d'eau douce. Nature 557, 651–659 (2018).

Article PubMed PubMed Central Google Scholar

Wang, J. et al. Augmentation de l'absorption de carbone entre l'Inde et l'Afrique et de la libération de carbone en Asie-Pacifique associée au dipôle extrêmement positif de l'océan Indien en 2019. Géophys. Rés. Lett. 49, e2022GL100950 (2022).

Wang, J. et al. Modulation de la photosynthèse terrestre par le dipôle de l'océan Indien : observations satellitaires et projections futures CMIP6. Earths Future 9, e2020EF001942 (2021).

Oui, SW et al. El Nino dans un climat changeant. Nature 461, 511-570 (2009).

Article ADS CAS PubMed Google Scholar

Chylek, P., Tans, P., Christy, J. & Dubey, MK La réponse du cycle du carbone à deux types d'El Niño : une étude observationnelle. Environ. Rés. Lett. 13, 024001 (2018).

Wang, J. et al. Variabilités interannuelles contrastées du CO2 atmosphérique et leurs mécanismes terrestres pour deux types d'El Ninos. Atmos. Chim. Phys. 18, 10333–10345 (2018).

Article ADS CAS Google Scholar

Timmermann, A. et al. Complexité El Nino-Oscillation Australe. Nature 559, 535-545 (2018).

Article ADS CAS PubMed Google Scholar

Fan , Y. , Miguez-Macho , G. , Jobbagy , EG , Jackson , RB & Otero-Casal , C. Régulation hydrologique de la profondeur d'enracinement des plantes . Proc. Natl Acad. Sci. États-Unis 114, 10572–10577 (2017).

Article ADS CAS PubMed PubMed Central Google Scholar

Yang, Y. et al. Déclin post-sécheresse du puits de carbone amazonien. Nat. Commun. 9, 3172 (2018).

Article ADS PubMed PubMed Central Google Scholar

Feddes, RA et al. Modélisation de l'absorption d'eau par les racines dans les modèles hydrologiques et climatiques. Taureau. Suis. Météorol. 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">Annonces d'article Google Scholar

Fan, L. et al. Dynamique pantropicale du carbone observée par satellite. Nat. Plantes 5, 944–951 (2019).

Article CAS PubMed Google Scholar

Konings, AG, Holtzman, NM, Rao, K., Xu, L. & Saatchi, SS Les variations interannuelles de la profondeur optique de la végétation sont dues à la fois au stress hydrique et aux changements de la biomasse. Géophys. Rés. Lett. 48, e2021GL095267 (2021).

Bond-Lamberty, B. Nouvelles techniques et données pour comprendre le flux global de respiration du sol. Earths Future 6, 1176-1180 (2018).

Annonces d'article Google Scholar

Liu, JJ et al. Réponses contrastées du cycle du carbone des continents tropicaux à El Nino 2015-2016. Sciences https://doi.org/10.1126/science.aam5690 (2017).

da Costa, ACL et al. Effet de 7 ans de sécheresse expérimentale sur la dynamique de la végétation et le stockage de la biomasse d'une forêt tropicale amazonienne orientale. Nouveau phytol. 187, 579-591 (2010).

Article PubMed Google Scholar

Huang, MT et al. Optimums de température de l'air de la productivité de la végétation dans les biomes mondiaux. Nat. Écol. Évol. 3, 772–779 (2019).

Article PubMed PubMed Central Google Scholar

Medhaug, I., Stolpe, MB, Fischer, EM et Knutti, R. Réconcilier les controverses sur le « hiatus du réchauffement climatique ». Nature 545, 41-47 (2017).

Article PubMed Google Scholar

Liu, LB et al. L'humidité du sol domine le stress de sécheresse sur la production des écosystèmes à l'échelle mondiale. Nat. Commun. 11, 4892 (2020).

Arora, VK et al. Rétroactions carbone-concentration et carbone-climat dans les modèles CMIP6 et leur comparaison avec les modèles CMIP5. Biogéosciences 17, 4173–4222 (2020).

Article ADS CAS Google Scholar

Masarie, KA & Tans, PP Extension et intégration des données de dioxyde de carbone atmosphérique dans un enregistrement de mesure cohérent à l'échelle mondiale. J. Geophys. Rés. Atmos. 100, 11593–11610 (1995).

Article ADS CAS Google Scholar

Tapley, BD, Bettadpur, S., Ries, JC, Thompson, PF et Watkins, MM Mesures GRACE de la variabilité de masse dans le système terrestre. Sciences 305, 503-505 (2004).

Article ADS CAS PubMed Google Scholar

Harris, I., Osborn, TJ, Jones, P. et Lister, D. Version 4 de l'ensemble de données climatiques multivariées mensuelles à grille haute résolution CRU TS. Sci. Données 7, 109 (2020).

Article PubMed PubMed Central Google Scholar

Rohde, RA & Hausfather, Z. Le record de température terrestre/océanique de Berkeley. Terre Syst. Sci. Données 12, 3469–3479 (2020).

Annonces d'article Google Scholar

Trenberth, KE La définition d'El Nino. Taureau. Suis. Météorol. 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">Annonces d'article Google Scholar

Huang, BY et al. Température de surface de la mer reconstruite étendue, version 5 (ERSSTv5) : mises à jour, validations et comparaisons. J.Clim. 30, 8179–8205 (2017).

Annonces d'article Google Scholar

van den Hurk, B. et al. Contribution du LS3MIP (v1.0) au CMIP6 : le projet d'intercomparaison des modèles de surface terrestre, de neige et d'humidité du sol - objectifs, configuration et résultats attendus. Géosci. Modèle Dév. 9, 2809–2832 (2016).

Annonces d'article Google Scholar

Compo, GP et al. Le projet de réanalyse du XXe siècle. QJR Météore. Soc. 137, 1–28 (2011).

Annonces d'article Google Scholar

Sitch, S. et al. Tendances récentes et moteurs des sources et des puits régionaux de dioxyde de carbone. Biogéosciences 12, 653–679 (2015).

Annonces d'article Google Scholar

Wu, RJ, Lo, MH & Scanlon, BR Le cycle annuel des anomalies de stockage d'eau terrestre dans les modèles CMIP6 évalués par rapport aux données GRACE. J.Clim. 34, 8205–8217 (2021).

Annonces Google Scholar

Björnsson, H. & Venegas, SJCR Un manuel pour les analyses EOF et SVD des données climatiques. CCGCR Rep. 97, 112–134 (1997).

Cai, WJ et al. ENSO et réchauffement par effet de serre. Nat. Clim. Modification 5, 849–859 (2015).

Annonces d'article Google Scholar

Dormann, CF et al. Colinéarité : revue des méthodes pour y faire face et étude par simulation évaluant leurs performances. Écographie 36, 27–46 (2013).

Article Google Scholar

Hoerl, AE & Kennard, RW Régression Ridge - estimation biaisée pour les problèmes non orthogonaux. Technometrics 12, 55–67 (1970).

MATH Google Scholar

Moesinger, L. et al. Les archives mondiales à long terme sur le climat de la profondeur optique de la végétation micro-ondes (VODCA). Terre Syst. Sci. Données 12, 177–196 (2020).

Annonces d'article Google Scholar

Liu, YY et al. Renversement récent de la perte de biomasse terrestre mondiale. Nat. Clim. Modification 5, 470–474 (2015).

Annonces d'article Google Scholar

Avitabile, V. et al. Une carte intégrée de la biomasse pantropicale utilisant plusieurs ensembles de données de référence. Glob. Changer Biol. 22, 1406–1420 (2016).

Annonces d'article Google Scholar

Baccini, A. et al. Estimation des émissions de dioxyde de carbone provenant de la déforestation tropicale améliorée par des cartes de densité de carbone. Nat. Clim. Modification 2, 182–185 (2012).

Article ADS CAS Google Scholar

Télécharger les références

Nous remercions le Programme mondial de recherche sur le climat qui, par l'intermédiaire de son groupe de travail sur la modélisation couplée, a coordonné et promu le CMIP6. Nous remercions les groupes de modélisation climatique d'avoir produit et mis à disposition leur sortie de modèle, la Earth System Grid Federation (ESGF) d'avoir archivé les données et fourni l'accès, ainsi que les multiples agences de financement qui soutiennent le CMIP6 et l'ESGF. Nous remercions tous les contributeurs aux expériences LS3MIP et LMIP. Nous remercions la division de surveillance mondiale du NOAA/Earth System Research Laboratory pour avoir fourni les mesures de CO2 atmosphérique. Nous remercions U. Beyerle, L. Brunner, R. Lorenz et M. Hauser pour le téléchargement et le traitement des données CMIP6 et LS3MIP. Nous reconnaissons la PSL NOAA/OAR.ESRL pour avoir fourni l'ensemble de données ERSST_v5. Nous remercions M. Hirschi pour le téléchargement des données VOD. Nous remercions V. Humphrey et Q. Sun pour des discussions utiles. LL, RSP, PC, PF et SIS reconnaissent le soutien du programme de recherche et d'innovation Horizon 2020 de l'Union européenne (subvention n° 821003 (4C)). LL, PC et SIS reconnaissent également le soutien de HORIZON.2.5 (octroi n° 101056939) (RESCUE).

Financement en libre accès fourni par l'Institut fédéral suisse de technologie de Zurich.

Institut des sciences de l'atmosphère et du climat, ETH Zurich, Zurich, Suisse

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

Laboratoire des Sciences du Climat et de l’Environnement, CEA-CNRS-UVSQ, Université Paris Saclay, Gif-sur-Yvette, France

Philippe Ciais

Joint Institute for Regional Earth System Science and Engineering (JIFRESSE), Université de Californie, Los Angeles, Los Angeles, Californie, États-Unis

Mengxi Wu

Collège d'ingénierie, de mathématiques et de sciences physiques, Université d'Exeter, Exeter, Royaume-Uni

Pierre Friedlingstein

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

LL a conçu l'idée originale. LL, SIS et PC ont conçu les expériences. LL, SIS, PC, WM, RSP, PF, JS et LG ont effectué la recherche. JS a effectué des analyses de régression ridge. LL a effectué toutes les autres analyses. LL a rédigé l'article avec les contributions de tous les co-auteurs.

Correspondance à Laibao Liu.

Les auteurs ne déclarent aucun intérêt concurrent.

Nature remercie Russell Scott, Jun Wang et les autres examinateurs anonymes pour leur contribution à l'examen par les pairs de ce travail. Les rapports des pairs examinateurs sont disponibles.

Note de l'éditeur Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

a, Histogrammes des corrélations interannuelles climat-carbone au cours des trois premières décennies (1960-1989) et des trois dernières décennies (1989-2018), dérivés à l'aide de 5000 répétitions d'amorçage. Identique à la Fig. 1c, mais l'eau tropicale fait référence aux précipitations décalées de 6 mois du GPCC et la température tropicale est dérivée de la température de surface globale de la Terre de Berkeley. b, Identique à la Fig. 1c, mais le CGR est remplacé par le puits terrestre résiduel (RLS).

a, La sensibilité interannuelle du CGR à la température tropicale est estimée à partir de la régression bivariée avec à la fois la température tropicale et l'eau tropicale comme prédicteurs. Pré indique des précipitations simultanées. Pour conserver la cohérence de la méthode avec les études pertinentes précédentes, nous utilisons d'abord la régression MCO. Chaque point indique une période de 25 ans. L'année centrale de la fenêtre temporelle est indiquée sur l'axe horizontal. Les zones ombrées représentent l'intervalle de confiance à 95 %, dérivé à l'aide de 5 000 répétitions d'amorçage. Pour une meilleure lisibilité, seuls les intervalles de confiance à 95 % de la sensibilité à la température de la première et de la troisième fonction de régression sont tracés. b, identique à a, mais en utilisant la régression Ridge.

a, b, IAV du LagP tropical et (a) WS tropical et (b) CGR pendant la période 1960-2018. Les nuances de gris verticales indiquent trois éruptions volcaniques (Mont Agung, El Chichón et Pinatubo).

L'année est considérée comme EP ENSO lorsque la plus grande anomalie DJF SST sur la région de 2°S–2°N, 110°E–90°W se situe dans le Pacifique Est (Est de 150°W) et l'indice Nino3 dépasse un écart type. L'année est considérée comme CP ENSO lorsque la plus grande anomalie DJF SST correspondante se situe dans le Pacifique central (ouest de 150°W) et que l'indice Nino4 dépasse un écart type. Les années volcaniques sont exclues des analyses.

Les années marquées sur l'axe horizontal indiquent l'année centrale de la fenêtre temporelle mobile de 27 ans (toutes les variables ont été redressées à l'échelle annuelle dans chaque fenêtre correspondante). Les modèles sont basés sur l'humidité totale du sol tropical, la température tropicale et l'échange net global de l'écosystème.

Pour les modèles, l'échange net global de l'écosystème, l'humidité totale du sol tropical et la température tropicale de chaque modèle sont utilisés pour les calculs. La sensibilité univariée et bivariée est estimée à l'aide de la régression OLS et de la régression Ridge, respectivement. La meilleure estimation de la sensibilité du CGR aux eaux tropicales est présentée. ** indique une sensibilité significative à P < 0,05.

a, b, IAV du LagP tropical dans le CRU, (a) TRMM de 1999 à 2018 et (b) GPCC de 1960 à 2018. c, Couverture temporelle du nombre de stations de jaugeage en GPCC et CRU.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Liu, L., Ciais, P., Wu, M. et al. Couplage eau tropicale-taux de croissance interannuelle du CO2 de plus en plus négatif. Nature (2023). https://doi.org/10.1038/s41586-023-06056-x

Télécharger la citation

Reçu : 05 janvier 2022

Accepté : 05 avril 2023

Publié: 31 mai 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.