Señales emergentes de disminución de la resiliencia de los bosques bajo el cambio climático

Nature volumen 608, páginas 534–539 (2022)Citar este artículo

33k Accesos

38 citas

628 Altmetric

Detalles de métricas

Los ecosistemas forestales dependen de su capacidad para resistir y recuperarse de perturbaciones naturales y antropogénicas (es decir, su resiliencia)1. La evidencia experimental de aumentos repentinos en la mortalidad de los árboles está generando preocupaciones sobre la variación en la resiliencia de los bosques2, pero se sabe poco sobre cómo está evolucionando en respuesta al cambio climático. Aquí integramos índices de vegetación basados en satélites con aprendizaje automático para mostrar cómo ha cambiado la resiliencia forestal, cuantificada en términos de indicadores críticos de desaceleración3,4,5, durante el período 2000-2020. Mostramos que los bosques tropicales, áridos y templados están experimentando una disminución significativa en la resiliencia, probablemente relacionada con el aumento de las limitaciones de agua y la variabilidad climática. Por el contrario, los bosques boreales muestran patrones locales divergentes con una tendencia promedio creciente en resiliencia, probablemente beneficiándose del calentamiento y la fertilización con CO2, que pueden compensar los efectos adversos del cambio climático. Estos patrones emergen consistentemente tanto en bosques manejados como intactos, lo que corrobora la existencia de impulsores climáticos comunes a gran escala. Las reducciones en la resiliencia están vinculadas estadísticamente a disminuciones abruptas en la productividad primaria de los bosques, que ocurren en respuesta al lento desplazamiento hacia un umbral crítico de resiliencia. Aproximadamente el 23% de los bosques intactos no perturbados, que corresponden a 3,32 Pg C de productividad primaria bruta, ya han alcanzado un umbral crítico y están experimentando una mayor degradación de la resiliencia. Juntas, estas señales revelan una disminución generalizada en la capacidad de los bosques para resistir la perturbación que debe tenerse en cuenta en el diseño de planes de adaptación y mitigación basados en la tierra.

Los bosques cubren alrededor de 41 millones de km2, aproximadamente el 30% de la superficie terrestre. Juegan un papel fundamental en el ciclo global del carbono, absorbiendo alrededor del 33% de las emisiones antropogénicas de carbono, y se consideran un elemento clave para mitigar el cambio climático futuro6. Además, los bosques brindan una serie de servicios ecosistémicos que contribuyen al bienestar social, como la regulación de los flujos de agua, la protección de los suelos y la conservación de la biodiversidad7. Desafortunadamente, los ecosistemas forestales están cada vez más amenazados por numerosas perturbaciones, incluidos agentes naturales (por ejemplo, incendios, tormentas de viento y patógenos) y presiones antropogénicas2. La persistencia y funcionalidad de estos ecosistemas dependen en gran medida de su resiliencia, definida como la capacidad de resistir y recuperarse de las perturbaciones ambientales3,4,5. Los bosques de baja resiliencia son más sensibles a las anomalías en los factores externos y están potencialmente más expuestos a cambios abruptos y posiblemente irreversibles (por ejemplo, cambios de régimen)8. Esto es particularmente crítico en vista de la intensificación en curso de los regímenes de perturbación que podrían afectar la provisión de servicios ecosistémicos clave en el futuro cercano9,10,11. Al mismo tiempo, las estrategias de mitigación basadas en los bosques que dependen de sumideros y reservas de carbono sostenidos se están volviendo cruciales para lograr los objetivos climáticos más ambiciosos. En este contexto, es cada vez más importante investigar la vulnerabilidad de las reservas y los flujos de carbono forestal a las perturbaciones externas. Sin embargo, se sabe poco sobre cómo ha evolucionado la resiliencia de los bosques en respuesta al cambio ambiental global. Comprender los mecanismos subyacentes de la resiliencia forestal y su dinámica reciente es, por lo tanto, de suma importancia para desarrollar planes sólidos de conservación y manejo.

Los estudios teóricos han demostrado que a medida que los sistemas se acercan a un punto de inflexión (es decir, un umbral en el que comienza un cambio desbocado autosostenido), pierden resiliencia, de modo que pequeñas perturbaciones externas continuas pueden cambiar el sistema a una configuración alternativa12. Se ha propuesto que tal pérdida de resiliencia puede detectarse a partir del aumento de la autocorrelación temporal (TAC) en el estado del sistema, lo que refleja una disminución en las tasas de recuperación debido a la ralentización crítica (CSD) de los procesos del sistema que ocurren en los umbrales3 ,4,5 (Métodos complementarios 1 a 3 y figuras complementarias 1 y 2). En tal marco, la resiliencia se define como la capacidad de los ecosistemas para soportar perturbaciones y evitar cambios de estado, y no como la recuperación al estado inicial después de que un evento importante induce un cambio de estado. La reducción de la resiliencia puede ser causada por funciones fisiológicas deterioradas que hacen que el ecosistema sea inestable o al menos más vulnerable a cambios de régimen bajo perturbaciones (por ejemplo, en términos de productividad, índice de área foliar o composición de especies)12,13,14. Esta propiedad se aprovechó en estudios previos para evaluar patrones espaciales de resiliencia forestal estática15,16,17,18. Sin embargo, la aplicación de este método a gran escala en un contexto dinámico es un desafío debido a la serie temporal limitada de observaciones, la presencia de frecuencias estacionales dominantes en las variaciones de las respuestas de los ecosistemas y las señales de forzamiento, las variaciones en la autocorrelación de las señales de forzamiento y la presencia de ruido estocástico4. Hasta ahora, estos desafíos han limitado el estudio de la evolución temporal de la resiliencia de los bosques en sistemas reales19,20,21 y han llevado a una falta sustancial de evaluaciones a escala global. En este sentido, la creciente disponibilidad de observaciones de la Tierra temporalmente consistentes durante varias décadas ahora ofrece nuevas oportunidades para monitorear la resiliencia forestal variable en el tiempo a escala regional y global.

Aquí estimamos la CSD a partir de series temporales de índices de vegetación basados en satélites para investigar la variación espacio-temporal en la resiliencia de los bosques que se ha producido en las últimas dos décadas a escala mundial. Específicamente, recuperamos el TAC de 1 retraso como un indicador CSD relacionado con la resiliencia3,4,5 a partir de recuperaciones satelitales del índice de vegetación de diferencia normalizada del núcleo (kNDVI) derivado para el período 2000-2020 a escala global a 0,05° espacial. resolución del sensor del espectrorradiómetro de imágenes de resolución moderada. kNDVI se ha propuesto recientemente como un indicador sólido de la productividad de los ecosistemas22 y, por lo tanto, se utiliza en este estudio como una métrica adecuada para representar el estado de los ecosistemas forestales.

Inicialmente exploramos el TAC promedio a nivel de píxel de toda la serie temporal de kNDVI (2000-2020; en lo sucesivo, TAC a largo plazo). Esta señal, al integrar la interacción entre el bosque y el clima, refleja la lentitud del sistema bosque-clima resultante de la interacción de los factores ambientales que afectan el crecimiento de las plantas y la capacidad del ecosistema para recuperarse de las perturbaciones. Luego se desarrolló un modelo de regresión de bosque aleatorio (RF)23 para identificar las relaciones emergentes entre la TAC a largo plazo (variable de respuesta) y un conjunto de métricas de bosque y clima (predictores ambientales; Métodos y Tabla de datos ampliados 1). Los resultados muestran que los bosques globales se caracterizan por una considerable variabilidad espacial en el TAC a largo plazo (Datos extendidos Fig. 1) explicada en gran parte por las condiciones ambientales locales (R2 = 0.87; Datos extendidos Fig. 2 y Discusión complementaria 1). Para detectar la señal de resiliencia del sistema forestal y explorar su dinámica temporal en respuesta a las condiciones ambientales cambiantes, analizamos la evolución temporal de la TAC calculada en kNDVI con ventanas móviles de 3 años durante el período de observación. Se realizaron simulaciones factoriales del modelo de RF previamente desarrollado para desentrañar la contribución de los factores ambientales y filtrar las señales de confusión que se originan en el TAC de los factores climáticos (detalles en Métodos). Esto dio como resultado una serie temporal de TAC anual y su tendencia temporal (δTAC) se utilizó como indicador de CSD para detectar cambios en la resiliencia forestal a lo largo del tiempo.

Los resultados muestran un aumento generalizado y significativo de la TAC y, por tanto, una disminución temporal de la resiliencia en las regiones tropicales, templadas y áridas (1,63 × 10−3, 1,43 × 10−3 y 1,26 × 10−3 año−1, respectivamente). Por el contrario, los bosques boreales muestran patrones locales divergentes con una tendencia promedio creciente en resiliencia (−1.54 × 10−3 año−1; Fig. 1a, b y Tabla de datos ampliados 2) asociada de manera prominente con una disminución en el TAC que ocurre en el este de Canadá y Rusia europea. Exploramos más a fondo los cambios temporales en la resiliencia, comparando el TAC promedio de kNDVI calculado en dos ventanas temporales independientes (2000–2010 y 2011–2020; Métodos). Encontramos un aumento estadísticamente significativo a lo largo del tiempo a escala global (el 53 % del globo experimenta un cambio relativo positivo; Fig. 2c). Sin embargo, la señal global está limitada por la compensación de patrones contrastantes en diferentes regiones climáticas. De hecho, el aumento estadísticamente significativo de la TAC en los bosques tropicales, áridos y templados (56–63 % de la tierra con cambio relativo positivo) se ve parcialmente compensado por una tendencia opuesta que ocurre en los bosques boreales (56 % de la tierra con cambio relativo negativo). Los patrones derivados de la comparación de las dos décadas independientes son consistentes con las trayectorias de δTAC (Fig. 1a,b y Extended Data Fig. 3), lo que confirma la validez del hallazgo. Estas señales emergentes sugieren trayectorias preocupantes para la resiliencia de gran parte de los bosques del mundo. Las señales son particularmente sólidas porque se basan en un solo sensor (el espectrorradiómetro de imágenes de resolución moderada) y un índice de vegetación (kNDVI) que mostró una correlación mejorada con la productividad primaria y problemas reducidos de ruido y estabilidad en comparación con otros índices clásicos22 (métodos). Los extensos análisis de sensibilidad respaldan aún más la solidez de estas desviaciones temporales emergentes (Métodos, Discusión complementaria 2 y Datos extendidos Figs. 4–6).

a, Mapa espacial de la tendencia temporal del TAC (δTAC). Los valores positivos de δTAC (por ejemplo, bosques tropicales) sugieren una reducción en las tasas de recuperación y, por lo tanto, una disminución de la resiliencia, y viceversa para valores negativos de δTAC (por ejemplo, bosques boreales). Los valores se promedian sobre una ventana móvil de 1° × 1° con fines visuales. b, δTAC como en binned en función de la temperatura climatológica y la precipitación. Los puntos negros indican contenedores con valores promedio que son estadísticamente diferentes de cero (prueba t de Student bilateral; valor P ≤ 0,05). c, Distribución de frecuencia de las diferencias en TAC calculadas para dos ventanas temporales independientes (2011–2020 menos 2000–2010) y mostradas por separado para diferentes regiones climáticas. Los números se refieren al porcentaje de las observaciones menores y mayores que cero; los asteriscos indican distribuciones con promedios que son estadísticamente diferentes de cero (prueba t de Student bilateral; valor de P ≤ 0,05). La línea vertical delgada en cada gráfico muestra el promedio de distribución. d, La fracción de cobertura correspondiente a cada región climática y código de color informado en c y mostrado sobre el gradiente latitudinal. e, El promedio zonal de la tendencia en TAC (δTAC) según lo determinado por los tres impulsores (X) a una resolución latitudinal de 5° y el correspondiente intervalo de confianza del 95 % mostrado como una línea coloreada y una banda sombreada, respectivamente. Los colores reflejan las tres categorías diferentes de impulsores: densidad forestal, clima de fondo y variabilidad climática.

a, Distribuciones de frecuencia de TAC a largo plazo (2000–2020) para bosques manejados (MF) y bosques intactos (IF) ubicados en un clima de fondo similar. Los números coloreados informan los promedios respectivos, las etiquetas superiores se refieren a la media de las diferencias (dif.) en el TAC a largo plazo entre bosques manejados e intactos, y el asterisco indica distribuciones que son estadísticamente diferentes (prueba t de Student bilateral ; valor de p ≤ 0,05). b, Lo mismo que para a pero para δTAC; los números coloreados se refieren al porcentaje de las observaciones menores y mayores que cero (a la izquierda y derecha de 0 en el eje x, respectivamente). c, Lo mismo que para b pero para la correlación temporal entre GPP anual y TAC, denotada como ρ(GPP,TAC). d, Un mapa espacial de ρ(GPP,TAC). e, ρ(GPP,TAC) agrupado en función de la precipitación climatológica y la temperatura. Los puntos negros indican contenedores con valores promedio que son estadísticamente diferentes de cero (prueba t de Student bilateral; valor P ≤ 0,05). f, Un mapa espacial de las áreas, con diferentes colores para las cuatro combinaciones de δGPP y δTAC positivo/negativo. Las fracciones de cobertura de cada una de las cuatro clases de bosques manejados e intactos se reportan en barras apiladas.

Al observar la contribución marginal de los impulsores de δTAC, encontramos que el reverdecimiento generalizado de la vegetación que ocurrió en las últimas décadas (Datos extendidos Fig. 2c y Datos extendidos Fig. 7a), probablemente impulsado por la fertilización con CO2 y el cambio climático24, tuvo un efecto positivo. en la resiliencia global, más prominentemente en climas fríos y templados (Fig. 1d, e, densidad forestal). Sin embargo, las intensificaciones simultáneas de las limitaciones de agua y los eventos climáticos extremos, particularmente severos en regiones tropicales, áridas y templadas (Datos extendidos Fig. 2d,e y Datos extendidos Fig. 7c–j) han compensado los beneficios de la fertilización con CO2 y la ecologización (Fig. .1d,e;|\(\delta \text{TAC}\)| debido a cambios en el clima de fondo y la variabilidad climática > |\(\delta \text{TAC}\)| debido a cambios en la densidad forestal). En última instancia, esto resultó en una pérdida neta de resiliencia forestal en estos biomas (Fig. 1a–c). La creciente vulnerabilidad de los bosques a las perturbaciones naturales y el aumento de la mortalidad de los árboles en gran parte de las Américas y en Europa durante las últimas décadas proporcionan evidencia independiente de la disminución continua de la resiliencia de los bosques25,26. Las presiones relacionadas con el clima mencionadas anteriormente también han ocurrido en los bosques boreales, pero su gravedad probablemente no podría compensar la ganancia asociada con el efecto positivo de la fertilización con CO2 y un clima más cálido en la mayoría de las áreas de este bioma de temperatura limitada (Fig. 1d). ,mi). Sin embargo, el patrón observado en las latitudes altas podría eventualmente cambiar en respuesta a la disminución esperada en la disponibilidad de agua debido a la interacción entre el calentamiento global y la fenología anticipada27. De hecho, estudios observacionales recientes sugieren que los bosques globales están pasando de un período dominado por los efectos positivos de la fertilización con CO2 a un período caracterizado por la saturación progresiva de los efectos positivos de la fertilización sobre los sumideros de carbono y el aumento de los impactos negativos del cambio climático28, 29

Los resultados mostrados hasta ahora se han centrado en el papel de los impulsores naturales en la modulación de las variaciones espaciales y temporales en la resiliencia forestal. Sin embargo, las perturbaciones antropogénicas, como la gestión forestal y el cambio de uso de la tierra, tienen el potencial de influir en la capacidad de los ecosistemas forestales para recuperarse de las perturbaciones al afectar directamente a las especies de árboles, la distribución por edades, la densidad de la cubierta, la profundidad de las raíces y la productividad primaria1,30,31 ( Datos extendidos Fig. 2c y Datos extendidos Fig. 7a,b). Para descartar tales efectos, analizamos TAC y δTAC a largo plazo para bosques manejados e intactos bajo un clima de fondo similar (Métodos y datos extendidos, Fig. 8). Los bosques intactos tienen un TAC a largo plazo considerablemente más bajo (es decir, mayor resiliencia forestal) que los bosques gestionados (0,13 y 0,21, respectivamente; Fig. 2a). Este hallazgo refuerza la expectativa de que los bosques intactos tienen una mayor capacidad para resistir perturbaciones externas gracias a su complejidad estructural y riqueza de especies típicamente más altas32,33. La evidencia observacional independiente enfatiza la contribución de las presiones humanas en la disminución de la resiliencia de los bosques en las últimas décadas1,26,30,34. Curiosamente, en términos de tendencias temporales (δTAC), los bosques manejados e intactos no presentan diferencias significativas y muestran fracciones comparables de bosques que experimentan tendencias positivas (72% y 66%, respectivamente, Fig. 2b) y, por lo tanto, una resiliencia decreciente. Este es un hallazgo importante porque sugiere que el nivel promedio de resiliencia forestal en un clima determinado se ve fuertemente afectado por el manejo forestal, mientras que sus variaciones temporales continuas (Fig. 1a,b) están controladas por señales climáticas a gran escala. Las tendencias globales observadas, por lo tanto, reflejan plausiblemente los cambios efectivos inducidos por el clima en la capacidad de los bosques para resistir perturbaciones externas.

Independientemente del tipo de bosque, los cambios en la resiliencia de los bosques pueden desencadenar variaciones en la productividad primaria bruta (PPB) y viceversa, en función de un vínculo causal mutuo. Comprender la interacción entre estas dos variables es crucial dado el papel de GPP en el ciclo global del carbono35. Exploramos esto analizando la correlación de las recuperaciones de GPP basadas en satélites36 y TAC a escala anual (interacción a corto plazo) y comparando las tendencias en GPP y TAC (interacción a largo plazo; Métodos). A corto plazo, los bosques intactos muestran una correlación más baja entre GPP y TAC que los bosques manejados (Fig. 2c), probablemente porque la resiliencia es en promedio más alta en los ecosistemas intactos (Fig. 2a) y, por lo tanto, probablemente sea menos crítica para la productividad. Tales interacciones bidireccionales se traducen en una correlación negativa entre GPP y TAC, con un vínculo más estrecho en climas secos y fríos, lo que probablemente refleja la amplificación potencial de la interacción bidireccional en estas regiones (Fig. 2d, e). A largo plazo, alrededor del 70 % de los bosques gestionados e intactos experimentan una tendencia positiva en el GPP en la actualidad, pero en el 50 % de estas áreas (alrededor del 36 % en términos absolutos), esto ocurre en combinación con una tendencia positiva en el TAC. (Fig. 2f, patrones rojo oscuro). Esto implica que una fracción considerable del área forestal está aumentando la productividad primaria al mismo tiempo que experimenta una disminución de la resiliencia, lo que lleva a un sumidero forestal en expansión pero más vulnerable. Las observaciones generalizadas del aumento de la mortalidad de los árboles2, así como las observaciones del creciente sumidero de carbono terrestre37, confirman la concurrencia de tales procesos antagónicos en respuesta al cambio global2.

Como la pérdida de resiliencia del bosque aumenta la sensibilidad a las perturbaciones externas14, exploramos el potencial de δTAC para funcionar como una señal de alerta temprana del declive abrupto del bosque (marco teórico descrito en los Métodos complementarios 1 y 2). Para excluir el efecto de la gestión de la tierra (por ejemplo, declives abruptos aparentes (DA) provocados por la explotación forestal), limitamos el análisis a los bosques intactos globales, con un enfoque en las regiones tropicales y boreales que juntas cubren alrededor del 97 % del dominio investigado. (Datos ampliados Fig. 8). Los DA se definen aquí como cambios repentinos en el estado del ecosistema forestal y se detectan, para un rango de severidad, como anomalías negativas de 1 a 6 veces la desviación estándar (σ) del kNDVI medio de la temporada de crecimiento con respecto a la media no perturbada de referencia. en la serie temporal. En este análisis, cuantificamos si las tendencias decrecientes en la resiliencia (es decir, aumentos de δTAC) están asociadas con un cambio abrupto consecuente en el sistema, independientemente del tipo de perturbación (detalles en Métodos).

A nivel mundial, los bosques intactos tienen una probabilidad de DA condicionada a δTAC superior a 0,5 (Fig. 3a). Esta señal es estadísticamente significativa y aumenta con la gravedad de la DA, lo que sugiere que el deterioro progresivo de los estados del ecosistema, seguido por la disminución de la resiliencia, probablemente ha contribuido al aumento de las anomalías negativas en la dinámica forestal. La relación emergente está impulsada principalmente por los bosques boreales, particularmente aquellos en el centro de Rusia y el oeste de Canadá, donde hay una disminución emergente y localizada en la resiliencia de los bosques (Fig. 1a). Dichos patrones pueden indicar que en estas zonas la AD está siguiendo la deriva hacia un umbral crítico de resiliencia, lo que probablemente se desencadene por los cambios en los factores ambientales que ocurren en las latitudes más septentrionales38. Los brotes de insectos, que normalmente se ven favorecidos por el estrés hídrico39, pueden representar una de las principales perturbaciones que finalmente han causado tales DA en el estado del ecosistema40,41. Por el contrario, las DA en los bosques tropicales no se asocian estadísticamente con valores altos de δTAC (Fig. 3a). En estas regiones, eventos de perturbación rápidos y fuertes, como incendios42 o sequías43, pueden inducir una DA independientemente de las tendencias crecientes a largo plazo en CSD (refs. 3,4; aquí representado por δTAC). Las hipótesis mencionadas anteriormente también son consistentes con los impulsores climáticos dominantes de δTAC en regiones boreales y tropicales (clima de fondo y variabilidad climática, respectivamente, Fig. 1d, e) y respaldadas por varias pruebas independientes (por ejemplo, refs. 26 ,30,44,45).

a, Probabilidad de ocurrencia de AD condicionada a los valores de δTAC para diferentes grados de AD (expresada como anomalía n veces la desviación estándar local por debajo de la media local, σ) mostrada por separado para tres regiones climáticas diferentes. Los asteriscos indican probabilidades estadísticamente diferentes de 0,5 (prueba t de Student bilateral; valor de P ≤ 0,05). b, TAC recuperado en el año anterior a la ocurrencia de una DA (TACAD) agrupado en función de la precipitación climatológica y la temperatura. c, Tolerancia a TACAD (el aumento absoluto en TAC que un ecosistema en equilibrio puede tolerar antes de alcanzar condiciones críticas) a través de un gradiente de índice de aridez. El círculo y los bigotes se refieren al valor promedio y su intervalo de confianza del 95 %; los colores se refieren al TACAD correspondiente. Cada índice de aridez agrupado que va de 0 a 500 mm °C−1 cuenta con 10 868, 16 799, 728, 59 y 13 píxeles muestreados. d, Proximidad a TACAD (proximidad de los bosques intactos actuales a su umbral de condición crítica) agrupada en función de la precipitación climatológica y la temperatura. Los puntos negros indican contenedores con valores promedio que son estadísticamente diferentes de cero (prueba t de Student bilateral; valor P ≤ 0,05). Los valores negativos de proximidad a TACAD representan áreas donde el umbral de resiliencia para AD (TACAD) ya se ha superado, y viceversa para valores positivos. e, Distribuciones de frecuencia de proximidad a TACAD mostradas por separado para diferentes regiones climáticas y calculadas sobre todo el dominio (azul) y sobre aquellas áreas que experimentan un δTAC positivo concomitante (rojo). Los números de colores se refieren al porcentaje de la distribución de frecuencias menor y mayor que cero (a la izquierda y derecha de 0 en el eje x, respectivamente) con respecto a todo el dominio.

Para explorar más a fondo los mecanismos de umbral y la causalidad asociada con las DA, recuperamos el TAC del año anterior a la ocurrencia de una DA (en lo sucesivo, TACAD observado) y, por lo tanto, refleja el valor umbral de resiliencia antes de la DA del ecosistema. Para cada evento AD, recuperamos la tolerancia del ecosistema correspondiente expresada como la diferencia entre TACAD y su TAC promedio calculado en condiciones previas a la perturbación (detalles en Métodos). Esta métrica refleja el aumento absoluto de TAC que un ecosistema en equilibrio puede tolerar antes de alcanzar las condiciones críticas de DA. Descubrimos que, a pesar de las tasas de recuperación lentas promedio (Datos extendidos, Fig. 1 y Discusión complementaria 1), los ecosistemas frecuentemente expuestos a limitaciones de agua experimentan DA a niveles más altos de TACAD (Fig. 3b), gracias a su mayor tolerancia en comparación con tropical– bosques húmedos y frío-seco (Fig. 3c). Estos patrones probablemente se deban a la adaptación a largo plazo de las especies arbóreas en las regiones áridas que conduce a una adaptación estructural y fisiológica a las limitaciones de agua (por ejemplo, sistemas de raíces más profundos, resistencia a la cavitación y mayor relación raíz/vástago), mientras que la humedad y el frío los biomas tienen una mayor vulnerabilidad a la escasez de agua46,47.

Para evaluar la proximidad de los bosques intactos actuales a su umbral crítico de resiliencia, extrapolamos en el espacio el valor de TACAD mediante el uso del algoritmo de regresión de RF y lo comparamos con el TAC recuperado para el año 2020. La proximidad toma valores negativos o cero cuando TACAD tiene ya alcanzados en 2020 y valores positivos cuando aún quedan márgenes antes de alcanzar el umbral crítico (Métodos). Los resultados muestran que, al final de nuestro período de observación, alrededor del 30 % de los bosques intactos del mundo ya han alcanzado o superado su TACAD (Fig. 3d,e). Más críticamente, alrededor del 23% experimentó un aumento concomitante en δTAC (Fig. 1a), lo que implica una reducción continua en la resiliencia del ecosistema a niveles que ya están cerca de una DA y, potencialmente, a un punto de inflexión. Estimamos que 3,32 Pg C de GPP están expuestos a tales condiciones críticas, principalmente en bosques tropicales (93%), una cantidad aproximadamente tres veces mayor que las pérdidas de carbono debido a la deforestación en la Amazonía brasileña durante los últimos diez años26. Señalamos que estas condiciones críticas no son suficientes para determinar un cambio de régimen (Métodos complementarios 3). Sin embargo, representan una fuerte indicación de los crecientes riesgos de una mayor inestabilidad y vulnerabilidad a los peligros de los biomas forestales. Esto es particularmente crítico para los bosques tropicales, donde la disminución reciente observada del sumidero de carbono48,49 podría verse aún más exacerbada por el deterioro continuo y progresivo de la resiliencia forestal y el aumento paralelo en la mortalidad de los árboles y la tasa de rotación.

Nuestro análisis revela que, en las últimas décadas, tanto los bosques intactos como los gestionados han experimentado cambios sustanciales en la resiliencia controlados por señales climáticas a gran escala. Encontramos que los bosques tropicales, templados y áridos sufrieron una disminución en la resiliencia probablemente relacionada con el aumento concomitante de las limitaciones de agua y la variabilidad climática. Por el contrario, los beneficios inducidos por el calentamiento climático y la fertilización con CO2 han superado los efectos negativos en gran parte del bioma boreal, lo que en última instancia conduce a un aumento de la resiliencia de los bosques. La creciente fragilidad a las perturbaciones externas en combinación con una mejora en la productividad de una fracción considerable de los bosques del mundo (alrededor del 36 %) confirma la coexistencia de procesos antagónicos que impulsan la fotosíntesis y la mortalidad de los árboles en respuesta al cambio global2. Estimamos que alrededor del 23% de los bosques intactos no perturbados ya han alcanzado su umbral crítico para un DA y están experimentando una mayor degradación concomitante de la resiliencia. Teniendo en cuenta la transición esperada de un período dominado por la fertilización con CO2 a un período dominado por el calentamiento/la sequía27,28,29, las trayectorias negativas observadas de resiliencia forestal sugieren posibles consecuencias críticas para los servicios ecosistémicos clave, como el secuestro de carbono. Por lo tanto, se vuelve urgente tener en cuenta estas tendencias en el diseño de estrategias efectivas de mitigación basadas en los bosques para evitar futuros eventos negativos inesperados provocados por la creciente vulnerabilidad de las reservas de carbono. En este sentido, nuestra evaluación global basada en datos muestra que el pensamiento de resiliencia50 se puede desarrollar de manera efectiva en un marco basado en la ciencia y orientado a la solución para respaldar los muchos desafíos del manejo forestal en tiempos de rápidos cambios climáticos.

Para explorar el impacto del clima en la resiliencia de los bosques (consulte las siguientes secciones), utilizamos la precipitación total promediada mensualmente, la temperatura del aire a 2 m, el déficit de evapotranspiración y la radiación solar superficial hacia abajo adquirida del producto de reanálisis ERA5-Land a una resolución espacial de 0,1° para el período 2000–2020 (https://cds.climate.copernicus.eu/cdsapp#!/home). El déficit de evapotranspiración se cuantificó como la precipitación total menos la evapotranspiración. En este estudio, nos referimos a las regiones climáticas definidas por el mapa mundial de clasificación climática de Köppen-Geiger51 (http://koeppen-geiger.vu-wien.ac.at/present.htm). Las 31 zonas climáticas originales se fusionaron en zonas principales y solo se incluyeron en nuestro estudio aquellas caracterizadas por la cubierta vegetal (tropical, árida, templada y boreal; datos ampliados, Fig. 8).

Los datos NDVI adquiridos del instrumento Espectrorradiómetro de Imágenes de Resolución Moderada (MODIS) a bordo del satélite Terra se utilizaron para derivar los cambios en la vegetación global para el período 2000-2020. Utilizamos composiciones espaciales sin nubes proporcionadas con una resolución temporal de 16 días y una resolución espacial de 0,05° (MOD13C1 Versión 6; https://lpdaac.usgs.gov/products/mod13c1v006/) y conservamos solo píxeles con una calidad general buena y marginal. El conjunto de datos NDVI derivado de MODIS representa un producto de vanguardia del estado de la vegetación cuyo algoritmo de recuperación se mejora constantemente52 y, al derivarse de una plataforma y sensor únicos, es temporal y espacialmente consistente. La dinámica de la vegetación se analizó en términos de kNDVI, una generalización no lineal del NDVI basada en la ref. 22 y se deriva de la siguiente manera:

kNDVI se ha propuesto recientemente como un fuerte indicador de la productividad del ecosistema que muestra altas correlaciones tanto con las mediciones a nivel de parcela de la productividad primaria como con las recuperaciones satelitales de la fluorescencia inducida por el sol22. Además, se ha documentado que kNDVI está más estrechamente relacionado con la productividad primaria, es resistente a la saturación, el sesgo y los ciclos fenológicos complejos, y muestra una mayor solidez al ruido y estabilidad en escalas espaciales y temporales en comparación con productos alternativos (por ejemplo, NDVI y reflectancia del infrarrojo cercano de la vegetación). Por estas razones, se ha retenido en este estudio como la métrica preferida para describir el estado del ecosistema forestal.

Para obtener una estimación precisa de los indicadores de resiliencia, las series temporales de vegetación deben ser estacionarias, sin patrones periódicos estacionales ni tendencias a largo plazo53. Con este objetivo, las anomalías de la vegetación se obtuvieron de los datos de kNDVI restando primero la media de la muestra de 16 días de varios años y luego eliminando las tendencias lineales de la serie temporal resultante. Los datos faltantes, debido, por ejemplo, a la capa de nieve que afecta la recuperación de las propiedades de reflectancia, se han llenado con valores climatológicos de kNDVI. La serie temporal de anomalías de la vegetación basadas en kNDVI se utilizó para derivar indicadores de resiliencia y evaluar sus variaciones espaciales y temporales (ver las siguientes secciones).

Los cambios interanuales en la vegetación se evaluaron en términos de kNDVI promediado por temporada de crecimiento. Con este fin, se derivó una temporada de crecimiento climatológica que abarcó meses con al menos el 75 % de los días en la fase verde a partir del producto satelital del Índice de Vegetación y Fenología54 (https://vip.arizona.edu/) y se adquirió para el Período 2000-2016 a una resolución espacial de 0,05°. Además, la fracción de cobertura forestal (FC) se derivó de los mapas anuales de cobertura terrestre de la Iniciativa de Cambio Climático de la Agencia Espacial Europea (https://www.esa-landcover-cci.org/)55 durante el período 2000-2018 en Resolución espacial de 300 m. FC se recuperó sumando la fracción de bosques caducifolios de hoja ancha, perennes de hoja ancha, caducifolios de hojas aciculares y siempreverdes de hojas aciculares. FC se volvió a muestrear a 0,05 ° para que coincida con la resolución espacial kNDVI.

En este estudio, cuantificamos la resiliencia de los ecosistemas forestales, su capacidad para recuperarse de las perturbaciones externas, mediante el uso del TAC de 1 retraso (refs. 3, 4, 5). Dicho indicador se calculó inicialmente en toda la serie temporal de anomalías de la vegetación (2000–2020) para píxeles de bosque con menos del 50 % de datos faltantes en el NDVI original y FC superior a 0,05 y se denomina en el texto TAC a largo plazo. Este análisis se utilizó para evaluar los patrones espaciales de la lentitud del bosque mediada por factores ambientales que afectan las tasas de crecimiento de las plantas y la capacidad de recuperarse de las perturbaciones. El TAC a largo plazo se exploró tanto en el espacio geográfico como climático (Datos ampliados Fig. 1). En el espacio climático, la TAC a largo plazo se clasificó en una cuadrícula de 50 × 50 en función de la precipitación y la temperatura anuales promedio, ambas calculadas durante el período 2000-2020, utilizando el promedio como una métrica de agregación ponderada por la extensión de cada área. registro. Solo conservamos contenedores con al menos 50 registros.

Para explorar los posibles impulsores del TAC a largo plazo, desarrollamos un modelo de regresión de RF23 y predijimos el TAC a largo plazo observado (variable de respuesta) en función de un conjunto de características ambientales (predictores). El uso del aprendizaje automático en general y de RF en particular, al ser métodos no paramétricos y no lineales basados en datos, no requiere suposiciones a priori sobre la forma funcional que relaciona los controladores clave y las funciones de respuesta. Las variables ambientales incluyen propiedades de la vegetación (FC y kNDVI promediado por temporada de crecimiento) y variables climáticas (precipitación total, temperatura del aire a 2 m, déficit de evapotranspiración y radiación solar superficial hacia abajo). Cada una de las variables climáticas se expresó en términos de promedio, coeficiente de variación y autocorrelación de 1 retraso y se volvió a muestrear a una resolución espacial de 0,05° para que coincida con la resolución espacial de kNDVI. Todas las variables ambientales se calcularon anualmente y luego se promediaron a lo largo del tiempo, excepto la autocorrelación que se calculó directamente para todo el período, de manera análoga a la TAC a largo plazo. Esto dio como resultado un conjunto de 14 predictores que representan la densidad forestal, el clima de fondo, la variabilidad climática y su TAC en el período de observación (Cuadro 1 de datos ampliados). El modelo de RF se desarrolló dividiendo el TAC a largo plazo observado en dos muestras separadas: el 60 % de los registros se utilizó para la calibración del modelo y el 40 % restante se utilizó para validar el rendimiento del modelo en términos de coeficiente de determinación (R2), valor medio error cuadrático y sesgo porcentual (PBIAS). Cada registro se refiere a un píxel de 0,05°. El RF implementado aquí utiliza 100 árboles de regresión, cuya profundidad y número de predictores para muestrear en cada nodo se identificaron mediante optimización bayesiana. La formulación general del modelo es la siguiente:

en el que f es el modelo de regresión RF, X son los predictores ambientales y εf son los residuos. Descubrimos que el modelo explica el 87 % de la varianza espacial (R2) de la TAC a largo plazo observada con un error cuadrático medio de 0,007 y una sobreestimación promedio de 0,058 (PBIAS; Datos extendidos Fig. 2a). Por definición, los métodos de aprendizaje automático no se basan en la representación mecanicista de los fenómenos y, por lo tanto, no pueden proporcionar información directa sobre los procesos subyacentes que influyen en la respuesta del sistema a los controladores. Sin embargo, se pueden aplicar algunos métodos independientes del modelo para obtener información sobre los resultados de los modelos de RF. Aquí usamos métricas de importancia variable para cuantificar y clasificar cómo los factores ambientales individuales influyen en el TAC (Datos extendidos Fig. 2b). Además, al utilizar gráficos de dependencia parcial derivados del algoritmo de aprendizaje automático RF, exploramos la función de respuesta del ecosistema (TAC) a través de gradientes de vegetación y características climáticas (Discusión complementaria 1 y datos extendidos Fig. 2c-f).

Para explorar la variación temporal en la resiliencia de los bosques, utilizamos indicadores CSD, aquí cuantificados en términos de cambios temporales en TAC recuperados durante dos períodos consecutivos e independientes que van desde 2000 a 2010 y desde 2011 a 2020, y evaluamos la importancia del cambio en la media muestreada agregada para diferentes regiones climáticas a través de una prueba t de dos caras (Fig. 1c). Este análisis se complementó con el cálculo de TAC en la escala anual durante una ventana temporal retrasada de 2 años (tamaño de ventana de 3 años) para rastrear los cambios temporales en CSD. Esto resultó en una serie de tiempo de TAC con un paso de tiempo anual.

Señalamos que la dinámica temporal de la TAC anual está impulsada por dos procesos: los cambios en la resiliencia del sistema que afectan la velocidad de recuperación de las perturbaciones externas y los efectos de confusión de los cambios en la autocorrelación de los factores climáticos (Xac) que afectan directamente la autocorrelación de NDVI. Dados los objetivos específicos de este estudio, eliminamos el segundo proceso de la señal total de TAC para evitar que una autocorrelación creciente en los impulsores afectara nuestro análisis y conclusiones sobre la resiliencia y el aumento potencial de la inestabilidad56. Para este propósito, desentrañamos los cambios temporales en TAC debido a variaciones en la autocorrelación en los factores climáticos (\({\rm{TAC}}| {X}_{{\rm{ac}}}\)) adoptando el analogía de espacio por tiempo y aplicó el modelo RF (f) en un paso de tiempo anual (t) en un conjunto de simulaciones factoriales de la siguiente manera:

El primer término en el lado derecho de la ecuación (3) es la simulación del modelo de RF obtenida al tener en cuenta la dinámica de todos los predictores, y el segundo término es la simulación del modelo de RF generada al considerar todos los predictores dinámicos excepto los factores de autocorrelación en el clima que se mantienen constantes a su valor del primer año (año 2000). Para tales ejecuciones, usamos predictores calculados en una escala anual durante una ventana temporal retrasada de 2 años, consistentemente con la serie de tiempo TAC. Descubrimos que los efectos directos de la autocorrelación en el clima han llevado a una tendencia positiva de la TAC en las zonas secas (debido a la creciente autocorrelación de los impulsores en estas regiones) y a un efecto opuesto en los bosques húmedos templados (Figura complementaria 3). Para eliminar estos efectos de confusión, el término estimado \({{\rm{TAC}}}^{t}| {X}_{{\rm{ac}}}\) se factoriza del TACt mediante resta para derivar una estimación mejorada de la resiliencia anual que es independiente de la autocorrelación en el clima (Datos extendidos Fig. 3).

Las tendencias lineales a largo plazo calculadas en la serie temporal TAC mejorada resultante (δTAC) representan nuestro indicador CSD de referencia utilizado en este estudio para explorar los cambios en la resiliencia forestal. δTAC se cuantificó para cada celda de la cuadrícula (Fig. 1a) y se representó en el espacio climático siguiendo la metodología descrita anteriormente (Fig. 1b). Luego, evaluamos la importancia de las tendencias a nivel de contenedor aplicando una prueba t bilateral para las distribuciones de tendencias muestreadas dentro de cada contenedor. Esta prueba de significancia es independiente de las dependencias temporales estructurales que se originan del uso de una ventana temporal retrasada de 2 años para calcular la serie temporal del TAC.

Siguiendo un enfoque análogo descrito en la ecuación (3), desentrañamos el efecto de la variación en la densidad forestal, el clima de fondo y la variabilidad climática en los cambios temporales en el TAC (Fig. 1d, e). Reconocemos que otros factores ambientales que no se tienen en cuenta explícitamente en nuestro modelo de RF podrían desempeñar un papel en la modulación de las variaciones temporales de la TAC. Sin embargo, dada la amplitud del conjunto de predictores utilizados en la ecuación (2) (Cuadro de datos ampliados 1), parece plausible que los residuos reflejen principalmente la resiliencia intrínseca del bosque, el componente íntimamente relacionado con las respuestas a corto plazo de los bosques a las perturbaciones. que no está directamente relacionado con la variabilidad climática. Los procesos evolutivos de los ecosistemas forestales también podrían desempeñar un papel, pero se requerirían series de tiempo más largas para capturar estas dinámicas de manera confiable. Además, las disminuciones abruptas (AD) en el estado de la vegetación y las recuperaciones posteriores, de manera similar a las que pueden originarse por perturbaciones forestales (por ejemplo, incendios forestales y brotes de insectos), podrían influir en los cambios de TAC. Sin embargo, se espera que estos sucesos, al estar distribuidos por todo el mundo a lo largo de todo el período, solo afecten marginalmente a la tendencia resultante en la serie temporal del TAC.

Para evaluar la solidez de nuestros resultados con respecto a las opciones de modelado descritas anteriormente, realizamos una serie de análisis de sensibilidad para la diferencia en TAC recuperada para los dos períodos independientes (2000-2010 y 2011-2020). Con este objetivo, probamos su dependencia de: la bandera de calidad de los datos NDVI utilizados para los análisis (buena, buena y marginal); el procedimiento de llenado de huecos probado en diferentes períodos (año y temporada de crecimiento); la inclusión o exclusión de áreas forestales afectadas por DA; el umbral del porcentaje máximo de datos NDVI faltantes permitido a nivel de píxel (20 %, 50 % y 80 %); el umbral sobre el porcentaje mínimo de FC permitido a nivel de píxel (5%, 50% y 90%); y la resolución espacial de píxeles utilizada para los análisis (0,05°, 0,25° y 1°). Además, probamos la sensibilidad de la tendencia en la señal TAC total en la longitud de la ventana temporal móvil utilizada para calcular la autocorrelación en el desfase 1. Los resultados obtenidos para las diferentes configuraciones se compararon en términos de distribuciones de frecuencia, por separado para las regiones climáticas (Figura de datos ampliados). . 4), y más explorado en el espacio climático (Datos extendidos Figs. 5 y 6). Los resultados del análisis de sensibilidad se discuten en la Discusión complementaria 2.

La resiliencia y el GPP interactúan entre sí a través de vínculos causales mutuos. Por un lado, una reducción en la resiliencia del bosque hace que el sistema sea más sensible a las perturbaciones con las consiguientes pérdidas potenciales en GPP (ref. 26). Por otro lado, una reducción en el GPP puede conducir a una disminución de la resiliencia de acuerdo con la hipótesis del hambre de carbono y puede estar asociada con un aumento de las fallas hidráulicas46. Para explorar el vínculo entre la resiliencia forestal y la productividad primaria, cuantificamos la correlación entre TAC y GPP. Las estimaciones de GPP se derivaron del FluxCom Model Tree Ensemble para el período 2001–2019 con una resolución temporal de 8 días y una resolución espacial de 0,0833° y se generaron utilizando los flujos de GPP del ecosistema de la red FLUXNET y los datos de detección remota MODIS como variables predictoras36 (http:/ /www.fluxcom.org/). Los mapas anuales de GPP se cuantificaron y se volvieron a muestrear a 0,05° para que coincidieran con la resolución temporal y espacial de las series temporales de TAC. Luego se calculó la correlación de rango de Spearman (ρ) entre el GPP anual y el TAC en una ventana móvil espacial de 1° para muestrear mejor la distribución empírica de las dos variables (Fig. 2d). La importancia de ρ(GPP,TAC) se evaluó en el espacio climático por separado para cada contenedor (Fig. 2e), de manera similar al enfoque utilizado para probar la importancia de δTAC. Además, exploramos las relaciones entre la tendencia en GPP (δGPP) y la tendencia en TAC (δTAC) agrupando el globo de acuerdo con las direcciones de las trayectorias a largo plazo de las variables mencionadas anteriormente (Fig. 2f).

Para caracterizar el TAC en diferentes tipos de bosques y desentrañar los efectos potenciales que se originan del manejo forestal, los resultados se analizaron por separado para bosques intactos y bosques manejados. Se consideraron bosques intactos aquellos píxeles de bosque que constituyen el conjunto de datos Intact Forest Landscapes57 (https://intactforests.org/). Paisajes forestales intactos identifica las extensiones de bosque sin signos de actividad humana significativa durante el período 2000–2016 según la serie temporal Landsat. Los píxeles de bosques restantes, no etiquetados como intactos, se consideraron bosques gestionados (Datos ampliados, Fig. 8). El mapa de tipo de bosque resultante es coherente con los utilizados para la presentación de informes de la Convención Marco de las Naciones Unidas sobre el Cambio Climático58, aunque con estimaciones más conservadoras de bosques intactos en la zona boreal debido al enmascaramiento basado en FC y el porcentaje de datos faltantes aplicados en este estudio.

Analizamos las diferencias en el TAC a largo plazo (calculado para todo el período 2000-2020) entre bosques gestionados e intactos ocultando el efecto potencial del clima de fondo. Con este objetivo, comparamos los espacios climáticos generados por separado para bosques manejados e intactos extrayendo solo aquellos contenedores que están cubiertos por ambas clases de bosques. Las distribuciones resultantes, una para cada clase de bosque, tienen el mismo tamaño de muestra y cada par de elementos comparte el mismo entorno climático. Por lo tanto, se minimizan los posibles efectos ambientales de confusión sobre las tasas de recuperación promedio. Luego aplicamos una prueba t de dos caras para analizar la importancia de la diferencia en las medias muestreadas (Fig. 2a). Se utilizó un enfoque análogo para probar las diferencias en δTAC y ρ(GPP,TAC) entre bosques manejados e intactos (Fig. 2b,c).

Cuando los ecosistemas forestales están sujetos a una degradación prolongada y progresiva, la pérdida de resiliencia puede conducir a una DA (refs. 3,4,5). Tales cambios abruptos pueden desencadenar un cambio de régimen (punto de inflexión) dependiendo de la capacidad del sistema para recuperarse de las perturbaciones (Métodos complementarios 1 y 2). Investigamos el potencial de los cambios en el TAC como señales de alerta temprana de DA en bosques intactos durante el período 2010-2020. Con este objetivo, cuantificamos las AD a nivel de píxel como los eventos que ocurrieron en un año determinado cuando el kNDVI promedio correspondiente a la temporada de crecimiento fue más de n veces la desviación estándar local por debajo de la media local. La media local y la desviación estándar (σ) se calcularon durante el período de la ventana temporal anterior de 10 años (sin perturbaciones) y n varía entre 1 y 6 con valores más altos que reflejan cambios más severos en el estado del sistema. Para cada píxel y para cada valor fijo de n, registramos solo la primera ocurrencia de DA, imponiendo así un registro unívoco para cada cambio abrupto en el estado del sistema.

Luego exploramos si los AD recuperados estaban asociados estadísticamente con valores altos antecedentes de δTAC. Para evitar confusiones con la atribución de causalidad, para cada AD que ocurrió en el momento t (durante el período 2010-2020), derivamos el δTAC sobre la ventana temporal 2000 − (t − 1). La tendencia resultante en δTAC es, por lo tanto, antecedente e independiente de los cambios en la vegetación asociados con el DA. Luego, para cada píxel con un AD en el tiempo t, también extrajimos aleatoriamente uno de los píxeles adyacentes no perturbados (sin AD) y recuperamos δTAC en la misma ventana temporal. Este análisis produjo dos distribuciones de δTAC asociadas con píxeles con y sin AD (AD y sin AD, respectivamente). Las dos distribuciones tienen el mismo tamaño y cada par de elementos comparte un clima de fondo similar. Calculamos la probabilidad de ocurrencia de AD condicionada a la tendencia en δTAC (\({\rm{AD}}| \delta {\rm{TAC}}\)) como la frecuencia de AD para la cual \(\delta {\ rm{TAC}}\left(\mathrm{AD}\right)| > \delta {\rm{TAC}}\left(\mathrm{no\; AD}\right)\), y el significado de la diferencia en las dos medias muestreadas (AD y no AD) se evaluó a través de una prueba t bilateral. Se evaluaron la probabilidad y la importancia para diferentes regiones climáticas y la gravedad de las DA (Fig. 3a). Altas probabilidades estadísticamente significativas sugieren que el AD está siguiendo la deriva hacia un umbral crítico de resiliencia asociado plausiblemente con cambios en los factores ambientales.

Complementamos los análisis antes mencionados recuperando la tolerancia y la proximidad a la DA, en lo sucesivo determinada para una severidad de 3σ. Primero cuantificamos el TAC que precedió a la aparición de un AD y siguió una pérdida progresiva de resiliencia capturada por δTAC positivo. Este valor, en lo sucesivo denominado autocorrelación temporal de declive abrupto (TACAD), refleja el umbral de TAC sobre el cual observamos un cambio abrupto en el estado del bosque (Fig. 3b). La tolerancia a la DA se cuantificó como la diferencia entre el TACAD local y el valor TAC promediado durante el período 2000-2009 para caracterizar las condiciones previas a la perturbación. La métrica de tolerancia se exploró a través de un gradiente de índice de aridez59 (Fig. 3c).

TACAD se puede recuperar directamente solo en aquellos píxeles del bosque que ya han experimentado un AD. Dado que una fracción considerable de los bosques no perturbados podría estar cerca de su umbral crítico de TAC, o incluso ya haberlo superado, es importante determinar su TACAD. Con este fin, desarrollamos un modelo de regresión de RF que expresa el TACAD en función del conjunto X de variables ambientales utilizadas en el modelo f (ecuación (2)) pero excluyendo la autocorrelación en los factores climáticos (Xreducida) ya desenredada en la señal TAC . La formulación general es la siguiente:

en el que g es el modelo de regresión RF, Xreduced son los predictores ambientales y εg son los residuos. La implementación, calibración y validación de g siguen la misma lógica descrita anteriormente para el modelo f. Encontramos que el modelo RF explica el 50% de la varianza (R2) del TACAD observado, con un error cuadrático medio de 0.019 y una subestimación promedio de 0.86 (PBIAS).

Luego, el modelo RF se usó para predecir el TACAD en todo el dominio de los bosques intactos y sirvió como entrada para cuantificar la proximidad a AD de los píxeles del bosque no perturbado al final del período de observación (año 2020). Aquí definimos la métrica de proximidad como la diferencia entre el valor de TAC en 2020 y TACAD. La proximidad toma valores negativos o cero cuando ya se ha alcanzado el TACAD (\({{{\rm{TAC}}}^{2020}\ge {\rm{TAC}}}_{{\rm{AD}}}\ )) y valores positivos cuando aún quedan márgenes antes de alcanzar el umbral crítico (\({{{\rm{TAC}}}^{2020} < {\rm{TAC}}}_{{\rm{AD}} }\)). Juntos \(\delta {\rm{TAC}} > 0\) y \({{{\rm{TAC}}}^{2020}\ge {\rm{TAC}}}_{{\rm{AD }}}\), por lo tanto, representan las condiciones más críticas, ya que indican que el umbral crítico de resiliencia para la DA ya se ha alcanzado y el ecosistema continúa perdiendo su capacidad de respuesta a las perturbaciones externas. Finalmente, cuantificamos la cantidad de GPP potencialmente expuesta a tales condiciones críticas extrapolando linealmente el GPP para el año 2020 (los datos de GPP disponibles se detienen en 2019) y superponiéndolos en el mapa de condiciones críticas (proximidad a \({\rm{AD} } < 0\) y \(\delta {\rm{TAC}} > 0\)).

Más información sobre el diseño de la investigación está disponible en el Resumen de informes de investigación de Nature vinculado a este documento.

Los conjuntos de datos climáticos utilizados en este estudio están disponibles públicamente en el producto de reanálisis ERA5-Land (https://cds.climate.copernicus.eu/cdsapp#!/home) y en el mapa mundial de clasificación climática de Köppen–Geiger (http: //koeppen-geiger.vu-wien.ac.at/present.htm). Los datos de NDVI se adquirieron de MODIS (MOD13C1 Versión 6, https://lpdaac.usgs.gov/products/mod13c1v006/), los datos de fenología de la superficie terrestre se adquirieron del producto basado en satélite Vegetation Index and Phenology (https://vip. arizona.edu/), y los datos de FC se adquirieron de la Iniciativa de Cambio Climático de la Agencia Espacial Europea (https://www.esa-landcover-cci.org/). Los flujos de GPP están disponibles en el producto FluxCom (http://www.fluxcom.org/) y la delineación espacial de los bosques intactos está disponible en el conjunto de datos de paisajes forestales intactos (http://intactforests.org/).

El código personalizado de MATLAB (R2017b) escrito para analizar los datos, desarrollar el modelo RF y generar figuras está disponible en https://doi.org/10.6084/m9.figshare.19636059.v1.

Ibáñez, I. et al. Resiliencia forestal bajo el cambio ambiental global: ¿tenemos la información que necesitamos? Una revisión sistemática. PLoS ONE 14, e0222207 (2019).

Artículo PubMed PubMed Central CAS Google Scholar

McDowell, NG et al. Cambios generalizados en la dinámica forestal en un mundo cambiante. Ciencia 368, eaaz9463 (2020).

Artículo CAS PubMed Google Académico

Scheffer, M., Carpenter, SR, Dakos, V. & van Nes, EH Indicadores genéricos de resiliencia ecológica: inferir la posibilidad de una transición crítica. año Rev. Ecol. Evol. sist. 46, 145–167 (2015).

Artículo Google Académico

Dakos, V., Carpenter, SR, van Nes, EH & Scheffer, M. Indicadores de resiliencia: perspectivas y limitaciones para las alertas tempranas de cambios de régimen. Fil. Trans. R. Soc. B 370, 20130263 (2015).

Artículo PubMed Central Google Académico

Scheffer, M. et al. Señales de alerta temprana para transiciones críticas. Naturaleza 461, 53–59 (2009).

Artículo ADS CAS PubMed Google Scholar

Friedlingstein, P. et al. Presupuesto global de carbono 2021. Earth Syst. ciencia Datos. 14, 1917–2005 (2022).

Artículo ANUNCIOS Google Académico

Reid, WV et al. Ecosistemas y Bienestar Humano - Síntesis: un Informe de la Evaluación de Ecosistemas del Milenio (Island Press, 2005).

Dakos, V. et al. Puntos de inflexión del ecosistema en un mundo en evolución. Nat. Ecol. Evol. 3, 355–362 (2019).

Artículo PubMed Google Académico

Seidl, R., Schelhaas, M.-J., Rammer, W. & Verkerk, PJ El aumento de las perturbaciones forestales en Europa y su impacto en el almacenamiento de carbono. Nat. Clima Cambio 4, 806–810 (2014).

Artículo ADS CAS Google Académico

Seidl, R. et al. Perturbaciones forestales bajo el cambio climático. Nat. Clima Cambio 7, 395–402 (2017).

Artículo ANUNCIOS Google Académico

Bender, MA et al. Impacto modelado del calentamiento antropogénico en la frecuencia de huracanes intensos en el Atlántico. Ciencia 327, 454–458 (2010).

Artículo ADS CAS PubMed Google Scholar

Scheffer, M., Carpenter, S., Foley, JA, Folke, C. y Walker, B. Cambios catastróficos en los ecosistemas. Naturaleza 413, 591–596 (2001).

Artículo ADS CAS PubMed Google Scholar

Nes, E. Hvan et al. ¿Qué quieres decir con 'punto de inflexión'? Tendencias Ecol. Evol. 31, 902–904 (2016).

Artículo PubMed Google Académico

Kéfi, S., Dakos, V., Scheffer, M., Van Nes, EH y Rietkerk, M. Las señales de alerta temprana también preceden a las transiciones no catastróficas. Oikos 122, 641–648 (2013).

Artículo Google Académico

Verbesselt, J. et al. Resiliencia de los bosques tropicales detectada remotamente. Nat. Clima Cambio 6, 1028–1031 (2016).

Artículo ANUNCIOS Google Académico

Hirota, M., Holmgren, M., Nes, EHV y Scheffer, M. Resiliencia global de los bosques tropicales y la sabana ante transiciones críticas. Ciencia 334, 232–235 (2011).

Artículo ADS CAS PubMed Google Scholar

Seddon, AWR, Macias-Fauria, M., Long, PR, Benz, D. & Willis, KJ Sensibilidad de los ecosistemas terrestres globales a la variabilidad climática. Naturaleza 531, 229–232 (2016).

Artículo ADS CAS PubMed Google Scholar

De Keersmaecker, W. et al. Un modelo que cuantifica la resistencia y resiliencia global de la vegetación a anomalías climáticas a corto plazo y su relación con la cubierta vegetal. globo Ecol. Biogeogr. 24, 539–548 (2015).

Artículo Google Académico

Liu, Y., Kumar, M., Katul, GG & Porporato, A. Resiliencia reducida como señal de alerta temprana de mortalidad forestal. Nat. Clima Cambio 9, 880–885 (2019).

Artículo ANUNCIOS Google Académico

Gazol, A. et al. La resiliencia de los bosques a la sequía varía según los biomas. globo Cambio Biol. 24, 2143–2158 (2018).

Artículo ANUNCIOS Google Académico

De Keersmaecker, W. et al. Evaluación de la respuesta de la vegetación regional a las anomalías climáticas: un estudio de caso para Australia utilizando la serie temporal GIMMS NDVI entre 1982 y 2006. Remote Sens. 9, 34 (2017).

Artículo ANUNCIOS Google Académico

Camps-Valls, G. et al. Un índice de vegetación unificado para cuantificar la biosfera terrestre. ciencia Adv. 7, eabc7447 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Breiman, L. Bosques aleatorios. Mach. Aprender. 45, 5–32 (2001).

Artículo MATEMÁTICAS Google Académico

Zhu, Z. et al. Reverdecimiento de la Tierra y sus conductores. Nat. Clima Cambio 6, 791–795 (2016).

Artículo ADS CAS Google Académico

Forzieri, G. et al. Vulnerabilidad emergente a las perturbaciones provocadas por el clima en los bosques europeos. Nat. común 12, 1081 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Qin, Y. et al. La pérdida de carbono por la degradación forestal supera la de la deforestación en la Amazonía brasileña. Nat. Clima Cambio https://doi.org/10.1038/s41558-021-01026-5 (2021).

D'Orangeville, L. et al. Los efectos beneficiosos del calentamiento climático sobre el crecimiento de los árboles boreales pueden ser transitorios. Nat. común 9, 3213 (2018).

Artículo ADS PubMed PubMed Central CAS Google Scholar

Yuan, W. et al. El aumento del déficit de presión de vapor atmosférico reduce el crecimiento de la vegetación global. ciencia Adv. 5, eaax1396 (2019).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Peñuelas, J. et al. Pasar de un período dominado por la fertilización a un período dominado por el calentamiento. Nat. Ecol. Evol. 1, 1438–1445 (2017).

Artículo PubMed Google Académico

Gauthier , S. , Bernier , P. , Kuuluvainen , T. , Shvidenko , AZ & Schepaschenko , DG Boreal forest health and global change . Ciencia 349, 819–822.

Artículo ADS CAS PubMed Google Scholar

Villa, PM et al. La intensificación de la agricultura migratoria reduce la resiliencia de los bosques en el norte de la Amazonía. Para. Ecol. Administrar 430, 312–320 (2018).

Artículo Google Académico

Schmitt, S. et al. La diversidad funcional mejora la resiliencia de los bosques tropicales: conocimientos de un experimento virtual a largo plazo. J. Ecol. 108, 831–843 (2020).

Artículo Google Académico

Folke, C. et al. Cambios de régimen, resiliencia y biodiversidad en la gestión de ecosistemas. año Rev. Ecol. Evol. sist. 35, 557–581 (2004).

Artículo Google Académico

Zemp, DC, Schleussner, C.-F., Barbosa, HMJ & Rammig, A. Efectos de la deforestación en la resiliencia de los bosques amazónicos. Geofísico. Res. Letón. 44, 6182–6190 (2017).

Artículo ANUNCIOS Google Académico

Cerveza, C. et al. Absorción bruta de dióxido de carbono terrestre: distribución global y covariación con el clima. Ciencia 329, 834–838 (2010).

Artículo ADS CAS PubMed Google Scholar

Jung, M. et al. Escalando los flujos de carbono de los sitios de covarianza de remolinos al globo: síntesis y evaluación del enfoque FLUXCOM. Biogeociencias 17, 1343–1365 (2020).

Artículo ADS CAS Google Académico

Harris, NL et al. Mapas mundiales de los flujos de carbono forestal del siglo XXI. Nat. Clima Cambio 11, 234–240 (2021).

Artículo ANUNCIOS Google Académico

Serreze, MC, Barrett, AP, Stroeve, JC, Kindig, DN y Holland, MM El surgimiento de la amplificación ártica basada en la superficie. Criosfera 3, 11–19 (2009).

Artículo ANUNCIOS Google Académico

McDowell, NG et al. La interdependencia de los mecanismos subyacentes a la mortalidad de la vegetación impulsada por el clima. Tendencias Ecol. Evol. 26, 523–532 (2011).

Artículo PubMed Google Académico

Kurz, WA et al. El escarabajo del pino de montaña y la retroalimentación del carbono forestal al cambio climático. Naturaleza 452, 987–990 (2008).

Artículo ADS CAS PubMed Google Scholar

Schaphoff, S., Reyer, CPO, Schepaschenko, D., Gerten, D. y Shvidenko, A. Tamm Revisión: Impactos del cambio climático observados y proyectados en los bosques de Rusia y su balance de carbono. Para. Ecol. Administrar 361, 432–444 (2016).

Artículo Google Académico

Brando, PM et al. Aumentos abruptos en la mortalidad de los árboles amazónicos debido a las interacciones sequía-incendio. proc. Academia Nacional. ciencia EE. UU. 111, 6347–6352 (2014).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Doughty, CE et al. Impacto de la sequía en la dinámica y los flujos de carbono forestal en la Amazonía. Naturaleza 519, 78–82 (2015).

Artículo ADS CAS PubMed Google Scholar

McDowell, N. et al. Impulsores y mecanismos de la mortalidad de los árboles en los bosques tropicales húmedos. Fitol nuevo. 219, 851–869 (2018).

Artículo PubMed Google Académico

Scheffer, M., Hirota, M., Holmgren, M., Nes, EHV y Chapin, FS Umbrales para las transiciones del bioma boreal. proc. Academia Nacional. ciencia EE. UU. 109, 21384–21389 (2012).

Artículo ADS CAS PubMed PubMed Central Google Scholar

McDowell, N. et al. Mecanismos de supervivencia y mortalidad de las plantas durante la sequía: ¿por qué algunas plantas sobreviven mientras otras sucumben a la sequía? Fitol nuevo. 178, 719–739 (2008).

Artículo PubMed Google Académico

Vicente-Serrano, SM et al. Respuesta de la vegetación a escalas de tiempo de sequía en biomas terrestres globales. proc. Academia Nacional. ciencia EE. UU. 110, 52–57 (2013).

Artículo ADS CAS PubMed Google Scholar

Hubau, W. et al. Saturación asincrónica de sumideros de carbono en bosques tropicales africanos y amazónicos. Naturaleza 579, 80–87 (2020).

Artículo ADS CAS PubMed Google Scholar

Brienen, RJW et al. Disminución a largo plazo del sumidero de carbono del Amazonas. Naturaleza 519, 344–348 (2015).

Artículo ADS CAS PubMed Google Scholar

Rist, L. & Moen, J. Sostenibilidad en la gestión forestal y un nuevo papel para el pensamiento de resiliencia. Para. Ecol. Administrar 310, 416–427 (2013).

Artículo Google Académico

Kottek, M., Grieser, J., Beck, C., Rudolf, B. & Rubel, F. Mapa mundial de la clasificación climática de Köppen-Geiger actualizado. Meteorol. Z. 15, 259–263 (2006).

Artículo Google Académico

Huete, A. et al. Descripción general del rendimiento radiométrico y biofísico de los índices de vegetación MODIS. Sensores Remotos Entorno. 83, 195–213 (2002).

Artículo ANUNCIOS Google Académico

Dakos, V. et al. La desaceleración como una señal de alerta temprana para un cambio climático abrupto. proc. Academia Nacional. ciencia EE. UU. 105, 14308–14312 (2008).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Zhang, X., Tan, B. & Yu, Y. Variaciones y tendencias interanuales en la fenología de la superficie terrestre global derivadas del índice de vegetación mejorado durante 1982–2010. En t. J. Biometeorol. 58, 547–564 (2014).

Artículo ADS PubMed Google Scholar

Land Cover CCI Product User Guide Versión 2 (ESA, 2017).

Dakos, V., van Nes, EH, D'Odorico, P. & Scheffer, M. Robustez de la varianza y autocorrelación como indicadores de desaceleración crítica. Ecología 93, 264–271 (2012).

Artículo PubMed Google Académico

Potapov, P. et al. Las últimas fronteras de la naturaleza: seguimiento de la pérdida de paisajes forestales intactos desde 2000 hasta 2013. Sci. Adv. 3, e1600821 (2017).

Artículo ADS PubMed PubMed Central Google Scholar

Ogle, SM et al. Delimitación de la tierra gestionada para informar sobre las emisiones y absorciones nacionales de gases de efecto invernadero a la convención marco de las Naciones Unidas sobre el cambio climático. Gestión del Balance de Carbono 13, 9 (2018).

Artículo PubMed PubMed Central Google Académico

De Martonne, E. Una nueva función climatológica: el índice de aridez. Meteorología 2, 449–458 (1926).

Google Académico

Descargar referencias

El estudio fue financiado por el Proyecto Exploratorio FOREST@RISK de la Comisión Europea, Centro Común de Investigación. NGM fue apoyado por el proyecto Experimento de Ecosistemas de Próxima Generación-Trópicos del Departamento de Energía.

Juan Forzieri

Dirección actual: Departamento de Ingeniería Civil y Ambiental, Universidad de Florencia, Florencia, Italia

Comisión Europea, Centro Común de Investigación, Ispra, Italia

Giovanni Forzieri, Alkama Ramdane y Alessandro Cescatti

Instituto de Ciencias Evolutivas de Montpellier (ISEM), Universidad de Montpellier, CNRS, IRD, EPHE, Montpellier, Francia

vasilis dakos

División de Ciencias Atmosféricas y Cambio Global, Laboratorio Nacional del Noroeste del Pacífico, Richland, WA, EE. UU.

Nate G. McDowell

Facultad de Ciencias Biológicas, Universidad del Estado de Washington, Pullman, WA, EE. UU.

Nate G. McDowell

También puede buscar este autor en PubMed Google Scholar

GF y AC diseñaron el estudio; GF desarrolló los análisis; GF y AC interpretaron los resultados, GF escribió el manuscrito con las contribuciones de todos los coautores.

Correspondencia a Giovanni Forzieri.

Los autores declaran no tener conflictos de intereses.

Nature agradece a Thilo Gross, Ben Somers y los otros revisores anónimos por su contribución a la revisión por pares de este trabajo. Los informes de los revisores están disponibles.

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

(a) Mapa espacial de \({TAC}\) a largo plazo calculado para todo el período 2000-2020. (b) \({TAC}\) a largo plazo agrupado en función de la temperatura climatológica y la precipitación.

(a) \({TAC}\) a largo plazo observado versus modelado. El número de registros agrupados (N), el coeficiente de determinación (R2), el error cuadrático medio (MSE) y el porcentaje de sesgo (PBIAS) se muestran en las etiquetas, mientras que la distribución de frecuencia se muestra en color. (b) Predictores de \({TAC}\) y la importancia variable correspondiente basada en el modelo de regresión forestal aleatoria de resiliencia forestal. Las cuatro categorías de predictores ambientales se identifican con patrones de relleno sombreados; mientras que los colores distinguen las diferentes variables. (c) Dependencia de \({TAC}\) en predictores de densidad forestal. (d), (e) y (f) como (c) pero para predictores de clima de fondo, variabilidad climática y autocorrelación, respectivamente.

Cambios temporales en \({TAC}\) calculados sobre una ventana móvil de 3 años y presentados con respecto al año de referencia 2002 por separado para el global (a), tropical (b), árido (c), templado (d) y regiones boreales (e). Las líneas continuas se refieren a los promedios regionales, mientras que las áreas sombreadas muestran su intervalo de confianza del 95 % ampliado por un factor de 10 para fines visuales.

(a–e) Distribución de frecuencia de las diferencias en \({TAC}\) calculadas para dos ventanas temporales independientes (2011-2020 y 2000-2010) mostradas por separado para diferentes regiones climáticas y para el uso de diferentes marcas de calidad de datos NDVI (QF). Los números se refieren al porcentaje de la distribución de frecuencia menor y mayor que cero (en el eje y izquierdo y derecho, respectivamente). (f–j), (k–o), (p–t), (u–y) y (z–ad) como (a–e) pero calculados para diferentes análisis de llenado de brechas (GF), inclusión/exclusión de áreas afectadas por caídas abruptas (AD), porcentajes de datos faltantes (PMD), porcentajes de cobertura forestal (PFC) y resolución espacial (PSR), respectivamente.

(a–b) Diferencias en \({TAC}\) calculadas para dos ventanas temporales independientes (2011-2020 y 2000-2010), mostradas por separado para diferentes banderas de calidad (QF), agrupadas en función de la temperatura climatológica y la precipitación. Los puntos negros indican contenedores con valores promedio que son estadísticamente diferentes de cero (prueba t de Student bilateral; valor P ≤ 0,05). (c–d), (e–f), (g–i), (j–l) y (m–o) como (a–b) pero calculados para diferentes análisis de llenado de brechas (GF), inclusión/exclusión de áreas afectadas por caídas abruptas (AD), porcentajes de datos faltantes (PMD), porcentajes de cobertura forestal (PFC) y resolución espacial (PSR), respectivamente.

(a–c) Tendencia en el \({TAC}\) total agrupado en función de la temperatura climatológica y la precipitación, que se muestra por separado para diferentes longitudes de ventana temporal (TWL). Los puntos negros indican contenedores con valores promedio que son estadísticamente diferentes de cero (prueba t de Student bilateral; valor P ≤ 0,05).

(ab) Tendencias temporales en predictores ambientales de la categoría 'densidad forestal' calculadas durante una ventana móvil de 3 años y agrupadas en función de la precipitación climatológica y la temperatura. Los puntos negros indican contenedores con valores promedio que son estadísticamente diferentes de cero (prueba t de Student bilateral; valor P ≤ 0,05). (c–f) y (g–j) como (a,b) pero para predictores ambientales de las categorías 'clima de fondo' y 'variabilidad climática', respectivamente. Los acrónimos de los predictores se informan en la Tabla 1 de datos ampliados.

(a) Mapa espacial de las regiones climáticas. (b) Fracción de cobertura de bosques manejados e intactos para cada región climática. (c) Mapa espacial de bosques manejados e intactos. (d) Fracción de cobertura de regiones climáticas para cada dominio forestal.

Este archivo contiene los Métodos complementarios 1–3, Discusión 1 y 2, y las Figs. 1–3.

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

Reimpresiones y permisos

Forzieri, G., Dakos, V., McDowell, NG et al. Señales emergentes de disminución de la resiliencia forestal bajo el cambio climático. Naturaleza 608, 534–539 (2022). https://doi.org/10.1038/s41586-022-04959-9

Descargar cita

Recibido: 02 Agosto 2021

Aceptado: 09 junio 2022

Publicado: 13 julio 2022

Fecha de emisión: 18 de agosto de 2022

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

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

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

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Comunicaciones de la naturaleza (2023)

Nature Reviews Microbiología (2023)

Comunicaciones de la naturaleza (2023)

Investigación en Ciencias Ambientales y Contaminación (2023)

Ecología Vegetal (2023)

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