Los impactos biofísicos del enverdecimiento de la tierra pueden mitigar sustancialmente el calentamiento de la temperatura de la superficie terrestre regional

Nature Communications volumen 14, número de artículo: 121 (2023) Citar este artículo

14k Accesos

5 citas

453 altmétrico

Detalles de métricas

El cambio de vegetación puede alterar el equilibrio energético de la superficie y posteriormente afectar el clima local. Este impacto biofísico ha sido bien estudiado en casos de forestación, pero el signo y la magnitud del enverdecimiento persistente de la tierra siguen siendo controvertidos. Basándonos en observaciones de teledetección a largo plazo, cuantificamos el impacto unidireccional del enverdecimiento de la vegetación en la temperatura radiométrica de la superficie durante el período 2001-2018. Aquí, mostramos una respuesta global negativa de la temperatura con una gran variabilidad espacial y estacional. La capa de nieve, el verdor de la vegetación y la radiación de onda corta son los principales factores impulsores de la sensibilidad a la temperatura al regular el predominio relativo de los procesos radiativos y no radiativos. Combinado con la tendencia de ecologización observada, encontramos un enfriamiento global de −0,018 K/década, que desacelera un 4,6 ± 3,2% del calentamiento global. A nivel regional, este efecto de enfriamiento puede compensar el 39,4 ± 13,9% y el 19,0 ± 8,2% del calentamiento correspondiente en India y China. Estos resultados resaltan la necesidad de considerar este efecto climático biofísico relacionado con la vegetación al informar las estrategias locales de adaptación al clima.

Según observaciones satelitales, la Tierra ha experimentado un reverdecimiento generalizado de la vegetación desde la década de 1980, principalmente debido al cambio climático a gran escala y a los efectos de la fertilización con CO21,2. Este enverdecimiento podría mitigar el calentamiento global al desencadenar una retroalimentación bioquímica negativa en el sistema climático, que se refiere al aumento de la eliminación de CO2 de la atmósfera a través del proceso de fotosíntesis de la vegetación3,4,5. Mientras tanto, el enverdecimiento de la tierra también podría modificar las propiedades biofísicas de la superficie, incluida la disminución del albedo (mejorando la absorción de radiación de onda corta, conocida como proceso radiativo) y la disminución de la resistencia aerodinámica o superficial (mejorando la eficiencia de la evaporación del agua o la convección de calor entre las capas). superficie terrestre y la atmósfera, conocido como proceso no radiativo), afectando así la temperatura local6,7,8. Estas retroalimentaciones biofísicas podrían intensificar, compensar o incluso revertir la fuerza bioquímica contra el calentamiento global y, por lo tanto, han llamado mucho la atención en los últimos años9,10,11.

Se han dedicado numerosos esfuerzos a cuantificar el efecto climático biofísico de la conversión del tipo de vegetación, una situación común en los cambios de uso de la tierra/cobertura del suelo (LULCC), como la deforestación/forestación (de bosques a otros tipos de vegetación), los incendios forestales (de bosques a tierras áridas) y recuperación (otra vegetación para tierras de cultivo)12,13,14,15,16,17. Sin embargo, estos casos extremos de cambio de tipo de vegetación sólo ocurren en regiones específicas. El análisis del efecto sobre la temperatura del enverdecimiento persistente y generalizado de la Tierra puede ser más constructivo para diseñar mejores estrategias de mitigación del clima o políticas de adaptación a diferentes escalas.

Las observaciones por teledetección y los modelos del sistema terrestre (ESM) proporcionan herramientas para explorar el impacto climático de la ecologización generalizada2. Debido a la incertidumbre de los procesos físicos subyacentes, los esquemas de parametrización y los datos de entrada, los modelos tienen deficiencias a la hora de reproducir el proceso de partición de energía de las superficies de la vegetación, lo que genera resultados sesgados18,19. Mientras tanto, es difícil desenredar la señal unidireccional del enverdecimiento de la vegetación que afecta el clima local del índice de vegetación satelital coevolucionado y las observaciones de temperatura20,21. Por lo tanto, los estudios previos siguen siendo debatidos en términos del signo y la magnitud de las respuestas de la temperatura al enverdecimiento de la tierra20,22.

Este estudio tiene como objetivo proporcionar limitaciones de observación sólidas sobre los impactos biofísicos del enverdecimiento en la temperatura local. Con este fin, evaluamos la posible respuesta de la temperatura a la variación del verdor en todo el mundo de 2001 a 2018 utilizando la temperatura de la superficie terrestre (LST) y el índice de área foliar (LAI) derivados de satélites como variables de diagnóstico. Debido al complicado efecto bidireccional entre el crecimiento de la vegetación y la variación de la temperatura, se realiza una estrategia de ventana móvil espacial inspirada en el enfoque de "espacio por tiempo" para excluir el impacto de las señales climáticas a largo plazo en el crecimiento de la vegetación y adquirir la sensibilidad LST a LAI23,24. Luego, se analiza la sensibilidad LST derivada para diferentes condiciones climáticas y tipos de vegetación a escalas anual y estacional. Además, descomponemos esta sensibilidad en contribuciones de retroalimentaciones climáticas no radiativas, radiativas y indirectas para analizar más a fondo los factores impulsores detrás6. Finalmente, los datos del LAI observados durante el período de estudio se combinan con mapas de sensibilidad del LST para explorar el efecto climático relacionado con la ecologización. Esta señal estimada se compara posteriormente con la variación histórica de temperatura observada para evaluar los posibles beneficios climáticos de la ecologización a escala global y regional.

La Figura 1 muestra la sensibilidad biofísica anual de LST a LAI (\(\frac{{{dLST}}_{{bio}}}{{dL}{AI}}\)) durante el período de estudio (2001-2018), que representa la respuesta potencial de la temperatura media anual a un aumento de una unidad LAI. De acuerdo con informes anteriores sobre el efecto de mitigación climática del enverdecimiento de la tierra9,25, encontramos que aproximadamente el 71% del área con vegetación muestra sensibilidad negativa, y el valor medio global es −0,46 ± 1,68 K m2 m−2 (media ± desviación estándar espacial ) (Figura 1a). El enverdecimiento de la vegetación en regiones secas y cálidas enfría significativamente la superficie terrestre, y este enfriamiento disminuye y se revierte al efecto de calentamiento con una disminución gradual de la temperatura o un aumento de las precipitaciones (Fig. 1b). De manera similar al estudio previo del impacto biofísico de la forestación en LST26, esta variación climática podría traducirse aún más en la dependencia latitudinal de un efecto de calentamiento en las altas latitudes del norte y efectos de enfriamiento en otras latitudes, con la latitud de transición cerca de 50°N (Fig. .1c). Sin embargo, la diferencia se encuentra cerca del ecuador, donde el enverdecimiento sólo induce un efecto de enfriamiento débil, pero estudios previos sugieren el enfriamiento más fuerte de la forestación aquí27,28. Esta diferencia se debe principalmente a la diferencia inherente entre el cambio abrupto de campo abierto a bosque y el persistente enverdecimiento de la vegetación. Además del impacto del clima de fondo, investigamos más a fondo el \(\frac{{{dLST}}_{{bio}}}{{dLAI}}\) agregando los 12 tipos de vegetación del IGBP en cuatro tipos amplios (Tabla complementaria 1), incluidos bosques, otra vegetación leñosa (OWV), pastizales y tierras de cultivo (Figura complementaria 1). Encontramos una fuerte sensibilidad negativa en pastizales (−0,94 K m2 m−2) y tierras de cultivo (−0,83 K m2 m−2), seguidas por OWV (−0,13 K m2 m−2), y finalmente una pequeña sensibilidad positiva en los bosques ( 0,16 K m2 m−2) (Fig. 1c y Fig. complementaria 2). En general, en comparación con los resultados de los experimentos controlados del modelo de superficie terrestre, las sensibilidades estimadas a partir de nuestro método basado en observaciones muestran una magnitud global similar, pero con una variabilidad espacial mucho mayor10.

un mapa espacial de \(\frac{{{dLST}}_{{bio}}}{{dLAI}}\). b Variación en las medias de sensibilidad entre los intervalos climáticos, en los que \(\frac{{{dLST}}_{{bio}}}{{dLAI}}\) se agrupa en función de la precipitación anual (P, eje x ) y temperatura del aire (Ta, eje y). c Contenedores latitudinales de \(\frac{{{dLST}}_{{bio}}}{{dLAI}}\) en diferentes tipos amplios de vegetación. El área sombreada indica la desviación estándar latitudinal. Los datos originales se proporcionan con este documento.

En términos de estacionalidad, encontramos una sensibilidad negativa media mayor en el verano del hemisferio norte (JJA, junio a agosto) que en invierno (DJF, diciembre a febrero), con una sensibilidad media global de −0,75 K m2 m−2 y −0,15 K m2 m−2, respectivamente (Fig. 2a, b). Latitudinalmente, el enverdecimiento mantiene un débil efecto de enfriamiento durante todo el año en las regiones tropicales. En latitudes medias, el enverdecimiento muestra un fuerte enfriamiento en la estación de crecimiento y un ligero calentamiento en la estación fría. Con el cambio de latitud a polar, el efecto de enfriamiento de la temporada de crecimiento se acorta y el calentamiento de la temporada de inactividad domina gradualmente en las regiones boreales (Fig. 2c). Además, notamos que cada tipo de vegetación sigue este patrón estacional pero con una magnitud estacional distintiva (Fig. 2c). Por ejemplo, el enfriamiento de la temporada de crecimiento en los pastizales y las tierras de cultivo es más fuerte, y en los bosques se observa un ligero enfriamiento de la temporada de crecimiento. Mientras tanto, el calentamiento de la temporada de inactividad del OWV y los bosques es mayor que el de los pastizales. Estas diferentes magnitudes de sensibilidad estacional dan como resultado respuestas LST anuales contrastantes para diferentes tipos de vegetación (Fig. 1c).

un mapa espacial de \(\frac{{{dLST}}_{{bio}}}{{dLAI}}\) en el verano del hemisferio norte (JJA, junio a agosto) y (b) en el invierno del hemisferio norte (diciembre a Febrero). El área sombreada indica el porcentaje medio de capa de nieve superior al 1%. c Medias latitudinales de \(\frac{{{dLST}}_{{bio}}}{{dLAI}}\) mensuales para toda la vegetación, bosques, otra vegetación leñosa, pastizales y tierras de cultivo. Las cuadrículas marcadas con puntos negros indican una cobertura de nieve superior al 1%. Los datos originales se proporcionan con este documento.

La sensibilidad del LST varía significativamente según el tipo de vegetación y las condiciones climáticas, pero el mecanismo biofísico detrás aún no está claro. Por lo tanto, descomponemos aún más la sensibilidad LST en la contribución de la retroalimentación no radiativa (\(\frac{{{dLST}}_{{bio}}^{{LE}}}{{dLAI}}\)+\( \frac{{{dLST}}_{{bio}}^{H}}{{dLAI}}\)), radiativo (\(\frac{{{dLST}}_{{bio}}^{\alpha }}{{dLAI}}\)) retroalimentación y climática indirecta (\(\frac{{{dLST}}_{{bio}}^{{SW}\downarrow }}{{dLAI}}\)+\( \frac{{{dLST}}_{{bio}}^{LW\downarrow }}{{dLAI}}\)) retroalimentación basada en la ecuación del balance energético (ver Métodos). Aquí, utilizamos la misma unidad que la sensibilidad LST (K m2 m−2) para representar la intensidad de cada proceso para facilitar una mayor comparación. Aunque el proceso de descomposición se realiza a una escala diferente, los resultados muestran que la suma de todos los contribuyentes concuerda bien con la sensibilidad LST calculada directamente (Figuras complementarias 3, 4, Discusión complementaria 1). Como se muestra en la Fig. 3a, encontramos un impacto menor de la retroalimentación climática indirecta (línea amarilla) para todas las latitudes, lo que sugiere que el efecto de la temperatura local del enverdecimiento de la vegetación es inducido principalmente por la modificación directa de los parámetros biofísicos de la superficie. En las regiones boreales (>50°N), el calentamiento radiativo (línea roja) supera el enfriamiento no radiativo (línea azul), lo que resulta en una señal LST positiva (línea negra). Los resultados mensuales indican además que esta señal positiva ocurre principalmente de enero a abril, con el valor máximo en marzo (Fig. 3b). Esta variación estacional es el resultado combinado de la sensibilidad del albedo al LAI y la radiación de onda corta entrante (ver “Métodos”). Para las zonas de latitud restantes, nuestros resultados muestran que el enfriamiento no radiativo compensa el calentamiento radiativo y domina la sensibilidad LST negativa final (Fig. 3a). Se encuentran patrones latitudinales simétricos entre el calentamiento radiativo y el enfriamiento no radiativo, lo que sugiere que su intensidad puede estar controlada por los mismos factores. Estacionalmente, el enfriamiento no radiativo muestra magnitudes mayores en la temporada de crecimiento que en la temporada de inactividad (Fig. 3c, e), lo que lleva al patrón estacional de sensibilidad LST en latitudes medias (Fig. 2c). Sin embargo, no se encuentra una variación estacional significativa para los dos procesos o la sensibilidad del LST en los trópicos (Fig. 3d).

a El patrón latitudinal de la sensibilidad final del LST (\(\frac{{{dLST}}_{{bio}}}{{dLAI}}\), línea negra) y la sensibilidad LST equivalente de diferentes procesos biofísicos, incluido el radiativo (\ (\frac{{{dLST}}_{{bio}}^{\alpha }}{{dLAI}}\), línea roja), no radiativo (\(\frac{{{dLST}}_{{ bio}}^{{LE}}}{{dLAI}}\)+\(\frac{{{dLST}}_{{bio}}^{H}}{{dLAI}}\), línea azul) y clima indirecto (\(\frac{{{dLST}}_{{bio}}^{{SW}\downarrow }}{{dLAI}}\)+\(\frac{{{dLST}}_{{ bio}}^{{LW}\downarrow }}{{dLAI}}\), línea amarilla) comentarios. El área sombreada indica la desviación estándar latitudinal. b Patrón estacional de sensibilidad LST y procesos biofísicos mencionados en las regiones boreal, (c) de latitud media norte, (d) tropical y (e) de latitud media sur. Los datos originales se proporcionan con este documento.

En la estación fría boreal, el papel dominante del proceso radiativo puede atribuirse a la presencia de nieve17,29, lo que se confirma por la coexistencia de nieve y la sensibilidad positiva en los resultados mensuales (Fig. 2). En teoría, es más probable que el dosel de vegetación densa cubra el fondo de nieve que el dosel escaso; por lo tanto, la diferencia de albedo se intensifica entre superficies con vegetación con diferentes valores de LAI en climas nevados, lo que lleva a un efecto de calentamiento radiativo más fuerte de la superficie de LAI más alta30,31,32. Este impacto biofísico de la nieve en las regiones boreales se confirma aún más por la relación lineal positiva entre la cobertura de nieve mensual promedio y la sensibilidad LST mensual promedio de enero a abril (Fig. 4a), cuando la sensibilidad LST se encuentra positiva (Fig. 3b). Como se esperaba, este impacto de la nieve se remonta a la relación lineal positiva entre la cobertura de nieve y el proceso radiativo (Fig. 4b), pero la pendiente es mayor que la de la Fig. 4a (0,032 frente a 0,023). Este resultado sugiere que sólo alrededor de tres cuartas partes de la absorción de energía inducida por el efecto de enmascaramiento de nieve se utiliza para impulsar el LST, y la cuarta parte restante se compensa con la difusión de energía desde la superficie terrestre a la atmósfera (Fig. 4c), que se confirma por la pendiente negativa entre el proceso no radiativo y la cobertura de nieve (−0,009). Estos resultados proporcionan evidencia que respalda el papel dominante de la nieve en el control de la sensibilidad positiva del LST boreal, cuyo impacto se subestima en estudios previos basados en modelos10,11.

a La relación entre la cobertura media de nieve y la sensibilidad de la temperatura de la superficie terrestre (LST) y la sensibilidad LST equivalente de (b) proceso radiativo y (c) proceso no radiativo en áreas cubiertas de nieve (cobertura de nieve superior al 1%) de Enero a abril. Las barras de error muestran la desviación estándar de la sensibilidad dentro del intervalo de cobertura de nieve (±2%). d La relación entre la sensibilidad anual de LAI y LST y la sensibilidad LST equivalente de (e) proceso radiativo y (f) proceso no radiativo en regiones libres de nieve. Las barras de error muestran la desviación estándar de la sensibilidad dentro del contenedor LAI (±0,15 m2 m-2). Los datos originales se proporcionan con este documento.

Para las regiones restantes libres de nieve, nuestro análisis revela un fuerte control del verdor de la vegetación en la modulación de la magnitud de la sensibilidad negativa del LST. Específicamente, se utiliza una función exponencial para caracterizar la relación observada entre la sensibilidad LAI y LST (Fig. 4d). Esta relación sugiere que el reverdecimiento de áreas con bajo IAF podría inducir un efecto de enfriamiento más fuerte, y este efecto de enfriamiento disminuye gradualmente y converge a cero con el aumento del IAF. Esta relación exponencial podría atribuirse a resultados similares en procesos radiativos y no radiativos con efectos de temperatura contrastantes (Fig. 4e, f). En la competencia entre los dos procesos biofísicos, el enfriamiento no radiativo ocupa la posición dominante y da como resultado una sensibilidad LST negativa. Sin embargo, las intensidades de ambos procesos son mayores en las áreas de menor verdor y disminuyen a medida que el LAI se vuelve más verde. El mecanismo es que los parámetros biofísicos, como el albedo y la longitud de la rugosidad, se saturan gradualmente con el aumento del LAI, lo que lleva a una magnitud débil de las retroalimentaciones biofísicas en áreas de alto verdor33,34. Además, notamos que el efecto de calentamiento radiativo es casi nulo cuando el LAI alcanza 1,5 m2 m-2, y se puede encontrar un enfriamiento inverso pero ligeramente radiativo en áreas de mayor verdor (Fig. 4e). Una posible explicación es que el desarrollo del dosel en regiones con un LAI tan alto podría intensificar la reflexión del infrarrojo cercano (NIR)35, lo que llevaría a una menor absorción de energía. En general, nuestra inferencia del control del LAI podría explicar la gran variabilidad en la sensibilidad del LST entre diferentes tipos de vegetación y zonas climáticas (excepto en climas fríos) (Figura complementaria 2). Por ejemplo, los pastizales y las tierras de cultivo (LAI más bajo) tienen efectos de enfriamiento más fuertes, y los bosques (LAI más alto) no muestran una sensibilidad significativa a la temperatura en climas templados y ecuatoriales (Figura complementaria 5). Además, el amplio efecto de enfriamiento en las regiones áridas también podría atribuirse en parte al valor más bajo del LAI de la vegetación en ambientes con escasez de agua (Fig. 1b).

Curiosamente, encontramos que la relación entre la sensibilidad LAI y LST no es universal. Los resultados del ajuste de regiones libres de nieve en diferentes zonas de latitud muestran una mayor sensibilidad negativa en los trópicos que en latitudes medias para el mismo valor de LAI (Figura complementaria 6). Lo más probable es que esta diferencia sea inducida por las diferencias inherentes en las condiciones climáticas en diferentes latitudes. Teniendo en cuenta que la radiación de onda corta descendente es la fuerza impulsora de la mayoría de los fenómenos latitudinales, investigamos más a fondo su impacto potencial en la sensibilidad del LST. Los medios agrupados de sensibilidad LST contra LAI y radiación de onda corta descendente indican una sensibilidad LST negativa más fuerte en condiciones de alta radiación entrante y bajo valor de LAI (Figura complementaria 7a). Las retroalimentaciones radiativas y no radiativas también se intensifican a medida que aumenta la radiación de onda corta descendente o disminuye el LAI (Figuras complementarias 7b, c). Como el forzamiento radiativo es relativamente fuerte en los trópicos, el impacto de la radiación de onda corta podría explicar la diferencia en la Figura complementaria 6. Además, inferimos que este control climático puede explicar el patrón estacional de \(\frac{{{dLST}} _{{bio}}}{{dLAI}}\) en latitudes medias, donde la sensibilidad del LST en la temporada de crecimiento (radiación solar abundante) es mayor que en la temporada de inactividad (radiación solar limitada) (Fig. 3c, e ).

La sensibilidad del LST representa sólo la respuesta de temperatura del escenario ideal de ecologización promedio en todo el mundo. Aquí, cuantificamos aún más el efecto LST real según el mapa de sensibilidad y la tendencia LAI observada durante el período de estudio. Los resultados muestran una tendencia ecológica generalizada con una media global de 0,037 m2 m-2 década-1 (Figura complementaria 8). En consecuencia, la tendencia de temperatura media mundial inducida por el enverdecimiento (\({\delta {LST}}_{{bio}}\)) es −0,013 ± 0,009 K/década (Fig. 5a), lo que compensa 4,6 ± 3,2 % de la tendencia de calentamiento de 0,289 K/década dentro del área con vegetación (Figura complementaria 9). Al considerar aquellos píxeles con tendencias LAI estadísticamente significativas (prueba de Mann-Kendall, P <0,05), la tendencia de enfriamiento puede aumentar a −0,029 ± 0,008 K/década. La ecologización en dichas regiones podría compensar alrededor del 9,2 ± 3,7% de la tendencia de calentamiento correspondiente y contribuir con alrededor del 68% de la señal de enfriamiento global. Como se muestra en la Fig. 5b, confirmamos la aceleración del calentamiento global inducida por la ecologización en la región boreal (0,008 ± 0,007 K/década), que se ve afectada principalmente por la tendencia de calentamiento sustancial en invierno (0,020 ± 0,006 K/década) y primavera (0,022 ± 0,009 K/década). Para las zonas latitudinales restantes, la señal de temperatura media anual de −0,020 ± 0,012 K/década podría compensar aproximadamente 5,9 ± 3,8% de la tendencia al calentamiento, a lo que contribuye principalmente el enfriamiento de 0° a 50°N (Fig. 5b). . La tendencia al enfriamiento muestra una variación estacional dramática en las latitudes medias del norte (−0,075 ± 0,027 K/década en verano, −0,010 ± 0,004 K/década en invierno) (Fig. 5b), lo que puede reducir la variación de temperatura intraanual. Mientras tanto, el enfriamiento significativo en el verano del hemisferio norte también puede reducir el riesgo de olas de calor en el futuro con condiciones climáticas extremas más frecuentes36. En general, nuestro resultado sobre la magnitud global del enfriamiento relacionado con el enverdecimiento es comparable con estudios anteriores basados en modelos, pero con una mayor variabilidad espacial o estacional10,11,37.

un mapa global de \({\delta {LST}}_{{bio}}\). b Medias latitudinales de \({\delta {LST}}_{{bio}}\) anual y estacional. Abreviaturas: MAM, marzo a mayo; JJA, junio a agosto; HIJO, septiembre a noviembre; DJF, diciembre a febrero. c Clasificación de la media \({\delta {LST}}_{{bio}}\) para diferentes biomas. Las barras de error representan el intervalo de confianza del 95% de la tendencia de la temperatura. Solo se muestran aquellos biomas con un área superior al 1,5% del área de vegetación global. OWV otra vegetación leñosa.

Además, clasificamos el impacto climático anual del enverdecimiento de la vegetación a nivel de bioma (Fig. 5c). Los resultados muestran que el reverdecimiento de las tierras de cultivo podría inducir un enfriamiento sustancial (−0,066 ± 0,016 K/década, rango 4), especialmente en el clima ecuatorial árido (−0,112 ± 0,034 K/década, rango 1) y seco (−0,105 ± 0,029). K/década, rango 2). Este dramático enfriamiento de las tierras de cultivo globales debería ser el resultado tanto de la gran sensibilidad del LST (-0,83 K m2 m-2) como de la tendencia del LAI (0,072 m2 m-2/década). Sin embargo, el reverdecimiento de los pastizales con mayor sensibilidad LST (−0,94 K m2 m−2) solo induce un ligero enfriamiento global (−0,012 ± 0,014 K/década, puesto 12), principalmente debido a la menor tendencia LAI (0,031 m2 m−2 /década) y la presencia de pastizales en el clima frío y húmedo, donde el reverdecimiento podría inducir el efecto de calentamiento opuesto (0,004 ± 0,0011 K/década, puesto 19). Por el contrario, la reverdecimiento de los bosques podría acelerar el calentamiento global en 0,007 ± 0,003 K/década. Dado que la sensibilidad del LST es pequeña en áreas de LAI alto (Fig. 4d), el efecto de enfriamiento del enverdecimiento de los bosques de latitudes medias y bajas es muy limitado. Esta tendencia positiva global se debe principalmente a la tendencia al calentamiento de los bosques en las regiones frías y húmedas (0,018 ± 0,007 K/década, puesto 24), donde las nevadas amplifican la sensibilidad positiva del LST (Fig. 5c). Sin embargo, este resultado sólo representa el efecto de calentamiento del reverdecimiento de los bosques a través de la retroalimentación biofísica, y la evaluación adicional del efecto climático neto también debería tener en cuenta la retroalimentación bioquímica4,28.

Para investigar el beneficio climático regional del enverdecimiento, calculamos el índice de mitigación del enverdecimiento utilizando la tendencia observada de la temperatura del aire en la superficie (\({\delta T}_{{obs}}\)) y la tendencia de temperatura estimada inducida por el enverdecimiento (\ ({\delta {LST}}_{{bio}}\)) a escala de píxel y nacional (ver “Métodos”). El valor más alto de esta relación indica una tendencia de calentamiento mayor que la retroalimentación biofísica del enverdecimiento puede compensar. Como se muestra en la Fig. 6a, las regiones donde la ecologización puede mitigar significativamente el cambio climático se superponen con importantes áreas verdes (por ejemplo, China, India, Europa y el sur de Brasil). Un estudio anterior también ha confirmado que estas regiones dominan la señal global de ecologización después del siglo XXI38. Además, comparamos \({\delta {LST}}_{{bio}}\) y \({\delta T}_{{obs}}\) en 10 países con áreas de vegetación considerables (definidas como áreas de vegetación mayores que 1,5 millones de km2). Como se muestra en la Fig. 6b, India y China están clasificados entre los dos primeros, donde un enverdecimiento sustancial induce fuertes efectos de enfriamiento de −0,140 ± 0,048 K/década y −0,059 ± 0,009 K/década. Estos efectos de enfriamiento pueden compensar el 39,4 ± 13,9% y el 19,0 ± 8,2% del calentamiento de la superficie, respectivamente. Australia, que experimenta una tendencia de menor ecologización, también muestra un intenso enfriamiento relacionado con la ecologización, pero con una incertidumbre significativa (−0,030 ± 0,071 K/década). Estos resultados enfatizan el importante papel de la retroalimentación biofísica de la ecologización para la mitigación del clima regional. Para los países que ocupan el cuarto al octavo lugar, los efectos refrescantes de la ecologización son pequeños, y sólo la Unión Europea (UE) muestra una mitigación significativa relacionada con la ecologización. Por el contrario, nuestros resultados indican que la ecologización en Canadá y Rusia ha acelerado ligeramente las tendencias de calentamiento, principalmente debido a su sensibilidad positiva al LST (Fig. 1a). Brasil también muestra el calentamiento asociado con el cambio de vegetación, pero la razón son las señales de oscurecimiento en las selvas tropicales y el Cerrado. Al mismo tiempo, el enfriamiento debido al reverdecimiento de los pastos y las tierras agrícolas compensa parcialmente este efecto de calentamiento (Fig. 6 y Fig. complementaria 8) y, por lo tanto, genera una gran incertidumbre sobre la tendencia de la temperatura.

a Mapa espacial de ratio de mitigación. Sólo se muestran los píxeles que son significativos en un intervalo de confianza del 95 %. Las áreas con tendencias de enverdecimiento estadísticamente significativas están enmascaradas por puntos negros (prueba de Mann-Kendall, P <0,05). b Comparación de las tendencias de temperatura observadas y las tendencias de temperatura de la superficie terrestre inducidas por el reverdecimiento en 10 países con vegetación considerable. Las barras de error indican la incertidumbre de la tendencia de temperatura inducida por el enverdecimiento. El porcentaje debajo de cada barra azul indica el índice de mitigación climática (media ± incertidumbre). Aquí, la Unión Europea (UE) está incluida en el análisis. Estados Unidos, República Democrática del Congo, República Democrática del Congo. Los datos originales se proporcionan con este documento.

Utilizando observaciones satelitales, investigamos el impacto biofísico del enverdecimiento de la Tierra en LST de 2001 a 2018 a una escala más fina. El modelo de regresión espacial desarrollado en nuestro estudio nos ayuda a desenredar el efecto unidireccional LAI-LST de la señal de reverdecimiento del clima y la vegetación que cambian simultáneamente (Discusión complementaria 2). Nuestros resultados proporcionan evidencia que respalda el efecto de calentamiento inducido por el ecologismo en las regiones boreales (Fig. 5), que todavía ha sido objeto de debate en los últimos años9,10,20. Además, al profundizar en los diferentes procesos biofísicos y sus factores impulsores, nuestro estudio podría mejorar la comprensión de los mecanismos de retroalimentación biofísica del enverdecimiento generalizado de la tierra. El significado más profundo de conocer estos factores de control es permitir predicciones razonables de la sensibilidad futura a la temperatura. Creemos en la posible mitigación climática del enverdecimiento de las regiones boreales en un mundo en calentamiento proyectado, principalmente porque la disminución de la capa de nieve debilitará el calentamiento radiativo en el futuro29 (Fig. 4a). Por otro lado, nuestra visión de que LAI controla la sensibilidad biofísica sugiere una disminución del enfriamiento no radiativo en el futuro, ya que los flujos de turbulencia serán menos sensibles en un mundo continuamente verde debido al efecto de saturación (Fig. 4d-f). . Sin embargo, un estudio previo sugiere una mayor sensibilidad de los flujos de turbulencia al verdor de la vegetación impulsada por el cambio climático18. Dadas las diferentes opiniones de estudios anteriores y la compensación entre los dos mecanismos mencionados, sostenemos que la variación en la sensibilidad biofísica futura del LST sigue siendo incierta y requiere una evaluación cuantitativa adicional.

La creciente concentración de CO2 es la principal fuerza impulsora tanto del calentamiento global como del enverdecimiento de la Tierra en las últimas décadas. Sin embargo, en comparación con la tasa de calentamiento global, confirmamos el efecto muy limitado de la mitigación climática de base biofísica derivada del enverdecimiento de la Tierra. Mientras tanto, nuestros resultados también proporcionan evidencia del importante enfriamiento de la superficie en regiones con amplias tendencias ecológicas. Específicamente, encontramos que el enfriamiento relacionado con la ecologización puede compensar alrededor del 20% y el 40% de la tendencia al calentamiento en China e India (Fig. 6b), respectivamente. Estos resultados resaltan el papel del impacto biofísico de la ecologización en futuras estrategias de adaptación contra el calentamiento actual. Un estudio anterior demostró que China y la India son líderes en ecologización global en el siglo XXI, lo que se logra mediante la gestión humana del uso de la tierra, como el proyecto de forestación en China8 y el aumento de la superficie cosechada mediante fertilización e irrigación en la India38. Esto sugiere el gran potencial de las estrategias humanas de uso y gestión de la tierra y de los proyectos ecológicos para mitigar la presión climática, no sólo a través de la absorción de carbono de la atmósfera sino también de los procesos biofísicos. Sin embargo, la ingeniería de forestación también se realiza en la UE39, y la tendencia hacia la ecologización también es significativa aquí, pero se observa un impacto climático muy limitado debido a la retroalimentación biofísica de la ecologización (Fig. 6b). Los resultados contrastantes sugieren la importancia de priorizar la geolocalización de proyectos ecológicos para alcanzar el máximo beneficio climático. Con este objetivo, nuestra evaluación de la sensibilidad global del LST podría ser muy útil para informar las políticas regionales de adaptación climática basadas en la vegetación para el presente y el futuro28.

Este estudio lleva a cabo experimentos controlados a través de la analogía del espacio-por-tiempo para extraer la sensibilidad de la temperatura de la superficie al cambio de la vegetación en una escala más fina, y revelamos los impactos climáticos del enverdecimiento de la tierra con una heterogeneidad espacial sustancial y una variabilidad estacional. Sin embargo, todavía hay salvedades en nuestro estudio que deben destacarse debido a las limitaciones de los datos y los métodos. Primero, nuestra sensibilidad mapeada puede tener una incertidumbre relativamente grande en el área de bajo verdor, lo que se refleja en la gran desviación estándar de las dispersiones con LAI bajo en la Fig. 4d. En tales regiones, la pendiente regresiva podría ser sensible al ruido de los datos de entrada, ya que la diferencia entre el LAI de entrada es relativamente pequeña. Sin embargo, utilizamos un filtro adicional para restringir la diferencia mínima de LAI para garantizar la solidez de nuestros resultados. Mientras tanto, esta incertidumbre de sensibilidad también se refleja en la incertidumbre del efecto de la temperatura (\({\delta {LST}}_{{bio}}\)) después de combinarse con los cambios de LAI observados (ver Métodos). En segundo lugar, nuestro análisis cuantifica sólo la señal de temperatura local del enverdecimiento, pero ignora el impacto adicional de la retroalimentación a gran escala sobre el clima, que es difícil de capturar en estudios basados en datos40,41. En particular, este impacto climático indirecto no es local ni está teleconectado y está determinado por la escala y la geolocalización de los cambios en la superficie. Sin embargo, nuestro resultado aún podría ser útil para las estrategias locales de adaptación al clima y para la comparación o evaluación de la sensibilidad simulada de los modelos de superficie terrestre, ya que estos modelos solo se centran en el proceso de la superficie terrestre sin el proceso de circulación atmosférica involucrado.

Además, adoptamos el LST derivado de satélites como indicador de las condiciones térmicas de la superficie, pero no de la temperatura del aire cerca de la superficie, aunque esta última podría ser más relevante para las condiciones de vida humana. Por un lado, utilizamos LST porque las observaciones de teledetección proporcionan mediciones directas de la temperatura radiométrica de la superficie en términos de disponibilidad de datos. La estimación global de la temperatura del aire cerca de la superficie generalmente requiere modelos estadísticos complejos o métodos de asimilación combinados con observaciones de sitios y, por lo tanto, la incertidumbre de los datos puede ser sustancial en regiones con una distribución espacial escasa de los sitios de observación. Por otro lado, argumentamos que el uso de LST puede reflejar mejor el impacto climático puro del enverdecimiento de la superficie terrestre para nuestro método porque la variación en la temperatura del aire cerca de la superficie es una señal híbrida de los procesos atmosféricos y de la superficie terrestre, por lo tanto, la sensibilidad Los datos derivados de la temperatura del aire pueden subestimar el impacto climático real debido a la convección de calor horizontal en la atmósfera cercana a la superficie. Sin embargo, si bien la adquisición de sensibilidad no se limita a nuestro método, estudios previos también han demostrado las diferentes respuestas de la temperatura del aire y la temperatura de la superficie a los cambios de la vegetación42,43. Específicamente, según las simulaciones ESM de diferentes escenarios, la sensibilidad a la temperatura del aire local a 2 m es aproximadamente del 35% al 65% de la sensibilidad a la temperatura de la superficie local. Si tenemos en cuenta esta diferencia en las mediciones de temperatura, el efecto refrescante del enverdecimiento también se reducirá a la mitad. Sin embargo, el índice de mitigación climática podría alcanzar el 24,5% y el 10,5% en India y China (suponiendo que la sensibilidad a la temperatura del aire sea la mitad de la sensibilidad a la temperatura de la superficie), lo que aún muestra los fuertes efectos de mitigación climática del enverdecimiento antropogénico. Por lo tanto, sostenemos que el papel del enverdecimiento de la vegetación no puede ignorarse en la evaluación del clima futuro, especialmente para los puntos críticos de enverdecimiento inducidos directamente por las actividades humanas.

Los datos para modelar la sensibilidad biofísica incluyen propiedades biofísicas de la superficie de observaciones MODIS (espectrorradiómetro de imágenes de resolución moderada) y otras variables ambientales a escala mensual.

La temperatura media mensual de la superficie terrestre (LST) durante el período de estudio (2001-2018) se genera mediante una estrategia de dos pasos. Los datos originales del LST provienen de la colección de 6 productos MOD11A1 y MYD11A1 con una resolución espacial de 1 km descargados del sitio web de la Administración Nacional de Aeronáutica y del Espacio (NASA). Según el indicador de control de calidad, solo se utilizan datos con errores LST inferiores a 2 K. En primer lugar, las observaciones instantáneas de temperatura se convierten a la temperatura media diaria utilizando un método estadístico44. Este método genera el LST medio diario para cada píxel utilizando el valor medio ponderado de diferentes combinaciones de observaciones MODIS (al menos una observación diurna y una nocturna para las observaciones de Aqua y Terra). En segundo lugar, la temperatura promedio diaria se agrega temporalmente al valor mensual utilizando el método de promedio diario (ABD)45 y se agrega espacialmente con una resolución de 0,05°. El diagrama de flujo para la producción mensual de LST se puede encontrar en la figura complementaria 11. En comparación con el uso directo de la media aritmética de las observaciones de LST diurnas y nocturnas del producto MYD11C3 (MODIS/Aqua mensual 0,05°), la estrategia de dos pasos podría mejorar significativamente la disponibilidad de datos al combinar las observaciones de Aqua y Terra (Figura complementaria 12), lo cual es importante para análisis posteriores.

El índice de área foliar (LAI) se utiliza para caracterizar las propiedades estructurales y el verdor de la vegetación. Los principales datos de LAI de 2001 a 2018 utilizados en este estudio provienen del conjunto de datos del Global Land Surface Satellite (GLASS), que se basa en observaciones de reflectancia de superficie MODIS y se generan mediante redes neuronales de regresión general (GRNN)46. El producto GLASS LAI tiene una resolución espacial de 0,05° y una resolución temporal de 8 días, con una cobertura espacial de pared a pared de 70°N a 70°S. Los datos de 8 días se agregan temporalmente a la escala mensual utilizando el valor medio. Además, también se vuelven a muestrear conjuntos de datos LAI alternativos GLOBMAP (0,072°, 8 días) y GIMMS3g (0,083°, 15 días)47,48 y se agregan temporalmente a la misma resolución (0,05°, mensual) para probar aún más la solidez del resultados (Discusión complementaria 3).

Los mapas anuales de los tipos de cobertura terrestre dominantes y la frecuencia de la subred durante 2001-2018 provienen del producto de cobertura terrestre MCD12C1 de la colección 6 de MODIS, con una resolución espacial de 0,05°49. Los mapas de cobertura terrestre utilizados en nuestro estudio se basan en el esquema de clasificación del Programa Internacional Geosfera-Biosfera (IGBP). En este estudio, solo se examinan las regiones cubiertas por vegetación, y las clases amplias de vegetación se agregan de todos los tipos de vegetación del IGBP para su posterior análisis10 (Tabla complementaria 1 y Figura complementaria 2).

Las variables climáticas de 2001 a 2018 utilizadas en nuestro análisis incluyen datos de precipitación, temperatura del aire y radiación de los datos de reanálisis promedio mensual de ERA5-Land con una resolución espacial de 0,1°. La precipitación y la temperatura del aire se utilizan para estudiar la influencia del clima ambiental en la intensidad de la retroalimentación biofísica. Los datos de radiación, incluida la radiación solar descendente de la superficie (SW ↓) y la radiación de onda larga descendente de la superficie (LW ↓), sirven como factores de atribución en análisis posteriores.

Los flujos de turbulencia, incluido el calor latente (LE) y el calor sensible (H), son parámetros biofísicos cruciales involucrados en nuestro análisis de atribución. En este artículo, los datos LE y H provienen del conjunto de datos FluxCom50, que se deriva de la combinación de mediciones de torres de flujo, datos de teledetección y datos meteorológicos utilizando la regresión de conjunto de árboles modelo (MTE). El conjunto de datos original de FluxCom tiene resoluciones espaciales y temporales mensuales de 1/12°. Volvemos a muestrear los datos originales a una resolución de 0,1° para que coincidan con los datos de radiación. En particular, los datos de flujos de calor turbulentos utilizados en este estudio son de 2001 a 2015, ya que el conjunto de datos solo se actualizó hasta 2015.

Los datos mensuales del flujo de calor del suelo (G) durante el período 2001-2015 provienen de los resultados del modelo de superficie terrestre NOAH en el conjunto de datos del Sistema Global de Asimilación de Datos Terrestres 2.1 (GLDAS-2.1). El conjunto de datos GLDAS con una resolución espacial de 0,25° se vuelve a muestrear a 0,1° para que coincida con otros datos de términos de balance energético.

Los datos de albedo (α) durante 2001-2015 se extraen del producto MCD43C3 de la colección 6 de MODIS, que tiene la misma resolución espacial de 0,05° y resolución temporal de 16 días. Debido a la fuerte correlación y la pequeña diferencia entre el albedo del cielo en blanco y negro, simplemente calculamos el albedo real utilizando el promedio aritmético del albedo del cielo en blanco y negro para cada píxel17. Los datos de albedo mensuales se agregan temporalmente a partir de los datos originales utilizando el valor medio y luego se agregan espacialmente a una resolución espacial de 0,1°.

El modelo de elevación digital (DEM) con una resolución espacial de 0,05° se utiliza para filtrar el impacto de la altitud en la temperatura local, que se agrega espacialmente a partir de la misión topográfica del radar del transbordador (SRTM) versión 4 con una resolución de 90 m.

Los datos mensuales de la capa de nieve (MYD10CM) del Centro Nacional de Datos de Nieve y Hielo (NSIDC) con una resolución espacial de 0,05° entre 2001 y 2018 se utilizan para analizar el impacto de la nieve en la retroalimentación biofísica.

Como existen interacciones bidireccionales complejas entre el clima de fondo local y las condiciones de crecimiento de la vegetación en diferentes escalas9,20,22, aplicamos una estrategia de ventana móvil inspirada en el método "espacio-por-tiempo" para calcular la sensibilidad biofísica de LST a LAI (\ (\frac{{{dLST}}_{{bio}}}{{dLAI}}\)) en este estudio. El método "espacio por tiempo" se ha utilizado ampliamente para investigar el impacto de LULCC en la temperatura local. Se supone que el píxel objetivo comparte el mismo clima de fondo con los píxeles adyacentes dentro de la ventana móvil, por lo que la diferencia LST entre el objetivo y los píxeles contrastantes es inducida por las retroalimentaciones biofísicas del cambio de cobertura terrestre23,24,51. De manera similar, asumimos que el verdor de la vegetación puede ser el único factor determinante de la variación espacial del LST bajo ciertas restricciones; la sensibilidad biofísica del LST al LAI podría retroceder a partir de observaciones espaciales cercanas del LAI y LST. La ventaja de este método sobre la estrategia de regresión temporal9 es la exclusión del impacto de la variabilidad natural del clima o la tendencia de calentamiento a largo plazo sobre el crecimiento de la vegetación, porque los píxeles con diferentes valores de LAI dentro de la ventana móvil comparten el mismo clima de fondo (Figura complementaria. dieciséis).

Esta estrategia de ventana de movimiento espacial se utiliza para producir \(\frac{{{dLST}}_{{bio}}}{{dLAI}}\) mensual durante el período de estudio. La forma específica en que funciona la estrategia es la siguiente. Para un píxel objetivo determinado, todas las muestras potenciales para comparación provienen de los píxeles espaciales cercanos dentro de la ventana móvil, que está configurada en 50 × 50 km (9 × 9 píxeles en el ecuador) según estudios previos8,52. Además, establecimos dos criterios de selección para todos los candidatos para excluir la influencia de la cobertura del suelo y la diferencia de elevación: (1) el píxel seleccionado debe tener el mismo tipo de cobertura del suelo principal que el píxel objetivo, y la diferencia del porcentaje de cobertura debe ser inferior al 10%. según datos de cobertura terrestre de MODIS; (2) la diferencia de elevación entre los píxeles seleccionados y de destino debe ser inferior a 100 m. Luego, podemos obtener la sensibilidad biofísica del píxel objetivo mediante la regresión de las diferencias LAI y LST entre todos los píxeles de comparación seleccionados y el píxel objetivo. Aquí, la pendiente no paramétrica de Theil-Sen se utiliza para resolver el problema de distribución sesgada potencial de las muestras53:

aquí xey indican las diferencias LAI y LST; i y j son las ubicaciones geográficas de las muestras dentro de la ventana móvil. El estimador de pendiente de Theil-Sen adopta el valor mediano de un rango de pendientes posibles y, por lo tanto, es insensible a los valores atípicos estadísticos de las muestras. Además, solo calculamos la sensibilidad si hay al menos cuatro muestras válidas y con una diferencia mínima de LAI mayor que 0,1 m2 m-2 para garantizar aún más la solidez de nuestro resultado. En este caso, un valor de sensibilidad positivo significa que el enverdecimiento de la vegetación tiene un efecto de calentamiento sobre el clima local y viceversa.

Para analizar la contribución de diferentes retroalimentaciones biofísicas a la sensibilidad final del LST, realizamos un procedimiento de descomposición basado en la ecuación del balance energético:54,55

donde SW ↓ y LW ↓ son radiación descendente de onda corta y onda larga, α indica albedo; σ denota la constante de Stephan-Boltzmann (5,67 × 10−8 W m−2 K−4); ε indica la emisividad de la superficie, que se estima a partir de la relación empírica con el albedo para superficies con vegetación (ε = 0,99-0,16α);55 H, LE y G son, respectivamente, calor sensible, calor latente y flujo de calor del suelo. En particular, el cierre del balance de energía es necesario para el modelo de descomposición56, pero los términos del balance de energía utilizados en este estudio provienen de diferentes conjuntos de datos y, por lo tanto, no están cerrados. Para tener en cuenta esto, luego realizamos la distribución de energía residual utilizando el método de la relación de Bowen, que supone que la relación entre H y LE es invariante50.

En particular, esta suposición invariante no significa que la relación de Bowen sea constante cuando la vegetación ha cambiado. Posteriormente, los datos de flujos turbulentos corregidos (\({{LE}}_{{corregido}}\) y \({H}_{{corregido}}\)) se utilizan para análisis de atribución adicionales en este artículo.

La sensibilidad mensual del LST, que está representada por la radiación de onda larga ascendente mediante la expresión de Stephan-Boltzmann54, podría dividirse en la contribución de cada término utilizando la expansión de Taylor de primer orden:

donde los cinco términos del lado derecho de la ecuación denotan la sensibilidad LST equivalente de la vía biofísica correspondiente:

Aquí, λ0 viene dado por el término de expansión de Taylor de primer orden de la radiación de onda larga ascendente:

Tenga en cuenta que se ignoran los términos de sensibilidad relacionados con la emisividad y el flujo de calor del suelo, ya que sus efectos son relativamente pequeños37,52,55. Mientras tanto, descuidamos el efecto complejo del LST en otros términos del balance energético en el modelo de atribución por las dos razones siguientes: (1) los modelos de atribución que consideran el impacto del LST en los flujos de turbulencia deberían utilizar más datos meteorológicos auxiliares para calcular la resistencia aerodinámica o de la superficie. . Estas variables meteorológicas, como la temperatura del aire y la humedad específica de la atmósfera, carecen de productos con alta resolución espacial;24,57 (2) estudios previos no muestran diferencias significativas entre los resultados de estos métodos de atribución, es decir, el predominio relativo de los procesos radiativos y no radiativos58 ,59.

Todos los términos de sensibilidad biofísica, incluido albedo (\(\frac{{d{\alpha }}_{{bio}}}{{dLAI}}\)), calor latente (\(\frac{{{dLE}}_ {{bio}}}{{dLAI}}\)), calor sensible (\(\frac{{{dH}}_{{bio}}}{{dLAI}}\)), radiación de onda corta descendente (\( \frac{{{dSW}\downarrow }_{{bio}}}{{dLAI}}\)) y radiación de onda larga descendente (\(\frac{{{dLW}\downarrow }_{{bio}}}{ {dLAI}}\)), se calculan a escala mensual mediante el mismo método que la sensibilidad LST pero utilizando datos de entrada con resolución espacial de 0,1° (para coincidir con los datos de radiación ERA y flujos turbulentos). En consecuencia, otros datos de entrada, incluidos LAI, DEM y datos de cobertura terrestre, también se agregan espacialmente con una resolución de 0,1°. Para ser coherente con la sensibilidad del LST, el tamaño de la ventana todavía está configurado en 50 × 50 km para la entrada de datos de 0,1°, que es aproximadamente 5 × 5 píxeles en el ecuador.

Además, cabe mencionar que \(\frac{{{dSW}\downarrow }_{{bio}}}{{dLAI}}\) y \(\frac{{{dLW}\downarrow }_{{bio }}}{{dLAI}}\) aquí no son inducidos por circulación atmosférica a gran escala o procesos bioquímicos sino por retroalimentaciones atmosféricas biofísicas locales o de mesoescala60. En teoría, el enverdecimiento también podría afectar el clima no local, a través de la transferencia horizontal de calor o vapor, y también podría inducir un enfriamiento global al absorber el CO2 atmosférico. Sin embargo, las sensibilidades a la radiación de nuestro método no contienen las contribuciones de estos dos procesos, principalmente porque la regresión espacial no puede extraer la señal uniforme global o teleconectada. En este estudio, la sensibilidad a la radiación indica el impacto vertical del enverdecimiento en el clima. Específicamente, el enverdecimiento altera directamente la absorción de energía, así como la eficiencia del intercambio de agua y calor entre la superficie y la atmósfera, afectando posteriormente la temperatura cerca de la superficie, la humedad relativa, la transmitancia atmosférica y la nubosidad a nivel local61, lo que podría alterar aún más la radiación de onda corta y larga descendente de la superficie.

A través del método de regresión espacial mencionado, obtenemos la sensibilidad biofísica mensual de LST a LAI de 2001 a 2018 con una resolución espacial de 0,05° y la sensibilidad descompuesta de los términos del balance energético a LAI de 2001 a 2015 con una resolución espacial de 0,1°. Para representar la condición media del período de estudio, calculamos el valor medio de cada mes durante 18 (o 15) años. Antes de la agregación temporal, eliminamos el valor dentro del valor máximo y mínimo del 1% según la frecuencia de distribución acumulada (CDF) para todos los resultados mensuales medios para excluir el impacto de los valores atípicos. Luego, las sensibilidades anuales se promedian con el valor mensual si todas las sensibilidades mensuales son válidas para una ubicación determinada. En particular, estas sensibilidades climatológicas se calculan para los patrones espaciales y estacionales y el análisis de descomposición, ya que solo representan la respuesta de la temperatura al enverdecimiento bajo el clima de fondo promedio de varios años.

La tendencia LST inducida por el enverdecimiento (\({\delta {LST}}_{{bio}}\)) durante el período de estudio (2001-2018) es el resultado tanto de la sensibilidad biofísica como de la variación del LAI. Dado que la variación interanual de la vegetación y las condiciones climáticas pueden afectar significativamente la sensibilidad biofísica, utilizamos la sensibilidad mensual original en lugar del valor climatológico para estimar el efecto de la temperatura del enverdecimiento. Específicamente, todos los mapas de sensibilidad se agregan primero con una resolución de 0,5° para eliminar el impacto de los cambios en la cobertura del suelo o en la gestión del suelo en el LAI o la sensibilidad a escala fina. Aquí sólo se conservan las cuadrículas con más del 50% de valores válidos. El Análisis Armónico de Series Temporales (HANTS) se realiza para completar los valores no válidos de la serie de sensibilidad para cada cuadrícula de 0,5°62. Luego, la variación LST inducida por el reverdecimiento (\({\Delta {LST}}_{{bio}}\)) se puede calcular basándose en la variación anual del LAI (ΔLAI) y la sensibilidad LST (\(\ frac{{{dLST}}_{{bio}}}{{dLAI}}\)) a escala mensual:

donde y y m denotan el año y el mes. El \({\delta {LST}}_{{bio}}\) mensual podría calcularse mediante la tendencia lineal de 17 años \({\Delta {LST}}_{{bio}}\), y el anual o \({\delta {LST}}_{{bio}}\) estacionales se retroceden de manera similar a partir de 17 años \({\Delta {LST}}_{{bio}}\) anuales o estacionales (agregados temporalmente a partir de los datos mensuales \({\Delta {LST}}_{{bio}}\)). La incertidumbre de \({\delta {LST}}_{{bio}}\) podría estimarse adicionalmente utilizando el intervalo de confianza del 95% de la pendiente de regresión de la variación de temperatura interanual inducida por el enverdecimiento.

Además, la tendencia de la temperatura (\({\delta T}_{{obs}}\)) también se calcula mediante regresión lineal para evaluar el efecto de mitigación climática de la retroalimentación biofísica del enverdecimiento. En particular, para reflejar de forma sólida la señal del calentamiento global, el intervalo de tiempo para resolver \({\delta T}_{{obs}}\) se amplía diez años en comparación con el intervalo de evaluación de los efectos biofísicos. Específicamente, utilizamos el producto de temperatura del aire en superficie de la Unidad de Investigación Climática (CRU, TS4.04) de 1991 a 2018 para calcular \({\delta T}_{{obs}}\) (Figura complementaria 9), porque no hay El producto LST mensual satelital disponible antes de 2001 y las tendencias de la temperatura del aire en la superficie y el LST son muy similares a escala global y regional63. Aquí, \({\delta T}_{{obs}}\) representa la respuesta de la temperatura a todos los forzamientos, que está dominada por el calentamiento inducido por la creciente concentración de CO2, y usamos \({\delta T}_{{obs }}-{\delta {LST}}_{{bio}}\) para representar la tendencia de la temperatura sin retroalimentación biofísica del enverdecimiento. Entonces, el porcentaje de mitigación se puede representar mediante la relación entre la tendencia de temperatura inducida por el enverdecimiento y la tasa de calentamiento sin la mitigación del enverdecimiento \(\left(-\frac{{\delta {LST}}_{{bio}}}{{ \delta T}_{{obs}}-{\delta {LST}}_{{bio}}}\times 100\%\right)\). Además, la incertidumbre de esta relación se calcula en función de la propagación del error de \({\delta T}_{{obs}}\) y \({\delta {LST}}_{{bio}}\).

El mapa mundial de Köppen-Geiger publicado recientemente se utiliza para definir las zonas climáticas en nuestro análisis, que se basa en los datos de temperatura y precipitación de los conjuntos de datos de CRU64. Agregamos las 31 zonas climáticas en siete zonas principales (es decir, ecuatorial húmeda, ecuatorial seca, árida, templada húmeda, templada seca, fría húmeda y fría seca) (Figura complementaria 17).

Los datos que respaldan los hallazgos de este estudio están disponibles abiertamente. Los datos MODIS de temperatura de la superficie terrestre, albedo y cobertura terrestre se pueden descargar desde https://ladsweb.modaps.eosdis.nasa.gov/search/. Los datos del índice de área foliar están disponibles en http://www.glass.umd.edu/LAI/MODIS/0.05D/ (GLASS), https://zenodo.org/record/4700264 (GLOBMAP) y https:/ /sites.bu.edu/cliveg/datacodes (GIMMS3g). Los productos de reanálisis ERA5-Land están disponibles en https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-land-monthly-means. El DEM SRTM está disponible en Google Earth Engine en https://developers.google.com/earth-engine/datasets/catalog/CGIAR_SRTM90_V4. Los datos de la capa de nieve de MODIS provienen de https://nsidc.org/data/MYD10CM/versions/6. Los datos de flujo de FluxCom están disponibles siguiendo las instrucciones en https://www.bgc-jena.mpg.de/geodb/projects/Home.php. Los datos climáticos cuadriculados están disponibles en https://catalogue.ceda.ac.uk/uuid/e0b4e1e56c1c4460b796073a31366980. El conjunto de datos GLDAS 2.1 está disponible en https://disc.gsfc.nasa.gov/datasets. El mapa de clasificación climática de Köppen-Geiger está disponible en http://koeppen-geiger.vu-wien.ac.at/present.htm. Los datos originales se proporcionan con este documento.

El código utilizado para procesar y analizar los datos está escrito con Python 3.8 y MATLAB 2019a. Los guiones están disponibles en https://zenodo.org/record/7446790 o del autor correspondiente previa solicitud.

Zhu, Z. y col. Ecologización de la Tierra y sus impulsores. Nat. Subir. Cambio 6, 791–795 (2016).

Artículo ADS CAS Google Scholar

Piao, S. y col. Características, impulsores y reacciones de la ecologización global. Nat. Rev. Medio Ambiente Tierra. 1, 14-27 (2020).

Chen, JM y cols. El cambio estructural de la vegetación desde 1981 mejoró significativamente el sumidero de carbono terrestre. Nat. Comunitario. 10, 4-10 (2019).

CAS Google Académico

Bonan, GB Los bosques y el cambio climático: forzamientos, retroalimentaciones y beneficios climáticos de los bosques. Ciencia 320, 1444-1449 (2008).

Artículo ADS CAS Google Scholar

Canadell, JG & Raupach, MR Gestión de bosques para la mitigación del cambio climático. Ciencia 320, 1456-1457 (2008).

Artículo ADS CAS Google Scholar

Bright, RM y cols. Respuesta de la temperatura local a los cambios de gestión y cobertura del suelo impulsados por procesos no radiativos. Nat. Subir. Cambio 7, 296–302 (2017).

ADS del artículo Google Scholar

Shen, M. y col. Enfriamiento evaporativo sobre la meseta tibetana inducido por el crecimiento de la vegetación. Proc. Acad. Nacional. Ciencia. Estados Unidos 112, 9299–9304 (2015).

Artículo ADS CAS Google Scholar

Ge, J. y col. El efecto no radiativo domina el cambio de temperatura de la superficie local causado por la forestación en China. J. Clim. 32, 4445–4471 (2019).

ADS del artículo Google Scholar

Forzieri, G., Alkama, R., Miralles, DG & Cescatti, A. Los satélites revelan respuestas contrastantes del clima regional al reverdecimiento generalizado de la Tierra. Ciencia 356, 1180-1184 (2017).

Artículo CAS Google Scholar

Chen, C. y col. Impactos biofísicos del enverdecimiento de la Tierra controlados en gran medida por la resistencia aerodinámica. Ciencia. Adv. 6, 1-10 (2020).

Artículo CAS Google Scholar

Zeng, Z. y col. Mitigación del clima a partir de la retroalimentación biofísica de la vegetación durante las últimas tres décadas. Nat. Subir. Cambio 7, 432–436 (2017).

ADS del artículo Google Scholar

Liu, Z., Ballantyne, AP y Cooper, LA Retroalimentación biofísica de los incendios forestales globales sobre la temperatura de la superficie. Nat. Comunitario. 10, 1–9 (2019).

Google Académico

Zhou, D. y col. Las tierras de cultivo intensifican el calentamiento regional y global según observaciones satelitales. Sensores remotos. Medio ambiente. 1–10 (2021) https://doi.org/10.1016/j.rse.2021.112585 (2021).

Alkama, R. & Cescatti, A. Impactos climáticos biofísicos de los cambios recientes en la cubierta forestal global. Ciencia 351, 600–604 (2016).

Artículo ADS CAS Google Scholar

Liu, Z., Ballantyne, AP & Cooper, LA Aumentos en la temperatura de la superficie terrestre en respuesta al fuego en los bosques boreales de Siberia y su atribución a procesos biofísicos. Geofís. Res. Letón. 45, 6485–6494 (2018).

ADS del artículo Google Scholar

Wang, J. y col. Enfriamiento global inducido por efectos biofísicos del cultivo de cultivos bioenergéticos. Nat. Comunitario. 12, 1–9 (2021).

Artículo de Google Scholar

Duveiller, G., Hooker, J. y Cescatti, A. La marca del cambio de vegetación en el equilibrio energético de la superficie de la Tierra. Nat. Comunitario. 9, 64–75 (2018).

Artículo de Google Scholar

Forzieri, G. et al. Mayor control de la vegetación sobre los flujos globales de energía terrestre. Nat. Subir. Cambio 10, 356–362 (2020).

ADS del artículo Google Scholar

Duveiller, G. y col. Biofísica y cambio de cobertura vegetal: un marco de evaluación basado en procesos para confrontar modelos de superficie terrestre con observaciones satelitales. Sistema Tierra. Ciencia. Datos 10, 1265-1279 (2018).

ADS del artículo Google Scholar

Li, Y., Zeng, Z., Huang, L., Lian, X. y Piao, S. Comentan sobre “Los satélites revelan respuestas contrastantes del clima regional al reverdecimiento generalizado de la Tierra”. Ciencia 360, 1–3 (2018).

Artículo de Google Scholar

Gao, B., Li, M., Wang, J. y Chen, Z. ¿Temporal o espacialmente? Inferencia de causalidad en las ciencias del sistema terrestre. Ciencia. Toro. 67, 232–235 (2022).

Artículo de Google Scholar

Forzieri, G., Alkama, R., Miralles, DG & Cescatti, A. Respuesta al comentario sobre “Los satélites revelan respuestas contrastantes del clima regional al reverdecimiento generalizado de la Tierra”. Ciencia 360, 1180-1184 (2018).

Artículo de Google Scholar

Li, Y. et al. Efectos locales de enfriamiento y calentamiento de los bosques basados en observaciones satelitales. Nat. Comunitario. 6, 1-10 (2015).

Anuncios Google Scholar

Lee, X. y col. Aumento observado en el efecto de enfriamiento local de la deforestación en latitudes más altas. Naturaleza 479, 384–387 (2011).

Artículo ADS CAS Google Scholar

Zeng, Z., Peng, L. y Piao, S. Respuesta de la evapotranspiración terrestre al enverdecimiento de la Tierra. actual. Opinión. Reinar. Sostener. 33, 9-25 (2018).

Artículo de Google Scholar

Lawrence, D., Coe, M., Walker, W., Verchot, L. y Vandecar, K. Los efectos invisibles de la deforestación: efectos biofísicos sobre el clima. Frente. Globo. Cambio 5, 1-13 (2022).

Artículo de Google Scholar

Prevedello, JA, Winck, GR, Weber, MM, Nichols, E. & Sinervo, B. Impactos de la forestación y la deforestación en la temperatura local en todo el mundo. MÁS UNO 14, 1–18 (2019).

Artículo de Google Scholar

Windisch, MG, Davin, EL & Seneviratne, SI Priorizar la forestación en función de los impactos biogeoquímicos y biogeofísicos locales. Nat. Subir. Cambio 11, 867–871 (2021).

Artículo ADS CAS Google Scholar

Alkama, R. y col. Mitigación climática basada en la vegetación en un mundo más cálido y verde. Nat. Comunitario. 13, 1-10 (2022).

ADS del artículo Google Scholar

Essery, R. Simulaciones a gran escala del enmascaramiento del albedo de la nieve por parte de los bosques. Geofís. Res. Letón. 40, 5521–5525 (2013).

ADS del artículo Google Scholar

Betts, RA Compensación del potencial sumidero de carbono de la forestación boreal mediante disminuciones en el albedo de la superficie. Naturaleza 408, 187-190 (2000).

Artículo ADS CAS Google Scholar

Li, Q., Ma, M., Wu, X. y Yang, H. Disminución del albedo global inducida por la vegetación y la capa de nieve de 2002 a 2016. J. Geophys. Res. Atmos. 123, 124-138 (2017).

Winckler, J., Reick, CH, Bright, RM y Pongratz, J. Importancia de la rugosidad de la superficie para los efectos biogeofísicos locales de la deforestación. J. Geophys. Res. Atmos. 124, 8605–8618 (2019).

Artículo ADS CAS Google Scholar

Huang, D. y col. Teoría del transporte estocástico para investigar la estructura tridimensional del dosel a partir de mediciones espaciales. Sensores remotos. Medio ambiente. 112, 35–50 (2008).

ADS del artículo Google Scholar

Abera, TA, Heiskanen, J., Pellikka, P., Rautiainen, M. & Maeda, EE Aclarando el papel de los mecanismos radiativos en los cambios espacio-temporales de la temperatura de la superficie terrestre en todo el Cuerno de África. Sensores remotos. Medio ambiente. 221, 210–224 (2019).

ADS del artículo Google Scholar

Yu, L., Liu, Y., Liu, T. y Yan, F. Impacto del reciente enverdecimiento de la vegetación en la temperatura y las precipitaciones en China. Agrícola. Meteorol. 295, 108197 (2020).

Artículo de Google Scholar

Lian, X. y col. Impactos biofísicos de los cambios en la vegetación del norte sobre los patrones de calentamiento estacional. Nat. Comunitario. 13, 3925 (2022).

Artículo ADS CAS Google Scholar

Chen, C. y col. China y la India lideran la ecologización del mundo mediante la gestión del uso de la tierra. Nat. Sostener. 2, 122-129 (2019).

Artículo de Google Scholar

Buitenwerf, R., Sandel, B., Normand, S., Mimet, A. y Svenning, JC El enverdecimiento de la superficie terrestre sugiere un vigoroso rebrote leñoso en toda la vegetación seminatural europea. Globo. Chang. Biol. 24, 5789–5801 (2018).

Artículo de Google Scholar

Chen, L. & Dirmeyer, PA Conciliar el desacuerdo entre las respuestas de temperatura observadas y simuladas a la deforestación. Nat. Comunitario. 11, 1-10 (2020).

Google Académico

Li, Y., Piao, S., Chen, A., Ciais, P. & Li, LZX Efectos de la temperatura local y teleconectada de la forestación y el enverdecimiento de la vegetación en China. Ciencia nacional. Rev. 7, 897–912 (2020).

Artículo de Google Scholar

Novick, KA & Katul, GG La dualidad de la reforestación impacta en la temperatura de la superficie y del aire. J. Geophys. Res. Biogeociencias 125, 1-15 (2020).

Artículo de Google Scholar

Winckler, J. y col. Diferente respuesta de la temperatura de la superficie y la temperatura del aire a la deforestación en modelos climáticos. Sistema Tierra. Din. 10, 473–484 (2019).

ADS del artículo Google Scholar

Xing, Z. y col. Estimación de la temperatura media diaria de la superficie terrestre a escala global utilizando pares de observaciones instantáneas MODIS diurnas y nocturnas. ISPRS J. Fotograma. Sensores remotos 178, 51–67 (2021).

ADS del artículo Google Scholar

Ding, F. y col. Evaluación de los impactos de dos métodos de promediación en productos mensuales de nivel 3 y medias mensuales multianuales. J. Atmós. Océano. Tecnología. 37, 1027-1050 (2020).

ADS del artículo Google Scholar

Xiao, Z. et al. Uso de redes neuronales de regresión general para generar el producto del índice de área foliar GLASS a partir de la reflectancia de la superficie MODIS de series temporales. Traducción IEEE. Geociencias. Sensores remotos 52, 209–223 (2014).

ADS del artículo Google Scholar

Liu, Y., Liu, R. & Chen, JM Recuperación retrospectiva del índice de área foliar global consistente a largo plazo (1981-2011) a partir de datos combinados de AVHRR y MODIS. J. Geophys. Res. Biogeoscos. 117, 1-14 (2012).

Artículo de Google Scholar

Zhu, Z. y col. Conjuntos de datos globales de índice de área foliar de vegetación (LAI)3g y fracción de radiación fotosintéticamente activa (FPAR)3g derivados de estudios de mapeo y modelado de inventario global (GIMMS) índice de vegetación de diferencia normalizada (NDVI3G) para el período 1981 a 2. Sensores Remotos 5 , 927–948 (2013).

ADS del artículo Google Scholar

Friedl, MA y cols. MODIS Colección 5 cobertura terrestre global: refinamiento de algoritmos y caracterización de nuevos conjuntos de datos. Sensores remotos. Medio ambiente. 114, 168–182 (2010).

ADS del artículo Google Scholar

Jung, M. y col. Reciente disminución en la tendencia global de la evapotranspiración terrestre debido al suministro limitado de humedad. Naturaleza 467, 951–954 (2010).

Artículo ADS CAS Google Scholar

Peng, SS y cols. La forestación en China enfría la temperatura de la superficie terrestre local. Proc. Acad. Nacional. Ciencia. Estados Unidos 111, 2915–2919 (2014).

Artículo ADS CAS Google Scholar

Zhao, K. & Jackson, RB Forzamientos biofísicos de los cambios en el uso de la tierra debido a posibles actividades forestales en América del Norte. Ecológico. Monogr. 84, 329–353 (2014).

Artículo de Google Scholar

Sen, PK Estimaciones del coeficiente de regresión basadas en Tau de Kendall. Mermelada. Estadística. Asociación. 63, 1379-1389 (1968).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Luyssaert, S. y col. La gestión del suelo y el cambio de la cobertura terrestre tienen impactos de magnitud similar en la temperatura de la superficie. Nat. Subir. Cambio 4, 389–393 (2014).

ADS del artículo Google Scholar

Juang, JY, Katul, G., Siqueira, M., Stoy, P. y Novick, K. Separación de los efectos del albedo de los cambios ecofisiológicos en la temperatura de la superficie a lo largo de una cronosecuencia sucesional en el sureste de Estados Unidos. Geofís. Res. Letón. 34, 1–5 (2007).

Artículo de Google Scholar

Liao, W., Rigden, AJ y Li, D. Atribución de la respuesta de la temperatura local a la deforestación. J. Geophys. Res. Biogeoscos. 123, 1572-1587 (2018).

Artículo de Google Scholar

Rigden, AJ y Li, D. Atribución de anomalías en la temperatura de la superficie inducidas por cambios en el uso y la cobertura del suelo. Geofís. Res. Letón. 44, 6814–6822 (2017).

ADS del artículo Google Scholar

Wang, L. y col. Respuesta de la temperatura superficial a la forestación en el desierto de Kubuqi, Mongolia Interior. J. Geophys. Res. Atmos. 123, 948–964 (2018).

ADS del artículo Google Scholar

Wang, L., Tian, F., Wang, X., Yang, Y. y Wei, Z. Atribución de la respuesta de la temperatura de la superficie terrestre a las conversiones de uso de la tierra desde tierras desnudas. Globo. Planeta. Cambio 193, 103268 (2020).

Artículo de Google Scholar

Xu, R. y col. Impactos contrastantes de los bosques en la nubosidad basados en observaciones satelitales. Nat. Comunitario. 13, 670 (2022).

Artículo ADS CAS Google Scholar

Duveiller, G. y col. Revelando el amplio potencial de los bosques para aumentar la cobertura de nubes en los niveles bajos. Nat. Comunitario. 12, 1-15 (2021).

Artículo de Google Scholar

Jiang, C. y col. Inconsistencias de la variabilidad interanual y tendencias en los productos del índice de área foliar satélite de largo plazo. Globo. Chang. Biol. 23, 4133–4146 (2017).

ADS del artículo Google Scholar

Wang, Y., Hessen, DO, Samset, BH & Stordal, F. Evaluación de las tendencias globales y regionales de calentamiento de la tierra en las últimas décadas con datos de temperatura de la superficie terrestre MODIS y ERA5-Land. Sensores remotos. Medio ambiente. 280, 113181 (2022).

ADS del artículo Google Scholar

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 de Google Scholar

Descargar referencias

Este trabajo cuenta con el apoyo de la Fundación Nacional de Ciencias Naturales de China (Subvención No. 41921001, ZL, PY y WW), el Programa de Investigación de Prioridad Estratégica de la Academia China de Ciencias (Subvención No. XDA28050200, HW) y la Fundación Nacional de Ciencias Naturales de China (Subvención No. 41871267, HW).

Laboratorio Estatal Clave de Recursos y Sistema de Información Ambiental, Instituto de Ciencias Geográficas e Investigación de Recursos Naturales, Academia China de Ciencias, 100101, Beijing, China

Yitao Li, Hua Wu y Ronglin Tang

Universidad de la Academia de Ciencias de China, 100049, Beijing, China

Yitao Li y Hua Wu

Laboratorio Clave de Teledetección Agrícola, Ministerio de Agricultura y Asuntos Rurales/Instituto de Recursos Agrícolas y Planificación Regional, Academia China de Ciencias Agrícolas, 100081, Beijing, China

Zhao-Liang Li, Xiangyang Liu, Pei Leng, Peng Yang y Wenbin Wu

Centro de Teledetección Oceánica del Laboratorio de Ingeniería y Ciencias Marinas del Sur de Guangdong (Guangzhou), Instituto de Geografía de Guangzhou, Academia de Ciencias de Guangdong, 510070, Guangzhou, China

Chenghu Zhou

Escuela de Ciencias Terrestres y Planificación Espacial, Universidad Hebei GEO, 050031, Shijiazhuang, China

Guo Fei Shang

Laboratorio clave de tecnología de la información de teledetección cuantitativa, Instituto de Investigación de Información Aeroespacial, Academia de Ciencias de China, 100094, Beijing, China

Ling Ling Ma

También puedes buscar este autor en PubMed Google Scholar.

ZL y YL concibieron y diseñaron la investigación. XL y PL organizaron y procesaron los datos. YL y HW llevaron a cabo el análisis, con la ayuda de CZ, PY y WW en la interpretación de los resultados. YL redactó el artículo. ZL, CZ, RT, GS y LM editaron y revisaron el manuscrito.

Correspondencia a Zhao-Liang Li.

Los autores declaran no tener conflictos de intereses.

Nature Communications agradece a los revisores anónimos por su contribución a la revisión por pares de este trabajo. Los informes de los revisores pares están disponibles.

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

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique 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 normativa legal o excede el uso permitido, deberá obtener 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

Li, Y., Li, ZL., Wu, H. et al. Los impactos biofísicos del enverdecimiento de la tierra pueden mitigar sustancialmente el calentamiento de la temperatura de la superficie terrestre regional. Nat Comuna 14, 121 (2023). https://doi.org/10.1038/s41467-023-35799-4

Descargar cita

Recibido: 13 de junio de 2022

Aceptado: 02 de enero de 2023

Publicado: 09 de enero de 2023

DOI: https://doi.org/10.1038/s41467-023-35799-4

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

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

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

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

Noticias

Los impactos biofísicos del enverdecimiento de la tierra pueden mitigar sustancialmente el calentamiento de la temperatura de la superficie terrestre regional