Öko

Wissenschaftliche Berichte Band 13, Artikelnummer: 5591 (2023) Diesen Artikel zitieren

993 Zugriffe

1 Altmetrisch

Details zu den Metriken

Die ökomorphodynamische Aktivität großer tropischer Flüsse in Süd- und Mittelamerika wird analysiert, um den Kohlenstofffluss von der Ufervegetation in Binnengewässer zu quantifizieren. Wir haben eine multitemporale Analyse von Satellitendaten für alle größten Flüsse der Neotropis (d. h. Breite > 200 m) im Zeitraum 2000–2019 mit einer räumlichen Auflösung von 30 m durchgeführt. Wir haben eine Quantifizierung eines hocheffizienten Kohlenstoffpumpenmechanismus entwickelt. Es wird gezeigt, dass die Flussmorphodynamik den Kohlenstoffexport aus der Uferzone vorantreibt und die Nettoprimärproduktion durch einen integrierten Prozess durch die Verjüngung und Kolonisierung von Überschwemmungsgebieten fördert. Allein dieser Pumpmechanismus ist nachweislich für die Mobilisierung von 8,9 Millionen Tonnen Kohlenstoff pro Jahr in diesen tropischen Flüssen verantwortlich. Wir identifizieren Signaturen der fluvialen ökomorphologischen Aktivität, die Stellvertreter für die mit der Flussaktivität verbundene Fähigkeit zur Kohlenstoffmobilisierung liefern. Wir diskutieren den Zusammenhang zwischen Flussmigration und Kohlenstoffmobilisierung und Auswirkungen auf die Kohlenstoffintensität geplanter Staudämme in der Neotropis. Wir empfehlen, dass künftige kohlenstofforientierte Wasserpolitiken für diese Flüsse eine ähnliche Analyse umfassen.

Flüsse sind nicht einfach passive und statische Fördersysteme, die Wasser und Sedimente vom Quellgebiet in die Ozeane transportieren, sondern sie beeinflussen aktiv den globalen Kohlenstoffhaushalt1,2. Obwohl anerkannt ist, dass der laterale Kohlenstoffexport aus terrestrischen Ökosystemen ein Schlüsselweg im biogeochemischen Kohlenstoffkreislauf ist3, wurde die Quantifizierung der Kohlenstoffmobilisierung durch Flussdynamik im Allgemeinen übersehen4,5,6,7. Durch die Untersuchung des Zusammenhangs zwischen Sedimentfracht, Flussdynamik und Kohlenstofffluss in tropischen Regionen Amerikas zeigen wir, dass die Flussmorphodynamik für den Kohlenstofffluss zwischen terrestrischen Systemen, Flusskorridoren und der Atmosphäre von zentraler Bedeutung ist.

Durch eine globale Bewertung der Dynamik und Vegetationsdichte innerhalb der aquatisch-terrestrischen Übergangszone (ATTZ) zeigen wir, dass die größten tropischen Flüsse in der Neotropis jährlich 8,90 ± 0,84 Millionen Tonnen Kohlenstoff als Biomasse aus lebender, holziger Ufervegetation rekrutieren. Durch die Erforschung eines ökomorphodynamischen Kohlenstoff-Pumping-Mechanismus stellen wir fest, dass diese Rekrutierung einen positiven Kreislauf für Kohlenstoffsenken fördern kann, die größtenteils in Überschwemmungsgebieten, aber wahrscheinlich noch weiter entfernt in den Ozeanen abgelagert werden.

Nach der klassischen Sichtweise des Flusskontinuumskonzepts8 wird das aus Überschwemmungsgebieten exportierte grobe organische Partikelmaterial fragmentiert und zersetzt, während es sich flussabwärts bewegt, was zu einer Umwandlung in partikuläres und gelöstes organisches Material (POM bzw. DOM) und anschließender Ausgasung führt. Das Schicksal der von Flussgewässern rekrutierten LWD ist jedoch noch lange nicht vollständig geklärt. Es hat sich beispielsweise gezeigt, dass Flüsse mit hoher Sedimentbelastung problemlos Holz vergraben, das mindestens genauso schnell ist wie das Holz, das in Flussmündungen exportiert wird9. Mehrere Studien haben Beweise dafür geliefert, dass LWD, sobald sie vom Kanal rekrutiert wurden, außergewöhnlich lange im Schwemmland vergraben bleiben können10,11. Dies deutet darauf hin, dass einige Prozesse bei der Kohlenstoffbilanzierung von Flüssen übersehen werden7. Tatsächlich ist die Speicherung von Flusssedimenten ein Schlüsselaspekt des biogeochemischen Kreislaufs12, da ein Teil des biosphärischen organischen Kohlenstoffs über tausendjährige Zeiträume in terrestrischen Reservoirs gespeichert wird, bevor er endgültige Depozentren in Meeresbecken erreicht13.

Wie die biologische Kohlenstoffpumpe14, bei der die Nettoproduktion von Phytoplankton und sein letztendlicher Abfall im Meer Kohlenstoff aus der Atmosphäre in das Meeresinnere und in die Meeresbodensedimente transportieren, vermuten wir, dass die photosynthetische Fixierung durch die Ufervegetation, die Rekrutierung der Ufervegetation, ihr Transport und ihre Bestattung zusammenpassen in einem integrierten Zusammenhang, in dem Flüsse eine Kohlenstoffpumpe aus der Atmosphäre in langfristige Vorräte (z. B. Überschwemmungsgebiete und Ozeane) treiben. Wir vermuten, dass die Kohlenstoffmobilisierung durch einen zweistufigen Pumpmechanismus ausgelöst wird. Der erste Schritt bezieht sich auf den ökomorphodynamischen Kohlenstoffexport aus Überschwemmungsgebieten (im Folgenden synthetisch als eCE bezeichnet), während der zweite Schritt, nämlich die Enhanced Net Primary Production (ENPP), aus der C-Fixierung besteht, die durch Vegetationseingriffe auf unbebauten Flächen gefördert wird Uferbereiche, die durch die morphodynamische Aktivität erzeugt werden. Wir definieren daher die ökomorphodynamische Kohlenstoffpumpe (eCP) als die Kombination dieser beiden Prozesse, die kaskadenartig ablaufen und hauptsächlich durch Kanalmigration in mäandrierenden Flüssen (Abb. 1b) und durch Überschwemmungen und Überschwemmungen in mehreren Flüssen angetrieben werden -Thread-Flüsse. Erstere sind einzelne Kanäle mit einer gewundenen Grundrissform, die aus einer Reihe regelmäßiger Kurven (Mäander) besteht, die sich im Laufe der Zeit bewegen und weiterentwickeln. Die Mäanderwanderung ist auf Ufererosion am Außenufer gekrümmter Kanäle und die Bildung von Punktstreifen und Überschwemmungsgebieten am Innenufer zurückzuführen. Letztere zeichnen sich durch das Vorkommen mehrerer miteinander verbundener Kanäle aus, die durch Mittelkanäle oder von Vegetation überwucherte Inseln getrennt sind.

Flusssysteme speichern organischen Kohlenstoff in vier miteinander verbundenen Kompartimenten15: (a) stehende Uferbiomasse; (b) Großes gefälltes Holz (> 10 cm Durchmesser und 1 m Länge); (c) Sedimente, Streuhumus und organischer Kohlenstoff im Boden (SOC); (d) In-Stream-Biomasse, deren Zersetzungsprozess partikuläre organische Materie (POM) und gelöste organische Materie (DOM) erzeugt. In dieser Arbeit beziehen wir uns auf Kohlenstoffflüsse lebender Gehölzvegetation als das Holz, das direkt aus Kompartiment (a) rekrutiert und durch Ufererosion, Überschwemmung, Entwurzelung und Verschüttung in die anderen Kompartimente transportiert wird. Wir konzentrieren uns nicht auf SOC, dessen Dynamik bereits an anderer Stelle ausführlich untersucht wurde16,17.

Insbesondere lässt sich in den jüngsten Berechnungen des Kohlenstoffkreislaufbudgets eine Quantifizierungslücke erkennen, bei der die LWD-Komponente des Wasser-Auen-Mündungsflusses unerforscht blieb4,5,6,7. Tatsächlich wurden die globalen Schätzungen (Abb. 1, Ergänzungstabelle S1) von etwa 2,9–8,3 PgC/Jahr des terrestrischen Kohlenstoffexports aus Flusssedimenten und Ufervegetation in Binnengewässer durch Subtraktion der Abflüsse – d. Vergasung (2,1–3,9 PgC/Jahr, Ref. 7,18), Bestattung (0,6–4,2 PgC/Jahr, Ref. 7,17) und der ozeanische Export (1 PgC/Jahr, Ref. 19) – von innen -Flüsse, d. h. Grundgesteinsverwitterung (0,5 PgC/Jahr, Ref. 20) und autochthone photosynthetische Fixierung im Strom (20 % der Ausflüsse, Ref. 19). Diese Budgetierung übersieht jedoch die Rekrutierung von LWD im Export, da vernünftigerweise nicht davon ausgegangen werden kann, dass der gesamte Holzeintrag während der Transitzeit im Flusssystem zersetzt und auf mikrometrische Größe (traditionell als < 20 \(\upmu \)m) reduziert wird , und somit nicht angegeben, dass transportiertes Holz in die Feinfraktion von POM umgewandelt oder mineralisiert wird. Darüber hinaus berücksichtigen aktuelle Bewertungen der globalen \(\hbox {CO}_2\)-Umgehungsraten18,21 und Binnenwasseroberflächen22 im Budget nicht die Vegetationsrekrutierung für den Fluss flussabwärts, den Transport, die Ablagerung und die Bestattung in den Überschwemmungsgebieten6,10. Da die Hauptquelle für LWD die Entwurzelung von Pflanzen aufgrund von Überschwemmungen und Ufererosion ist, werden Baumstämme bei Überschwemmungen häufig umgeleitet, und schwimmende Baumstämme können im Bach und im alluvialen Sediment vergraben werden und dort Jahrtausende überleben, bevor sie sich zersetzen11. Der organische Kohlenstoff in Form von POM oder LWD kann unter anoxischen Bedingungen abgeschieden und langfristig stabilisiert werden23,24. Darüber hinaus können die hohen Migrationsraten in mäandrierenden Tieflandflüssen (z. B. 0,03–0,05 Kanalbreite pro Jahr25) die Verweilzeit von in Überschwemmungsgebieten gelagertem Material reduzieren13 und damit die für die Oxidation verfügbare Zeit begrenzen26. Obwohl ein Teil des vom Fluss aufgenommenen Kohlenstoffs durch Zersetzungsprozesse27 und Ausgasung28 in die Atmosphäre zurückkehrt, gibt es einen Teil, der dauerhaft als sedimentärer organischer Kohlenstoff13 in den Flusskorridoren gespeichert oder an Küstengebiete und tiefe Ozeane abgegeben wird19. Aufgrund dieser Prozesse wurden große Tieflandauensysteme tatsächlich als bedeutende Kohlenstoffsenken erkannt29. Andererseits bleibt das LWD nicht unbedingt auf einer kontinuierlichen flussabwärts gerichteten Reise und kann längere Zeit in Staus verbringen oder sich in der Überschwemmungsebene ablagern30. Eine Quantifizierung der Rolle von LWD im Kohlenstoffhaushalt der aquatisch-terrestrischen Übergangszone scheint erforderlich zu sein31 und eine Wissenslücke sowie die Unsicherheiten bei den in Abb. 1 dargestellten Flüssen wurden bereits festgestellt7. Drei Aspekte verdienen eine weitere Untersuchung: (1) Die Rekrutierung des LWD-Flusses scheint auf globaler Ebene allgemein unterschätzt zu werden, obwohl er dennoch stark mit flussmorphodynamischen Prozessen verbunden ist; (2) Die periodische Verjüngung der Ufervegetation löst eine noch unerforschte Steigerung der Nettoprimärproduktion des Flusskorridors aus, mit direkter Auswirkung auf die Kohlenstoffbilanzierung; (3) Für das Schicksal der LWD-Flüsse nach der Rekrutierung aus der Uferzone mangelt es immer noch an einer quantitativen globalen Schätzung6, insbesondere im Hinblick auf die Auswirkungen der Verschüttung in tropischen Überschwemmungsgebieten10,15, in Seen und Flussmündungen32. Durch die Vermutung und Quantifizierung der ökomorphodynamischen Kohlenstoffpumpe (eCP) befasst sich die vorliegende Arbeit quantitativ mit Punkt (1) und diskutiert die Auswirkungen auf Punkt (2) für die neotropische Region (nämlich die C-aktivste der Welt).

Der erste Schritt des Pumpmechanismus umfasst die flussinduzierte Biomasserekrutierung von LWD aus stehender Ufervegetation durch Erosion und überschwemmungsbedingte Entwurzelung. Diese Biomasse wird entwurzelt und/oder in den Wasserlauf transportiert (oder sie verbleibt an Ort und Stelle) und entweder irgendwo durch Vergraben in den Flussauen gelagert oder in die Ozeane abgegeben. Der zweite Schritt des ENPP ist die C-Fixierung, die durch Vegetationseingriffe und Primärproduktion in neuen kahlen Ufergebieten gefördert wird. Bei diesen beiden Schritten handelt es sich um zwei sich gegenseitig kompensierende Kohlenstoffströme, die die Uferzone durchqueren, jeweils aus- und einströmend.

Der ökomorphodynamische Kohlenstoffpumpmechanismus und das globale Kohlenstoffbudget der aquatisch-terrestrischen Übergangszone in Flüssen, mit Flussangaben in PgC/Jahr (globale Werte, nicht nur tropisch). (a) Rot-blaue Pfeile stellen Gehölzvegetation dar, die durch flussmorphodynamische Aktivitäten (eCE) rekrutiert wurde und in der vorliegenden Arbeit auf 8,9 TgC/Jahr für große tropische Flüsse (Breite > 200 m) in der Neotropis (d. h. im Süden und in der Mitte) geschätzt wird Amerika). Gelbe bis rote Pfeile beziehen sich auf ENPP (siehe Haupttext). SCW: atmosphärische \(\hbox {CO}_2\)-Aufnahme aus Silikat- und Karbonatverwitterung; ICW-Eintrag von anorganischem Kohlenstoff aus der Verwitterung; Bu: Beerdigung; PF: Photosynthetische Fixierung; RZ: Uferzone. Bedeutung, Definitionen, Quellenliteratur der Flüsse F1–F4 und aller anderen Pfeile sind in der Ergänzungstabelle S1 aufgeführt. (b) In mäandrierenden Flüssen wird die durch Kanalmigration bedingte Erfassung holziger Biomasse vom Außenufer in den Bach exportiert (eCE). Junge Biomasse besiedelt dann den inneren neu abgelagerten Punktbalken, treibt die weitere \(\hbox {CO}_2\)-Fixierung aus der Atmosphäre voran (Enhanced Net Primary Production – ENPP), stabilisiert den Balken und fördert die weitere Flusswanderung (Rückkopplungseffekt). Hydraulische Energie (gestrichelte blaue Pfeile) treibt die Morphodynamik und Kanalwanderung an, während Sonnenenergie (gestrichelte gelbe Pfeile) die daraus resultierende \(\hbox {CO}_2\)-Fixierung aus der Atmosphäre vorantreibt. Das Ergebnis der Pumpe ist die Mobilisierung von LWD und POM, die schließlich in Flusskanalsedimenten stromabwärts (Sedimentspirale) oder am weitesten in den Ozeanen gespeichert werden.

Wir haben die Dynamik tropischer Flüsse in der Neotropis mit einer Breite von mehr als 200 m im Zeitraum 2000–2019 analysiert und zuvor als frei fließend33 eingestuft, d. h. als durch anthropische Aktivitäten schwach gestört. Dies führte zu einem Datensatz von 80 großen Flüssen, eingebettet in 235 Regionen von Interesse (ROI), mit einer gesamten Flusslänge von 59.000 km und einer gesamten analysierten Auenfläche von 302.000 \(\hbox {km}^2\) (d. h. einer -Sechstel der weltweiten Ausdehnung von Überschwemmungsgebieten, gemäß Ref. 34). Durch die Fernerkundungsanalyse von Satellitendatensätzen, die auf der Cloud-Computing-Plattform Google Earth Engine entwickelt wurden (Ergänzungstabelle S2), konzentrierten wir uns auf den Bereich im Flusskorridor, der aufgrund der Flussdynamik einen Vegetationsverlust aufwies. Mit einer probabilistischen Klassifizierungskartierung („Methoden“), ausgehend von einem Landsat-basierten Produkt mit einer Auflösung von 30 m35, wurde diese Fläche im Zeitraum 2000–2019 auf 12.125 ± 286 \(\hbox {km}^2\) geschätzt, was entspricht zu einem durchschnittlichen jährlichen Waldverlust von 638 ± 15 \(\hbox {km}^2\)/Jahr.

Waldverluste wurden mit Biomassedichten kombiniert, um die Stärke des ökomorphodynamischen Kohlenstoffexports (eCE) und seinen Wert pro ROI-Flächeneinheit zu bewerten: eCEA („Methoden“). Wir haben geschätzt, dass große tropische Flüsse in der Neotropis 8,90 ± 0,84 TgC/Jahr Kohlenstoff aus Holzbiomasse aus Uferkorridoren exportieren (eCEA= 29,5 ± 0,36 MgC/\(\hbox {km}^2\)Jahr, Abb. 2, Tabelle 1 ). Insgesamt sind 57\(\%\) des gesamten Kohlenstoffexports auf nur fünf Flüsse (6\(\%\)) zurückzuführen – große Exporteure –, die jeweils zu eCE > 0,3 TgC/Jahr beitragen. Die von diesen Flüssen dynamisch beeinflussten Gebiete nehmen 35\(\%\) der betrachteten Gesamtfläche ein. Dazu gehören: (1) Extensive Exporteure (eCEA < 50 MgC/ \(\hbox {km}^2\) Jahr), die aufgrund ihrer großen Flusskorridore, wie dem Rio Negro, einen großen Beitrag leisten; (2) Intensivexporteure (eCEA > 90 MgC/ \(\hbox {km}^2\) Jahr) mit weniger ausgedehnten Flusskorridoren, aber hohen Migrationsraten (Mr > 4 \(\times \) 10\(^{-2). }\) Kanalbreiten pro Jahr, Ref.25) wie der Ucayali-Fluss.

Ökomorphodynamischer Kohlenstoffexport (eCE) und Kohlenstoffsignatur der größten Flüsse im tropischen Amerika. Die eCE in (a) Südamerika, (b) Paraguay-Südbrasilien, (c) Mittelamerika. Kohlenstoffsignatur in (d) Südamerika, (e) Mittelamerika. Die Punktgröße ist proportional zu eCE, die Farben zeigen eCEA (a–c, f, h) und die Signatur (d, e). Blaue Bereiche weisen auf frei fließende Bäche hin (CSI-Index > 95 %, nach Ref. 33). Einzelheiten zur Analyse einer zusätzlichen Gruppe von Flüssen (in Ref. 33 als mäßig verändert definiert, in der Hauptanalyse nicht berücksichtigt) finden Sie in der ergänzenden Diskussion. (f) Vergrößerte Ansicht des Waldbeckens im Andenvorland und Verteilung der geplanten neuen großen Wasserkraftwerke (>1 MW, siehe Ref. 36), dargestellt durch rosa Dreiecke. (l) Korrelation zwischen Sedimenttransport, Migrationsrate und Kohlenstoffexport (Daten zur Migrationsrate und zum Sedimenttransport aus Lit. 25, in dem mit * markierten Fluss wurde die Migrationsrate aus der Beziehung Mr = 0,043 abgeleitet.\(\hbox { TSS}^{0,28}\), wie in Ref. 25 vorgeschlagen, wobei TSS das gesamte suspendierte Sediment ist. (h) Die Längssequenz von Signaturen in der Häufigkeitsverteilung (FD) für die Biomassedichte des Amazonas-Flusskorridors (NS, negativ verzerrt). ; MM, multimodal; PS, positiv schief.)

Wie in Ref. 25 dargelegt, sind die Wildwasserflüsse im Andenvorlandbecken – Ucayali, Huallaga, Beni und Maranon – aufgrund der hohen Schwebstofffracht, die sie transportieren (0,23 ± 0,16 Mt/Jahr), sehr dynamisch. Tatsächlich wurde festgestellt, dass die Schwebstoffe in diesen Einzugsgebieten positiv mit den Migrationsraten der Flüsse korrelieren37, da der Sedimenttransport die Bildung von Flussbändern erhöht, was die topografische Steuerung der Längsströmung38 verbessert und somit Scherbeanspruchung und Ufererosion fördert39. Dieses Schlüsselphänomen macht es in Kombination mit dem nährstoffreichen Sediment und der hohen Biomassedichte (8–16 GgC/\(\hbox {km}^2\)) der Flusskorridore im Andenvorlandbecken zum aktivsten Becken in den Neotropen für den Kohlenstofftransport (48,1\(\%\) der gesamten eCE großer tropischer Flüsse in den Neotropen). Unsere Neuanalyse von 14 ausgewählten Flüssen des Amazonasbeckens, deren Migrationsrate pro Breiteneinheit Mr bereits bekannt war, legt weiterhin nahe, dass eCE positiv mit Mr und/oder dem gesamten suspendierten Sediment-TSS korreliert (Abb. 2g) und stützt unsere morphodynamische Hypothese getriebener Kohlenstoffexport.

Das Amazonasbecken und die entsprechenden Nebenflüsse lassen sich in drei geomorphologisch homogene Unterregionen unterteilen (Ergänzende Abbildung S1). Die flussaufwärts gelegene Region, die dem peruanisch-bolivianischen Amazonasbecken entspricht, ist die dynamischste (eCE = 4,3 TgC/Jahr) mit hoher Sinuosität, Ufererosionsrate und Kanalmigration. Die Tieflandregenwälder in einer solchen Region werden stark von der seitlichen Erosion mäandernder Flüsse beeinflusst, und auf Rollbalken entwickeln sich sehr schnell neue Sukzessionswälder, während der größte Teil des (reifen) Mosaikvegetationsverlusts am Außenufer oder auf den kurzlebigen Inseln auftritt40 .

Die mittlere Region (eCE = 3,1 TgC/Jahr) zeichnet sich durch eine geringere Erosionsrate und stabilere Kanalufer aus. Mäandernde Flüsse (z. B. Purus, Jurua, Jutai) weisen aufgrund des geringen Sedimenttransports (Abb. 2g) und \(\hbox {eCE}_A\) = Migrationsraten von weniger als 0,2 Kanalbreiten/Jahr25 auf 1,4–100 MgC/\(\hbox {km}^2\)/Jahr. Der Amazonas-Flusskorridor dieser Region ist durch eine zunehmende Häufigkeit von Niedrigwasser gekennzeichnet, wobei grüne Gras- und Straucharten einen zunehmenden Teil der Feuchtgebiete besiedeln, was zu einem Rückgang der Holzpflanzengemeinschaften führt41. Beispielsweise zeichnet sich der Negro-Flusskorridor (ein Nebenfluss des Amazonas in Zentralamazonien) durch eine relativ geringere Biomassedichte aus, wo Sumpfwälder (Igàpo) und weiße Sandvegetation stabile Inseln bevölkern42.

Die stromabwärts gelegene Subregion (z. B. Jurunea, Rio Mapuera) weist die niedrigsten Kohlenstoffexportwerte im Amazonasbecken auf (eCE=1,1 TgC/Jahr, \(\hbox {eCE}_A\) = 19,4 MgC/\(\hbox {km }^2\) Jahr). Der Amazonas-Flusskorridor ist hier von schüsselförmigen Seen in den Überschwemmungsgebieten bevölkert und krautige Vegetation ist weit verbreitet. Die Kohlenstoffrekrutierung wird durch wiederkehrende Überschwemmungen dominiert, sodass die Vegetation in einem unreifen Stadium bleibt und die Biomassedichte normalerweise niedrig ist (< 5,3 GgC/\(\hbox {km}^2\)). Allerdings bleibt die Menge des exportierten Kohlenstoffs aufgrund der hohen Fluss-Land-Konnektivität hoch (0,8 TgC/Jahr, allein im Amazonas-Flusskorridor), während eCEA niedriger ist als in der flussaufwärts gelegenen Zone. Andere Flüsse außerhalb des Amazonasbeckens (Orinoco-Becken) und die Flüsse Mittelamerikas binden 0,41 TgC/Jahr mit \(\hbox {eCE}_A\), das zwischen 1 und 102 MgC/\(\hbox {km}^2\ liegt. ) Jahr (Mittelwert: 17 MgC/\(\hbox {km}^2\) Jahr).

Aus planimetrischer Sicht können große, nicht begrenzte Flusssysteme, die durch Flussdynamik gekennzeichnet sind, grob in zwei Gruppen eingeteilt werden: (1) mehrsträngig; (2) Single-Thread-Systeme43. Die erste Gruppe bezieht sich auf verzweigte und wandernde Flüsse, die von der Höhe dominiert werden, wobei Überschwemmungen die Vegetation durch große Höhenänderungsraten im Zusammenhang mit Ablagerung/Erosion entfernen oder begraben. Dies hält das Flusssystem in einem jugendlichen, aber hochproduktiven Stadium, in Übereinstimmung mit der Intermediate Disturbance Hypothesis44 und dem Flood Pulse Concept27. Letztere, einsträngige Systeme, beziehen sich auf gewundene/mäandrierende Bäche, die von der Planimetrie dominiert werden, wobei seitliche Erosion und Ablagerung gegensätzlich wirken und so eine Neuverteilung der Vegetation im Flusskorridor bewirken.

Wir haben beobachtet, dass der ökomorphodynamische Kohlenstoffexport einen morphologieabhängigen Fußabdruck in der Biomasseverteilung hinterlässt, und zwar aufgrund der stromabwärtigen Gradienten in der Dauer der Staunässe (auch Hydroperiode genannt) und der Flussplanformen. Durch die Analyse des WHRC-Kohlenstoffbestandsdatensatzes45 und die Verwendung eines neuen Clustering-Algorithmus („Methoden“, ergänzende Abbildung S2, ergänzende Tabelle S3) identifizierten wir vier Signaturen fluvialer biomorphologischer Aktivität, die in Biomasseverteilungen innerhalb von ROIs erkennbar sind (Abb. 2d, e, h, Ergänzungstabelle S3): negativ verzerrt (NS, 47,9\(\%\) der Beobachtungen), positiv verzerrt (PS, 29,9\(\%\)), multimodal (MM, 16,2\( \%\)), glockenförmig (BS, 6.0\(\%\)). Wir haben beobachtet, dass Flusskorridore der NS-MM-PS-Längssequenz mit zunehmender Horton-Strahler-Zahl46 ziemlich genau folgen, ein Szenario, das im Amazonas offensichtlich ist (Abb. 2h). Solche Signaturen sind ein Indikator für die Exportkapazität von Flüssen und zeigen den Zusammenhang zwischen Sedimenttransport, Hochwasserimpulsen, Flussmorphodynamik und Kohlenstoffpumpen.

In einsträngigen, gewundenen Flüssen mit hohen Migrationsraten wird durch seitliche Erosion der alte Wald entfernt, während Sedimentablagerungen neuen fruchtbaren Boden für die Besiedelung junger Vegetation schaffen. Die Hydroperiode (dh die mittlere Dauer saisonaler Überschwemmungen) ist kurz genug, damit der Wald den Reifezustand erreichen und eine große Menge Kohlenstoff speichern kann. Stattdessen werden die Spitzenbalken und kahlen Böschungen schnell von Setzlingen und jungen Bäumen mit hoher Bindungsfähigkeit, aber geringer Kohlenstoffdichte bewachsen. Somit ist die Kohlenstoffverteilung negativ verzerrt, wobei ein Peak den ausgewachsenen Wald darstellt und ein linker Schwanz aufgrund von Sämlingen (ergänzende Abbildung S8a). In mehrsträngigen (geflochtenen/wandernden) Flüssen beeinträchtigen mittlere bis starke Flussstörungen die Vegetation, die Inseln und Ufer bevölkert. Bei schwach gestörten Bedingungen (kurze Hydroperiode) besiedelt ein ausgewachsener Wald Inseln oder zentrale Balken im inneren Kern, während sich entlang der Ufer junge Bäume entwickeln. Eine solche Mischung aus reifer und junger Vegetation ist als multimodale Verteilung der Kohlenstoffdichte erkennbar (ergänzende Abbildung S8b). Mit der Zunahme der Horton-Strahler-Ordnung nimmt typischerweise die Hydroperiode zu, die Entwicklung reifer Vegetation in den Inselkernen wird zunehmend gehemmt und das System verbleibt im Jugendstadium, was zu einer positiv verzerrten Kohlenstoffdichteverteilung führt (Abb. 2h, Ergänzende Abbildung S8c).

Ähnlich wie bei der C-Senke, die durch Erosion von Oberbodenschichten ausgelöst wird47, behaupten wir hier, dass die Flussmorphodynamik die Rekrutierung von großem Holzabfall (LWD) aus der Ufervegetation durch Erosion und Entwurzelung induziert und die Besiedlung und Verjüngung der Uferzone fördert48. Je größer der durch die Flussdynamik induzierte Kohlenstoffexport ist, desto größer wird die Fläche frei und desto höher ist die Kolonisierung neuer Vegetation, was wiederum die Förderung weiterer Kernkraftwerke fördert. Wenn aus irgendeinem Grund seitliche Erosion, Entwurzelung und Überschwemmung unterbrochen würden, würde der C-Export verringert und die Verjüngung der Überschwemmungsebene gehemmt. Die Steigerung der Nettoprimärproduktion ist ein direkter Effekt des Kohlenstoffexports (Abb. 1b) und stellt eine wertvolle Ökosystemleistung der aquatisch-terrestrischen Übergangszone dar. Im Gegensatz zum eCE ist eine direkte Bewertung des ENPP auf kontinentaler Ebene durch Fernerkundungstechniken schwierig. Langfristig (ungefähr länger als die Zeit, die das Vegetationssukzessionsmuster benötigt, um den Zustand eines ausgewachsenen Waldes zu erreichen) und unter stationären hydromorphologischen Bedingungen überwiegt jedoch weder die Entfernung noch die Produktion von Vegetationsbiomasse, und eCE und ENPP sollten sich gegenseitig ausgleichen. Tatsächlich zeigte Ref. 12 anhand einer Analyse erster Ordnung der Kohlenstoffbilanz in Tiefland-Überschwemmungsgebieten, dass laterale Kohlenstoffflüsse (Erosion und Ablagerung) in der gleichen Größenordnung liegen wie vertikale Kohlenstoffflüsse (Primärproduktion und Atmung).

Ein ähnliches Konzept eines erweiterten Kernkraftwerks wurde für Quellgebiete der Südalpen in Neuseeland anhand einer Analyse mit einer Auflösung von 70 m vorgeschlagen, wobei häufige Erdrutsche in steilem Gelände Boden und oberirdische Biomasse mobilisieren49. Auf diese Weise wurde gezeigt, dass sich ein ungewöhnlicher Anteil der Vegetation in einem frühen Sukzessionsstadium befand, wobei der NPP höher war als der reife Wald12. Stattdessen haben wir die Auslösung von ENPP im Kontext tropischer Überschwemmungsgebiete im Tiefland auf kontinentaler Ebene betrachtet und durch die Konzentration auf den Zusammenhang zwischen ENPP und Flussökomorphodynamik einen Kohlenstoffpumpmechanismus (Carbon Pumping Mechanism, eCP) hervorgehoben, der bisher unerforscht blieb. Dieser Zusammenhang ist beispielsweise im Amazonasbecken offensichtlich, wo im Beobachtungszeitraum (19 Jahre) 11.420 \(\hbox {km}^2\) Vegetationsfläche durch Erosion und Entwurzelung verloren gegangen sind, mit einem Gesamtkohlenstoffexport von 161 TgC. Wenn man sich auf die Schätzungen aus Ref. 50 bezieht, ist diese Menge 25-mal größer als die Nettoprimärproduktion, die ein Tierra-ferma-Altwald auf derselben Fläche und im gleichen Zeitraum produziert hätte, wenn es keine Ufererosion gegeben hätte oder entwurzeln. Da bekannt ist, dass die gesamte Biomasse und Waldbedeckung der Auen in unveränderten oder unregulierten Flüssen über einen Zeitraum von mehreren Jahrzehnten ungefähr konstant bleibt51, muss dieser Überschuss durch einen KKW von Auenwäldern ausgeglichen werden, der dramatisch höher ist als der Tierra-ferma-Altwald51. Beachten Sie, dass dieser Schlüsselaspekt in der Literatur normalerweise übersehen wird, da der Nachweis eines solchen Gleichgewichts durch direkte NPP-Messungen einen Beobachtungszeitraum erfordern würde, der typischerweise länger ist als die Verfügbarkeit von Satellitenbildern. Dies erklärt, warum ein kürzlich durchgeführter Versuch, die Kohlenstoffanreicherung im Ucayali-Fluss abzuschätzen, fehlinterpretiert wurde und als starkes und unphysikalisches Ungleichgewicht zwischen Ansammlung und Export angesehen wurde52.

In terms of areal efficiency, the eco-morphodynamic Carbon Pump of lowland tropical rivers is a high-performance machine. In the Amazon basin, the carbon exported annually per unit area of river-driven forest loss may be computed as eCE/\(\hbox {A}_{RDFL}\) = 218–275 MgC/\(\hbox {km}^2\) year (Table 1). This value is higher than other widely known fluxes of the carbon cycle, such as POC fluxes from eroded peatlands (< 78 MgC/\(\hbox {km}^2\) year, Ref.53), the rate of carbon storage in upland blanket peatland (55 MgC/\(\hbox {km}^2\) year, ref.54) and mass wasting in tropical steep lands (3–39 MgC/\(\hbox {km}^2\) year, Ref.55). Furthermore, by examining the mineral weathering of silicate soils, we may refer to angiosperm-deciduous systems, which induce an estimated average loss rate of calcium ions of 4 Mg/\(\hbox {km}^2\) year$$ > 2.3.CO;2 (1989)." href="/articles/s41598-023-32511-w#ref-CR56" id="ref-link-section-d345714672e2241"> 56. Dies entspricht 2,4 MgC/\(\hbox {km}^2\) Jahr für die Urey-Reaktionsstöchiometrie, ein Wert, der 100-mal kleiner ist als der des gegenwärtigen Prozesses. Der aufsteigende ozeanische Netto-C-Fluss pro Flächeneinheit aufgrund thermohaliner Zirkulationen und Ekman-Zirkulationen ist stattdessen tausendmal kleiner57.

Wie aus Ref. 12 hervorgeht, wird grobes Material in der Regel nicht mit Standardansätzen zur POC-Sammlung beprobt. Es ist daher sinnvoll, dass ein konsistenter Bruchteil der hier für das Amazonasbecken geschätzten 8 TgC/Jahr an eCE zur aktuellen Schätzung des organischen Kohlenstoffflusses vom Amazonas zum Ozean hinzugefügt werden muss (etwa 31 TgC/Jahr aus Ref. 58). ).

Es ist offensichtlich, dass das ökomorphodynamische Kohlenstoffpumpen ein Prozess ist, der eng mit der Fähigkeit von Flusssystemen zusammenhängt, Vegetation zu rekrutieren und die Verjüngung des Uferkorridors aufrechtzuerhalten. Der Zusammenhang zwischen Flussaktivität und Kohlenstoffexport wird jedoch unterbrochen, wenn die Flusskonnektivität durch anthropogene Aktivitäten untergraben wird. Beispielsweise beeinflussen Dämme und Stauseen die Häufigkeit und Dauer von Hochwasserimpulsen im Flussnetz59 und können den Eintrag von Geschiebe und Schwebstoffen in die flussabwärts gelegenen Bereiche reduzieren60, was zu einer Verengung und Einschneidung des Kanals führt61. Geringere Überschwemmungsimpulse und geringere Sedimentzufuhr können auch die Dynamik der Ufervegetation erheblich verändern62, indem sie die Keimlingsbildung verringern, das Eindringen der Vegetation verstärken und zu gleichmäßig alten Uferwäldern führen63,64. Darüber hinaus können Treibhausgasemissionen (THG-Emissionen) aus der Zersetzung organischer Stoffe, die innerhalb des Stausees als aquatische Biomasse transportiert oder produziert werden, die sogenannte Kohlenstoffintensität von Staudämmen bestimmen, nämlich die \(\hbox {CO}_2\)-äquivalenten Emissionen pro erzeugter Stromeinheit. Folglich stoßen 10\(\%\) der weltweit bestehenden Wasserkraftwerke genauso viele Treibhausgase aus wie entsprechende Kraftwerke mit fossilen Brennstoffen65.

Aus den obigen Überlegungen folgt, dass die aktuellen Richtlinien zur Bewertung von Umweltflüssen (E-Flow) für die Neotropis einer Änderung bedürfen, da sie lediglich auf den Anforderungen an den Wasserfluss in flussabwärts gelegenen Gebieten basieren59. Strategische Planung beinhaltet die Durchsetzung betrieblicher Regeln, die darauf abzielen, die Gesamtauswirkungen auf hydrologische und geomorphologische Prozesse, einschließlich dynamischer Flussfreisetzungen66, Hochwasserimpulse und Sedimentdynamik, bei der Festlegung von E-Flows67 zu verringern. Rein hydrologiebasierte Methoden zur Bewertung von E-Flüssen68 erfassen Änderungen in der Kanalmorphologie und der Vegetationsdynamik nur unvollständig.

Unsere Analyse legt nahe, dass solche Maßnahmen bei der Dammkonstruktion empfohlen werden sollten und dabei zumindest die Quellgebiete der großen Sequestrierbecken einbeziehen sollten, die 28,2\(\%\) des gesamten eCE ausmachen (mit Ausnahme des Amazonas, Tabelle 1). Ein CO2-Budget-Ansatz für die Bewirtschaftung regulierter Flüsse in der Neotropis ist daher unerlässlich, um festzustellen, ob Wasserkraft in Zukunft als saubere Energiequelle angesehen werden kann.

Das vorliegende Ergebnis zeigt, dass die Vernachlässigung des eCE den aktuellen aquatisch-terrestrischen Kohlenstofffluss allein in den großen Flüssen der Neotropis um bis zu 8,9 TgC/Jahr unterschätzen könnte (etwa 23 % der aktuellen Schätzungen des organischen Kohlenstoffflusses von großen Flüssen in den Ozean). die Neotropis58). Darüber hinaus wurde das Ergebnis der eCE in Neotropika konservativ unterschätzt. Aufgrund der Auflösung der verwendeten Datensätze haben wir den Schwerpunkt unserer Überlegungen tatsächlich auf neotropische Wasserläufe mit Kanalbreiten von mehr als 200 m gelegt. Die Analyse könnte global auf alle natürlichen großen Flüsse ausgeweitet werden.

Zu Flüssen mit einer Länge von weniger als 200 m lässt sich hingegen nichts sagen, es ist jedoch erwähnenswert, dass sie weltweit etwa 99,5\(\%\) (in der Länge) der Wasserstraßen ausmachen69. Darüber hinaus gelten Quellgewässer als Förderer von grobem Holzmaterial und als Produzenten von POC12. Ihre Nichtberücksichtigung in einer globalen Schätzung ist daher eine weitere Quelle der Unterschätzung. Um schließlich eine umfassendere Bewertung zu erhalten, ganz im Sinne der REgional Carbon Cycle Assessment Project (RECCAP2)-Initiative des Global Carbon Project und da das Verfahren auf einem frei verfügbaren Satellitenbildalgorithmus basiert, der keiner Kalibrierung bedarf, ist es Es wird empfohlen, die vorliegende Bewertung auf nicht-tropische Regionen auszudehnen.

Jeder analysierte Fluss wurde in Regions of Interest (ROIs) unterteilt, die sich durch ein homogenes morphologisches Verhalten auszeichnen. Der ROI stellt die elementare Einheit für die Berechnung von eCE dar und wird durch Längs- und Quergrenzen charakterisiert. Die Änderungen in der Horton-Strahler-Ordnung46, die Sinuosität, Übergänge von Single-Thread zu Multi-Thread oder umgekehrt oder plötzliche Änderungen in der Kanalbreite22 wurden als geomorphologische Kriterien für Längsteilungen zwischen zwei aufeinanderfolgenden ROIs betrachtet (sensu Ref.70). Das Hauptgerinne der analysierten Flüsse hat laut Analyse von22 eine Breite von mehr als 200 m, bezogen auf den mittleren Jahresabfluss. Die seitliche Ausdehnung von ROIs umfasst das an den Bach angrenzende Land, wo die Vegetation durch Flussdynamik und/oder Überschwemmungen beeinflusst wird. Die Identifizierung eines solchen aktiven lateralen Bereichs erfolgte in zwei Schritten.

Zunächst wurde der räumliche Gradient der Biomassedichte betrachtet. Die häufig von Überschwemmungen oder Flussdynamik betroffenen Gebiete zeichnen sich durch eine überlebensfähige Vegetation aus und sind durch ein Sukzessionsmuster mit spezifischen Biomasseverteilungen gekennzeichnet51. Eine Analyse einer hochauflösenden Biomassekarte ermöglichte es uns, Kanten zwischen Auenwald und Landwald zu identifizieren (z. B. definiert als Tierra-Ferma in Amazonasbecken, ergänzende Abbildung S3).

Zweitens haben wir, wenn die seitlichen Grenzen in der Biomassekarte nicht erkennbar waren, auch das Vorkommen an der Wasseroberfläche berücksichtigt, indem wir den GSW-Datensatz71, Nr. 4 in der Ergänzungstabelle S2 verwendet haben. Dementsprechend ermöglichte uns die Identifizierung von Standorten, die in den letzten 35 Jahren im GSW-Datensatz jemals als Wasser erkannt wurden, die Identifizierung der aquatisch-terrestrischen Übergangszone.

Dennoch werden kurzlebige Ereignisse vom GSW nicht immer korrekt erkannt, da solche Ereignisse mit wolkenfreien Satellitenbeobachtungen einhergehen müssen. Aufgrund der extremen Wolkenverschmutzung, die das tropische Gebiet (insbesondere das östliche Amazonasbecken) charakterisiert, können viele kurze, aber intensive Ereignisse nicht in die von71 entwickelte Ereigniskarte einbezogen werden, was unsere Schätzungen der seitlichen Grenzen der ROIs noch konservativer macht.

Um sicherzustellen, dass die Quantifizierung des exportierten Kohlenstoffs streng auf dem River-Driven Forest Loss (RDFL) basiert, wurde ein dreistufiges Auswahlverfahren verwendet, um Nicht-RDFL-Fälle zu identifizieren und auszuschließen, z. B. Flüsse, die durch anthropische Aktivitäten beeinträchtigt wurden.

Schritt 1: Alle offensichtlichen Quellen anthropischer Veränderungen wurden durch visuelle Inspektion anhand von Landsat-Bildern identifiziert, wie z. B. physische Infrastrukturen im Flusskanal oder entlang der umliegenden Überschwemmungsgebiete, das Vorhandensein von Flusskanalisierungen, Sperrdämmen, Wehren, Furten, Böschungen, Uferschutz und Schutzmauern und Bergbauaktivitäten.

Schritt 2: Flüsse, die durch den CSI-Index von33 als nicht freifließend eingestuft werden – d. h. Flüsse, deren Fragmentierung und Regulierung oder Veränderung der Wasserqualität und Temperatur die Flusskonnektivität beeinträchtigen (CSI-Index < 95\(\%\), Datensatz Nr. 8 in Ergänzungstabelle S2) – wurden ebenfalls ausgeschlossen.

Diese ersten beiden Schritte schlossen 89\(\%\) der 551.000 km Gesamtlänge aller tropischen Gebiete mit einem Horton-Strahler-Index \(\le \) 4 aus.

Schritt 3: Ein probabilistisches Klassifizierungsmodell wurde verwendet, um die Wahrscheinlichkeit P zu definieren, dass ein flussbedingter Waldverlust (RDFL) für jedes Pixel innerhalb der ROIs auftrat. Extreme Wahrscheinlichkeitswerte sind P = 0 (kein Waldverlust oder Waldverlust, der zweifellos auf andere Ursachen als die Flussdynamik zurückzuführen ist) und P = 1 (Waldverlust, der zweifellos auf geomorphologische Aktivitäten des Flusses zurückzuführen ist).

Um Zwischenwahrscheinlichkeiten zu bewerten, wurde der Datensatz „Globale Waldveränderung“35 mit drei möglichen Ursachen für nicht durch Flüsse verursachte Waldverluste kombiniert: (1) Bevölkerungsdichte; (2) Waldbrände; (3) Landbedeckungsänderungen (Quelldatensätze sind in der Ergänzungstabelle S2 beschrieben). Für jedes Pixel k des ROI j, in dem Waldverlust auftrat, bewertete das Modell die Wahrscheinlichkeit, dass die Änderung der Waldbedeckung nicht auf Urbanisierung zurückzuführen war (\(\hbox {P}_{jk}^{(u)}\)), Waldbrände (\(\hbox {P}_{jk}^{(wf)}\)) oder vom Menschen verursachte Landbedeckungsänderungen (\(\hbox {P}_{jk}^{(lc)}\) ), was drei Wahrscheinlichkeitskarten ergibt (siehe nächster Abschnitt). Die gesamte Wahrscheinlichkeitskarte wurde durch Multiplikation der drei Wahrscheinlichkeitskarten erhalten, da sie sich auf unabhängige Ereignisse beziehen, nämlich \(\hbox {P}_{jk} = \hbox {P}_{jk}^{(u)} \cdot \hbox {P}_{jk}^{(wf)} \cdot \hbox {P}_{jk}^{(lc)}\). Auf diese Weise wurde eine durchschnittliche jährliche Fläche von 115 ± 15 \(\hbox {km}^2\) in den tropischen Feuchtgebieten großer Flüsse als Nicht-RDFL klassifiziert und daher von der gesamten Analyse ausgeschlossen. Dies entspricht 18\(\%\) des in den ROIs festgestellten jährlichen Deckungsverlustes. Die Ergebnisse des Filterverfahrens für drei Beispielfälle sind in der ergänzenden Abbildung S5 dargestellt. Die in dieser Studie verwendeten Daten beziehen sich auf die HydroRIVERS-Datenschichten – Nr. 9a in der Ergänzungstabelle S272 – und bieten ein vektorisiertes Liniennetz aller globalen Flüsse mit einem Einzugsgebiet von mehr als 10 \(\hbox {km}^2\) oder einem Durchschnitt Flussdurchfluss größer als 0,1 \(\hbox {m}^3\)/s und wurden aus HydroSHEDS-Daten – Nr. 9b in der Ergänzungstabelle S273 – basierend auf einer Gitterauflösung von 15 Bogensekunden abgeleitet. Die Flussordnung wurde mithilfe des Horton-Strahler-Ordnungssystems ausgedrückt. Nach diesem System stellt die erste Ordnung Quellflüsse dar, und wenn zwei Bäche derselben Ordnung zusammentreffen, bilden sie einen Fluss einer höheren Ordnung.

Ein probabilistisches Klassifizierungsmodell wurde verwendet, um die Wahrscheinlichkeit (P) zu definieren, dass für jedes Pixel innerhalb der ROIs ein flussbedingter Waldverlust (RDFL) aufgetreten ist. Zu diesem Zweck wurde der Datensatz „Globale Waldveränderung“35 gefiltert, indem drei mögliche Ursachen dafür berücksichtigt wurden, dass es keine durch Flüsse verursachten Waldverluste gibt: (1) Bevölkerungsdichte; (2) Waldbrände; (3) Landbedeckungsänderungen (Datensätze Nr. 5–7 der Ergänzungstabelle S2). Dementsprechend bewertete das Modell für jedes j-te Pixel des k-ten ROI, bei dem Waldverlust auftrat, die Wahrscheinlichkeit, dass die Veränderung der Waldbedeckung nicht auf Urbanisierung zurückzuführen ist \(\hbox {P}_{jk}^(u)\ ), Waldbrände \(\hbox {P}_{jk}^{(wf)}\) oder vom Menschen verursachte Landbedeckungsänderungen \(\hbox {P}_{jk}^{(lc)}\) , wodurch drei Wahrscheinlichkeitskarten erstellt werden.

Die in der Karte \(\hbox {P}_{jk}^{(u)}\) angegebenen Werte nehmen mit der Bevölkerungsdichte (PD) ab. Gemäß einer in Ref. 74 vorgeschlagenen Beziehung zwischen dem menschlichen Druckwert und der Bevölkerungsdichte für dünn besiedelte Gebiete legen wir Folgendes fest:

Die menschliche Bevölkerungsdichte (PD) wurde aus dem Datensatz WorldPop Project Population (86–88, 91) mit einer Auflösung von 100 m (Nr. 6 der Ergänzungstabelle S2) abgerufen.

Um die Karten \(\hbox {P}_{jk}^{(wf)}\) und \(\hbox {P}_{jk}^{(lc)}\) zu definieren, ist die Wahrscheinlichkeit, dass der Wald verloren geht in einem bestimmten Jahr nicht durch ein nicht vom Fluss verursachtes Ereignis (im Folgenden als Nicht-RDE bezeichnet) verursacht wurde, wurde als Funktion f(\(\Delta \)t) ausgedrückt, wobei \(\Delta \)t die Zeit ist Es besteht eine Lücke (Kausalzusammenhangsprinzip) zwischen Waldverlust und Nicht-RDE in derselben Region (Waldbrände oder Landbedeckungsänderungen). Die Funktion f(\(\Delta \)t) (die Wahrscheinlichkeit, dass der Verlust durch eine Nicht-RDE verursacht wurde) folgt einer stückweisen Abhängigkeit von der Zeit, wie in der ergänzenden Abbildung S4 dargestellt.

Wenn der Waldverlust und die Nicht-RDE im Wesentlichen zum selben Jahr gehören (d. h. \(\Delta \)t =0), ist der Kausalzusammenhang garantiert, sodass die Funktion f das Maximum annimmt (f =1). Fälle mit \(\Delta \hbox {t}<0\) bedeuten, dass die Nicht-RDE mit einem Waldverlust gerechnet hat. In diesem Fall kann ein positiver Kausalzusammenhang aus mehreren Gründen möglich sein. Zum Beispiel: (1) Die Nicht-RDE könnte im selben Jahr keinen erkennbaren Waldverlust verursacht haben, z. B. einen Waldbrand, der die Vegetation irreversibel schädigte, die jedoch in den folgenden Monaten/Jahren abstarb; (2) Die extreme Bewölkung der tropischen Region führte zu einer Verzögerung bei der Erkennung von Waldverlusten. In den Fällen mit \(\Delta \hbox {t} >0\) nahm der Waldverlust die Nicht-RDE vorweg. Auch in diesem Fall kann, wenn auch kontraintuitiv, ein positiver Kausalzusammenhang möglich sein. Zum Beispiel eine langsame Landumwandlung (z. B. von Wald zu Ackerland), die einige Jahre dauert, um einen Teil des Territoriums abzudecken, der durch einen MODIS-basierten Datensatz (grobe Auflösung 500 m) beobachtbar ist, während er im Landsat-basierten Datensatz plötzlich als Waldveränderung erkannt wurde Produkte (Auflösung 30 m). In jeder Parzelle, in der es während des Beobachtungsfensters zu einem Waldverlust kam, wurden Brandereignisse mithilfe des MODIS-basierten Datensatzes75 erkannt. Legen wir fest

Dabei ist N die Anzahl der im Zeitraum 2000–2019 im Pixel beobachteten Brände. Wo keine Brände beobachtet wurden, ist \(\hbox {P}_{jk}^{(wf)}\) =1. Wir weisen darauf hin, dass dieser Filter das Auffangen von widerspenstigem LWD ausschließt, das durch die unvollständige Verbrennung von Biomasse bei Bränden entsteht, sogenannter Ruß, wie in76 analysiert. Dieser Aspekt könnte ein weiterer Grund für die Unterschätzung der vorliegenden eCE-Bewertung sein.

Die Karte \(\hbox {P}_{jk}^{(lc)}\), nämlich die Wahrscheinlichkeit, dass der Waldverlust nicht auf eine durch menschliche Aktivitäten verursachte Landbedeckungsveränderung zurückzuführen ist, wird unter Verwendung des Datensatzes Nr. 7 in erstellt Ergänzungstabelle S2, MODIS-Landbedeckungstyp MCD12Q177. Nach der Klassifizierung des Annual International Geosphere-Biosphere Program (IGBP, Ergänzungstabelle S4) wurden vier Landbedeckungsmakroklassen identifiziert: Natürlich mit hoher Vegetationsdichte (NHV), Natürlich mit niedriger Vegetationsdichte (NLV), Anthropisch (AN) und Wasser/Unvegetiert (UV). In ROIs wurde eine Pixelanalyse im MODIS-Maßstab durchgeführt und jede jährliche Variation der Landbedeckungsmakroklasse erkannt und klassifiziert. In jedem Pixel wurden die Variationen von NHV zu NLV, von NHV zu AN und von NLV zu AN als auf menschliche Aktivitäten zurückzuführen berücksichtigt, während alle anderen Änderungen auf flussmorphodynamische Prozesse (dh RDFL) zurückgeführt wurden. Die Wahrscheinlichkeit, dass der Waldverlust am Pixel k des ROI j nicht auf eine vom Menschen verursachte Landbedeckungsänderung zurückzuführen ist, wird daher nach derselben Gleichung wie Gl. definiert. (2) wobei N die Anzahl der im Zeitraum 2000–2019 im selben Pixel beobachteten Landbedeckungsübergänge ist, während \(\Delta \)t die Zeitdifferenz zwischen dem Waldverlust und der Landbedeckungsänderung ist. Wenn keine vom Menschen verursachten Landbedeckungsschwankungen festgestellt wurden, ist \(\hbox {P}_{jk}^{(lc)}\)=1.

Aus den oben genannten Gründen bestand eine konservative Wahl im Hinblick auf die eCE-Schätzung darin, anzunehmen, dass Waldverluste und Nicht-RDE, die innerhalb des Zeitfensters von 5 Jahren auftraten, in einem kausalen Zusammenhang standen, also f = 1. Das Ergebnis des Filterverfahrens für drei Beispielfälle ist in der ergänzenden Abbildung S5 dargestellt.

Der eCE des j-ten ROI, angegeben als pro Jahr exportiertes TgC (in Form von Holzbiomasse), wurde wie folgt berechnet

wobei \(\rho _{j,k}\) die Biomassedichte [TgC/\(\hbox {km}^2\)] und \(\hbox {L}_{j,k}\) ist Jahresmittel RDFL [\(\hbox {km}^2\)/Jahr] für den Zeitraum 2000–2019 und für Pixel k von ROI j. Um nicht-fluviale Ursachen statistisch auszuschließen, wurde \(\hbox {L}_{j,k}\) als Produkt zwischen der Oberfläche \(\hbox {A}_{j,k}\) der berechnet Zelle und die Verlustwahrscheinlichkeit \(\hbox {P}_{j,k}\) ist RDFL (siehe Abschnitt „Probabilistisches Klassifizierungsmodell“). Zur Beurteilung der Biomassedichte haben wir vier verschiedene Methoden angewendet (M1–M4).

Methode M1: \(\rho _{j,k}\) wurde dem von78 entwickelten WHRC-Carbon-Stock-Datensatz für die oberirdische lebende Holzbiomassedichte bei 30 m Auflösung für das Jahr 2000 entnommen (Nr. 2 der Ergänzungstabelle S2). ). In diesem Fall wurde davon ausgegangen, dass die Kohlenstoffdichte einer einzelnen Zelle während des gesamten Analysezeitraums konstant war, wobei die Möglichkeit außer Acht gelassen wurde, dass in Parzellen, in denen der Verlust nach dem Jahr 2000 auftrat, aufgrund des Wachstums in der Zelle ein Anstieg des Kohlenstoffgehalts zu verzeichnen war Zeit zwischen 2000 und dem Jahr des Schadens.

Methode M2: Der Wert der Kohlenstoffdichte jedes Pixels wurde unter Berücksichtigung der Vegetationsmenge, die zwischen dem Jahr 2000 und dem Jahr des Verlusts gewachsen war, mithilfe eines kalibrierten logistischen Wachstumsmodells angepasst (siehe nächster Abschnitt).

Methoden M3 und M4: Der Wert der Kohlenstoffdichte jedes Pixels wurde anhand des räumlichen Durchschnitts über den gesamten ROI angenähert (d. h. \(\rho _{j,k} = \sum _k \rho _{j,k}/N_j). \), wobei \(N_j\) die Anzahl der Pixel im ROI j) ist, unter Verwendung der WHRC Carbon Stock-Datensätze von 78 für M3 und 45 für M4 (Datensätze Nr. 2 bzw. Nr. 1 der Ergänzungstabelle S2). Diese Datensätze beschreiben die Biomasse in tropischen Regionen nur für einen begrenzten Zeitraum (das Jahr 2000 für Nr. 2 und den Zeitraum 2007–2008 für Nr. 1).

Tropische Flüsse sind hochdynamische Systeme, die im Laufe der Jahrzehnte dauernden Entwicklung wahrscheinlich die meisten ihrer geomorphologischen Konfigurationen besuchen (z. B. weist der Ucayali-Fluss, ein Nebenfluss des Amazonas, Migrationsraten von bis zu 100 m/Jahr auf). Für die Methoden M3 und M4 haben wir daher eine ergodenartige Hypothese79 angenommen, die es ermöglichte, den zeitlichen Mittelwert der Kohlenstoffdichte in einem einzelnen Diagramm aus seinem räumlichen Durchschnitt über den gesamten ROI abzuleiten. Es ist anzumerken, dass die räumliche Mittelung in den Methoden M3 und M4 zu einer leichten Unterschätzung des eCE führt (siehe Ergänzungstabelle S5), da der Erosionsmechanismus und die daraus resultierende Erfassung von Biomasse normalerweise das reife Ufer betreffen, wo sich die Vegetation auf einem höheren Niveau befindet Wachstum.

Da die betrachteten Datensätze nur die Dichte der oberirdischen Biomasse (AGB) angeben, wurde die unterirdische Biomasse (BGB) als BGB = 0,489 \(\cdot \) \(\hbox {AGB}^{0,89}\) bewertet (Ref. 80) und der Gesamtkohlenstoff wurde auf 50\(\%\) der gesamten Biomasse (AGB+BGB) geschätzt. Aus den Schätzungen von eCE haben wir auch den pro ROI-Flächeneinheit und pro Flusslänge gebundenen Kohlenstoff geschätzt:

Dabei ist \(S_r\) die ROI-Oberfläche und \(l_r\) die Länge der Flussstrecken innerhalb des ROI. Wir stellen fest, dass die relativen Unterschiede der eCE-Schätzung zwischen den Methoden M1–M4 3,3\(\%\) nicht überschreiten (Ergänzungstabelle S5). Quantitativ sind die vier verschiedenen Methoden daher sehr ähnlich, obwohl sie auf unterschiedlichen Datensätzen basieren. Der Einfachheit halber beziehen sich die im Haupttext angegebenen Ergebnisse auf Methode 2. Eine grafische Zusammenfassung der gesamten Methodik finden Sie in der ergänzenden Abbildung S6.

In Methode M2 ​​wurde der Anstieg des Kohlenstoffgehalts aufgrund des Vegetationswachstums zwischen dem Erfassungszeitpunkt (Jahr 2000, Ref. 78) und dem Zeitpunkt des Waldverlusts durch die Kalibrierung eines vereinfachten logistischen Biomassewachstumsmodells63,81 berücksichtigt.

Dabei ist \(\rho \) die Kohlenstoffdichte der Biomasse, t die Zeit, V die Tragfähigkeit, also die maximal nachhaltige Kohlenstoffdichte der Biomasse, und \(\alpha \) die artabhängige Wachstumsrate, während der Index i bezieht sich auf die generische i-te Zelle. Durch Festlegen der Anfangsbedingung \(\rho _{0,i}\) = \(\rho (t_0)\), die der vom Datensatz78 gemeldeten Biomasse im Jahr \(t_0\) = 2000 entspricht, der formalen Lösung von Gleichung (6) zum Zeitpunkt \(t=t_0 +\Delta t\) für eine generische Artengemeinschaft lautet

wobei wir \(A_i=\hbox {e}^{V_i \alpha _i \Delta t}\) definiert haben. Durch das folgende Verfahren haben wir die Funktion \(\hbox {A}_i\) und den Parameter \(\hbox {V}_i\) lokal kalibriert, um die Gleichung zu verwenden. (7) den Wert der Kohlenstoffbiomassedichte von \(t=t_0\) = 2000 auf den Zeitpunkt des Deckungsverlusts (\(t=t_0+\Delta t\)) in einer beliebigen Zelle zu aktualisieren. Das Kalibrierungsverfahren basiert auf dem Vergleich der Kohlenstoffbiomasse, wie sie in zwei verschiedenen Datensätzen mit Erfassungszeiten im Abstand von acht Jahren angegeben wird (Ref. 78 und Ref. 45 beziehen sich auf 2000 und 2008 bzw. Nr. 2 und Nr. 1 in der Ergänzungstabelle S2). Der Vergleich dieser beiden Datensätze ist möglich, da sie mit derselben Methodik erstellt wurden, allerdings mit unterschiedlichen Auflösungen (30 mpx für Ref.78 und 500 mpx für Ref.45). Im Folgenden werden die beiden Datensätze mit den Indizes \(_{30}\) bzw. \(_{500}\) gekennzeichnet. Zunächst wurden alle Zellen im Datensatz mit einer Auflösung von 30 m innerhalb von Blöcken, die den Pixelgrenzen des zweiten Datensatzes entsprachen, erneut auf die Auflösung von 500 m abgetastet. Zweitens haben wir für jeden j-ten Block die Übereinstimmung zwischen dem Mittelwert der Werte \(\rho _{30,i}\) innerhalb des Blocks (aktualisiert bei t = 2008) und dem Wert \(\rho _{ 30,i}\), nämlich

was nach Verwendung von Gl. (7), wird

Dabei ist \(\hbox {N}_j\) die Anzahl der Zellen mit einer Auflösung von 30 m im j-ten Block mit einer Auflösung von 500 m. Drittens wurde angenommen, dass alle Zellen innerhalb jedes Blocks den gleichen Wert von \(\hbox {A}_i\) und V haben, sodass \(\hbox {A}_i\) = A eine Konstante ist, die herausgenommen werden kann aus der Summe in Gl. (9). Da außerdem 1/\(\rho _{0,i}\) (A–1) \(\ approx 1/ \rho _{0,i} \gg \) 1/V ist, als Näherung erster Ordnung wir erhalten

wobei \(\rho _M\) = \(N_j^{-1} \sum _{i=1}^{Nj}\rho _{0,i}\). Durch Iterieren und Ersetzen von Gl. (10) in Gl. (9) erhält man eine Näherung zweiter Ordnung

Durch Rekursion ist ersichtlich, dass weitere Näherungen zu einer umständlichen Formel führen, die einen Kettenbruch im Nenner von Gleichung enthält. (11) und der Einfachheit halber genügt es, beim zweiten Schritt anzuhalten. Die Tragfähigkeit wurde vorsichtig im gesamten ROI als konstant und gleich dem Maximalwert von \(\rho _M\) (nämlich V = \(\rho _M^{max}\)) angenommen.

Durch Ersetzen in Gl. (7) und nachdem ich daran erinnert habe, dass per Definition

wobei \(\Delta t^*\) = 8 Jahr die Zeitverzögerung zwischen den beiden Datensätzen ist, erhält man schließlich die Beziehung für die zum Zeitpunkt t aktualisierte Kohlenstoffdichte für jede Zelle:

Ein Beispiel für die Verwendung der Gleichungen. (11)–(13) ist in der ergänzenden Abbildung S7 aufgeführt.

Die Analyse wurde mithilfe einer Reihe von Java-APIs (Application Programming Interface) durchgeführt, die für die Analyse großer Datenmengen optimiert sind. Aufgrund des Fehlens eines effizienten und einfachen Verfahrens zur Multimodalitätserkennung82 haben wir außerdem einen Ad-hoc-Signaturklassifizierungsalgorithmus entwickelt, der in der Lage ist, vier Muster in den Biomassedichteverteilungen zu unterscheiden (negativ verzerrt, positiv verzerrt, multimodal, Glocke). -förmig). Das Verfahren kombiniert die statistischen Parameter der Kohlenstoffdichteverteilung über den ROI: Modus (M), Median (Med) und Schiefe (Sk). Diese Parameter wurden mithilfe einer Reihe von GEE-nativen geostatistischen Funktionen berechnet, die auf den WHRC Carbon Stock Dataset45 angewendet wurden. Die Mindesteinteilung der Histogramme wurde auf 200 MgC/\(\hbox {km}^2\) festgelegt (die von45 gemeldete Genauigkeit beträgt 100 Mg C/\(\hbox {km}^2\)).

Erstens trennt der Algorithmus (ergänzende Abbildung S2) unimodale von multimodalen Verteilungen. Zu diesem Zweck werden zwei Unterproben aus dem Datensatz jedes ROI extrahiert, indem ein Grenzwert am Medianwert der Kohlenstoffdichteverteilung berücksichtigt wird, die als linke (L) und rechte (R) Unterproben bezeichnet werden. ROI-Verteilungen werden als multimodal (MM) klassifiziert, wenn zwei Bedingungen beide erfüllt sind:

Die Frequenz des Modus der linken (\(\hbox {F}_ML\)) oder rechten (\(\hbox {F}_MR\)) Unterabtastwerte überschreitet mehr als ± 10\(\%\) der Frequenz des Medianwerts der gesamten Stichprobe (\(\hbox {F}_{Med}\));

Der linke (ML) oder rechte (MR) Modus ist weit genug vom Hauptmedian (Med) entfernt, nämlich: |\(\hbox {M}_{L,R} - \hbox {Med}| > 400\) MgC/ \(\hbox {km}^2\).

Wenn die Bedingungen (i) und (ii) beide falsch sind, wird die Schiefe Sk der Hauptverteilung berücksichtigt: Eine positive Schiefe (Sk > 0,4) liefert PS, eine negative Schiefe (Sk \(> -\) 0,4) liefert NS, wohingegen eine moderate Schiefe vorliegt Schiefe (− 0,4 < Sk < 0,4) liefert BS-Verteilungen. Wenn nur eines von entweder (i) oder (ii) erfüllt ist (d. h. es wird erkannt, dass nur ein Unterstichprobenmodus vom Median entfernt ist), beträgt die Differenz D = \(\hbox {F}_{MR} - \hbox {F}_{ML}\) wird berechnet, um zwischen NS- (D < 0) und PS-Verteilungen (D > 0) zu unterscheiden. Wenn die mit D verbundene Bedingung nicht erfüllt ist, verwendet der Algorithmus erneut \(\hbox {S}_k\), um die Biomassedichteverteilungen in NS-, PS- oder BS-Klassen zu klassifizieren.

Der Algorithmus wurde an einer Teilmenge von 10 % der ROIs getestet, die zufällig als möglicher Validierungsdatensatz ausgewählt wurden und eine Gesamtgenauigkeit von 95 % aufwiesen (korrekt klassifizierte Verteilungen). Ein Anwendungsbeispiel an drei Flüssen ist in der ergänzenden Abbildung S8 dargestellt. Der Matlab-Code wird im Online-Zusatzmaterial (Figshare-Repository) gemeldet.

Die aggregierte kontinentale Bewertung von eCE für die größten tropischen Flüsse wurde als Summe der in jedem ROI des Kontinents berechneten Werte ermittelt. Die Unsicherheit (nämlich die Standardabweichung, im Folgenden mit dem Symbol \(\sigma \) bezeichnet) auf Pixelebene kann aus der Wahrscheinlichkeitstheorie berechnet werden. Tatsächlich ist der eCE das Produkt zweier Größen, die beide fehlerbehaftet sind (z. B. flussbedingte Waldverlustfläche und Biomasse-Kohlenstoffdichte), sodass sie als zufällige Prozesse betrachtet werden können. Gemäß dem oben beschriebenen Filterverfahren kann der Waldverlust für jedes Pixel einer diskreten Zufallsvariablen \(\chi _{j,k}\) zugeordnet werden, die nur zwei Werte annimmt: 1 mit der Wahrscheinlichkeit \(\hbox {P} _{j,k}\) (RDFL) oder 0 mit Wahrscheinlichkeit 1–\(\hbox {P}_{j,k}\) (Nicht-RDFL). Dies entspricht einem Bernoulli-Prozess83 – also wiederholtem Münzwerfen –, bei dem der Mittelwert \(\hbox {P}_{j,k}\) und die Varianz gleich ist

Die Kohlenstoffdichte ist stattdessen eine kontinuierliche Zufallsvariable mit dem Mittelwert \(\rho _{j,k}\) (aus den Methoden M1–M4) und der Standardabweichung \(\sigma (\rho _{j,k}\)) . Unter Verwendung des Goodman-Ausdrucks84 für die Varianz eines Produkts zweier unkorrelierter Zufallsvariablen ergibt sich die Fehlervarianz des eCE des Pixels (j,k).

wobei \(\hbox {A}_{j,k}\) die Pixelfläche ist. Werte pro Pixel für \(\sigma (\rho _{j,k})\) werden in den hier betrachteten Rohdatensätzen nicht angegeben, daher haben wir andere konservative Annahmen angenommen, basierend auf der Beobachtung, dass Residuen proportional zum Mittelwert sind, wie auch in Lit. 45 vorgeschlagen. Dementsprechend setzen wir in M1 und M2

wobei die Variationskoeffizienten \(\hbox {c}_V\) unterschiedliche Werte zwischen 0,5 und 1,25 annehmen.

In M3 und M4 wurde \(\sigma (\rho _{j,k})\) im gesamten ROI auf einen konstanten Wert gesetzt, der der Standardabweichung aller im ROI gemessenen Kohlenstoffdichten entspricht, wie in berichtet die WHRC Carbon Stock-Datensätze78 für M3 und im Datensatz von Ref.45 für M4.

Als weiteren Schritt erfordert die Ausbreitung der Unsicherheit vom Pixel auf die kontinentale Skala die Bewertung der räumlichen Korrelation der Fehler, da sich sonst Fehler pro Pixel aufheben und die Gesamtunsicherheit möglicherweise stark unterschätzt wird. Im vorliegenden Fall wird die standardmäßige Verwendung räumlicher Variogramme (s. Ref. 45) durch die räumliche Uneinheitlichkeit der ROIs, die Heterogenität der Biomasse aufgrund der Flussdynamik und darüber hinaus dadurch ausgeschlossen, dass sie rechnerisch unerschwinglich ist (selbst wenn sie in GEE kodiert ist). Gemäß Ref. 45 haben wir daher zwei empirische Autokorrelationslängenskalen (ALS) übernommen – \(\hbox {ALS}_1\) gleich 500 m und \(\hbox {ALS}_2\) gleich der ROI-Fläche – und Wir haben konservativ angenommen, dass die Pixel bei einem Abstand, der kleiner als der ALS ist, perfekt korreliert und bei größeren Abständen unkorreliert sind. Der Datensatz wurde mithilfe von Quadraten (für \(\hbox {ALS}_1\)) oder ROI-Polygonen (für ALS2) in unabhängige Blöcke unterteilt und für jeden Block wurde eine obere konservative Schätzung der Unsicherheiten berechnet, indem alle Werte von \ ausgenutzt wurden. (\sigma \) (\(\hbox {eCE}_{j,k}\)) bereitgestellt durch die oben genannte Goodman-Formel innerhalb des Blocks. Für jede Methode M1–M4 wurde die Unsicherheit im eCE auf der kontinentalen Skala \(\sigma _{cont,ALS}\) für beide ALS durch Summierung der mit jedem Block innerhalb des Kontinents verbundenen Varianz berechnet:

Dabei ist N die Anzahl der Blöcke auf einem Kontinent und \(\sigma ^2_{i,ALS}\) der mit jedem Block verbundene Varianzfehler.

Für die Methoden M3 und M4 wurden die Fehler nur mit \(\hbox {ALS}_2\) bewertet, da in beiden Szenarien die Kohlenstoffdichte aus einem räumlichen Durchschnitt auf der ROI-Skala abgeleitet wurde. In jedem Block wurde die Varianz berechnet, indem ihr Supremum über den Block gezogen wurde, d. h.

Durch die Kombination der Methoden M1–M4 mit den beiden Autokorrelationslängenskalen und der Berücksichtigung der vier Werte von \(\hbox {c}_v\) für die Methoden M1 und M2 wurden achtzehn verschiedene Konfigurationen für die Unsicherheitsbewertung berücksichtigt (Ergänzungstabelle S5). . Die konservativste Konfiguration (maximale Unsicherheit) ergibt eine Standardabweichung (in TgC/Jahr) und einen prozentualen Fehler von 0,84 (9,44\(\%\)) für Neotropika. Die im Haupttext berichteten Ergebnisse beziehen sich auf diese konservative Konfiguration.

Das Java-Skript für die GEE-Plattform, das den Zeilendatensatz generiert, und die Matlab-Skripte, die den endgültigen Datensatz generieren, sind unter https://figshare.com/s/6b5347f0e1ad3d92a486 hinterlegt und nach der Veröffentlichung frei verfügbar.

Cole, JJ et al. Den globalen Kohlenstoffkreislauf ausloten: Binnengewässer in den terrestrischen Kohlenstoffhaushalt integrieren. Ökosysteme 10, 171–184. https://doi.org/10.1007/s10021-006-9013-8 (2007).

Artikel CAS Google Scholar

Wohl, E., Hall, RO Jr., Lininger, KB, Sutfin, NA & Walters, DM Kohlenstoffdynamik von Flusskorridoren und die Auswirkungen menschlicher Veränderungen. Ökologisch. Mono. 87, 379–409. https://doi.org/10.1002/ecm.1261 (2017).

Artikel Google Scholar

Aufdenkampe, AK et al. Flusskopplung biogeochemischer Kreisläufe zwischen Land, Ozeanen und Atmosphäre. Vorderseite. Ökologisch. Umgebung. 9, 53–60. https://doi.org/10.1890/100014 (2011).

Artikel Google Scholar

Battin, TJ et al. Der grenzenlose Kohlenstoffkreislauf. Nat. Geosci. 2, 598–600. https://doi.org/10.1038/ngeo618 (2009).

Artikel ADS CAS Google Scholar

Ciais, P. et al. Kohlenstoff- und andere biogeochemische Kreisläufe. Im Klimawandel 2013: Die physikalisch-wissenschaftliche Basis. Beitrag der Arbeitsgruppe I zum Fifth Assessment Rep. des IPCC, Kap. 6 (Hrsg. Stocker, TF et al.) 465–570 (CUP, 2013).

Le Quéré, C. et al. Globales Kohlenstoffbudget 2018 [Datenpapier]. Erdsystem. Wissenschaft. Daten 2141–2194 (2018).

Drake, TW, Raymond, PA & Spencer, RGM Terrestrische Kohlenstoffeinträge in Binnengewässer: Eine aktuelle Synthese von Schätzungen und Unsicherheit. Limnol. Ozeanogr. Lette. 3, 132–142 (2018).

Artikel CAS Google Scholar

Vannote, RL, Minshall, GW, Cummins, KW, Sedell, JR & Cushing, CE Das Flusskontinuumskonzept. Dürfen. J. Fisch. Aquat. Wissenschaft. 37, 130–137. https://doi.org/10.1139/f80-017 (1980).

Artikel Google Scholar

Kramer, N. & Wohl, E. Verkehrsregeln: Eine qualitative und quantitative Synthese des großen Holztransports durch Entwässerungsnetze. Geomorphology 279, 25. https://doi.org/10.1016/j.geomorph.2016.08.026 (2016).

Artikel Google Scholar

Ruiz-Villanueva, V., Piégay, H., Gurnell, AA, Marston, RA & Stoffel, M. Jüngste Fortschritte bei der Quantifizierung der großen Holzdynamik in Flusseinzugsgebieten: Neue Methoden und verbleibende Herausforderungenhttps://doi.org/10.1002/2015RG000514 (2016).

Guyette, RP, Dey, DC & Stambaugh, MC Die zeitliche Verteilung und Kohlenstoffspeicherung von großen Eichenwäldern in Bächen und Auenablagerungen. Ökosysteme 11, 643–653 (2008).

Artikel CAS Google Scholar

Evans, M. Geomorphologie und der Kohlenstoffkreislauf (Wiley, 2022).

Buchen Sie Google Scholar

Torres, M. et al. Modellvorhersagen zur langlebigen Speicherung von organischem Kohlenstoff in Flussablagerungen. Erdbrandung. Dyn. 5, 1–40. https://doi.org/10.5194/esurf-5-711-2017 (2017).

Artikel Google Scholar

David, A. Der globale Kohlenstoffkreislauf (Princeton University Press, 2010).

Google Scholar

Sutfin, NA, Wohl, EE & Dwire, KA Kohlenstoffspeicherung: Ein Überblick über die Speicherung von organischem Kohlenstoff und physikalische Faktoren, die die Speicherung in Überschwemmungsgebieten und Uferökosystemen beeinflussen. Erdbrandung. Proz. Landf. 41, 38–60 (2016).

Artikel ADS Google Scholar

Ludwig, W., Probst, JL & Kempe, S. Vorhersage des ozeanischen Eintrags von organischem Kohlenstoff durch Kontinentalerosion. Globale Biogeochemie. Zyklen 10, 23–41. https://doi.org/10.1029/95GB02925 (1996).

Artikel ADS CAS Google Scholar

Lal, R. Bodenerosion und das globale Kohlenstoffbudgethttps://doi.org/10.1016/S0160-4120(02)00192-7 (2003).

Raymond, PA et al. Globale Kohlendioxidemissionen aus Binnengewässern. Nature 507, 25. https://doi.org/10.1038/nature13142 (2014).

Artikel CAS Google Scholar

Regnier, P. et al. Anthropogene Störung der Kohlenstoffflüsse vom Land zum Ozean. Nat. Geosci. 6, 597 (2013).

Artikel ADS CAS Google Scholar

Hartmann, J., Moosdorf, N., Dürr, H., Kempe, S. & Köhler, P. Globaler CO2-Verbrauch durch chemische Verwitterung: Welchen Beitrag leisten hochaktive Verwitterungsregionen?. Globus. Planet. Änderung 99, 185–194. https://doi.org/10.1016/j.gloplacha.2009.07.007 (2009).

Artikel ADS Google Scholar

Horgby, Å. et al. Unerwartete große Ausweichströme von Kohlendioxid aus turbulenten Strömen, die die Berge der Welt entwässern. Nat. Komm. 10, 1–9 (2019).

Artikel Google Scholar

Allen, GH & Pavelsky, T. Globale Ausdehnung von Flüssen und Bächen. Wissenschaft 361, 585–588. https://doi.org/10.1126/science.aat063 (2018).

Artikel MathSciNet CAS PubMed MATH Google Scholar

Davies, NS & Gibling, MR Entwicklung von Schwemmlandebenen mit festen Kanälen als Reaktion auf die Vegetation des Karbons. Nat. Geosci. 4, 629–633. https://doi.org/10.1038/ngeo1237 (2011).

Artikel ADS CAS Google Scholar

Boye, K. et al. Thermodynamisch kontrollierte Erhaltung von organischem Kohlenstoff in Überschwemmungsgebieten. Nat. Geosci. 10, 415–419. https://doi.org/10.1038/ngeo2940 (2017).

Artikel ADS CAS Google Scholar

Constantine, JA, Dunne, T., Ahmed, J., Legleiter, C. & Lazarus, ED Sedimentversorgung als Treiber der Flussmäanderung und der Entwicklung von Überschwemmungsgebieten im Amazonasbecken. Nat. Geosci. 7, 899 (2014).

Artikel ADS CAS Google Scholar

Bradley, DN & Tucker, GE Die Lagerzeit, das Alter und die Erosionsgefahr von seitlich angesammeltem Sediment in der Überschwemmungsebene eines simulierten mäandrierenden Flusses. J. Geophys. Res. Erdbrandung. 118, 1308–1319. https://doi.org/10.1002/jgrf.20083 (2013).

Artikel ADS Google Scholar

Junk, WJ Die zentrale Amazonas-Flutebene (Springer, 1997).

Buchen Sie Google Scholar

Abril, G. et al. Kohlendioxidausgasung im Amazonas, angeheizt durch Feuchtgebiete. Natur 505, 395–398 (2014).

Artikel ADS CAS PubMed Google Scholar

Hoffmann, T., Schlummer, M., Notebaert, B., Verstraeten, G. & Korup, O. Kohlenstoffverlagerung in Bodensedimenten aus holozäner Agrarerosion, Mitteleuropa. Globale Biogeochemie. Zyklen 27, 828–835 (2013).

Artikel CAS Google Scholar

Beckman, N. & Wohl, E. Kohlenstoffspeicherung in gebirgigen Quellbächen: Die Rolle von Urwäldern und Staus. Wasserressource. Res. 50, 586. https://doi.org/10.1002/2013WR014167 (2014).

Artikel CAS Google Scholar

Wohl, E. Überbrückung der Lücken: Ein Überblick über Holz über Zeit und Raum in verschiedenen Flüssen. Geomorphology 279, 85. https://doi.org/10.1016/j.geomorph.2016.04.014 (2016).

Artikel Google Scholar

Tranvik, LJ et al. Seen und Stauseen als Regulatoren des Kohlenstoffkreislaufs und des Klimas. Limnol. Ozeanogr. 54, 2298–2314 (2009).

Artikel ADS CAS Google Scholar

Grill, G. et al. Kartierung der frei fließenden Flüsse der Welt. Natur 569, 215–221. https://doi.org/10.1038/s41586-019-1111-9 (2019).

Artikel ADS CAS PubMed Google Scholar

Tockner, K. & Stanford, JA Flussauen: Aktueller Zustand und zukünftige Trends. Umgebung. Konserv. 29, 308–330 (2002).

Artikel Google Scholar

Hansen, MC et al. Hochauflösende globale Karten der Veränderungen der Waldbedeckung im 21. Jahrhundert. Wissenschaft 342, 850–853 (2013).

Artikel ADS CAS PubMed Google Scholar

Zarfl, C., Lumsdon, AE, Berlekamp, ​​J., Tydecks, L. & Tockner, C. Ein globaler Boom beim Bau von Wasserkraftwerken. Aquat. Wissenschaft. 77, 161–170 (2015).

Artikel Google Scholar

Ahmed, J., Constantine, JA & Dunne, T. Die Rolle der Sedimentversorgung bei der Anpassung der Kanalsinuosität im Amazonasbecken. Geologie 47, 807–810. https://doi.org/10.1130/G46319.1 (2019).

Artikel ADS Google Scholar

Dietrich, WE & Smith, JD Einfluss des Punktbalkens auf die Strömung durch gekrümmte Kanäle. Wasserressource. Res. 19, 1173–1192. https://doi.org/10.1029/WR019i005p01173 (1983).

Artikel ADS Google Scholar

Camporeale, C., Perona, P., Porporato, A. & Ridolfi, L. Hierarchie der Modelle für mäandrierende Flüsse und verwandte morphodynamische Prozesse. Rev. Geophys. 45, 859 (2007).

Artikel Google Scholar

Salo, J. et al. Flussdynamik und die Vielfalt des Amazonas-Tieflandwaldes. Nature 322, 254 (1986).

Artikel ADS Google Scholar

Hess, LL, Melack, JM, Novo, EMLM, Barbosa, CCF & Gastil, M. Kartierung der Überschwemmung und Vegetation von Feuchtgebieten für das zentrale Amazonasbecken in zwei Jahreszeiten. Fernerkundung. Umwelt. 87, 404–428 (2003).

Artikel ADS Google Scholar

Lima, AJN et al. Allometrische Modelle zur Schätzung der ober- und unterirdischen Biomasse in Amazonaswäldern in São Gabriel da Cachoeira im oberen Rio Negro. Brasilien. Für. Ökologisch. Geschäftsführer 277, 163–172 (2012).

Artikel Google Scholar

Wohl, E. Abhandlung über Geomorphologie. Flussgeomorphologie (Elsevier, 2013).

Google Scholar

Ward, JV & Stanford, JA Ökologische Konnektivität im alluvialen Flussökosystem und seine Störung durch Flussregulierung. Regul. Riv.-Res. Geschäftsführer 11, 105–119. https://doi.org/10.1002/rrr.3450110109 (1995).

Artikel Google Scholar

Baccini, A. et al. Geschätzte Kohlendioxidemissionen aus der Abholzung tropischer Wälder, verbessert durch Kohlenstoffdichtekarten. Nat. Aufstieg. Änderung 2, 182 (2012).

Artikel ADS CAS Google Scholar

Rodriguez-Iturbe, I. & Rinaldo, A. Fractal River Basins: Zufall und Selbstorganisation (Cambridge University Press, 2001).

Google Scholar

Van Oost, K. et al. Erbe der vom Menschen verursachten C-Erosion und -Einlagerung beim C-Austausch zwischen Boden und Atmosphäre. Proz. Natl. Acad. Wissenschaft. USA 109, 19492–19497. https://doi.org/10.1073/pnas.1211162109 (2012).

Artikel ADS PubMed PubMed Central Google Scholar

Wohl, E. et al. Das natürliche Holzregime in Flüssen. BioScience 69, 25. https://doi.org/10.1093/biosci/biz013 (2019).

Artikel Google Scholar

Hilton, RG, Galy, A. & Hovius, N. Partikelförmiger organischer Kohlenstoff des Flusses aus einem aktiven Gebirgsgürtel: Bedeutung von Erdrutschen. Globus. Biogeoch. Zyklen 22, 856. https://doi.org/10.1029/2006GB002905 (2008).

Artikel CAS Google Scholar

Clark, DA et al. Nettoprimärproduktion in tropischen Wäldern: Eine Auswertung und Synthese vorhandener Felddaten. Ökologisch. Appl. 11, 371–384 (2001).

Artikel Google Scholar

Schöngart, J. & Wittmann, F. Biomasse und Nettoprimärproduktion zentraler Amazonas-Auenwälder. In Amazonian Floodplain Forests 347–388 (Springer, 2010).

Walcker, R., Corenblit, D., Julien, F., Martinez, J.-M. & Steiger, J. Beitrag mäandrierender Flüsse zu natürlichen Kohlenstoffflüssen: Belege aus dem Ucayali-Fluss im peruanischen Amazonasgebiet. Wissenschaft. Gesamtumgebung. 776, 146056 (2021).

Artikel ADS CAS Google Scholar

Pawson, R., Evans, M. & Allott, T. Flusskohlenstofffluss aus Quellmoorbächen: Bedeutung des partikulären Kohlenstoffflusses. Erdbrandung. Proz. Land. 37, 1203–1212 (2012).

Artikel ADS CAS Google Scholar

Worrall, F., Reed, M., Warburton, J. & Burt, T. Kohlenstoffbudget für ein britisches Hochland-Torfeinzugsgebiet. Wissenschaft. Gesamtumgebung. 312, 133–146 (2003).

Artikel ADS CAS PubMed Google Scholar

Ramos Scharrón, CE, Castellanos, EJ & Restrepo, C. Die Übertragung von modernem organischem Kohlenstoff durch Erdrutschaktivität in tropischen Bergökosystemen. J. Geophys. Res. 117, 856 (2012).

Google Scholar

Volk, T. Anstieg der Angiospermen als Faktor der langfristigen Klimaabkühlung. Geologie 17, 107–110. https://doi.org/10.1130/0091-7613(1989)017\(<\)0107:ROAAAF\(>\)2.3.CO;2 (1989).

Takahashi, T. Das Kohlendioxid-Rätsel. Oceanus 32, 22–29 (1989).

Google Scholar

Schlünz, B. & Schneider, RR Transport von terrestrischem organischem Kohlenstoff zu den Ozeanen durch Flüsse: Neuschätzung der Fluss- und Verlagerungsraten. Int. J. Earth Sci. 88, 599–606 (2000).

Artikel Google Scholar

Timpe, K. & Kaplans, D. Die sich verändernde Hydrologie eines aufgestauten Amazonas. Wissenschaft. Adv. 3, e1700611 (2017).

Artikel ADS PubMed PubMed Central Google Scholar

Finer, M. & Jenkins, C. Verbreitung von Wasserkraftwerken im Anden-Amazonas und Auswirkungen auf die Anden-Amazonas-Konnektivität. PLoS ONE 7, e35126. https://doi.org/10.1371/journal.pone.0035126 (2012).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Wohl, E. et al. Das natürliche Sedimentregime in Flüssen: Erweiterung der Grundlagen für das Ökosystemmanagement. Biowissenschaften 65, 358–371. https://doi.org/10.1093/biosci/biv002 (2015).

Artikel Google Scholar

Bertagni, MB, Perona, P. & Camporeale, C. Parametrische Übergänge zwischen kahlen und bewachsenen Zuständen in wassergetriebenen Mustern. Proz. Nat. Acad. Wissenschaft. 115, 8125–8130. https://doi.org/10.1073/pnas.1721765115 (2018).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Camporeale, C., Perucca, E., Ridolfi, L. & Gurnell, A. Modellierung der Wechselwirkungen zwischen Flussmorphodynamik und Ufervegetation. Rev. Geophys. 51, 379–414. https://doi.org/10.1002/rog.20014 (2013).

Artikel ADS Google Scholar

Salerno, L. et al. Satellitenanalysen entschlüsseln die jahrzehntelangen Auswirkungen des Dammmanagements auf die Vegetation tropischer Auen. Vorderseite. Umgebung. Wissenschaft. 357, 859 (2022).

Google Scholar

Scherer, L. & Pfister, S. Der biogene CO2-Fußabdruck von Hydropower. PLoS ONE 9, 315–317 (2016).

Google Scholar

Niayifar, A. & Perona, P. Dynamische Wasserzuteilungsrichtlinien verbessern die globale Effizienz von Speichersystemen. Adv. Wasserressource. 104, 85. https://doi.org/10.1016/j.advwatres.2017.03.004 (2017).

Artikel ADS Google Scholar

Bussettini, M. & Vezza, P. Leitlinien zu Umweltflüssen, Integration der E-Flow-Wissenschaft mit der Flussgeomorphologie zur Aufrechterhaltung von Ökosystemdienstleistungen. Technik. Rep., Weltorganisation für Meteorologie – WMO, Kommission für Hydrologie (2019).

Poff, NL & Zimmerman, JKH Ökologische Reaktionen auf veränderte Strömungsregime: Eine Literaturübersicht zur Aufklärung der Wissenschaft und des Managements von Umweltströmen. Frisch. Biol. 55, 194–205. https://doi.org/10.1111/j.1365-2427.2009.02272.x (2010).

Artikel Google Scholar

Downing, JA et al. Globale Häufigkeit und Größenverteilung von Bächen und Flüssen. Binnengewässer 2, 229–236 (2012).

Artikel Google Scholar

Gurnell, A. et al. Ein mehrskaliger hierarchischer Rahmen zur Entwicklung eines Verständnisses des Flussverhaltens zur Unterstützung des Flussmanagements. Aquat. Wissenschaft. 78, 1–16. https://doi.org/10.1007/s00027-015-0424-5 (2016).

Artikel ADS Google Scholar

Pekel, J.-F., Cottam, A., Gorelick, N. & Belward, AS Hochauflösende Kartierung des globalen Oberflächenwassers und seiner langfristigen Veränderungen. Natur 540, 418 (2016).

Artikel ADS CAS PubMed Google Scholar

Linke, S. et al. Globale Wasser-Umwelt-Teileinzugsgebiets- und Flussreichweiteneigenschaften mit hoher räumlicher Auflösung. Wissenschaft. Daten 6, 1–15 (2019).

Artikel Google Scholar

Lehner, B. & Grill, G. Globale Flusshydrographie und Netzwerkroutenführung: Basisdaten und neue Ansätze zur Untersuchung der großen Flusssysteme der Welt. Hydrol. Verfahren. 27, 2171–2186 (2013).

Artikel ADS Google Scholar

Venter, O. et al. Sechzehn Jahre Veränderung des globalen terrestrischen menschlichen Fußabdrucks und Auswirkungen auf den Schutz der biologischen Vielfalt. Nat. Komm. 7, 1–11 (2016).

Artikel Google Scholar

Giglio, L., Justice, C., Boschetti, L. & Roy, D. MCD64A1 MODIS/Terra+Aqua Burned Area Monthly L3 Global 500m SIN Grid V006 [Datensatz]. NASA EOSDIS Land Processes DAAChttps://doi.org/10.5067/MODIS/MCD64A1.006 (2015).

Jones, MW et al. Verfeuert erstklassigen terrestrischen organischen Kohlenstoff für den Flussexport in die Weltmeere. Nat. Komm. 11, 1–8 (2020).

Artikel ADS Google Scholar

Friedl, M. & Sulla-Menashe, D. MCD12Q1 MODIS/Terra+ Aqualandbedeckungstyp jährlich L3 global 500m SIN Grid V006 [Datensatz]. NASA EOSDIS Land Processes DAAC10 (2015).

Zarin, DJ et al. Können die Kohlenstoffemissionen durch die Abholzung tropischer Wälder in 5 Jahren um 50 % sinken? Globus. Biol. ändern 22, 1336–1347 (2016).

Artikel ADS Google Scholar

Paine, ADM Ergodisches Denken in der Geomorphologie: Zeit für eine Überprüfung des Begriffs?. Prog. Physik. Geogr. 9, 1–15. https://doi.org/10.1177/030913338500900101 (1985).

Artikel Google Scholar

Saatchi, SS et al. Benchmark-Karte der Waldkohlenstoffvorräte in tropischen Regionen auf drei Kontinenten. Proz. Nat. Acad. Wissenschaft. 108, 9899–9904 (2011).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Muneepeerakul, R., Rinaldo, A. & Rodriguez-Iturbe, I. Auswirkungen der Flussskalierungseigenschaften von Flüssen auf die Uferbreite und die Vegetationsbiomasse. Wasserressource. Res. 43, 859. https://doi.org/10.1029/2007WR006100 (2007).

Artikel Google Scholar

Pfister, R., Schwarz, KA, Janczyk, M., Dale, R. & Freeman, J. Gute Dinge erreichen paarweise ihren Höhepunkt: Eine Anmerkung zum Bimodalitätskoeffizienten. Vorderseite. Psychol. 4, 700 (2013).

Artikel PubMed PubMed Central Google Scholar

Ross, S. Wahrscheinlichkeit und Statistik für Ingenieure und Wissenschaftler (Elsevier, 2009).

MATH Google Scholar

Goodman, LA Über die genaue Varianz von Produkten. Marmelade. Stat. Assoc. 55, 708–713 (1960).

Artikel MathSciNet MATH Google Scholar

Referenzen herunterladen

Wir danken Alistair Borthwick und Russell Naisbit für die Bearbeitung sowie Guido Zolezzi und Annunziato Siviglia für die nützlichen Diskussionen.

LS wurde durch das Joint Projects-Stipendium der Compagnia di San Paolo Foundation unterstützt. Credits für Abb. 2a–f, 2h, ergänzende Abbildung S1, ergänzende Abbildung S5b–g, ergänzende Abbildung S8 gi: Esri, DigitalGlobe, GeoEye, i-cubed, USDA FSA, USGS, AEX, Getmapping, Aerogrid, IGN, IGP, swisstopo , und die GIS-Benutzergemeinschaft.

Diese Autoren haben gleichermaßen beigetragen: Paolo Vezza und Paolo Perona.

Abteilung für Umwelt-, Land- und Infrastrukturtechnik, Polytechnikum Turin, Corso Duca degli Abruzzi, Turin, 10129, Italien

Luca Salerno, Paolo Vezza und Carlo Camporeale

Plattform für hydraulische Konstruktionen PL-LCH, Institut für Bauingenieurwesen (IIC), Fakultät für Architektur, Bau- und Umweltingenieurwesen (ENAC), EPFL, Lausanne, Schweiz

Paolo Perona

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

CC konzipierte die Studie, entwarf und überwachte die gesamte Analyse; LS sammelte und analysierte Daten, entwarf Algorithmen und Code und erstellte das Manuskript; PV hat den Signaturklassifizierungsalgorithmus entwickelt; CC, PV und PP haben das Manuskript bearbeitet; PP hat die Studie mit CC konzipiert und konzeptionell beraten.

Korrespondenz mit Luca Salerno.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Salerno, L., Vezza, P., Perona, P. et al. Ökomorphodynamische Kohlenstoffförderung durch die größten Flüsse der Neotropis. Sci Rep 13, 5591 (2023). https://doi.org/10.1038/s41598-023-32511-w

Zitat herunterladen

Eingegangen: 17. Oktober 2022

Angenommen: 28. März 2023

Veröffentlicht: 05. April 2023

DOI: https://doi.org/10.1038/s41598-023-32511-w

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.