全球湖泊表面温度迅速强烈增温外文翻译资料

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

全球湖泊表面温度迅速强烈增温

Catherine M. Orsquo;Reilly¹, Sapna Sharma², Derek K. Gray³, Stephanie E. Hampton⁴, Jordan S. Read⁵, Rex J. Rowley¹, Philipp Schneider⁶, John D. Lenters⁷, Peter B. McIntyre⁸, Benjamin M. Kraemer⁸, Gesa A. Weyhenmeyer⁹, Dietmar Straile¹⁰, Bo Dong¹¹, Rita Adrian¹², Mathew G. Allan¹³,Orlane Anneville¹⁴, Lauri Arvola¹⁵, Jay Austin¹⁶, John L. Bailey¹⁷, Jill S. Baron¹⁸, Justin D. Brookes¹⁹, Elvira de Eyto²⁰, Martin T. Dokulil²¹, David P. Hamilton²², Karl Havens²³, Amy L. Hetherington²⁴, Scott N. Higgins²⁵, Simon Hook²⁶, Lyubov R. Izmestrsquo;eva²⁷, Klaus D. Joehnk²⁸, Kulli Kangur²⁹,Peter Kasprzak³⁰, Michio Kumagai³¹, Esko Kuusisto³², George Leshkevich³³, David M. Livingstone³⁴, Sally MacIntyre³⁵, Linda May³⁶, John M. Melack³⁷, Doerthe C. Mueller-Navarra³⁸, Mikhail Naumenko³⁹, Peeter Noges⁴⁰, Tiina Noges⁴⁰, Ryan P. North⁴¹, Pierre-Denis Plisnier⁴², Anna Rigosi¹⁹, Alon Rimmer⁴³, Michela Rogora⁴⁴, Lars G. Rudstam²⁴, James A. Rusak⁴⁵, Nico Salmaso⁴⁶, Nihar R. Samal⁴⁷,

Daniel E. Schindler⁴⁸, S. Geoffrey Schladow⁴⁹, Martin Schmid⁵⁰, Silke R. Schmidt¹², Eugene Silow²⁷, M. Evren Soylu⁵¹, Katrin Teubner⁵², Piet Verburg⁵³, Ari Voutilainen⁵⁴, Andrew Watkinson⁵⁵,Craig E. Williamson⁵⁶, and Guoqing Zhang⁵⁷

摘要：从第一次地面与卫星衍射湖泊的综合资料中，我们发现1985年至2009年期间湖面夏季地表水温迅速上升（全球平均值为0.34℃·10a^-1）。分析表明，上升的速率不仅仅取决于湖泊的位置，还取决于当地的气候和地形特征，导致了湖泊水温增温速率不是随着湖泊位置规律的变化，还存在一些特例。迅速变暖的湖泊分布广泛，其变暖的原因与不同气候因素之间的相互作用有关——在气温和太阳辐射增加、云覆盖减小的环境下，季节性有冰覆盖的湖泊水面增温0.72·10a^-1而全年无冰覆盖的湖泊水面温度增加0.53℃·10a^-1。这些现象表明我们迫切需要将气候影响纳入湖泊的脆弱性的评估和适应工作中。

1 引言

湖泊拥有地球上绝大部分的液态淡水，生物多样性重要组成部分，病为世界各地的人们提供基础需求的供应和文化生态系统。气候变化是湖泊面临的巨大威胁之一[Carpenter et al., 2011]，但全球湖泊分析的知识经验很分散，需要结合海洋、陆地、大气系统的主要气候变化。以前的分析一直限制于遥感-地面的温度变化趋势，每个数据都有地形偏差。例如，卫星反演湖泊水温数据通常局限于面积小于10,000公顷的湖泊[Schneider and Hook, 2010; MacCallum and Merchant, 2012]，而忽略了世界上90%的小而浅的湖泊也可能对气候变化有不同的影响[Wetzel, 1990; Winslow et al., 2015]。以前的原始数据资料往往受到地理限制，主要都是北温带地区[Livingstone and Dokulil, 2001; Austin and Colman, 2007]。所以，虽然有足够的资料表明气候对个别湖泊或湖泊地区的影响，但对湖泊对应的大尺度空间模式或是这些模式如何收湖泊影响的理解有限。通过整合全球湖泊卫星和原位地表水温的趋势，我们平衡各种数据类型原本的偏差[Hampton, 2013]，获取广泛的空间范围和各个尺寸湖泊的地貌变化（见图S1、表S1）。

了解内陆水域温度变化是推动在科学解决广泛多样的社会重要问题上的基础性步骤。计算看起来很小的湖泊温度也会通过非线性动力影响着周围发生的生物以及物理过程[Adrian et al., 2009]。地球上各种各样的湖泊大小和形状表明，湖泊变暖存在空间和时间上的变化。地表水面温度变化的主要因素包括吸收太阳辐照度和大气热交换，地表水面温度变化受气温、太阳辐射、湿度、冰雪覆盖和风的影响[Edinger et al.,1968]，也受当地地理因素影响，比如湖泊面积和深度[Schmid et al.,2014]。这些因素在不同湖泊之间差异很大，最近气候变量的变化速度也是有空间差异的[Wild, 2012; Eastman and Warren, 2013; Jiet al., 2014]。所以，我们研究了湖面温度与气候因子和地貌因素之间的关系，以便更好地理解和预测全球湖泊变暖趋势。

2 数据和方法

2.1数据来源

我们使用了从1985年到2009年的夏季湖泊水面温度（lake summer surface water temperatures，LSSWT）和气候变量（气温、辐射和云量）的数据[Sharma et al., 2015]。该数据包括LSSWT来自原位和卫星的测量值以及全球湖泊数据分布。LSSWT为三个月的平均值。一般来说，位于北半球的湖泊夏季定义为7月1日至9月30日（JAS），而南半球的湖泊夏季则定义为1月1日至3月31日（JFM）。不过，纬度低于23.5°的地区，赤道以南使用JAS度量标准，赤道以北使用JFM度量标准，以便于避免热带地区的多云雨季，从而可以增加无云卫星观测值的数量[Schneider and Hook, 2010; Sharma et al., 2015]。这段时间有一个例外就是在阿拉斯加州的Toolik湖泊的实地资料，由于高纬度的地区冬季从9月初开始，所以我们使用了6月至8月的资料作为夏季资料。重点收集实地数据，卫星数据至少能够表示9平方公里的平均值。我们选择了拥有13年以上资料的湖泊（118个原位采样湖泊和128个卫星采样湖泊，11个湖泊使用了原位和卫星方法采样）（表S2）。这些湖泊的数据在25年的时间段内分布相对均匀，且在时间段的开始和结束都没有丢失数据。中位数的记录有22年，第75个百分位的记录有24年，第25个百分位的记录有19年。

每个湖泊的源数据包括每个湖泊的经纬度、海拔、表面积、体积、平均深度和最大深度以及气候变量[Sharma et al., 2015]。气温是来自气候研究单位3.21版本的0.5°分辨率网格的数据。太阳辐射数据来自1985至2007年NASA/全球能源与水循环实验表面辐射收支的3.0版本的预算短波辐射数据集1°times;1°卫星产品。云量来自NOAA的1°修订版本的NOAA的5通道先进的高分辨辐射计云图记录，使用PathFinder大气扩展处理系统得到的覆盖率统计百分比[Heidinger et al., 2010; Stubenrauch et al., 2013]。

2.2.全球平均变化率和趋势计算

按照国际气候变化专门委员会的方法计算湖泊夏季水面温度的全球平均变暖速率[Hartmann et al., 2013a, 2013b]，方法如下：对于每个湖泊，我们计算了相对于其1985-2009年温度异常的平均值，然后使用线性回归跨年度平均异常来确定全球LSSWT升温速率。对于同时具有原位和卫星温度数据的湖泊，只使用原位数据。计算在R[R Development Core Team, 2014]完成。对于每个湖泊，我们使用Sen斜率来计算LSSWT、气温、云层覆盖和短波辐射的变化趋势。为了获得每个变量的最佳趋势，我们使用了所有可用的数据，并且么有跨越数据集的间隙匹配。Sen斜率和显著性在R中使用“openair”包[Carslaw and Ropkins, 2012] (Table S2)。然而，鉴于我们的方法是比较整个湖泊的趋势，噪声更可能模糊模式，而不是创造它们。

2.3. 近端相似性分析

使用Getis-Ord Gi统计量完成近端相似分析，并在ArcGIS 10.2中生成结果图。我们可以得知，全球次大陆地区的湖泊水面温度趋势与该地区周边湖泊趋势相似，与全球趋势相似。Getis-Ord Gi统计量是基于每个湖泊的两个特征的标准分数：其趋势值（Sen斜率）及其附近的湖泊具有相似性。计算方法如下：首先，在近似1300公里半径（次大陆区域总和）内累计一个点值和多个近端观测值。然后，将该区域总和按比例与全球总和进行比较。这样的比较导致每个观测值的标准分数，以及显著高于或低于整个区域的观测值，被认为高于或低于全球趋势的统计显著区域相似性。换句话说，统计上显著的高于或低于标准分数标识数据集内具有高值或低值的点位置的高聚类[Getis and Ord, 1992; Ord and Getis, 1995; ESRI, 2013]。通过计算总计数据集中总湖泊温度点的至少5%的距离，以确定1300km的距离。这以为着即使在数据点不密集的地区（例如南美洲和非洲），一个湖泊仍可以少数地区进行分析比较。使用错误发现率矫正来计算Getis-Ord Gi统计量，以解决数据集中的多个测试和空间依赖性问题[Caldas de Castro and Singer, 2006; ESRI, 2013]。这个处理过程每个湖产生标准分数和p值。为了可视化，我们使用了每个湖泊的标准分数来生成具有类似温度趋势（高或低）的湖泊点的统计显著密度的区域和核密度层。

在本次研究中，热点分析确定了全球数据集和温度趋势（或高或低）一致的湖泊，这些湖泊附近的湖泊具有类似的趋势。由于此分析是基于数据的分布，所以冷点的识别并不一定意味着这些是冷却区域。而意味着他们是湖泊集中的区域，其趋势低于数据集的平均值。北标记为非标准化的地区在其趋势和与其他具有类似的湖泊的接近度之间没有统计显著关系。

2.4.湖泊温度趋势的回归树

对LSSWT趋势进行回归树分析，以确定与我们数据库中广泛分布的湖泊中观测到的变暖趋势相对应的一系列因子。在对于LSSWT的趋势进行这些分析之前，我们使用了LSSWT年际变化的初步模型来评估可用的环境变量组是够可以对任何给定年份的任何给定湖泊的水面温度进行合理预测。预测因子包括冬季和夏季的平均气温、云层覆盖度、短波辐射以及湖泊的地貌特征（海报、表面积和最大深度），并测试了三种回归模型方法（表S3）。随后，在回归树分析中，我们列出了冬季和夏季气温、云量的百分数、短波辐射、地貌特征和平均冬季气温（作为冰雪覆盖的代表）的趋势。我们考虑了冬季气候趋势，因为一些地区冬季气候变化较大，冬季条件很大程度上影响了夏季水温。回归树根据变量中的阈值迭代将数据划分为两个同质的互斥组，同时最小化两个组内的相应变量变化（平方和）[Breiman et al., 1984; Dersquo;ath and Fabricius, 2000; Dersquo;ath, 2002]。回归树可以很好的表现出复杂的生态数据，表现出高阶相互作用、多重共线性和预测变量之间的非线性关系[Dersquo;ath and Fabricius, 2000; Dersquo;ath, 2002]。同时具有原位和卫星资料的11个湖泊，原始数据和卫星数据都出现在每个湖泊的树状图同一片叶子上，从而提高了模型的可信度。还有一个“数据类型”的变量，它是原位和卫星数据的比值，不过并不显

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[22412]，资料为PDF文档或Word文档，PDF文档可免费转换为Word