MARC

 008250123s2024        us                              c    eng  d
■001000017162473
■00520250211152016
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383351451
■035    ▼a(MiAaPQ)AAI31331745
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a551.5
■1001  ▼aLudwig,  Sarah  M.
■24510▼aHierarchical  Scaling  of  Carbon  Fluxes  in  the  Arctic  Using  an  Integrated  Terrestrial,  Aquatic,  and  Atmospheric  Approach
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a233  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-01,  Section:  B.
■500    ▼aAdvisor:  Commane,  Roisin.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aWith  warming  temperatures,  Arctic  ecosystems  are  changing  from  a  net  sink  to  a  net  source  of  carbon  to  the  atmosphere,  but  the  Arctic's  carbon  balance  remains  highly  uncertain.  Landscapes  are  often  assumed  to  be  homogeneous  when  interpreting  eddy  covariance  carbon  fluxes,  which  can  lead  to  biases  when  gap-filling  and  scaling-up  observations  to  determine  regional  carbon  budgets.  Tundra  ecosystems  are  heterogeneous  at  multiple  scales.  Plant  functional  types,  soil  moisture,  thaw  depth,  and  microtopography,  for  example,  vary  across  the  landscape  and  influence  carbon  dioxide  (CO2)  and  methane  (CH4)  fluxes.  In  Chapter  2,  I  reported  results  from  growing  season  CO2  and  CH4  fluxes  from  an  eddy  covariance  tower  in  the  Yukon-Kuskokwim  (YK)  Delta  in  Alaska.  I  used  flux  footprint  models  and  Bayesian  Markov  Chain  Monte  Carlo  (MCMC)  methods  to  unmix  eddy  covariance  observations  into  constituent  landcover  fluxes  based  on  high  resolution  landcover  maps  of  the  region.  I  compared  three  types  of  footprint  models  and  used  two  landcover  maps  with  varying  complexity  to  determine  the  effects  of  these  choices  on  derived  ecosystem  fluxes.  I  used  artificially  created  gaps  of  withheld  observations  to  compare  gap-filling  performance  using  our  derived  landcover-specific  fluxes  and  traditional  gap-filling  methods  that  assume  homogeneous  landscapes.  I  also  compared  regional  carbon  budgets  scaled  up  from  observations  using  heterogeneous  and  homogeneous  approaches.  Gap-filling  methods  that  accounted  for  heterogeneous  landscapes  were  better  at  predicting  artificially  withheld  gaps  in  CO2  fluxes  than  traditional  approaches,  and  there  were  only  slight  differences  performance  between  footprint  models  and  landcover  maps.  I  identified  and  quantified  hot  spots  of  carbon  fluxes  in  the  landscape  (e.g.,  late  growing  season  emissions  from  wetlands  and  small  ponds).  I  resolved  distinct  seasonality  in  tundra  growing  season  CO2  fluxes.  Scaling  while  assuming  a  homogeneous  landscape  overestimated  the  growing  season  CO2  sink  by  a  factor  of  two  and  underestimated  CH4  emissions  by  a  factor  of  two  when  compared  to  scaling  with  any  method  that  accounts  for  landscape  heterogeneity.  I  showed  how  Bayesian  MCMC,  analytical  footprint  models,  and  high  resolution  landcover  maps  can  be  leveraged  to  derive  detailed  landcover  carbon  fluxes  from  eddy  covariance  timeseries.  These  results  demonstrate  the  importance  of  landscape  heterogeneity  when  scaling  carbon  emissions  across  the  Arctic.Climate  change  is  causing  an  intensification  in  tundra  fires  across  the  Arctic,  including  the  unprecedented  2015  fires  in  the  YK  Delta.  The  YK  Delta  contains  extensive  surface  waters  (approximately  33%  cover)  and  significant  quantities  of  organic  carbon,  much  of  which  is  stored  in  vulnerable  permafrost.  Inland  aquatic  ecosystems  act  as  hot-spots  for  landscape  CO2  and  CH4  emissions  and  likely  represent  a  significant  component  of  the  Arctic  carbon  balance,  yet  aquatic  fluxes  of  CO2  and  CH4  are  also  some  of  the  most  uncertain.  In  Chapter  3,  I  measured  dissolved  CO2  and  CH4  concentrations  (n  =  364),  in  surface  waters  from  different  types  of  waterbodies  during  summers  from  2016  to  2019.  I  used  Sentinel-2  multispectral  imagery  to  classify  landcover  types  and  area  burned  in  contributing  watersheds.  I  developed  a  model  using  machine  learning  to  assess  how  waterbody  properties  (size,  shape,  and  landscape  properties),  environmental  conditions  (O2  concentration,  temperature),  and  surface  water  chemistry  (dissolved  organic  carbon  composition,  nutrient  concentrations)  help  predict  in  situ  observations  of  CO2  and  CH4  concentrations  across  deltaic  waterbodies.  CO2  concentrations  were  negatively  related  to  waterbody  size  and  positively  related  to  waterbody  edge  effects.  CH4  concentrations  were  primarily  related  to  organic  matter  quantity  and  composition.  Waterbodies  in  burned  watersheds  appeared  to  be  less  carbon  limited  and  had  longer  soil  water  residence  times  than  in  unburned  watersheds.  My  results  illustrated  the  importance  of  small  lakes  for  regional  carbon  emissions  and  demonstrate  the  need  for  a  mechanistic  understanding  of  the  drivers  of  greenhouse  gasses  in  small  waterbodies.In  the  Arctic  waterbodies  are  abundant  and  rapid  thaw  of  permafrost  is  destabilizing  the  carbon  cycle  and  changing  hydrology.  It  is  particularly  important  to  quantify  and  accurately  scale  aquatic  carbon  emissions  in  arctic  ecosystems.  Recently  available  high-resolution  remote  sensing  datasets  capture  the  physical  characteristics  of  arctic  landscapes  at  unprecedented  spatial  resolution.  In  Chapter  4,  I  demonstrated  how  machine  learning  models  can  capitalize  on  these  spatial  datasets  to  greatly  improve  accuracy  when  scaling  waterbody  CO2  and  CH4  fluxes  across  the  YK  Delta  of  south-west  AK.  I  found  that  waterbody  size  and  contour  were  strong  predictors  for  aquatic  CO2  emissions,  attributing  greater  than  two-thirds  of  the  influence  to  the  scaling  model.  Small  ponds  (0.001  km2)  were  hotspots  of  emissions,  contributing  fluxes  several  times  their  relative  area,  but  were  less  than  5%  of  the  total  carbon  budget.  Small  to  medium  lakes  (0.001-0.1  km2  )  contributed  the  majority  of  carbon  emissions  from  waterbodies.  Waterbody  CH4  emissions  were  predicted  by  a  combination  of  wetland  landcover  and  related  drivers,  as  well  as  watershed  hydrology,  and  waterbody  surface  reflectance  related  to  chromophoric  dissolved  organic  matter.  When  compared  to  my  machine  learning  approach,  traditional  scaling  methods  that  did  not  account  for  relevant  landscape  characteristics  overestimated  waterbody  CO2  and  CH4  emissions  by  26%-79%  and  8%-53%  respectively.  This  chapter  demonstrated  the  importance  of  an  integrated  terrestrial-aquatic  approach  to  improving  estimates  and  uncertainty  when  scaling  carbon  emissions  in  the  arctic.In  order  to  understand  carbon  feedbacks  with  the  atmosphere  and  predict  climate  change,  we  need  to  develop  methods  to  model  and  scale  up  carbon  emissions.  Gridded  datasets  of  carbon  fluxes  are  used  to  benchmark  Earth  system  models,  attribute  changes  in  rates  of  atmospheric  concentrations  of  greenhouse  gases,  and  project  future  climate  change.  There  are  two  main  approaches  to  deriving  gridded  datasets  of  carbon  fluxes  and  global  or  regional  carbon  budgets:  bottom-up  scaling,  and  top-down  atmospheric  inversions.  There  is  often  divergence  between  approaches,  with  carbon  budgets  calculated  from  bottom-up  and  top-down  studies  rarely  overlapping.  The  resulting  uncertainty  in  carbon  budgets  calculated  from  either  approach  is  more  pronounced  in  high-latitudes.  One  of  the  challenges  with  combining  bottom-up  models  and  comparing  top-down  models  is  the  variable  spatial  resolutions  used  in  each  approach.  In  Chapter  5,  I  applied  flux  scaling  models  from  earlier  chapters  to  create  bottom-up  carbon  budgets  at  very  high  resolution  (10  m)  for  the  entire  YK  Delta  domain.  I  used  ERA5  land  reanalysis  data  to  extend  the  flux  models  to  2012-2015  and  2017  growing  seasons  to  coincide  with  airborne  observations  of  atmospheric  CO2  and  CH4  concentrations  from  NASA  CARVE  and  Arctic-CAP  campaigns.  I  progressively  coarsened  remote  sensing  imagery  for  the  region  to  30  m,  90  m,  250  m,  and  1  km  to  create  coarser  landcover  maps  and  corresponding  bottom-up  carbon  budgets.  The  high  resolution  bottom-up  models,  when  convolved  with  concentration  footprints,  produced  simulated  atmospheric  enhancements  that  were  similar  to  observed  atmospheric  enhancements.  There  was  little  change  coarsening  to  30  m  and  90  m,  but  simulated  atmospheric  enhancements  and  especially  carbon  budgets  were  quite  different  at  250  m  and  1  km  spatial  resolution.  The  changes  with  resolution  were  largely  the  result  of  an  increase  in  area  mapped  as  wetlands  and  shrub  tundra,  and  less  area  mapped  as  small  waterbodies  and  lichen  tundra.  Coarser  resolution  bottom-up  scaling  consistently  overestimated  CH4  budgets.  By  evaluating  flux  models  against  atmospheric  observations,  I  was  able  to  diagnose  missing  components  such  as  inland  water  carbon  emissions  and  times  when  the  scaling  models  overestimated  emissions  to  missing  seasonal  dynamics.This  dissertation  combined  novel  uses  of  statistical  techniques  with  a  high  density  of  field  observations  to  yield  process-level  understanding  of  carbon  cycling  that  could  be  applied  to  scaling-up  carbon  emissions.  
■520    ▼aBy  merging  terrestrial  and  aquatic  perspectives  and  concurrently  mapping  ecosystem  landcovers  and  disturbances  at  high  spatial  resolution,  I  avoided  common  sources  of  uncertainty  in  carbon  budgets  such  as  double-counting  of  areas.  I  investigated  how  we  represent  the  landscape  in  terms  of  both  spatial  resolution  and  the  level  of  landscape  heterogeneity,  and  determined  the  effects  of  these  choices  on  carbon  fluxes  and  budget  estimates.  By  comparing  to  the  atmosphere,  I  evaluated  the  validity  of  different  approaches  to  modeling  carbon  fluxes  in  the  Arctic.  Together,  the  chapters  in  this  dissertation  provided  a  holistic  study  of  carbon  cycling  in  the  Arctic.
■590    ▼aSchool  code:  0054.
■650  4▼aAtmospheric  sciences
■650  4▼aBiogeochemistry
■650  4▼aEcology
■650  4▼aGeophysics
■650  4▼aRemote  sensing
■653    ▼aArctic
■653    ▼aCarbon  fluxes
■653    ▼aMachine  learning
■653    ▼aMethane
■653    ▼aPermafrost
■690    ▼a0725
■690    ▼a0425
■690    ▼a0329
■690    ▼a0799
■690    ▼a0373
■71020▼aColumbia  University▼bEarth  and  Environmental  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g86-01B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162473▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서