ecológico

Scientific Reports volumen 13, número de artículo: 5591 (2023) Citar este artículo

993 Accesos

1 altmétrica

Detalles de métricas

Se analiza la actividad ecomorfodinámica de grandes ríos tropicales en América del Sur y Central para cuantificar el flujo de carbono desde la vegetación ribereña hacia las aguas continentales. Llevamos a cabo un análisis multitemporal de datos satelitales para todos los ríos más grandes del Neotrópico (es decir, ancho > 200 m) en el período 2000-2019, con una resolución espacial de 30 m. Desarrollamos una cuantificación de un mecanismo de bomba de carbono altamente eficiente. Se ha demostrado que la morfodinámica de los ríos impulsa la exportación de carbono desde la zona ribereña y promueve la producción primaria neta mediante un proceso integrado a través del rejuvenecimiento y la colonización de las llanuras aluviales. Se ha demostrado que este mecanismo de bombeo por sí solo representa 8,9 millones de toneladas/año de movilización de carbono en estos ríos tropicales. Identificamos firmas de la actividad ecomorfológica fluvial que proporcionan indicadores de la capacidad de movilización de carbono asociada con la actividad fluvial. Discutimos el nexo entre migración fluvial y movilización de carbono y los efectos sobre la intensidad de carbono de las represas hidroeléctricas planificadas en el Neotrópico. Recomendamos que las futuras políticas hídricas orientadas al carbono en estos ríos incluyan un análisis similar.

Los ríos no son simplemente sistemas de transporte pasivos y estáticos que transportan agua y sedimentos desde las cabeceras hasta los océanos, sino que afectan activamente el presupuesto global de carbono1,2. Aunque se reconoce que la exportación lateral de carbono desde los ecosistemas terrestres es una vía clave en el ciclo biogeoquímico del carbono3, la cuantificación de la movilización de carbono por la dinámica de los ríos generalmente se ha pasado por alto4,5,6,7. Al explorar el nexo carga de sedimentos, dinámica de los ríos y flujo de carbono de las regiones tropicales de América, mostramos que la morfodinámica de los ríos es fundamental para los flujos de carbono entre los sistemas terrestres, los corredores fluviales y la atmósfera.

A través de una evaluación a escala global de la dinámica y la densidad de la vegetación dentro de la Zona de Transición Acuático-Terrestre (ATTZ), demostramos que los ríos tropicales más grandes del Neotrópico reclutan anualmente 8,90 ± 0,84 millones de toneladas de carbono como biomasa de la vegetación ribereña leñosa viva. A través de la exploración de un mecanismo de bombeo de carbono ecomorfodinámico, identificamos que este reclutamiento puede promover un círculo virtuoso para los sumideros de carbono, depositados principalmente en llanuras aluviales, pero probablemente incluso más lejos, en los océanos.

Según la visión clásica del concepto River Continuum8, la materia orgánica particulada gruesa exportada desde las llanuras aluviales se fragmenta y descompone a medida que avanza río abajo, con la consiguiente transformación en materia orgánica particulada y disuelta (POM y DOM respectivamente), y luego se desgasifica. Sin embargo, el destino de las LWD reclutadas por las aguas de los arroyos está lejos de explicarse completamente. Por ejemplo, se ha demostrado que los ríos con altas cargas de sedimentos entierran fácilmente madera al menos al mismo ritmo que la madera exportada a los estuarios9. Varios estudios han proporcionado evidencia de que, una vez reclutada por el canal, la LWD puede permanecer enterrada en el aluvión durante tiempos extraordinariamente largos10,11. Esto sugiere que algunos procesos se pasan por alto en el presupuesto de carbono de los ríos7. De hecho, el almacenamiento de sedimentos fluviales es un aspecto clave del ciclo biogeoquímico12, ya que parte del carbono orgánico bioesférico se almacena en reservorios terrestres durante escalas de tiempo milenarias antes de alcanzar los depocentros finales en las cuencas marinas13.

Al igual que la bomba biológica de carbono14, mediante la cual la producción neta de fitoplancton y su caída marina final impulsan el carbono desde la atmósfera hacia el interior del océano y los sedimentos del fondo marino, conjeturamos que la fijación fotosintética por la vegetación ribereña, el reclutamiento de la vegetación ribereña, su transporte y entierro, encajan entre sí. en un nexo integrado en el que los ríos impulsan una bomba de carbono desde la atmósfera hacia las reservas a largo plazo (es decir, llanuras aluviales y océanos). Conjeturamos que la movilización de carbono se desencadena mediante un mecanismo de bombeo de dos pasos. El primer paso se refiere a la exportación ecomorfodinámica de carbono desde las llanuras aluviales (denominadas sintéticamente en lo sucesivo eCE), mientras que el segundo paso, a saber, la producción primaria neta mejorada (ENPP), consiste en la fijación de C promovida por la invasión de la vegetación en zonas desnudas. áreas ribereñas generadas por la actividad morfodinámica. Por lo tanto, definimos la Bomba de Carbono ecomorfodinámica (eCP) como la combinación de estos dos procesos, que funcionan en cascada y que se energizan principalmente por la migración de canales en ríos serpenteantes (Fig. 1b) y por desbordamientos e inundaciones en ríos múltiples. -ríos de hilo. Los primeros son canales únicos con una planta sinuosa que comprende una serie de curvas regulares (meandros) que se mueven y evolucionan en el tiempo. La migración de meandros se debe a la erosión de los bancos en la orilla exterior de los canales curvos y a la generación de barras puntuales y llanuras aluviales en la orilla interior. Estos últimos se caracterizan por la existencia de varios canales interconectados separados por barras en el medio del canal o islas invadidas por vegetación.

Los sistemas fluviales almacenan carbono orgánico en cuatro compartimentos interconectados15: (a) biomasa ribereña permanente; b) Madera caída de gran tamaño (> 10 cm de diámetro y 1 m de longitud); (c) Sedimentos, humus de hojarasca y carbono orgánico del suelo (COS); (d) Biomasa en la corriente cuyo proceso de descomposición produce materia orgánica particulada (POM) y materia orgánica disuelta (DOM). En este artículo, nos referimos a los flujos de carbono de la vegetación leñosa viva como la madera directamente reclutada del compartimento (a) y entregada a los otros compartimentos a través de la erosión de las orillas, inundaciones, desarraigo y entierro. No nos centramos en el SOC, cuyas dinámicas ya han sido bien exploradas en otros lugares16,17.

En particular, se puede destacar una brecha de cuantificación en los últimos cálculos del presupuesto del ciclo del carbono, por lo que el componente LWD del flujo acuático-llanura aluvial-estuarino permaneció inexplorado4,5,6,7. De hecho, las estimaciones globales (Fig. 1, Tabla complementaria S1) de aproximadamente 2,9 a 8,3 PgC/año de la exportación terrestre de carbono desde los sedimentos fluviales y la vegetación ribereña a las aguas continentales se obtuvieron restando los flujos de salida, es decir, los flujos de salida. gaseamiento (2,1–3,9 PgC/año, Ref.7,18), entierro (0,6–4,2 PgC/año, Ref.7,17) y exportación oceánica (1 PgC/año, Ref.19), desde el interior -flujos, es decir, erosión del lecho rocoso (0,5 PgC/año, Ref.20) y fijación fotosintética autóctona en la corriente (20% de los flujos de salida, Ref.19). Sin embargo, este presupuesto pasa por alto el reclutamiento de LWD en la exportación, ya que es razonable no asumir que todo el insumo leñoso se descompone y se reduce a tamaño micrométrico (tradicionalmente considerado < 20 \(\upmu \)m) durante el tiempo de tránsito en el sistema fluvial. , y por lo tanto no se indica que la madera transportada se transforma en la fracción fina de POM o se mineraliza. Además, evaluaciones recientes de las tasas globales de evasión de \(\hbox {CO}_2\)18,21 y de las superficies de aguas continentales22 no consideran en el presupuesto el reclutamiento de vegetación para fluir río abajo, el transporte, la deposición y el entierro en la llanura aluvial6,10. Dado que la principal fuente de LWD surge del desarraigo de las plantas debido al desbordamiento y la erosión de las orillas, los troncos tienden a ser encaminados durante las inundaciones, y los troncos flotantes pueden quedar enterrados en el arroyo y en los sedimentos aluviales sobreviviendo durante milenios antes de descomponerse11. El carbono orgánico en forma de POM o LWD puede depositarse en condiciones anóxicas y estabilizarse a largo plazo23,24. Además, las altas tasas de migración en los ríos serpenteantes de las tierras bajas (por ejemplo, 0,03–0,05 de ancho de canal por año25) pueden reducir el tiempo de residencia del material almacenado en la llanura aluvial13 y, por lo tanto, limitar el tiempo disponible para la oxidación26. Aunque una fracción del carbono reclutado por el río regresa a la atmósfera a través de procesos de descomposición27 y desgasificación28, hay una parte que se almacena permanentemente en los corredores fluviales como carbono orgánico sedimentario13 o se entrega a zonas costeras y océanos profundos19. Debido a estos procesos, se ha reconocido que los grandes sistemas de llanuras aluviales de tierras bajas son importantes sumideros de carbono29. Por otro lado, el LWD no necesariamente permanece en un viaje constante río abajo en el río y puede pasar un tiempo significativo en atascos o depositado en la llanura aluvial30. Parece necesaria una cuantificación del papel del LWD en el balance de carbono de la zona de transición acuático-terrestre31 y ya se han señalado una laguna de conocimiento y las incertidumbres en los flujos informados en la Fig. 17. Tres aspectos merecen una mayor investigación: (1) El reclutamiento del flujo de LWD parece generalmente subestimado a escala global, aunque está fuertemente asociado con los procesos morfodinámicos de los ríos; (2) El rejuvenecimiento periódico de la vegetación ribereña desencadena una mejora aún inexplorada de la producción primaria neta del corredor fluvial, con un efecto directo en el presupuesto de carbono; (3) El destino de los flujos de LWD después del reclutamiento en la zona ribereña aún carece de una estimación global cuantitativa6, en particular en lo que respecta al efecto del enterramiento en llanuras aluviales tropicales10,15, en lagos y estuarios32. Al conjeturar y cuantificar la Bomba de Carbono Ecomorfodinámica (eCP), el presente trabajo aborda cuantitativamente el punto (1) y discute los efectos en el punto (2) para la región Neotropical (es decir, la más C-activa del mundo).

El primer paso del mecanismo de bombeo comprende el reclutamiento de biomasa de LWD inducido por la corriente de la vegetación ribereña en pie mediante la erosión y el desarraigo inducido por inundaciones. Esta biomasa es arrancada y/o transportada a la corriente de agua (o permanece sumergida in situ) y almacenada en algún lugar mediante entierro en las llanuras aluviales fluviales o entregada a los océanos. El segundo paso del ENPP es la fijación de C promovida por la invasión de vegetación y la producción primaria en nuevas áreas ribereñas desnudas. Estos dos pasos implican dos flujos de carbono que se compensan mutuamente cruzando la zona ribereña, respectivamente de salida y de entrada.

El mecanismo ecomorfodinámico de Bombeo de Carbono y el balance global de carbono de la zona de transición acuático-terrestre en los ríos, con flujos reportados en PgC/año (estimaciones globales, no solo tropicales). (a) Las flechas de rojo a azul representan vegetación leñosa reclutada a través de actividades morfodinámicas fluviales (eCE), estimadas en el presente trabajo en 8,9 TgC/año para grandes ríos tropicales (ancho > 200 m) en el Neotrópico (es decir, Sur y Centro). America). Las flechas de amarillo a rojo se refieren a ENPP (ver texto principal). SCW: absorción atmosférica de \(\hbox {CO}_2\) procedente de la meteorización de silicatos y carbonatos; ICW Aporte de carbono inorgánico procedente de la meteorización; Bu: Entierro; PF: fijación fotosintética; RZ: Zona Ribereña. El significado, las definiciones, la literatura fuente de los flujos F1 a F4 y de todas las demás flechas se informan en la Tabla complementaria S1. (b) En los ríos con meandros, la captura de biomasa leñosa impulsada por la migración del canal se exporta desde la orilla exterior a la corriente (eCE). Luego, la biomasa joven coloniza la barra de puntos interior recién depositada, impulsando una mayor fijación de \(\hbox {CO}_2\) desde la atmósfera (Producción primaria neta mejorada - ENPP), estabilizando la barra y promoviendo una mayor migración fluvial (efecto de retroalimentación). La energía hidráulica (flechas discontinuas azules) impulsa la morfodinámica y la migración de canales, mientras que la energía solar (flechas discontinuas amarillas) impulsa la consiguiente fijación de \(\hbox {CO}_2\) desde la atmósfera. El resultado de la bomba es la movilización de LWD y POM, que finalmente se almacenan en los sedimentos de los canales del río aguas abajo (espiral de sedimentos) o en las zonas más profundas de los océanos.

Analizamos la dinámica de los ríos tropicales en el Neotrópico con una anchura superior a 200 m en el período 2000-2019 y previamente clasificados como de flujo libre33, es decir, débilmente perturbados por actividades antrópicas. Esto dio como resultado un conjunto de datos de 80 grandes ríos embebidos en 235 regiones de interés (ROI), con una longitud fluvial total de 59.000 km y un área total de llanura aluvial analizada de 302.000 \(\hbox {km}^2\) (es decir, un (una sexta parte de la extensión global de las llanuras aluviales, según Ref.34). A través del análisis de teledetección de conjuntos de datos satelitales desarrollados en la plataforma de computación en la nube Google Earth Engine (Tabla complementaria S2), nos centramos en el área del corredor fluvial que tenía una pérdida de vegetación debido a la dinámica del río. Con un mapeo de clasificación probabilística (“Métodos”), a partir de un producto basado en Landsat35 con una resolución de 30 m, se estimó que esta área era de 12 125 ± 286 \(\hbox {km}^2\) en el período 2000-2019, lo que corresponde a una pérdida forestal anual promedio de 638 ± 15 \(\hbox {km}^2\)/año.

Las pérdidas de bosques se combinaron con las densidades de biomasa para evaluar la fuerza de la Exportación Ecomorfodinámica de Carbono (eCE) y su valor por unidad de área de retorno de la inversión: eCEA (“Métodos”). Estimamos que los grandes ríos tropicales en el Neotrópico exportan 8,90 ± 0,84 TgC/año de carbono de biomasa leñosa de los corredores ribereños (eCEA= 29,5 ± 0,36 MgC/\(\hbox {km}^2\)año, Fig. 2, Tabla 1 ). En general, el 57\(\%\) de la exportación total de carbono se debe a sólo cinco ríos (6\(\%\)), grandes exportadores, cada uno de los cuales aporta eCE > 0,3 TgC/año. Las áreas dinámicamente afectadas por estos ríos ocupan el 35\(\%\) del área total considerada. Incluyen: (1) Exportadores Extensivos (eCEA < 50 MgC/ \(\hbox {km}^2\) año), que son grandes contribuyentes debido a sus grandes corredores fluviales, como el Río Negro; (2) Exportadores Intensivos (eCEA > 90 MgC/ \(\hbox {km}^2\) año) con corredores fluviales menos extensos pero altas tasas de migración (Mr > 4 \(\times \) 10\(^{-2 }\) anchos de canales por año, Ref.25) como el río Ucayali.

Exportación ecomorfodinámica de carbono (eCE) y firma de carbono de los ríos más grandes de América Tropical. La CEPE en (a) América del Sur, (b) Paraguay-Brasil Sur, (c) América Central. Firma de carbono en (d) América del Sur, (e) América Central. El tamaño de los puntos es proporcional a eCE, los colores muestran eCEA (a–c, f, h) y firma (d, e). Los tramos azules indican corrientes que fluyen libremente (índice CSI > 95%, después de Ref.33). Consulte la Discusión complementaria para obtener detalles sobre el análisis de un grupo adicional de ríos (definido como moderadamente alterado por la Ref.33, no considerado en el análisis principal). (f) Vista ampliada de la cuenca forestal del antepaís andino y la distribución de las nuevas grandes represas hidroeléctricas planificadas (>1 MW, ver Ref.36) mostradas por triángulos rosados. (l) Correlación entre el transporte de sedimentos, la tasa de migración y la exportación de carbono (datos sobre la tasa de migración y el transporte de sedimentos de la referencia 25, en el río marcado con * la tasa de migración se derivó de la relación Mr = 0,043.\(\hbox { TSS}^{0.28}\), como lo sugiere la Ref.25, donde TSS es el sedimento suspendido total. (h) La secuencia longitudinal de firmas en la distribución de frecuencia (FD) para la densidad de biomasa del corredor del río Amazonas (NS, sesgada negativamente ; MM, multimodal; PS, sesgado positivamente.)

Como lo señala la Ref.25, los ríos de aguas bravas en la cuenca del antepaís andino (Ucayali, Huallaga, Beni y Marañón) son altamente dinámicos debido a la alta carga de sedimentos en suspensión que transportan (0,23 ± 0,16 Mt/año). De hecho, se encontró que la carga suspendida en estas cuencas está correlacionada positivamente con las tasas de migración de los ríos37 porque el transporte de sedimentos aumenta la acumulación de barras fluviales, lo que mejora la dirección topográfica del flujo longitudinal38 y, por lo tanto, promueve la tensión de corte y la erosión de las orillas39. Este fenómeno clave, combinado con los sedimentos ricos en nutrientes y la alta densidad de biomasa (8–16 GgC/\(\hbox {km}^2\)) de los corredores fluviales en la cuenca del antepaís andino, la convierte en la cuenca más activa en el Neotrópico para el transporte de carbono (48,1\(\%\) de la eCE total de los grandes ríos tropicales en el Neotrópico). Nuestro reanálisis de 14 ríos seleccionados de la cuenca del Amazonas, cuya tasa de migración por unidad de ancho Mr ya se conocía, sugiere además que la eCE está correlacionada positivamente con Mr y/o el total de sedimentos suspendidos TSS (Fig. 2g) y respalda nuestra hipótesis de morfodinámicamente impulsada por la exportación de carbono.

La cuenca del Amazonas y los afluentes correspondientes se pueden dividir en tres subregiones geomorfológicamente homogéneas (Figura complementaria S1). La región aguas arriba, correspondiente a la cuenca amazónica peruano-boliviana, es la más dinámica (eCE = 4,3 TgC/año) con altos niveles de sinuosidad, tasa de erosión de bancos y migración de canales. Los bosques tropicales de tierras bajas en dicha región están fuertemente influenciados por la erosión lateral de los ríos serpenteantes y nuevos bosques de sucesión secuencial se desarrollan muy rápidamente en barras de desplazamiento, mientras que la mayor parte de la pérdida de vegetación en mosaico (madura) se produce en la orilla exterior o en las islas de corta vida40 .

La región media (eCE = 3,1 TgC/año) se caracteriza por una tasa de erosión más baja y bancos de canales más estables. Los ríos serpenteantes (por ejemplo, como Purus, Jurua, Jutai) tienen tasas de migración inferiores a 0,2 anchos de canal/año25, debido a los bajos niveles de transporte de sedimentos (Fig. 2g) y \(\hbox {eCE}_A\) = 1,4–100 MgC/\(\hbox {km}^2\)/año. El corredor del río Amazonas en esta región se caracteriza por un aumento en la recurrencia de aguas bajas, con especies de pastos y arbustos verdes que colonizan una porción creciente de humedales con la consecuente reducción de comunidades de plantas leñosas41. Por ejemplo, el corredor del río Negro (un afluente del río Amazonas en la Amazonia central) se caracteriza por una densidad de biomasa relativamente menor, donde el bosque pantanoso (Igàpo) y la vegetación de arena blanca pueblan islas estables42.

La subregión aguas abajo (por ejemplo, Jurunea, Río Mapuera) proporciona los niveles más bajos de exportación de carbono en la cuenca del Amazonas (eCE=1,1 TgC/año, \(\hbox {eCE}_A\) = 19,4 MgC/\(\hbox {km }^2\) año). El corredor del río Amazonas está poblado aquí por lagos con forma de plato en la llanura aluvial y la vegetación herbácea está muy extendida. El reclutamiento de carbono está dominado por inundaciones recurrentes, por lo que la vegetación permanece en una etapa inmadura y la densidad de biomasa suele ser baja (< 5,3 GgC/\(\hbox {km}^2\)). Sin embargo, la cantidad de carbono exportado sigue siendo alta debido a la alta conectividad río-tierra (0,8 TgC/año, solo en el corredor del río Amazonas), mientras que la eCEA es menor que en la zona aguas arriba. Otros ríos fuera de la Cuenca del Amazonas (cuenca del Orinoco) y los ríos de Centroamérica secuestran 0,41 TgC/año con \(\hbox {eCE}_A\) que oscila entre 1 y 102 MgC/\(\hbox {km}^2\ ) año (valor medio: 17 MgC/\(\hbox {km}^2\) año).

Desde un punto de vista planimétrico, los grandes sistemas fluviales no confinados que se caracterizan por la dinámica fluvial se pueden dividir en términos generales en dos grupos: (1) multihilos; (2) sistemas de un solo hilo43. El primer grupo se refiere a ríos trenzados y errantes en los que predomina la elevación, en los que las inundaciones eliminan o entierran la vegetación a través de grandes cambios de elevación relacionados con la deposición/erosión. Esto mantiene al sistema fluvial en una etapa juvenil, pero altamente productiva, de acuerdo con la Hipótesis de Perturbación Intermedia44 y el Concepto de Pulso de Inundación27. Estos últimos, sistemas de un solo hilo, se refieren a arroyos sinuosos/meandros dominados por la planimetría, donde la erosión lateral y la deposición actúan de manera antitética, produciendo así una reasignación de vegetación en el corredor fluvial.

Observamos que la Exportación de Carbono ecomorfodinámica deja una huella morfológicamente dependiente en la distribución de la biomasa, debido a los gradientes aguas abajo en la duración del anegamiento (también llamado hidroperíodo) y las formas de planta fluviales. Mediante el análisis del conjunto de datos de existencias de carbono del WHRC45 y el uso de un nuevo algoritmo de agrupamiento (“Métodos”, Figura complementaria S2, Tabla complementaria S3), identificamos cuatro firmas de actividad biomorfológica fluvial evidentes en las distribuciones de biomasa dentro de las regiones de interés (Fig. 2d, e, h, Tabla complementaria S3): asimétrico negativo (NS, 47,9\(\%\) de observaciones), asimétrico positivo (PS, 29,9\(\%\)), multimodal (MM, 16,2\( \%\)), en forma de campana (BS, 6.0\(\%\)). Observamos que los corredores fluviales siguen la secuencia longitudinal NS-MM-PS bastante de cerca al aumentar el número de Horton-Strahler46, un escenario que es evidente en el río Amazonas (Fig. 2h). Estas firmas son un indicador de la capacidad exportadora de los ríos y demuestran el vínculo entre el transporte de sedimentos, los impulsos de las inundaciones, la morfodinámica de los ríos y el bombeo de carbono.

En ríos sinuosos o serpenteantes de un solo hilo con altas tasas de migración, la erosión lateral elimina el bosque maduro, mientras que la deposición de sedimentos proporciona un nuevo terreno fértil para la colonización de vegetación juvenil. El hidroperíodo (es decir, la duración media de las inundaciones estacionales) es lo suficientemente corto como para permitir que el bosque alcance la condición de madurez y almacene una gran cantidad de carbono. En cambio, las barras puntiagudas y los bancos desnudos son rápidamente cubiertos de vegetación por plántulas y árboles jóvenes con alta capacidad de secuestro pero baja densidad de carbono. Por lo tanto, la distribución del carbono está sesgada negativamente con un pico que representa el bosque maduro y una cola izquierda debido a las plántulas (Figura complementaria S8a). En los ríos de múltiples hilos (trenzados/errantes), las perturbaciones fluviales intermedias a altas afectan la vegetación que puebla las islas y las riberas. En condiciones de perturbación débil (período hidroeléctrico corto), un bosque maduro puebla islas, o barras centrales, en los núcleos internos, mientras que los árboles jóvenes se desarrollan a lo largo de las orillas. Tal mezcla de vegetación madura y joven es reconocible como una distribución multimodal en la densidad de carbono (Figura complementaria S8b). Con el aumento del orden Horton-Strahler, el hidroperíodo generalmente aumenta, el desarrollo de la vegetación madura en los núcleos de las islas se inhibe progresivamente y el sistema permanece en una etapa juvenil, lo que induce una distribución de densidad de carbono sesgada positivamente (Fig. 2h, figura complementaria S8c).

De manera similar al sumidero de C desencadenado por la erosión de las capas superficiales del suelo47, aquí afirmamos que la morfodinámica del río induce el reclutamiento de grandes desechos leñosos (LWD) de la vegetación ribereña a través de la erosión y el desarraigo y promueve la colonización y el rejuvenecimiento de la zona ribereña48. Cuanto mayor sea la exportación de carbono inducida por la dinámica fluvial, mayor será el área liberada y mayor será la colonización de nueva vegetación, fomentando así una mayor PNP. Si por alguna razón se interrumpe la erosión lateral, el desarraigo y el desbordamiento, entonces se reduciría la exportación de C y se inhibiría el rejuvenecimiento de la llanura aluvial. La mejora de la producción primaria neta es un efecto directo de la exportación de carbono (Fig. 1b) y representa un valioso servicio ecosistémico de la Zona de Transición Acuático-Terrestre. A diferencia de la CEPE, una evaluación directa de la ENPP a escala continental resulta complicada mediante técnicas de teledetección. Sin embargo, a largo plazo (aproximadamente más que el tiempo requerido por el patrón de sucesión de la vegetación para alcanzar el estado de bosque maduro), y bajo condiciones hidromorfológicas estacionarias, ni la eliminación ni la producción de biomasa vegetal prevalecen y la eCE y la ENPP deberían igualarse entre sí. De hecho, a partir de un análisis de primer orden del balance de carbono en llanuras aluviales de tierras bajas, la Ref.12 demostró que los flujos laterales de carbono (erosión y deposición) tienen el mismo orden de magnitud que los flujos verticales de carbono (producción primaria y respiración).

Se propuso un concepto similar de central nuclear mejorada para las cabeceras de los Alpes del Sur en Nueva Zelanda, a través de un análisis de resolución de 70 m, donde los deslizamientos de tierra muy frecuentes en tierras empinadas movilizan el suelo y la biomasa aérea49. De esta manera, se demostró que una proporción inusual de vegetación se encuentra en una etapa de sucesión temprana, con una PPN mayor que la del bosque maduro12. En cambio, hemos considerado el desencadenamiento de la ENPP en el contexto de las llanuras aluviales tropicales de tierras bajas a escala continental y, al centrarnos en el nexo entre la ENPP y la ecomorfodinámica fluvial, hemos enfatizado un mecanismo de bombeo de carbono (eCP) que permanecía inexplorado hasta ahora. Por ejemplo, este nexo es evidente en la cuenca del Amazonas, que, durante el período de observación (19 años) ha perdido 11.420 \(\hbox {km}^2\) de área de vegetación por erosión y desarraigo, con una exportación total de carbono de 161 TgC. Si nos referimos a las estimaciones proporcionadas por la Ref.50, esta cantidad es 25 veces mayor que la producción primaria neta que un bosque maduro de tierra-ferma habría producido en la misma área, y en el mismo período, en el caso de que no hubiera erosión de las riberas. o desarraigo. Dado que es bien sabido que la biomasa total de la llanura aluvial y la cubierta forestal permanecen aproximadamente constantes en una escala de tiempo de varias décadas en ríos no alterados o no regulados51, este exceso debe compensarse con una PPN de bosque ribereño dramáticamente mayor que la de los bosques maduros de tierra-ferma51. Tenga en cuenta que este aspecto clave generalmente se pasa por alto en la literatura, ya que la prueba de tal equilibrio a partir de mediciones directas de la central nuclear requeriría un período de observación generalmente mayor que la disponibilidad de imágenes satelitales. Esto explica por qué un intento reciente de estimar la acumulación de carbono en el río Ucayali ha sido malinterpretado como un desequilibrio fuerte y no físico entre acumulación y exportación52.

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. Esto corresponde a 2,4 MgC/\(\hbox {km}^2\) año para la estequiometría de la reacción de Urey, un valor 100 veces menor que el del proceso actual. El flujo neto de C del afloramiento oceánico por unidad de área debido a las circulaciones termohalinas y de Ekman es, en cambio, mil veces menor57.

Como sugiere la Ref.12, el material grueso generalmente no se toma como muestra mediante métodos estándar de recolección de POC. Por lo tanto, es razonable que una fracción constante de los 8 TgC/año de eCE aquí evaluados para la cuenca del Amazonas deba agregarse a la estimación actual del flujo de carbono orgánico desde el río Amazonas al océano (alrededor de 31 TgC/año de la Ref.58). ).

Es evidente que el bombeo ecomorfodinámico de carbono es un proceso estrechamente vinculado a la capacidad de los sistemas fluviales para reclutar vegetación y sostener el rejuvenecimiento del corredor ribereño. Sin embargo, el nexo actividad fluvial-exportación de carbono se rompe cuando la conectividad fluvial se ve socavada por actividades antropogénicas. Por ejemplo, las presas y embalses afectan la frecuencia y duración de los pulsos de inundación en la red fluvial59 y pueden reducir la entrada de carga de fondo y sedimentos suspendidos a los tramos aguas abajo60, lo que resulta en un estrechamiento e incisión del canal61. Los menores pulsos de inundación y el suministro de sedimentos también pueden alterar en gran medida la dinámica de la vegetación ribereña62 al reducir el establecimiento de plántulas, aumentar la invasión de la vegetación y dar lugar a bosques ribereños de edad uniforme63,64. Además, las emisiones de gases de efecto invernadero (GEI) procedentes de la descomposición de la materia orgánica transferida o producida dentro del embalse como biomasa acuática pueden reducir la llamada intensidad de carbono de las represas, es decir, las emisiones equivalentes de \(\hbox {CO}_2\). por unidad de electricidad generada. En consecuencia, el 10\(\%\) de las centrales hidroeléctricas existentes en el mundo emiten una cantidad de GEI tan grande como la que emitirían las centrales eléctricas equivalentes que utilizan combustibles fósiles65.

De las consideraciones anteriores, se deduce que las políticas actuales sobre evaluación de flujos ambientales (e-flow) para el Neotrópico requieren modificación porque se basan simplemente en los requisitos de flujo de agua en los tramos aguas abajo59. La planificación estratégica implica la aplicación de reglas operativas destinadas a disminuir el efecto general sobre los procesos hidrológicos y geomorfológicos, incluidas las liberaciones dinámicas de flujo66, los pulsos de inundaciones y la dinámica de sedimentos, al especificar los flujos electrónicos67. Las metodologías basadas puramente en la hidrología para la evaluación de flujos electrónicos68 capturan de manera incompleta los cambios en la morfología del canal y la dinámica de la vegetación.

Nuestro análisis sugiere que tales acciones deberían recomendarse en el diseño de represas, involucrando al menos las cabeceras de los grandes secuestradores, que representan el 28,2\(\%\) del ECE total (excluyendo el río Amazonas, Tabla 1). Por lo tanto, es esencial adoptar un enfoque de presupuesto de carbono para gestionar los ríos regulados en el Neotrópico para determinar si la energía hidroeléctrica puede considerarse una fuente de energía limpia en el futuro.

El presente resultado muestra que ignorar la eCE podría subestimar el actual flujo de carbono acuático-terrestre en hasta 8,9 TgC/año sólo en los grandes ríos del Neotrópico (alrededor del 23% de las estimaciones actuales del flujo de carbono orgánico al océano desde los principales ríos del Neotrópico). el Neotrópico58). Además, el resultado de la eCE en el Neotrópico se ha subestimado de manera conservadora. De hecho, centramos las consideraciones principales en los cursos de agua neotrópicos con anchos de canal superiores a 200 m, debido a la resolución de los conjuntos de datos adoptados. El análisis podría ampliarse globalmente a todos los grandes ríos naturales.

En cambio, no se puede decir nada de los ríos menores de 200 m, pero vale la pena señalar que globalmente representan alrededor del 99,5\(\%\) (en longitud) de las vías fluviales69. Además, las cabeceras son reconocidas como transportadoras de material leñoso grueso y productoras de POC12. Por lo tanto, no considerarlos en una estimación global es otra fuente de subestimación. Finalmente, para obtener una evaluación más completa, en el espíritu de la iniciativa del Proyecto Regional de Evaluación del Ciclo del Carbono (RECCAP2) del Proyecto Global de Carbono, y dado que el procedimiento se basa en un algoritmo de imágenes satelitales de libre acceso que no requiere ninguna calibración, es necesario Se recomienda ampliar la presente evaluación a regiones no tropicales.

Cada río analizado se dividió en Regiones de Interés (ROI) caracterizadas por un comportamiento morfológico homogéneo. El ROI representa la unidad elemental para el cálculo de la eCE y se caracteriza por límites longitudinales y laterales. Los cambios en el orden de Horton-Strahler46, la sinuosidad, las transiciones de un solo hilo a múltiples hilos o viceversa, o los cambios repentinos en el ancho del canal22 se consideraron como criterios geomorfológicos de división longitudinal entre dos ROI consecutivos (sensu Ref.70). El cauce principal de los ríos analizados tiene un ancho superior a los 200 m, en lo que se refiere al caudal medio anual, según el análisis de22. La extensión lateral de las ROI comprende el terreno adyacente al arroyo donde la vegetación está influenciada por la dinámica del río y/o las inundaciones. Una zona lateral tan activa se identificó en dos pasos.

En primer lugar, se consideró el gradiente espacial en la densidad de biomasa. Las áreas frecuentemente involucradas por inundaciones o dinámicas fluviales se caracterizan por una vegetación adaptada para sobrevivir y se caracterizan por un patrón sucesional con distribuciones de biomasa específicas51. Un análisis de un mapa de biomasa de alta resolución nos permitió identificar los bordes entre el bosque de llanura aluvial y el bosque terrestre (por ejemplo, definido como tierra-ferma en las cuencas amazónicas, Figura complementaria S3).

En segundo lugar, cuando los límites laterales no eran evidentes en el mapa de biomasa, también consideramos la presencia de la superficie del agua utilizando el conjunto de datos GSW71, n.4 en la Tabla complementaria S2. En consecuencia, la identificación de sitios alguna vez detectados como agua durante los últimos 35 años en el conjunto de datos GSW nos permitió identificar la zona de transición acuático-terrestre.

Sin embargo, GSW no siempre detecta correctamente los eventos de corta duración porque deben coincidir con observaciones satelitales sin nubes. Debido a la extrema contaminación de nubes que caracteriza el área tropical (particularmente la cuenca oriental del Amazonas), muchos eventos cortos pero intensos no pueden incluirse en el mapa de eventos desarrollado por71, lo que hace que nuestras estimaciones de los límites laterales de las ROI sean más conservadoras.

Para garantizar que la cuantificación del carbono exportado se basara estrictamente en la pérdida de bosques impulsada por los ríos (RDFL), se utilizó un procedimiento de selección de tres pasos para identificar y excluir casos no RDFL, por ejemplo, ríos impactados por actividades antrópicas.

Paso 1: Todas las fuentes evidentes de alteración antrópica se identificaron mediante inspección visual a partir de imágenes Landsat, como infraestructuras físicas en el canal del río o a lo largo de la llanura aluvial circundante, presencia de canalización del río, presas de control, presas, vados, terraplenes, protección de orillas, revestimientos. y actividades mineras.

Paso 2: Ríos clasificados como de flujo no libre según el índice CSI por33, es decir, ríos en los que la fragmentación y regulación o alteración en la calidad del agua y la temperatura comprometen la conectividad fluvial (índice CSI < 95\(\%\), conjunto de datos n.8 en Tabla complementaria S2): también se excluyeron.

Estos dos primeros pasos excluyeron 89\(\%\) de los 551.000 km de longitud total de todos los tramos tropicales con un índice de Horton-Strahler \(\le \) 4.

Paso 3: Se utilizó un modelo de clasificación probabilística para definir la probabilidad P de que ocurriera pérdida de bosque impulsada por los ríos (RDFL) para cada píxel dentro de las ROI. Los valores de probabilidad extrema son P = 0 (ninguna pérdida de bosque o pérdida de bosque incuestionablemente debida a causas distintas a la dinámica del río) y P = 1 (pérdida de bosque incuestionablemente debida a la actividad geomórfica del río).

Para evaluar las probabilidades intermedias, el conjunto de datos sobre el Cambio Forestal Global35 se combinó con tres causas potenciales de pérdida de bosques no provocada por los ríos: (1) densidad de población; (2) incendios forestales; (3) cambios en la cobertura del suelo (los conjuntos de datos de origen se describen en la Tabla complementaria S2). Para cualquier píxel k del ROI j en el que se produjo la pérdida de bosque, el modelo evaluó la probabilidad de que el cambio de la cubierta forestal no se debiera a la urbanización (\(\hbox {P}_{jk}^{(u)}\)), incendios forestales (\(\hbox {P}_{jk}^{(wf)}\)) o cambios en la cobertura del suelo provocados por el hombre (\(\hbox {P}_{jk}^{(lc)}\) ), produciendo así tres mapas de probabilidad (ver la siguiente sección). El mapa de probabilidad general se obtuvo multiplicando los tres mapas de probabilidad, ya que se refieren a eventos independientes, a saber, \(\hbox {P}_{jk} = \hbox {P}_{jk}^{(u)} \cdot \hbox {P}_{jk}^{(wf)} \cdot \hbox {P}_{jk}^{(lc)}\). De esta manera, un área promedio anual de 115 ± 15 \(\hbox {km}^2\) en los humedales tropicales de grandes ríos se clasificó como no RDFL y, por lo tanto, se excluyó de todo el análisis. Esto corresponde al 18\(\%\) de la pérdida de cobertura anual detectada en los ROI. Los resultados del procedimiento de filtrado para tres casos de ejemplo se muestran en la figura complementaria S5. Los datos utilizados en este estudio se refieren a las capas de datos de HydroRIVERS (n.9a en la Tabla complementaria S272) que proporcionan una red de líneas vectorizadas de todos los ríos globales con un área de captación superior a 10 \(\hbox {km}^2\) o un promedio caudal del río mayor que 0,1 \(\hbox {m}^3\)/s, y se derivaron de los datos de HydroSHEDS (n.9b en la Tabla complementaria S273) basados ​​en una resolución de cuadrícula de 15 segundos de arco. El orden de los ríos se expresó utilizando el sistema de ordenamiento de Horton-Strahler. Siguiendo este sistema, el primer orden representa las corrientes de cabecera y cuando dos corrientes del mismo orden se encuentran, forman un río de un orden mayor.

Se utilizó un modelo de clasificación probabilística para definir la probabilidad (P) de que se hubiera producido una pérdida de bosque impulsada por los ríos (RDFL) para cada píxel dentro de las ROI. Para este objetivo, el conjunto de datos sobre Cambio Forestal Global35 se filtró considerando tres causas potenciales de pérdidas de bosques no provocadas por los ríos: (1) densidad de población; (2) incendios forestales; (3) cambios en la cobertura del suelo (conjuntos de datos n.5-7 de la Tabla complementaria S2). En consecuencia, para cualquier j-ésimo píxel del k-ésimo ROI en el que se produjo la pérdida de bosque, el modelo evaluó la probabilidad de que el cambio de la cubierta forestal no se deba a la urbanización \(\hbox {P}_{jk}^(u)\ ), incendios forestales \(\hbox {P}_{jk}^{(wf)}\), o cambios en la cobertura del suelo provocados por el hombre \(\hbox {P}_{jk}^{(lc)}\) , produciendo así tres mapas de probabilidad.

Los valores reportados en el mapa \(\hbox {P}_{jk}^{(u)}\), disminuyen con la densidad de población (PD). De acuerdo con una relación entre el puntaje de presión humana y la densidad de población para áreas escasamente pobladas sugerida por la Ref.74, establecimos:

La densidad de población humana (PD) se recuperó del conjunto de datos Población del Proyecto WorldPop (86–88, 91) a una resolución de 100 m (n.6 de la Tabla complementaria S2)

Para definir los mapas \(\hbox {P}_{jk}^{(wf)}\) y \(\hbox {P}_{jk}^{(lc)}\), la probabilidad de que la pérdida de bosque en un año determinado no ha sido causado por un evento no impulsado por el río (en adelante denominado no RDE) se expresó como una función f(\(\Delta \)t), donde \(\Delta \)t es el tiempo brecha (principio de relación causal) entre la pérdida de bosque y las no RDE ocurridas en la misma región (incendios forestales o cambios en la cobertura del suelo). La función f(\(\Delta \)t) (la probabilidad de que la pérdida haya sido causada por un no RDE) sigue una dependencia por partes del tiempo, como se informa en la Figura complementaria S4.

Esencialmente, si la pérdida de bosque y la no RDE pertenecen al mismo año (es decir, \(\Delta \)t =0), la conexión causal está garantizada, por lo que la función f toma el máximo (f =1). Los casos con \(\Delta \hbox {t}<0\) significan que el no RDE anticipó una pérdida de bosque. En este caso, una conexión causal positiva puede ser posible por varias razones. Por ejemplo: (1) la no RDE podría no haber causado una pérdida forestal detectable en el mismo año, por ejemplo, un incendio forestal que dañó irreversiblemente la vegetación que, sin embargo, murió en los meses/años siguientes; (2) la nubosidad extrema de la región tropical provocó un retraso en la detección de la pérdida de bosques. En los casos con \(\Delta \hbox {t} >0\), la pérdida de bosque anticipó el no-RDE. Aunque sea contraintuitivo, también en este caso es posible una conexión causal positiva. Por ejemplo, una conversión lenta de la tierra (por ejemplo, de bosque a tierra de cultivo) que tarda algunos años en cubrir una porción del territorio observable a través de un conjunto de datos basado en MODIS (resolución aproximada de 500 m), mientras que de repente se detectó como cambio de bosque en el Landsat. productos (resolución de 30 m). En cada parcela que realizó una pérdida de bosque durante la ventana de observación, se detectaron eventos de incendio utilizando el conjunto de datos basado en MODIS75. Establecimos

donde N es el número de incendios observados durante 2000-2019 en el píxel. Donde no se observaron incendios, \(\hbox {P}_{jk}^{(wf)}\) =1. Observamos que este filtro excluye la captura de LWD recalcitrante generado por la combustión incompleta de biomasa durante los incendios, el llamado carbono negro como se analiza en76. Este aspecto puede ser una fuente adicional de subestimación de la actual evaluación de la ECE.

El mapa \(\hbox {P}_{jk}^{(lc)}\), es decir, la probabilidad de que la pérdida de bosques no se deba al cambio de cobertura del suelo causado por la actividad humana, se genera utilizando el conjunto de datos n.7 en Tabla complementaria S2, Tipo de cobertura terrestre MODIS MCD12Q177. Siguiendo la clasificación del Programa Internacional Anual Geosfera-Biosfera (IGBP, Tabla Suplementaria S4), se identificaron cuatro macroclases de cobertura terrestre: Natural con Alta densidad de vegetación (NHV), Natural con Baja densidad de vegetación (NLV), Antrópica (AN) y Agua/Sin vegetación (UV). Se realizó un análisis por píxel a escala MODIS en ROI y se detectó y clasificó cada variación anual en la macroclase de cobertura terrestre. En cada píxel, las variaciones de NHV a NLV, de NHV a AN y de NLV a AN se consideraron debido a actividades humanas, mientras que todos los demás cambios se atribuyeron a procesos morfodinámicos del río (es decir, RDFL). Por lo tanto, la probabilidad de que la pérdida de bosque en el píxel k del ROI j no se deba a un cambio en la cobertura del suelo inducido por el hombre se define de acuerdo con la misma ecuación que la ecuación. (2) donde N se entiende como el número de transiciones de cobertura terrestre observadas durante el período 2000-2019 en el mismo píxel, mientras que \(\Delta \)t se entiende como la diferencia de tiempo entre la pérdida de bosque y el cambio de cobertura terrestre. Cuando no se detectaron variaciones en la cobertura del suelo inducidas por el hombre, \(\hbox {P}_{jk}^{(lc)}\)=1.

Por las razones anteriores, una opción conservadora en términos de estimación de eCE fue asumir que cuando la pérdida de bosque y la no RDE ocurrieron dentro de la ventana temporal de 5 años estaban causalmente conectados, por lo que f =1. El resultado del procedimiento de filtrado para tres casos de ejemplo se muestra en la figura complementaria S5.

El eCE del j-ésimo ROI, informado como TgC exportado por año (en forma de biomasa leñosa), se calculó como

donde \(\rho _{j,k}\) es la densidad de biomasa [TgC/\(\hbox {km}^2\)] y \(\hbox {L}_{j,k}\) es la RDFL medio anual [\(\hbox {km}^2\)/año] para el período 2000-2019, y para el píxel k del ROI j. Para excluir estadísticamente causas no fluviales, \(\hbox {L}_{j,k}\) se calculó como el producto entre la superficie \(\hbox {A}_{j,k}\) de la celda y la probabilidad \(\hbox {P}_{j,k}\) de que la pérdida sea RDFL (consulte la sección “Modelo de clasificación probabilística”). Para la evaluación de la densidad de biomasa, adoptamos cuatro métodos diferentes (M1 – M4).

El método M1: \(\rho _{j,k}\) se tomó del conjunto de datos de existencias de carbono del WHRC desarrollado por78 para la densidad de biomasa leñosa viva sobre el suelo con una resolución de 30 m para el año 2000 (n.2 de la Tabla complementaria S2 ). En este caso, la densidad de carbono de una sola celda se asumió constante durante todo el período de análisis, ignorando la posibilidad de que las parcelas donde la pérdida ocurrió después del año 2000 pudieran haber experimentado un aumento en el contenido de carbono debido al crecimiento de la densidad. tiempo entre 2000 y el año del siniestro.

Método M2: El valor de la densidad de carbono de cada píxel se ajustó considerando la cantidad de vegetación que había crecido entre el año 2000 y el año de la pérdida, mediante el uso de un modelo de crecimiento logístico calibrado (ver siguiente sección).

Métodos M3 y M4: El valor de la densidad de carbono de cada píxel se aproximó utilizando el promedio espacial de todo el ROI (es decir, \(\rho _{j,k} = \sum _k \rho _{j,k}/N_j \), siendo \(N_j\) el número de píxeles en el ROI j) utilizando los conjuntos de datos de existencias de carbono de WHRC by78 para M3 y 45 para M4 (conjuntos de datos n.2 y n.1 de la Tabla complementaria S2, respectivamente). Estos conjuntos de datos describen la biomasa en regiones tropicales sólo durante un período limitado (el año 2000 para el n.2 y el período 2007-2008 para el n.1).

Los ríos tropicales son sistemas altamente dinámicos que durante una evolución entre décadas probablemente visitan la mayoría de sus configuraciones geomorfológicas (por ejemplo, el río Ucayali, un afluente del río Amazonas, muestra tasas de migración de hasta 100 m/año). Para los métodos M3 y M4, por lo tanto, adoptamos una hipótesis de tipo ergódico79, que permitió inferir la media temporal de la densidad de carbono en una sola parcela a partir de su promedio espacial en todo el ROI. Vale la pena señalar que el promedio espacial en los métodos M3 y M4 induce una ligera subestimación de la eCE (ver Tabla complementaria S5), ya que el mecanismo de erosión y la consiguiente captura de biomasa generalmente involucran el banco maduro, donde la vegetación se encuentra en un nivel más alto de crecimiento.

Dado que los conjuntos de datos considerados solo informan la densidad de la biomasa aérea (AGB), la biomasa subterránea (BGB) se evaluó como BGB = 0.489 \(\cdot \) \(\hbox {AGB}^{0.89}\) (Ref. 80), y el carbono total se estimó en el 50\(\%\) de la biomasa total (AGB+BGB). A partir de las estimaciones de eCE, también estimamos el carbono secuestrado por unidad de área ROI y por longitud de río:

donde \(S_r\) es la superficie del ROI y \(l_r\) es la longitud del tramo del río dentro del ROI. Observamos que las diferencias relativas de la estimación de eCE entre los métodos M1-M4 no superan 3,3\(\%\) (Tabla complementaria S5). Por lo tanto, cuantitativamente, los cuatro métodos diferentes funcionan de manera muy similar, a pesar de que se basan en conjuntos de datos diferentes. Para simplificar, los resultados informados en el texto principal se refieren al Método 2. En la figura complementaria S6 se presenta un resumen gráfico de toda la metodología.

En el método M2, el aumento en el contenido de carbono, debido al crecimiento de la vegetación entre el momento de adquisición (año 2000, ref.78) y el momento de la pérdida del bosque, se consideró calibrando un modelo logístico simplificado de crecimiento de biomasa63,81.

donde \(\rho \) es la densidad de carbono de la biomasa, t es el tiempo, V es la capacidad de carga, es decir, la densidad de carbono de la biomasa máxima sostenible, y \(\alpha \) es la tasa de crecimiento dependiente de la especie, mientras que el subíndice i se refiere a la i-ésima celda genérica. Al establecer la condición inicial \(\rho _{0,i}\) = \(\rho (t_0)\), que corresponde a la biomasa reportada por el conjunto de datos78 en el año \(t_0\) = 2000, la solución formal de la ecuación (6) en el tiempo \(t=t_0 +\Delta t\), para una comunidad de especies genéricas se lee

donde hemos definido \(A_i=\hbox {e}^{V_i \alpha _i \Delta t}\). Mediante el siguiente procedimiento, hemos calibrado localmente la función \(\hbox {A}_i\) y el parámetro \(\hbox {V}_i\), para poder utilizar la Ec. (7) actualizar el valor de la densidad de biomasa de carbono desde \(t=t_0\) = 2000 hasta el momento de la pérdida de cobertura (\(t=t_0+\Delta t\)), en cualquier celda. El procedimiento de calibración se basa en la comparación de la biomasa de carbono informada por dos conjuntos de datos diferentes con tiempos de adquisición con ocho años de diferencia (Ref.78 y Ref.45 se refieren a 2000 y 2008, respectivamente n.2 y n.1 en la Tabla complementaria S2). La comparación de estos dos conjuntos de datos es posible ya que fueron generados mediante la misma metodología, aunque con diferentes resoluciones (30 mpx para Ref.78 y 500 mpx para Ref.45). A continuación, los dos conjuntos de datos se etiquetarán con los subíndices \(_{30}\) y \(_{500}\), respectivamente. En primer lugar, todas las celdas en el conjunto de datos con una resolución de 30 m se volvieron a muestrear a una resolución de 500 m dentro de los bloques correspondientes a los límites de píxeles del segundo conjunto de datos. En segundo lugar, para cada j-ésimo bloque, impusimos la coincidencia entre la media de los valores \(\rho _{30,i}\) dentro del bloque (actualizado en t = 2008) y el valor \(\rho _{ 30,i}\), es decir,

que, después de usar la Ec. (7), se convierte

donde \(\hbox {N}_j\) es el número de celdas de resolución de 30 m en el j-ésimo bloque de resolución de 500 m. En tercer lugar, se supuso que todas las celdas dentro de cada bloque comparten el mismo valor de \(\hbox {A}_i\) y V, por lo que \(\hbox {A}_i\) = A es una constante que se puede eliminar de la suma en la ecuación. (9). Además, dado que 1/\(\rho _{0,i}\) (A–1) \(\approx 1/ \rho _{0,i} \gg \) 1/V, como aproximación de primer orden conseguir

donde \(\rho _M\) = \(N_j^{-1} \sum _{i=1}^{Nj}\rho _{0,i}\). Iterando y sustituyendo la Ec. (10) en la ecuación. (9), se obtiene una aproximación de segundo orden

Por recursión, es evidente que aproximaciones adicionales conducen a una fórmula engorrosa que contiene una fracción continua en el denominador de la ecuación. (11), y por conveniencia numérica, basta detenerse en el segundo paso. La capacidad de carga se asumió cautelosamente constante durante todo el retorno de la inversión e igual al valor máximo de \(\rho _M\) (es decir, V = \(\rho _M^{max}\)).

Reemplazando en la Ec. (7), y tras recordar que, por definición,

donde \(\Delta t^*\) = 8 años es el desfase temporal entre los dos conjuntos de datos, finalmente se obtiene la relación para la densidad de carbono actualizada en el momento t, para cada celda:

Un ejemplo de uso de las Ecs. (11) – (13) se informa en la figura complementaria S7.

El análisis se realizó utilizando un conjunto de API de Java (Interfaz de programación de aplicaciones), que están optimizadas para el análisis de big data. Debido a la falta de un procedimiento simple y eficiente para la detección multimodal82, también desarrollamos un algoritmo de clasificación de firmas ad-hoc que es capaz de distinguir cuatro patrones en las distribuciones de densidad de biomasa (sesgo negativo, sesgo positivo, multimodal, campana -conformado). El procedimiento combina los parámetros estadísticos de la distribución de la densidad de carbono en todo el ROI: modo (M), mediana (Med) y asimetría (Sk). Estos parámetros se calcularon utilizando un conjunto de funciones geoestadísticas nativas del GEE, aplicadas al conjunto de datos de existencias de carbono del WHRC45. El contenedor mínimo de histogramas se fijó en 200 MgC/\(\hbox {km}^2\) (la precisión informada por 45 es 100 Mg C/ \(\hbox {km}^2\)).

En primer lugar, el algoritmo (Figura complementaria S2) separa las distribuciones unimodales de las multimodales. Para este objetivo, se extraen dos submuestras del conjunto de datos de cada ROI, considerando un límite en el valor mediano de la distribución de densidad de carbono, denominado submuestras izquierda (L) y derecha (R). Las distribuciones de ROI se clasifican como multimodales (MM) si se cumplen dos condiciones:

La frecuencia del modo de las submuestras izquierda (\(\hbox {F}_ML\)) o derecha (\(\hbox {F}_MR\)) excede más de ± 10\(\%\) la frecuencia del valor mediano de toda la muestra (\(\hbox {F}_{Med}\));

Los modos izquierdo (ML) o derecho (MR) están lo suficientemente distantes de la mediana principal (Med), a saber: |\(\hbox {M}_{L,R} - \hbox {Med}| > 400\) MgC/ \(\hbox {km}^2\).

Si las condiciones (i) y (ii) son falsas, se considera la asimetría Sk de la distribución principal: la asimetría positiva (Sk > 0,4) proporciona PS, la asimetría negativa (Sk \(> -\) 0,4) proporciona NS, mientras que las condiciones moderadas la asimetría (− 0,4 < Sk < 0,4) proporciona distribuciones BS. Si solo se cumple uno de (i) o (ii) (es decir, solo se detecta que un modo de submuestra está distante de la mediana), la diferencia D = \(\hbox {F}_{MR} - \hbox {F}_{ML}\) se calcula para distinguir entre distribuciones NS (D < 0) y PS (D > 0). Si la condición relacionada con D no se cumple, el algoritmo usa nuevamente \(\hbox {S}_k\) para clasificar las distribuciones de densidad de biomasa en clases NS, PS o BS.

El algoritmo se probó en un subconjunto de 10\(\%\) de los ROI, seleccionados aleatoriamente como un posible conjunto de datos de validación, que mostró una precisión total de 95\(\%\) (distribuciones correctamente clasificadas). En la figura complementaria S8 se presenta un ejemplo de aplicación en tres ríos. El código de Matlab se incluye en el material complementario en línea (repositorio de Figshare).

La evaluación continental agregada de eCE para los ríos tropicales más grandes se obtuvo como la suma de los valores calculados en cada ROI del continente. La incertidumbre (es decir, la desviación estándar, a la que en adelante nos referiremos con el símbolo \(\sigma \)) a nivel de píxel se puede calcular a partir de la teoría de la probabilidad. De hecho, la eCE es el producto de dos cantidades afectadas por el error (es decir, el área de pérdida de bosques provocada por los ríos y la densidad de carbono de la biomasa), por lo que pueden considerarse procesos aleatorios. Según el procedimiento de filtrado descrito anteriormente, para cada píxel, la pérdida de bosque se puede asociar con una variable aleatoria discreta \(\chi _{j,k}\) que toma sólo dos valores: 1 con probabilidad \(\hbox {P} _{j,k}\) (RDFL) o 0 con probabilidad 1–\(\hbox {P}_{j,k}\) (no RDFL). Esto corresponde a un proceso de Bernoulli83—es decir, lanzamiento repetido de moneda—, que tiene la media igual a \(\hbox {P}_{j,k}\) y la varianza igual a

En cambio, la densidad de carbono es una variable aleatoria continua, con media \(\rho _{j,k}\) (de los métodos M1–M4) y desviación estándar \(\sigma (\rho _{j,k}\)) . Al utilizar la expresión de Goodman84 para la varianza de un producto de dos variables aleatorias no correlacionadas, la varianza del error del eCE del píxel (j,k) es

donde \(\hbox {A}_{j,k}\) es el área de píxeles. Los valores por píxel para \(\sigma (\rho _{j,k})\) no se informan en los conjuntos de datos sin procesar aquí considerados, por lo que adoptamos diferentes suposiciones conservadoras, basadas en la observación de que los residuos son proporcionales a la media. como también se sugiere en la ref.45. En consecuencia, en M1 y M2, establecemos

con los coeficientes de variación \(\hbox {c}_V\) asumiendo diferentes valores que oscilan entre 0,5 y 1,25.

En M3 y M4, \(\sigma (\rho _{j,k})\) se estableció igual a un valor constante en todo el ROI, correspondiente a la desviación estándar de todas las densidades de carbono medidas dentro del ROI, como se informa en los conjuntos de datos de Reservas de Carbono del WHRC78 para M3, y en el conjunto de datos de Ref.45 para M4.

Como paso adicional, la propagación de la incertidumbre del píxel a la escala continental requiere la evaluación de la correlación espacial de los errores; de lo contrario, los errores por píxel se anulan y la incertidumbre general puede subestimarse en gran medida. En el presente caso, el uso estándar de variogramas espaciales (sensu ref.45) está excluido por la distribución espacial de los ROI, la heterogeneidad de la biomasa debido a la dinámica del río y, además, porque es computacionalmente prohibitivo (incluso cuando está codificado en GEE). Siguiendo la Ref.45, por lo tanto, adoptamos dos escalas de longitud de autocorrelación empírica (ALS): \(\hbox {ALS}_1\) igual a 500 m y \(\hbox {ALS}_2\) igual al área de ROI, y Supusimos de manera conservadora que los píxeles están perfectamente correlacionados a una distancia menor que el ALS y no están correlacionados a distancias mayores. El conjunto de datos se dividió en bloques independientes usando cuadrados (para \(\hbox {ALS}_1\)) o polígonos ROI (para ALS2) y se calculó una estimación conservadora superior de las incertidumbres para cada bloque explotando todos los valores de \ (\sigma \) (\(\hbox {eCE}_{j,k}\)) proporcionado por la fórmula de Goodman antes mencionada dentro del bloque. Para cada método M1–M4, se calculó la incertidumbre en el eCE a escala continental \(\sigma _{cont,ALS}\) para ambos ALS, mediante la suma de la varianza asociada con cada bloque dentro del continente:

donde N es el número de bloques en un continente y \(\sigma ^2_{i,ALS}\) es el error de varianza asociado con cada bloque.

Para los métodos M3 y M4, los errores se evaluaron solo con \(\hbox {ALS}_2\), ya que en ambos escenarios la densidad de carbono se derivó de un promedio espacial en la escala ROI. En cada bloque, la varianza se calculó tomando su supremo sobre el bloque, es decir,

Al combinar los métodos M1-M4 con las dos escalas de longitud de autocorrelación y considerar los cuatro valores de \(\hbox {c}_v\) para los métodos M1 y M2, se consideraron dieciocho configuraciones diferentes para la evaluación de la incertidumbre (Tabla complementaria S5) . La configuración más conservadora (incertidumbre máxima) da una desviación estándar (en TgC/año) y un error porcentual de 0,84 (9,44\(\%\)) para los neotrópicos. Los resultados reportados en el texto principal se refieren a esta configuración conservadora.

El script Java para la plataforma GEE que genera el conjunto de datos de filas y los scripts de Matlab que generan el conjunto de datos definitivo están depositados en https://figshare.com/s/6b5347f0e1ad3d92a486 y están disponibles gratuitamente después de su publicación.

Cole, JJ y cols. Sondeando el ciclo global del carbono: integrando las aguas continentales en el presupuesto de carbono terrestre. Ecosistemas 10, 171–184. https://doi.org/10.1007/s10021-006-9013-8 (2007).

Artículo CAS Google Scholar

Wohl, E., Hall, RO Jr., Lininger, KB, Sutfin, NA y Walters, DM Dinámica del carbono de los corredores fluviales y los efectos de las alteraciones humanas. Ecológico. Mononucleosis infecciosa. 87, 379–409. https://doi.org/10.1002/ecm.1261 (2017).

Artículo de Google Scholar

Aufdenkampe, AK y cols. Acoplamiento fluvial de ciclos biogeoquímicos entre tierra, océanos y atmósfera. Frente. Ecológico. Reinar. 9, 53–60. https://doi.org/10.1890/100014 (2011).

Artículo de Google Scholar

Battin, TJ y cols. El ciclo ilimitado del carbono. Nat. Geociencias. 2, 598–600. https://doi.org/10.1038/ngeo618 (2009).

Artículo ADS CAS Google Scholar

Ciais, P. et al. Carbono y otros ciclos biogeoquímicos. En Cambio climático 2013: la base de la ciencia física. Contribución del Grupo de Trabajo I a la Quinta Evaluación Rep. del IPCC, cap. 6 (eds Stocker, TF et al.) 465–570 (CUP, 2013).

Le Quéré, C. et al. Presupuesto global de carbono 2018 [Documento de datos]. Sistema Tierra. Ciencia. Datos 2141–2194 (2018).

Drake, TW, Raymond, PA y Spencer, RGM Entradas de carbono terrestre a aguas continentales: una síntesis actual de estimaciones e incertidumbre. Limnol. Oceanogr. Letón. 3, 132-142 (2018).

Artículo CAS Google Scholar

Vannote, RL, Minshall, GW, Cummins, KW, Sedell, JR & Cushing, CE El concepto del continuo del río. Poder. J. Pescado. Agua. Ciencia. 37, 130–137. https://doi.org/10.1139/f80-017 (1980).

Artículo de Google Scholar

Kramer, N. & Wohl, E. Reglas de tránsito: una síntesis cualitativa y cuantitativa del transporte de madera a gran escala a través de redes de drenaje. Geomorfología 279, 25. https://doi.org/10.1016/j.geomorph.2016.08.026 (2016).

Artículo de Google Scholar

Ruiz-Villanueva, V., Piégay, H., Gurnell, AA, Marston, RA & Stoffel, M. Avances recientes en la cuantificación de la dinámica de la madera a gran escala en las cuencas fluviales: nuevos métodos y desafíos pendientes https://doi.org/10.1002/2015RG000514 (2016).

Guyette, RP, Dey, DC y Stambaugh, MC La distribución temporal y el almacenamiento de carbono de grandes bosques de robles en arroyos y depósitos de llanuras aluviales. Ecosistemas 11, 643–653 (2008).

Artículo CAS Google Scholar

Evans, M. Geomorfología y ciclo del carbono (Wiley, 2022).

Reservar Google Académico

Torres, M. et al. Predicciones modelo de almacenamiento de carbono orgánico de larga duración en depósitos fluviales. Surf de la Tierra. Din. 5, 1–40. https://doi.org/10.5194/esurf-5-711-2017 (2017).

Artículo de Google Scholar

David, A. El ciclo global del carbono (Princeton University Press, 2010).

Google Académico

Sutfin, NA, Wohl, EE y Dwire, KA Carbono bancario: una revisión del almacenamiento de carbono orgánico y los factores físicos que influyen en la retención en llanuras aluviales y ecosistemas ribereños. Surf de la Tierra. Proc. Terreno. 41, 38–60 (2016).

ADS del artículo Google Scholar

Ludwig, W., Probst, JL y Kempe, S. Predicción del aporte oceánico de carbono orgánico por erosión continental. Biogeoquímica global. Ciclos 10, 23–41. https://doi.org/10.1029/95GB02925 (1996).

Artículo ADS CAS Google Scholar

Lal, R. La erosión del suelo y el presupuesto global de carbonohttps://doi.org/10.1016/S0160-4120(02)00192-7 (2003).

Raymond, PA y cols. Emisiones globales de dióxido de carbono de aguas continentales. Naturaleza 507, 25. https://doi.org/10.1038/nature13142 (2014).

Artículo CAS Google Scholar

Regnier, P. y col. Perturbación antropogénica de los flujos de carbono de la tierra al océano. Nat. Geociencias. 6, 597 (2013).

Artículo ADS CAS Google Scholar

Hartmann, J., Moosdorf, N., Dürr, H., Kempe, S. & Köhler, P. Consumo global de CO2 por meteorización química: ¿Cuál es la contribución de las regiones de meteorización altamente activas? Globo. Planeta. Cambie 99, 185–194. https://doi.org/10.1016/j.gloplacha.2009.07.007 (2009).

ADS del artículo Google Scholar

Horgby, Å. et al. Grandes flujos de dióxido de carbono de evasión inesperados de corrientes turbulentas que drenan las montañas del mundo. Nat. Comunitario. 10, 1–9 (2019).

Artículo de Google Scholar

Allen, GH y Pavelsky, T. Extensión global de ríos y arroyos. Ciencia 361, 585–588. https://doi.org/10.1126/science.aat063 (2018).

Artículo MathSciNet CAS PubMed MATH Google Scholar

Davies, NS y Gibling, MR Evolución de llanuras aluviales de canales fijos en respuesta a la vegetación del Carbonífero. Nat. Geociencias. 4, 629–633. https://doi.org/10.1038/ngeo1237 (2011).

Artículo ADS CAS Google Scholar

Boye, K. y col. Preservación termodinámicamente controlada del carbono orgánico en llanuras aluviales. Nat. Geociencias. 10, 415–419. https://doi.org/10.1038/ngeo2940 (2017).

Artículo ADS CAS Google Scholar

Constantine, JA, Dunne, T., Ahmed, J., Legleiter, C. y Lazarus, ED El suministro de sedimentos como impulsor de los meandros de los ríos y la evolución de las llanuras aluviales en la cuenca del Amazonas. Nat. Geociencias. 7, 899 (2014).

Artículo ADS CAS Google Scholar

Bradley, DN y Tucker, GE El tiempo de almacenamiento, la edad y el riesgo de erosión de los sedimentos acumulados lateralmente en la llanura aluvial de un río serpenteante simulado. J. Geophys. Res. Surf de la Tierra. 118, 1308-1319. https://doi.org/10.1002/jgrf.20083 (2013).

ADS del artículo Google Scholar

Junk, WJ La llanura aluvial del Amazonas central (Springer, 1997).

Reservar Google Académico

Abril, G. et al. Desgasificación de dióxido de carbono del río Amazonas alimentada por humedales. Naturaleza 505, 395–398 (2014).

Artículo ADS CAS PubMed Google Scholar

Hoffmann, T., Schlummer, M., Notebaert, B., Verstraeten, G. & Korup, O. Entierro de carbono en sedimentos del suelo debido a la erosión agrícola del holoceno, Europa central. Biogeoquímica global. Ciclos 27, 828–835 (2013).

Artículo CAS Google Scholar

Beckman, N. & Wohl, E. Almacenamiento de carbono en cabeceras de corrientes montañosas: el papel de los bosques antiguos y los atascos. Recurso Acuático. Res. 50, 586. https://doi.org/10.1002/2013WR014167 (2014).

Artículo CAS Google Scholar

Wohl, E. Cerrando las brechas: una descripción general de la madera a través del tiempo y el espacio en diversos ríos. Geomorfología 279, 85. https://doi.org/10.1016/j.geomorph.2016.04.014 (2016).

Artículo de Google Scholar

Tranvik, LJ y cols. Lagos y embalses como reguladores del ciclo del carbono y del clima. Limnol. Oceanogr. 54, 2298–2314 (2009).

Artículo ADS CAS Google Scholar

Grill, G. y col. Mapeo de los ríos que fluyen libremente del mundo. Naturaleza 569, 215–221. https://doi.org/10.1038/s41586-019-1111-9 (2019).

Artículo ADS CAS PubMed Google Scholar

Tockner, K. & Stanford, JA Llanuras aluviales fluviales: estado actual y tendencias futuras. Reinar. Conservar. 29, 308–330 (2002).

Artículo de Google Scholar

Hansen, MC y cols. Mapas globales de alta resolución del cambio de la cubierta forestal del siglo XXI. Ciencia 342, 850–853 (2013).

Artículo ADS CAS PubMed Google Scholar

Zarfl, C., Lumsdon, AE, Berlekamp, ​​J., Tydecks, L. y Tockner, C. Un auge global en la construcción de represas hidroeléctricas. Agua. Ciencia. 77, 161-170 (2015).

Artículo de Google Scholar

Ahmed, J., Constantine, JA y Dunne, T. El papel del suministro de sedimentos en el ajuste de la sinuosidad del canal a través de la cuenca del Amazonas. Geología 47, 807–810. https://doi.org/10.1130/G46319.1 (2019).

ADS del artículo Google Scholar

Dietrich, WE & Smith, JD Influencia de la barra de puntos en el flujo a través de canales curvos. Recurso Acuático. Res. 19, 1173-1192. https://doi.org/10.1029/WR019i005p01173 (1983).

ADS del artículo Google Scholar

Camporeale, C., Perona, P., Porporato, A. & Ridolfi, L. Jerarquía de modelos para ríos serpenteantes y procesos morfodinámicos relacionados. Rev. Geophys. 45, 859 (2007).

Artículo de Google Scholar

Saló, J. et al. Dinámica de los ríos y diversidad del bosque amazónico de tierras bajas. Naturaleza 322, 254 (1986).

ADS del artículo Google Scholar

Hess, LL, Melack, JM, Novo, EMLM, Barbosa, CCF & Gastil, M. Mapeo de inundaciones y vegetación de humedales en dos estaciones para la cuenca central del Amazonas. Sensores remotos. Medio ambiente. 87, 404–428 (2003).

ADS del artículo Google Scholar

Lima, AJN et al. Modelos alométricos para estimar la biomasa aérea y subterránea en los bosques amazónicos de São Gabriel da Cachoeira en el alto Río Negro. Brasil. Para. Ecológico. Gestionar. 277, 163-172 (2012).

Artículo de Google Scholar

Wohl, E. Tratado de Geomorfología. Geomorfología Fluvial (Elsevier, 2013).

Google Académico

Ward, JV & Stanford, JA Conectividad ecológica en ecosistemas fluviales aluviales y su alteración por regulación de flujo. Regul. Riv.-Res. Gestionar. 11, 105-119. https://doi.org/10.1002/rrr.3450110109 (1995).

Artículo de Google Scholar

Baccini, A. y col. Las emisiones estimadas de dióxido de carbono derivadas de la deforestación tropical mejoraron mediante mapas de densidad de carbono. Nat. Subir. Cambio 2, 182 (2012).

Artículo ADS CAS Google Scholar

Rodríguez-Iturbe, I. y Rinaldo, A. Cuencas fluviales fractales: azar y autoorganización (Cambridge University Press, 2001).

Google Académico

Van Oost, K. y col. Legado de la erosión de C inducida por el hombre y el entierro en el intercambio de C entre el suelo y la atmósfera. Proc. Nacional. Acad. Ciencia. Estados Unidos 109, 19492–19497. https://doi.org/10.1073/pnas.1211162109 (2012).

Artículo ADS PubMed PubMed Central Google Scholar

Wohl, E. y col. El régimen natural de la madera en los ríos. BioCiencia 69, 25. https://doi.org/10.1093/biosci/biz013 (2019).

Artículo de Google Scholar

Hilton, RG, Galy, A. & Hovius, N. Carbono orgánico particulado fluvial de un cinturón montañoso activo: importancia de los deslizamientos de tierra. Globo. Biogeoquia. Ciclos 22, 856. https://doi.org/10.1029/2006GB002905 (2008).

Artículo CAS Google Scholar

Clark, DA y cols. Producción primaria neta en bosques tropicales: una evaluación y síntesis de datos de campo existentes. Ecológico. Aplica. 11, 371–384 (2001).

Artículo de Google Scholar

Schöngart, J. & Wittmann, F. Biomasa y producción primaria neta de los bosques de la llanura aluvial del Amazonas central. En Bosques de llanuras aluviales amazónicas 347–388 (Springer, 2010).

Walcker, R., Corenblit, D., Julien, F., Martínez, J.-M. & Steiger, J. Contribución de los ríos serpenteantes a los flujos naturales de carbono: evidencia del río ucayali, amazonia peruana. Ciencia. Medio ambiente total. 776, 146056 (2021).

Artículo ADS CAS Google Scholar

Pawson, R., Evans, M. & Allott, T. Flujo de carbono fluvial de corrientes de turberas de cabecera: importancia del flujo de carbono particulado. Surf de la Tierra. Proc. Tierra. 37, 1203-1212 (2012).

Artículo ADS CAS Google Scholar

Worrall, F., Reed, M., Warburton, J. y Burt, T. Presupuesto de carbono para una cuenca de captación de turba de tierras altas británicas. Ciencia. Medio ambiente total. 312, 133-146 (2003).

Artículo ADS CAS PubMed Google Scholar

Ramos Scharrón, CE, Castellanos, EJ & Restrepo, C. La transferencia de carbono orgánico moderno por actividad de deslizamientos de tierra en ecosistemas montanos tropicales. J. Geophys. Res. 117, 856 (2012).

Google Académico

Volk, T. Aumento de las angiospermas como factor de enfriamiento climático a largo plazo. Geología 17, 107-110. https://doi.org/10.1130/0091-7613(1989)017\(<\)0107:ROAAAF\(>\)2.3.CO;2 (1989).

Takahashi, T. El rompecabezas del dióxido de carbono. Océano 32, 22-29 (1989).

Google Académico

Schlünz, B. & Schneider, RR Transporte de carbono orgánico terrestre a los océanos por los ríos: reestimación de las tasas de flujo y entierro. En t. J. Ciencias de la Tierra. 88, 599–606 (2000).

Artículo de Google Scholar

Timpe, K. & Kaplans, D. La hidrología cambiante de un Amazonas represado. Ciencia. Adv. 3, e1700611 (2017).

Artículo ADS PubMed PubMed Central Google Scholar

Finer, M. & Jenkins, C. Proliferación de represas hidroeléctricas en la Amazonía andina e implicaciones para la conectividad andino-amazónica. MÁS UNO 7, e35126. https://doi.org/10.1371/journal.pone.0035126 (2012).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Wohl, E. y col. El régimen natural de sedimentos en los ríos: ampliando las bases para la gestión de los ecosistemas. Biociencia 65, 358–371. https://doi.org/10.1093/biosci/biv002 (2015).

Artículo de Google Scholar

Bertagni, MB, Perona, P. & Camporeale, C. Transiciones paramétricas entre estados desnudos y con vegetación en patrones impulsados ​​por el agua. Proc. Nat. Acad. Ciencia. 115, 8125–8130. https://doi.org/10.1073/pnas.1721765115 (2018).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Camporeale, C., Perucca, E., Ridolfi, L. y Gurnell, A. Modelado de las interacciones entre la morfodinámica de los ríos y la vegetación ribereña. Rev. Geophys. 51, 379–414. https://doi.org/10.1002/rog.20014 (2013).

ADS del artículo Google Scholar

Salerno, L. et al. Los análisis satelitales revelan el impacto de varias décadas de la gestión de represas en la vegetación de las llanuras aluviales tropicales. Frente. Reinar. Ciencia. 357, 859 (2022).

Google Académico

Scherer, L. & Pfister, S. Huella de carbono biogénica de la energía hidroeléctrica. MÁS UNO 9, 315–317 (2016).

Google Académico

Niayifar, A. & Perona, P. Las políticas dinámicas de asignación de agua mejoran la eficiencia global de los sistemas de almacenamiento. Adv. Recurso Acuático. 104, 85. https://doi.org/10.1016/j.advwatres.2017.03.004 (2017).

ADS del artículo Google Scholar

Bussettini, M. & Vezza, P. Orientación sobre caudales ambientales, integración de la ciencia del flujo electrónico con la geomorfología fluvial para mantener los servicios ecosistémicos. Tecnología. Rep., Organización Meteorológica Mundial—OMM, Comisión de Hidrología (2019).

Poff, NL & Zimmerman, JKH Respuestas ecológicas a regímenes de flujo alterados: una revisión de la literatura para informar la ciencia y la gestión de los flujos ambientales. Fresco. Biol. 55, 194-205. https://doi.org/10.1111/j.1365-2427.2009.02272.x (2010).

Artículo de Google Scholar

Downing, JA y cols. Abundancia global y distribución del tamaño de arroyos y ríos. Aguas interiores 2, 229–236 (2012).

Artículo de Google Scholar

Gurnell, A. y col. Un marco jerárquico de múltiples escalas para desarrollar la comprensión del comportamiento de los ríos para apoyar la gestión de los ríos. Agua. Ciencia. 78, 1–16. https://doi.org/10.1007/s00027-015-0424-5 (2016).

ADS del artículo Google Scholar

Pekel, J.-F., Cottam, A., Gorelick, N. y Belward, AS Mapeo de alta resolución de las aguas superficiales globales y sus cambios a largo plazo. Naturaleza 540, 418 (2016).

Artículo ADS CAS PubMed Google Scholar

Linke, S. y col. Características hidroambientales globales de subcuencas y alcances fluviales en alta resolución espacial. Ciencia. Datos 6, 1-15 (2019).

Artículo de Google Scholar

Lehner, B. & Grill, G. Hidrografía fluvial global y enrutamiento de redes: datos de referencia y nuevos enfoques para estudiar los grandes sistemas fluviales del mundo. Hidrol. Proceso. 27, 2171–2186 (2013).

ADS del artículo Google Scholar

Venter, O. y col. Dieciséis años de cambio en la huella humana terrestre global e implicaciones para la conservación de la biodiversidad. Nat. Comunitario. 7, 1-11 (2016).

Artículo de Google Scholar

Giglio, L., Justice, C., Boschetti, L. & Roy, D. MCD64A1 MODIS/Terra+Aqua Área quemada Mensual L3 Global 500m SIN Grid V006 [Conjunto de datos]. NASA EOSDIS Procesos terrestres DAAChttps://doi.org/10.5067/MODIS/MCD64A1.006 (2015).

Jones, MW y cols. Los incendios generan carbono orgánico terrestre principal para la exportación fluvial a los océanos globales. Nat. Comunitario. 11, 1–8 (2020).

ADS del artículo Google Scholar

Friedl, M. & Sulla-Menashe, D. MCD12Q1 MODIS/Terra+ tipo de cobertura terrestre acuática anual L3 red SIN global de 500 m V006 [conjunto de datos]. Procesos terrestres EOSDIS de la NASA DAAC10 (2015).

Zarín, DJ y cols. ¿Pueden las emisiones de carbono derivadas de la deforestación tropical caer un 50% en 5 años?. Globo. Cambiar Biol. 22, 1336-1347 (2016).

ADS del artículo Google Scholar

Paine, ADM Razonamiento ergódico en geomorfología: ¿Es hora de una revisión del término?. Prog. Física. Geogr. 9, 1-15. https://doi.org/10.1177/030913338500900101 (1985).

Artículo de Google Scholar

Saatchi, SS y cols. Mapa de referencia de las reservas de carbono forestal en regiones tropicales de tres continentes. Proc. Nat. Acad. Ciencia. 108, 9899–9904 (2011).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Muneepeerakul, R., Rinaldo, A. & Rodriguez-Iturbe, I. Efectos de las propiedades de escala del flujo del río sobre el ancho ribereño y la biomasa vegetal. Recurso Acuático. Res. 43, 859. https://doi.org/10.1029/2007WR006100 (2007).

Artículo de Google Scholar

Pfister, R., Schwarz, KA, Janczyk, M., Dale, R. y Freeman, J. Las cosas buenas alcanzan su punto máximo en parejas: una nota sobre el coeficiente de bimodalidad. Frente. Psicólogo. 4, 700 (2013).

Artículo PubMed PubMed Central Google Scholar

Ross, S. Probabilidad y estadística para ingenieros y científicos (Elsevier, 2009).

MATEMÁTICAS Google Scholar

Goodman, LA Sobre la variación exacta de los productos. Mermelada. Estadística. Asociación. 55, 708–713 (1960).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Descargar referencias

Agradecemos a Alistair Borthwick y Russell Naisbit por la edición y a Guido Zolezzi y Annunziato Siviglia por las útiles discusiones.

LS recibió el apoyo de la subvención de Proyectos Conjuntos financiada por la Fundación Compagnia di San Paolo. Créditos por las Figs. 2a–f, 2h, Fig. Suplementaria S1, Fig. Suplementaria S5b–g, Fig. Suplementaria S8 gi: Esri, DigitalGlobe, GeoEye, i-cubed, USDA FSA, USGS, AEX, Getmapping, Aerogrid, IGN, IGP, swisstopo y la comunidad de usuarios de SIG.

Estos autores contribuyeron igualmente: Paolo Vezza y Paolo Perona.

Departamento de Medio Ambiente, Ingeniería Terrestre e Infraestructura, Politécnico de Turín, Corso Duca degli Abruzzi, Turín, 10129, Italia

Luca Salerno, Paolo Vezza y Carlo Camporeale

Plataforma de Construcciones Hidráulicas PL-LCH, Instituto de Ingeniería Civil (IIC), Escuela de Arquitectura, Ingeniería Civil y Ambiental (ENAC), EPFL, Lausana, Suiza

paolo perona

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

CC concibió el estudio, diseñó y supervisó todo el análisis; LS recopiló y analizó datos, diseñó algoritmos y códigos y preparó el manuscrito; PV diseñó el algoritmo de clasificación de firmas; CC, PV y PP editaron el manuscrito; PP concibió el estudio con CC y brindó asesoramiento conceptual.

Correspondencia a Luca Salerno.

Los autores declaran no tener conflictos de intereses.

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

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Salerno, L., Vezza, P., Perona, P. et al. Bombeo ecomorfodinámico de carbono por los ríos más grandes del Neotrópico. Representante científico 13, 5591 (2023). https://doi.org/10.1038/s41598-023-32511-w

Descargar cita

Recibido: 17 de octubre de 2022

Aceptado: 28 de marzo de 2023

Publicado: 05 de abril de 2023

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

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

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

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

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