Publikationsserver der Universitätsbibliothek Marburg

Titel:Future ecosystem services of temperate grasslands: bridging scales towards high-resolution spatio-temporal monitoring
Autor:Obermeier, Wolfgang
Weitere Beteiligte: Bendix, Jörg (Prof. Dr.)
Erscheinungsjahr:2019
URI:http://archiv.ub.uni-marburg.de/diss/z2019/0092
URN: urn:nbn:de:hebis:04-z2019-00925
DOI: https://doi.org/10.17192/z2019.0092
DDC:550 Geowissenschaften
Titel(trans.):Zukünftige Ökosystemdienstleistungen in Grünländern der gemäßigten Breiten: Skalenüberbrückung für raumzeitlich hoch aufgelöstes Monitoring

Dokument

Schlagwörter:
futur, aboveground biomass, free air carbon enrichment (FACE), climate extremes, climate change, extreme weather conditions, temperate grassland

Summary:
Temperate grasslands cover approximately 38% of the European agricultural area and provide various ecosystem services such as forage production, biodiversity conservation and carbon sequestration. These ecosystem services strongly depend on the biomass productivity, which with future global changes remains uncertain. Above all, an increasing atmospheric CO2 concentration ([CO2 ]) is assumed to enhance biomass productivity (called the CO2 fertilization effect; CFE) in particular under dry and hot conditions, while such probable future environmental conditions rather decrease the grassland productivity in general. However, recent doubts about the classic view on the CFE call for in-depth analysis of the interacting effects of the CFE and varying environmental conditions on grassland productivity, which is usually done by CO2 enrichment studies. Here, Free Air Carbon dioxide Enrichment (FACE) experiments have proven to be the most suitable approaches due to their minimal invasive character. Consequently, this study uses the worldwide longest operating FACE experiment on grassland, the Giessen FACE facility (GiFACE), to improve the assessment of the potential future of ecosystem services under global change. Initially, it was tested whether the CFE in the GiFACE grassland is reduced under more extreme average weather conditions and after single extreme climatic events. To cope with the real-world conditions, a specific approach, called moving subset analysis, was developed to enable the quantification of the CFE in dependence of average weather conditions under varying [CO2 ]s. Additionally, a time series analysis was developed to link single extreme climatic events (ECEs) with the strength of the CFE. It was found that the CFE was significant and strong under local average environmental conditions (defined by ±1 SD of long-term average conditions), but decreased under more extreme weather conditions. The strongest decrease in the CFE under ECEs was associated with intensive and long heat waves, and could be quantified to a large extent by calculating the Killing Degree Days (∼30% variance of the magnitude of the CFE). Since the CFE was found to be reduced under unfavourable environmental conditions, the potential of future grassland productivity was assessed in a further step. Therefore, potential future climate regimes and statistical models of biomass were created using the long-term experimental observations. Biomass was predicted using climate variable alterations within the potential climate regimes. The comparison of the potential regimes with the climate model projections for the years with a similar [CO2 ] compared to enriched [CO2 ]s revealed that biomass is likely to be reduced in the mid of 21st century despite the increase in [CO2 ], and thus that the CFE cannot compensate yield losses due to unfavourable environmental conditions. Short-term environmental changes such as ECEs were shown to affect the grassland productivity while their influence might be elusive to the traditional destructive sampling approaches at harvest dates. To overcome these sampling restrictions, in the final step of this study, the feasibility of the non-invasive hyperspectral monitoring of the GiFACE grassland on a high spatio-temporal resolution was investigated. Thus, methods were developed to work with hyperspectral data and the comprehensive statistical software CRAN R. The methods developed were used to derive transfer functions between hyperspectral measurements and various laboratory-derived grassland traits by applying machine learning approaches. Good to very good leave-one-out prediction results revealed that the most important ecosystem services can precisely be predicted by hyperspectral approaches. Hyperspectral predictions of the most important grassland traits during the vegetation period highlighted how remote sensing approaches can improve grassland management in future. Alarmingly, the reduced CFE and biomass productivity in grasslands under unfavourable future environmental conditions as detected in this thesis, suggest decreasing ecosystem services such as carbon sequestration and related climate mitigation function in future. This may – in a vicious circle – lead to a further aggravation of expected global changes and urgently calls for better mitigation and adaptation strategies. Measures necessary for this could be instructed and monitored by remote sensing methods, as was shown by the present thesis.

Zusammenfassung:
Grünländer bedecken etwa 38% der europäischen Agrarfläche und bieten verschiedene Ökosystemdienstleistungen wie Futterproduktion, Biodiversitätsschutz und Kohlenstoffbindung. Diese Ökosystemleistungen hängen stark von der Biomasseproduktion ab, welche aufgrund des globalen Wandels in Zukunft ungewiss ist. Allem voran wird davon ausgegangen, dass eine steigende atmosphärische CO2Konzentration ([CO2 ]) die Biomasseproduktivität insbesondere unter trockenen und heißen Bedingungen erhöht (genannt CO2 -Düngeeffekt; CFE), während im Allgemeinen solche wahrscheinlichen zukünftigen Umweltbedingungen die Grünlandproduktivität eher verringern. Jüngst aufgekommene Zweifel an der klassischen Sichtweise auf den CFE erfordern jedoch eine gründliche Analyse der Wechselwirkungen des CFE mit unterschiedlichen Umgebungsbedingungen auf die Grünlandproduktivität, welche in der Regel mittels CO2 -Anreicherungsstudien erreicht wird. Hier haben sich Free Air Carbon dioxide Enrichment (FACE) Experimente aufgrund ihres minimal-invasiven Charakters als am besten geeignete Ansätze bewiesen. Folglich verwendet diese Studie das weltweit am längsten laufende FACE-Experiment auf Grünland, das Giessen FACE (GiFACE), um den potentiellen, zukünftigen Wert verschiedener Ökosystemleistungen unter Einfluss des globalen Wandels besser abschätzen zu können. Zunächst wurde getestet, ob der CFE im GiFACE-Grünland unter extremeren durchschnittlichen Wetterbedingungen und nach extremen Klimaereignissen re- duziert ist. Für die Quantifizierung des CFE in Abhängigkeit von durchschnittlichen Wetterbedingungen unter verschiedenen [CO2 ]s wurde ein spezifischer Ansatz, genannt Moving Subset Analyse, entwickelt, um den realen Bedingungen Rechnung zu tragen. Zusätzlich wurde eine Zeitreihenanalyse entwickelt, um einzelne extreme Klimaereignisse (ECEs) mit der Stärke des CFE zu korrelieren. Es wurde festgestellt, dass der CFE unter den lokal durchschnittlichen Wetterbedingungen signifikant und stark ausfiel (definiert durch ±1 SD der langfristigen durchschnittlichen Wetterbedingungen), unter extremeren Wetterbedingungen sich jedoch stark verringerte. Der stärkste Rückgang des CFE unter ECEs war mit intensiven und langen Hitzewellen verbunden und konnte weitgehend durch die Berechnung der Killing Degree Days quantifiziert werden (∼30% der Varianz des CFE). Da festgestellt wurde, dass der CFE unter ungünstigen Umweltbedingungen reduziert ist, wurde das zukünftige Potenzial der Grünlandproduktivität in einem weiteren Schritt bewertet. Hierfür sind potenzielle zukünftige Klimaregime und statistische Modelle für den Biomassezuwachs auf Basis der langfristigen experi- mentellen Beobachtungen erstellt worden. Der Biomassezuwachs wurde mit leicht veränderten Klimavariablen innerhalb der potenziellen Klimaregime vorhergesagt. Der Vergleich der potentiellen Klimaregime mit den Prognosen von Klimamodellen für die Jahre mit einer ähnlichen [CO2] im Vergleich zu der angereicherten [CO2] ergab, dass die Biomasse in der Mitte des 21. Jahrhunderts trotz der Zunahme von [CO2] voraussichtlich reduziert sein wird. Dies zeigt, dass der CFE Ertragsausfälle durch ungünstige Umgebungsbedingungen nicht kompensieren kann. Kurzfristige Umweltveränderungen wie ECEs wirkten sich nachweislich auf die Produktivität des Grünlandes aus, während ihr Einfluss mittels traditioneller destruktiver Stichprobenverfahren zu den Erntezeiten schwer zu erheben ist. Um diese Einschränkungen durch die Probenahme zu überwinden, wurde im letzten Schritt dieser Studie die Machbarkeit des nicht-invasiven hyperspektralen Monitoring des GiFACE-Grünlands mit einer hohen raum-zeitlichen Auflösung untersucht. Um mit den hyperspektralen Daten und der umfassenden Statistiksoftware CRAN R zu arbeiten wurden spezifische Methoden entwickelt. Mit diesen Methoden wurden Transferfunktionen zwischen hyperspektralen Messungen und verschiedenen im Labor gemessenen Grünlandmerkmalen unter Anwendung maschineller Lernansätze abgeleitet. Gute bis sehr gute Leave-One-Out-Kreuzvalidierung Ergebnisse zeigten, dass die wichtigsten Ökosystemleistungen durch hyperspektrale Ansätze präzise vorhergesagt werden können. Hyperspektrale Vorhersagen der wichtigsten Grünlandmerkmale während der Vegetationsperiode zeigten, wie Fernerkundungsansätze das Grünlandmanagement in Zukunft verbessern können. Alarmierend ist, dass ein reduzierter CFE und eine reduzierte Biomasseproduktivität in Grünland unter ungünstigen zukünftigen Umweltbedingungen, wie sie in dieser Arbeit festgestellt wurden, einen abnehmenden Wert an Ökosystemdienstleistungen wie der Kohlenstoffsequestrierung und der damit verbundenen Klimaschutzfunktionen in Zukunft erwarten lassen. Dies kann – einem Teufelskreis ähnlich – zu einer weiteren Verschärfung der erwarteten globalen Veränderungen führen und erfordert dringend bessere Minderungs- und Anpassungsstrategien. Hierfür notwendige Maßnahmen könnten, wie die vorliegende Arbeit zeigt, durch Fernerkundungsmethoden angeleitet und überwacht werden.


* Das Dokument ist im Internet frei zugänglich - Hinweise zu den Nutzungsrechten