Zdjęcie satelitarne Sahary. Z Wikipedii, wolnej encyklopedii
Przegląd najważniejszych wydarzeń
- • GGW skutecznie zmniejsza długość suszy
- • Obniżając temperaturę latem, GGW powoduje ocieplenie w pozostałych porach roku
- • GGW prowadzi do wzrostu ekstremalnych temperatur
- • Podczas gdy dostępność wody poprawia się, stres cieplny lokalnej ludności pogarsza się
Nauka dla społeczeństwa
Inicjatywa Afrykańskiej Wielkiej Zielonej Ściany (GGW) ma na celu posadzenie ściany drzew w całym Sahelu, aby powstrzymać ekspansję Sahary i przywrócić zdegradowane grunty z korzyścią dla społeczności lokalnych. Choć ten projekt geoinżynieryjny ma potencjalne zalety, nie jest jasne, w jakim stopniu eksperyment doprowadzi do zauważalnego zmniejszenia intensywności susz i fal upałów. Bez głębszego zrozumienia potencjalnego wpływu projektu na klimat cele w zakresie renaturyzacji gruntów mogą nie zostać osiągnięte. Modelowanie komputerowe, które uwzględnia różne scenariusze GGW z różnymi kombinacjami gatunków traw i drzew, pokazuje, że chociaż projekt mógłby zwiększyć opady i skrócić czas trwania suszy, towarzyszyłyby temu bardziej ekstremalne upały w porze przedmonsunowej. Uznanie tych różnorodnych skutków jest niezbędne, aby decydenci mogli dostosować cele GGW do celów zrównoważonego klimatu i złagodzić potencjalne skutki regionalne.
Streszczenie
Wielki Zielony Mur (GGW) to wielomiliardowa afrykańska inicjatywa mająca na celu walkę z pustynnieniem w regionie Sahelu. Jednakże potencjalny wpływ najnowszego planu GGW na Afrykę Północną nie został jeszcze odpowiednio oceniony, co budzi obawy dotyczące nieprzewidzianych konsekwencji klimatycznych, które mogłyby mieć wpływ na stabilność w Afryce Północnej i podważyć cele inicjatywy. Korzystając z regionalnego modelu klimatu o wysokiej rozdzielczości (∼13 km), oceniamy wpływ na klimat czterech scenariuszy GGW o różnej gęstości roślinności w ramach dwóch ekstremalnych ścieżek emisji (niskiej i wysokiej). Scenariusze GGW o większej gęstości roślinności w ramach obu ścieżek emisji wykazują zwiększone opady, krótsze długości suszy i obniżone temperatury w lecie poza regionem GGW w porównaniu z przypadkami bez GGW. Jednak wszystkie scenariusze GGW pokazują bardziej ekstremalnie gorące dni i wyższe wskaźniki ciepła w sezonie przedmonsunowym. Ustalenia te podkreślają kontrastujące skutki klimatyczne GGW, podkreślając potrzebę kompleksowych ocen w kształtowaniu przyszłych polityk.
Streszczenie graficzne
Słowa kluczowe: monsun, Afryka, Sahel
1-s2.0-S2590332224000393-mainWstęp
Sahel to półpustynny region przejściowy między Saharą a tropikalną sawanną, uznawany za jeden z najważniejszych regionalnych punktów zapalnych zmian klimatycznych w całym stuleciu na podstawie specjalnego wskaźnika zdefiniowanego jako standardowa odległość euklidesowa. 1 , 2 W regionach Sahary i Sahelu opady są ściśle powiązane z intensywnością monsunu zachodnioafrykańskiego (WAM), który ma kluczowe znaczenie dla stabilności społeczno-gospodarczej milionów żyjących tam ludzi. 3 Dotkliwe susze, najprawdopodobniej wywołane anomaliami temperatury powierzchni morza (SST) 4 , 5 , 6 , 7 w synergii z naturalnymi procesami roślinnymi, zmianami użytkowania gruntów i emisjami antropogenicznymi 8 , 9 spustoszyły region w ciągu ostatnich trzech dekad XX wieku. 10 Aby przeciwdziałać potencjalnym przyszłym suszom i degradacji gleby, opracowano Wielki Zielony Mur (GGW) w oparciu o zalesianie odcinka zdegradowanych terenów o długości około 7 000 km od Senegalu w Afryce Zachodniej po Dżibuti na wschodzie, przy czym cel polegający na poprawie cyklu hydrologicznego, zwiększeniu lokalnych opadów w regionie. W 2007 r. GGW zostało oficjalnie przyjęte przez 11 założycieli krajów Sahelu. Początkowy projekt „ściany drzew” został zastąpiony bardziej wykonalną inicjatywą, zintegrowanym podejściem do zarządzania ekosystemem, które składa się z mozaiki różnych działań na obszarze w rocznych izohyetach klimatycznych 100 i 400 mm. 11 , 12 Projekt taki miał na celu poprawę zarówno warunków środowiskowych, jak i społeczno-gospodarczych krajów Sahelu. 13 Inicjatywa została wybrana wśród pierwszych 10 światowych projektów przewodnich w ramach Dekady ONZ na rzecz odbudowy ekosystemów ( https://www.decadeonrestoration.org/great-green-wall ).
Niedawne badania nad potencjalnym wpływem projektu dotyczącego pasa zieleni Sahelu lub bardziej ogólnego ponownego zalesiania w Afryce Północnej są ograniczone. 14 , 15 , 16 , 17 , 18 , 19 Przeprowadzono jedynie kilka badań z wykorzystaniem regionalnych modeli klimatycznych (RCM) w celu zbadania lokalnego wpływu ponownego zalesiania części lub całego Sahelu. 15 , 16 , 18 , 19 RCM wykorzystywane w takich badaniach są stosunkowo grube (tj. 40–50 km) i prawdopodobnie mogą błędnie odzwierciedlać wpływ ponownego zalesiania na opady. Poprzednie eksperymenty były wysoce wyidealizowane i opierały się na oryginalnej koncepcji ściany drzew, zastępującej istniejącą wcześniej roślinność jednolitym, wiecznie zielonym lasem. Jednak modelowany obszar Muru był znacznie szerszy niż 15-kilometrowa szerokość pierwotnej inicjatywy. Ponadto modelowanie mezoskalowych systemów konwekcyjnych, które są odpowiedzialne za 70% do 90% rocznych opadów w regionie 20 , 21 , 22, mogło zostać błędnie przedstawione ze względu na stosunkowo niską rozdzielczość tych eksperymentów. Wreszcie długość ich eksperymentów waha się od 7 (Diba i in. 16 ) do 14 (Saley i in. 19 ) lat, a zatem nie jest wystarczająco długa, aby uchwycić pełny zakres zmian klimatycznych związanych z GGW.
W tym miejscu zagłębiamy się w kluczowy aspekt zrozumienia potencjalnego wpływu GGW na klimat, podstawową potrzebę wspierania interesariuszy w formułowaniu skutecznych polityk realizacji projektu. Aby to osiągnąć, zastosowaliśmy model klimatu o wyższej rozdzielczości (13 km) (kanadyjski regionalny model klimatu [CRCM] 23 , 24 ), aby zobrazować dokładniejszą reprezentację inicjatywy GGW. Przeprowadziliśmy eksperymenty wrażliwości w ramach dwóch różnych scenariuszy gazów cieplarnianych (GHG) – ścieżki reprezentatywnego stężenia 2.6 (RCP2.6) i RCP8.5 25 – obejmujących cztery różne scenariusze GGW o różnej gęstości roślinności (niska, średnia, wysoka i ekstremalna). w oparciu o oficjalne dokumenty inicjatywy GGW 11 i wymowę „Commission de l’Union africaine and APA” z 2012 r. ( szczegóły w procedurach eksperymentalnych i notatce S2 ).
Nasze odkrycia ujawniają kontrastujące skutki GGW: wyższa gęstość roślinności zwiększa opady deszczu, skraca czas trwania suszy i obniża letnie temperatury poza bezpośrednimi granicami. Jednak wszystkie scenariusze wykazują wzmocnione ekstremalne temperatury przedmonsunowe. Odkrycia te podkreślają kluczowe znaczenie, jakie dla decydentów ma uwzględnienie tych wieloaspektowych skutków dla skutecznego planowania polityki ochrony środowiska i kompleksowej oceny potencjalnych konsekwencji regionalnych.
Wyniki
GGW zwiększa opady średnie i ekstremalne
Nasz model nie symuluje żadnych znaczących zmian w opadach deszczu w regionie Sahelu podczas średniego sezonu letniego z 30 lat (od czerwca do września [JJAS]) dla obu scenariuszy emisji gazów cieplarnianych (tylko RCP2.6 i tylko RCP8.5), z wyjątkiem suchego anomalia nad Senegalem i południową Mauretanią w przypadku wyłącznie RCP8.5 ( rysunek S2 ) w porównaniu z obecnym eksperymentem (PD). Tej suchej anomalii w scenariuszu obejmującym wyłącznie RCP8.5 nie znaleziono w zestawie skoordynowanych wyników eksperymentu zmniejszania skali regionalnej do ocen regionalnych (CORDEX-CORE), który wykazuje umiarkowanie znaczący wzrost opadów w zachodnim Sahelu ( rysunek S25 A). Wydaje się, że CRCM/GEM4.8 ogólnie wykazuje niedoszacowanie średnich opadów w porównaniu z zespołem CORDEX. Jednak to obciążenie modelu nie powinno mieć wpływu na wnioski z tego badania, ponieważ skupiamy się na zmianach względnych, a nie bezwzględnych. Niemniej jednak CRCM/GEM4.8 wykazuje dobrą zgodność z CORDEX w skrajnych statystykach średnich opadów ( rysunek S27 ), chociaż CRCM przedstawia wyższą częstotliwość niskich opadów w porównaniu z eksperymentami CORDEX. Zespół CORDEX objęty wyłącznie RCP2.6 nie wykazuje żadnej szczególnej zmiany w porównaniu z PD ( rysunek S25 C), chociaż wykazuje niższą częstotliwość niskich opadów w porównaniu z naszym modelem. Więcej szczegółów na temat ocen i porównań modeli można znaleźć w procedurach eksperymentalnych.
Rozważając scenariusze GGW, w trzech eksperymentach GGW, zarówno w RCP2.6, jak i RCP8.5, symuluje się znaczną poprawę opadów JJAS na dużym obszarze Sahelu. Chociaż w eksperymentach GGW LOW , GGW MED i GGW HIGH w przypadku obu emisji nie stwierdzono żadnych znaczących zmian, poza kilkoma małymi obszarami , scenariusze wskazują na znaczną intensyfikację opadów w lecie. Taka intensyfikacja jest bardziej widoczna w zachodnim Sahelu, zwłaszcza w GGW HIGH , gdzie występuje wzrost o 100 i 200 mm, co odpowiada wzrostowi o 50–150% ( ryc. 1 C–1F ). Co więcej, scenariusz GGW HIGH wskazuje na dalszy wzrost w środkowej i południowej części Afryki Północnej, dotykający regionów stosunkowo oddalonych od muru, takich jak południowa Nigeria, Kamerun i Republika Środkowoafrykańska. Wzrost od 25 do 100 mm występuje również w północnej i wschodniej części Sahelu. W eksperymentach ekstremalnych (GGW EXT ) sygnał jest znacznie silniejszy w porównaniu z innymi scenariuszami, z zauważalnym wzrostem opadów w całej północnej Afryce, w tym na Saharze. Wzrost powszechnych opadów waha się od 100 do 200 mm w regionie Sahelu, co stanowi wzrost od 50% w południowym Sahelu do 200% w północnych sekcjach w porównaniu z eksperymentami obejmującymi wyłącznie RCP ( ryc. 1 G i 1H). Ponadto symulowany jest wzrost w wysokości od 250 do 500 mm w południowo-zachodnim Sahelu. Wspomniany suchy sygnał nad zachodnim Sahelem w symulacji wyłącznie RCP8.5 jest częściowo lub całkowicie kompensowany we wszystkich eksperymentach. Strefowe średnie dzienne opady w Afryce Zachodniej dla GGW HIGH i GGW EXT wskazują, że wpływ GGW nie ogranicza się do sezonu letniego, ale rozciąga się również na wiosnę i jesień ( rysunek S3 ). Ponadto symulowane jest wzmocnienie WAM na południe od regionu GGW, powodujące zwiększenie opadów również poza obszarem projektu. Znaczący wzrost o około 1 mm/dzień w tych scenariuszach GGW występuje w zachodnim Sahelu od kwietnia do listopada w porównaniu z prognozami dotyczącymi wyłącznie RCP, przy czym wartości szczytowe przekraczają 3 mm/dzień w sierpniu w przypadku symulacji GGW EXT w ramach ścieżki RCP2.6 ( Rysunek S3 D). Jednakże wzmocnienie WAM – bardziej widoczne w drugiej połowie lata zarówno w eksperymentach GGW HIGH , jak i GGW EXT – nie jest związane ze znaczącym wydłużeniem pory monsunowej. Podczas gdy w eksperymencie obejmującym wyłącznie RCP8.5 (ale nie tylko RCP2.6) pora monsunowa jest znacznie dłuższa (11 dni, rysunek S3F) niż w przypadku PD, nie wykryto znaczących różnic między scenariuszami obejmującymi wyłącznie RCP a bardziej ekstremalnymi scenariuszami GGW.
Rysunek 1 . Zmiany opadów w lecie w Afryce Północnej
Zmiany opadów w okresie letnim (od czerwca do września [JJAS]) dla scenariuszy (A i B) GGW LOW , (C i D) GGW MED , (E i F) GGW HIGH oraz (G i H) GGW EXT w odniesieniu do scenariuszy standardowe ścieżki RCP2.6 (po lewej) i RCP8.5 (po prawej). Kropki wskazują wartości, które różnią się znacząco na poziomie istotności 5% przy użyciu lokalnego testu rang ze znakiem Wilcoxona (w punktach siatki).
Pozytywne anomalie opadów związane z występowaniem GGW znajdują także odzwierciedlenie w zmianie zjawisk ekstremalnych, skróceniu długości suszy oraz zwiększeniu liczby dni deszczowych i intensywności zjawisk deszczowych. W szczególności eksperymenty przeprowadzone wyłącznie z RCP nie wykazują żadnych zauważalnych różnic w odniesieniu do PD pod względem kolejnych dni suchych (CDD) ( Figury 2 B i 2C ). Podobne wyniki bez wyraźnych zmian w CDD pokazuje kilka badań, z wyjątkiem skromnego sygnału nad zachodnim Sahelem. 26 , 27 , 28 Przeciwne zmiany CDD, biorąc pod uwagę różne modele klimatyczne, takie jak Coupled Model Intercomparison Projects 5/6 (CMIP5/6) i CORDEX, odkryli Dosio i in. 29 Wreszcie modele CMIP6 przedstawione w raporcie WGI-AR6 30 wykazują wysoką zgodność modelu w zakresie spadku CDD w środkowym i zachodnim Sahelu w okresie od 5 do 15 dni w scenariuszu globalnego ocieplenia o 4°C. Chociaż nie jest to istotne, ze względu na dużą zmienność wskaźnika w naszych eksperymentach, stwierdziliśmy spadek CDD do 20 dni. Potencjalne ograniczenie w wykrywaniu zmian CDD w przyszłości może być również związane z parametryzacją konwekcji, jak podkreślili Kendon i wsp., 31, która pokazuje lepszą wydajność modelu umożliwiającego konwekcję przy rozdzielczości poziomej 4,5 km w porównaniu z modelem sparametryzowanym konwekcją przy Rozdzielczość 25 km. Scenariusze GGW wskazują na znaczny spadek w środkowym Sahelu, z różnicami w zależności od poziomu gęstości roślinności. Scenariusz GGW LOW pokazuje znaczące zmiany CDD trwające do -40 dni w ramach obu ścieżek emisji między Mali a Nigrem ( ryc. 2 D i 2E). Podobny, ale szerszy schemat pokazano w scenariuszach GGW MED ( rysunek 2 ), gdzie spadek CDD sięga części Mauretanii i Czadu. W eksperymentach GGW HIGH i GGW EXT zmiana dotyczy większego obszaru do –52 dni w środkowym Sahelu ( ryc. 2 H–2K). Biorąc pod uwagę, że w symulacji PD region doświadcza długości około 150 CDD w południowym Sahelu i 300 CDD w północnym Sahelu rocznie ( rysunek 2 A), takie zmiany są niezwykłe. Rzeczywiście odpowiadają one skróceniu suszy od 5% do 20% w scenariuszach GGW LOW , GGW MED i do 40% w eksperymentach GGW HIGH i GGW EXT .
Rysunek 2 . Coroczne kolejne dni suche
(A) Klimatologiczne roczne kolejne dni suche (CCD) dla eksperymentu dnia bieżącego (PD) i jego zmiany w lecie (JJAS) dla scenariuszy (B i C) RCP w odniesieniu do eksperymentu PD oraz (D i E) GGW LOW , Scenariusze (F i G) GGW MED , (H i I) GGW HIGH oraz (J i K) GGW EXT w odniesieniu do standardowych ścieżek RCP2.6 (po lewej) i RCP8.5 (po prawej). Kropki wskazują wartości, które różnią się znacząco na poziomie istotności 5% przy użyciu lokalnego testu rang ze znakiem Wilcoxona (w punktach siatki).
Zwiększona roślinność prowadzi również do znacznego wzrostu liczby dni deszczowych (dni z dobowymi opadami większymi niż 1 mm, R1mm), od 50% do 150% na całym obszarze projektu we wszystkich eksperymentach GGW, z wyjątkiem wschodniego Sahelu w Scenariusz GGW LOW ( rysunek S4 ). Zmiany trwające ponad 14 dni w GGW LOW i ponad 18 dni w przypadku pozostałych scenariuszy GGW w porównaniu z eksperymentem obejmującym wyłącznie RCP są symulowane w obszarze projektu, niwelując spadek R1mm w zachodnim Sahelu w scenariuszu RCP8.5. Żadna znacząca zmiana w zakresie bardzo mokrych dni (R95p, rys. S5 ) i maksymalnych opadów przez 5 kolejnych dni (RX5) ( rys. S6 ) nie jest powiązana z eksperymentami GGW LOW i GGW MED , z wyjątkiem kilku ograniczonych obszarów w tym ostatnim. Zmiany R95p i RX5 nad środkowym i zachodnim Sahelem w eksperymentach GGW HIGH i GGW EXT są znaczące, ze wzrostem obu indeksów aż do 100 mm w porównaniu z prognozami obejmującymi wyłącznie RCP. Po raz kolejny ten wzrost opadów jest bardziej intensywny i powszechny w eksperymentach GGW EXT , z anomalią we wskaźnikach R95p i RX5 powyżej 125 mm nad południowo-zachodnim Sahelem w porównaniu z symulacjami wykonanymi wyłącznie przez RCP.
Potencjalne mechanizmy zmian opadów
Eksperyment dostępny tylko w RCP8.5 pokazuje znaczny wzrost płytkiej konwekcji tuż przed powierzchniową strefą zbieżności, bez widocznego przesunięcia równoleżnikowego układu zbieżności ( rysunek S7 C). Eksperyment obejmujący wyłącznie RCP2.6 nie wykazuje znaczących zmian w cyrkulacji regionalnej w porównaniu z symulacją PD ( rysunki S7 B i S8 B), co jest zgodne z brakiem wzrostu opadów w tym eksperymencie ( rysunek S2 A). Jednakże nie symuluje się żadnej znaczącej zmiany tropikalnego strumienia wschodniego, a jedynie lekkie wzmocnienie afrykańskiego strumienia wschodniego (AEJ) ( rysunek S8 C). Takie warunki nie sprzyjają zwiększonym opadom. 32 Przeciwnie, we wszystkich eksperymentach GGW wykrywa się ekspansję strumienia monsunowego w kierunku północnym, z silniejszą i wyraźniejszą penetracją WAM w bardziej ekstremalnych scenariuszach GGW w porównaniu z eksperymentami PD i tylko RCP ( ryc. S7 H – S7K) . W takich eksperymentach GGW rozwija się znacznie głębsza konwekcja w porównaniu z eksperymentami wykorzystującymi wyłącznie RCP, sięgająca środkowej troposfery (500–600 hPa) w temperaturze 15°N –18°N, co wyjaśnia ekspansję opadów w kierunku północnym ( Rysunek 1 ). W symulacji GGW EXT wzmożona głęboka konwekcja występuje również dalej na południe (10°N), co jest spójne ze wzrostem opadów w całej północnej Afryce. W następstwie ekspansji monsunowej północna część monsunu i południowa część wiatrów Harmattan słabną wraz ze wzrostem gęstości roślinności (a co za tym idzie opadów), co sugeruje zanik płytkiej cyrkulacji południkowej, która odgrywa rolę w ilości opadów w Sahelu. 33 Osłabienie to może częściowo wynikać ze wzrostu chropowatości powierzchni związanego z zastępowaniem pustynnej i gołej gleby drzewami i krzewami ( Tabela S5 ). Ekspansja monsunowa w kierunku północnym jest powiązana z proporcjonalnym wzrostem strumienia wschodniego na większych wysokościach i spadkiem AEJ, począwszy od prawie żadnych zmian w symulacjach GGW LOW ( rysunki S8 D i S8E) do dużych i znaczących zmian w GGW EXT eksperymenty ( rysunki S8 F–S8K). W skali synoptycznej symuluje się niezwykły wzrost afrykańskich fal wschodnich (AEW), które są odpowiedzialne za większość opadów nad Sahelem, w obecności GGW w obu ścieżkach emisji, z wyraźnym wzrostem w całej południowej części Afryki Zachodniej, osiągając szczyt nad Oceanem Atlantyckim na około 10°N ( rysunek S9 ). Taki wzrost AEW, w połączeniu ze zmianą strumieni wschodnich, prowadzi do większej ilości opadów na tym obszarze ze względu na zwiększoną potencjalną wirowość. 34Wzrost AEW może być wywołany wzrostem uwalniania ciepła związanym ze wzrostem konwekcji 35 i wzmocniony przez dodatnie sprzężenie zwrotne z samą konwekcją. 22
Duży wzrost strumienia wilgoci i zbieżności całkowitego strumienia wilgoci (TMFC) w eksperymentach obejmujących wyłącznie RCP w porównaniu z eksperymentem PD ( rysunek S12 C; tabela S4 ) w całym regionie nie jest powiązany ze zwiększonymi opadami w tych eksperymentach. Ta zmiana w rzeczywistości nie powoduje żadnej znaczącej modyfikacji głębokiej konwekcji ( rysunki S7 B i S7C). W eksperymentach GGW stwierdzono niewielki wzrost TMFC w porównaniu z eksperymentami obejmującymi wyłącznie RCP. Zmiany w zagęszczeniu roślinności na GGW jedynie w niewielkim stopniu zakłócają TMFC. W ujęciu względnym główną różnicą w porównaniu z eksperymentami obejmującymi wyłącznie RCP jest wzrost ewapotranspiracji z powodu GGW ( rysunek S11 ; tabela S4 ). Jest to proporcjonalne do gęstości roślinności i umożliwia głębszą i bardziej efektywną konwekcję ( rysunek S7 ), co prowadzi do ogólnego wzrostu opadów w regionie. Sugeruje to zasadniczą rolę ewapotranspiracji w zmianach opadów wywołanych GGW, przy czym wzrost TMFC ma ograniczony wpływ. W rezultacie interakcje między ziemią a atmosferą poprzez roślinność i sprzężenia zwrotne albedo 36 , 37 wydają się odgrywać kluczową rolę w wywoływaniu zmiany dynamiki WAM, a nie zmiany cyrkulacji na dużą skalę związaną na przykład z anomalnym SST, jak w RCP8.5- tylko eksperyment.
GGW wpływa na temperaturę
Temperatura powierzchni w Sahelu charakteryzuje się dwumodalnym przebiegiem cyklu rocznego z dwoma maksimami przed i po porze deszczowej latem. Najgorętszy sezon przypada na borealną wiosnę, tuż przed nadejściem WAM, co powoduje wówczas spadek temperatury. Symulacje wyłącznie RCP2.6 i RCP8.5 pokazują bardzo znaczące ocieplenie w całej Afryce Północnej w porze monsunowej (JJAS, rysunki 3 A i 3B ). W szczególności w Sahelu ocieplenie waha się od 0,5°C do 1°C w eksperymencie obejmującym wyłącznie RCP2.6 i ponad 4°C w regionie ocieplenia, ze szczytem przekraczającym 5°C po wschodniej stronie, w Scenariusz obejmujący wyłącznie RCP8.5, ogólnie dobrze zgodny z zespołem CORDEX-CORE ( rysunek S26 , więcej szczegółów można znaleźć w uwadze S1 ).
Rysunek 3 . Średnie zmiany temperatury podczas JJAS
Zmiany średniej temperatury latem (JJAS) dla scenariuszy (A i B) RCP w odniesieniu do eksperymentu PD oraz (C i D) w GGW LOW , (E i F) GGW MED , (G i H) GGW HIGH oraz (I i J) Scenariusze GGW EXT w odniesieniu do standardowych ścieżek RCP2.6 (po lewej) i RCP8.5 (po prawej). Kropki wskazują wartości, które różnią się znacząco na poziomie istotności 5% przy użyciu lokalnego testu t (punkt siatki). W (A) i (B) wszystkie obszary wykazują istotne różnice (nie pokazano żadnych kropek).
Po uwzględnieniu wpływu GGW w scenariuszu GGW LOW nie wykazano żadnej znaczącej zmiany JJAS w średniej temperaturze w porównaniu z symulacjami obejmującymi wyłącznie RCP ( rysunki 3 C i 3D), natomiast ochłodzenie nad środkowo-zachodnim Sahelem z W eksperymencie GGW MED symulowany jest szczyt do 1,5°C ( rysunki 3E i 3F). Scenariusz GGW HIGH pokazuje znaczny spadek temperatury na znacznie większym obszarze niż sama domena GGW, co jest wyraźną konsekwencją wzmocnienia WAM ( ryc. 3 G i 3H). To ochłodzenie waha się od -0,5°C do -1°C w obu scenariuszach emisji, ze szczytem większym niż -1°C w środkowym Mali i południowym Nigrze. Jeśli weźmiemy pod uwagę eksperyment GGW EXT , anomalie te podwoją się i rozciągają się aż do Sahary ( ryc. 3 I i 3J). W eksperymencie GGW HIGH w ramach ścieżki RCP2.6 chłodzenie GGW w dużym stopniu równoważy sygnał ocieplenia w sezonie ciepłym (JJAS) na danym obszarze ( rysunek S16 B) spowodowany zwiększonym stężeniem gazów cieplarnianych. To ochłodzenie jest konsekwencją zwiększonego zachmurzenia ( rysunek S13 B, dół), które zmniejsza ilość światła słonecznego docierającego do powierzchni oraz opadów, które wzmagają parowanie. Co więcej, wzrost ewapotranspiracji związany z większą gęstością roślinności ( rysunek S11 ) może również odgrywać rolę w symulowanym spadku temperatury latem. W związku z tym potencjalne ocieplenie związane ze zmniejszonym albedo jest przyćmione przez ochłodzenie spowodowane ewapotranspiracją i zwiększonym zachmurzeniem. Wręcz przeciwnie, ocieplenie występuje w porze przedmonsunowej (od marca do maja, rys. S17 ). Chociaż letnie ochłodzenie wykracza daleko poza granice GGW, ocieplenie ogranicza się do obszaru, na którym zastosowano zmianę roślinności, i waha się od –0,25°C do –1°C, ze szczytem powyżej 1°C w środkowym Mali i południowy Niger ( ryc. S17 A – S17F). Sygnał ocieplenia w GGW EXT jest szerszy – spójny z większym obszarem ściany – i silniejszy w porównaniu z innymi eksperymentami GGW – i ogólnie mieści się w zakresie od 0,5°C do 1,5°C z kilkoma szczytami nie przekraczającymi 2°C w różnych częściach środkowego Sahelu ( rysunki S17 G i S17H). Takie ocieplenie jest wyraźną konsekwencją spadku albedo związanego z pokrywą roślinną ( rysunek S15 ). Ponadto chłodzenie wyparne jest ograniczone w porze suchej ze względu na suchą glebę, co powoduje, że rośliny w regionie transpirują rzadziej niż w dalszej części sezonu.
Ochłodzenie w porze monsunowej i ocieplenie w porze przedmonsunowej pokazują, że GGW powoduje kontrastujące skutki sezonowe w regionie. Efekt ten można wyraźnie zobaczyć, przyglądając się rocznemu cyklowi maksymalnej i minimalnej dziennej temperatury nad Sahelem, gdzie ocieplenie występuje również jesienią i zimą ( rysunek S18 A). Zakres temperatur pomiędzy najgorętszym klimatycznie dniem w roku wiosną a najzimniejszym dniem lata wzrasta o około 0,4°C w scenariuszach GGW MED i 1°C w scenariuszach GGW HIGH i GGW EXT w porównaniu z eksperymentami wykorzystującymi wyłącznie RCP. Letnia minimalna temperatura w eksperymencie GGW EXT w ramach ścieżki RCP2.6 przedstawia wartości porównywalne z PD ( rysunek S18 B), zwiększając sezonowy zakres temperatur pomiędzy maksymalną temperaturą wiosenną a minimalną temperaturą w lecie. Co więcej, wiosną minimalna temperatura również wzrasta ze względu na wyższą pojemność cieplną trawy, krzewów i drzew w porównaniu z gołą glebą i pustynią, szczególnie w bardziej ekstremalnych eksperymentach GGW w porównaniu z samymi RCP.
Jeśli chodzi o ekstremalne temperatury, najcieplejszy dzień (TXx) i najzimniejszy dzień (TNn) w roku wykazują wzrost o około 4°C w regionie Sahelu, przy czym wartości szczytowe przekraczają 5°C w zachodnim Sahelu dla TNn w eksperymencie obejmującym wyłącznie RCP8.5 względem PD ( rysunek S19 ). Eksperymenty GGW wykazują znaczące zmiany w ekstremalnych temperaturach w porównaniu ze scenariuszami obejmującymi wyłącznie RCP na obszarze projektu ( rysunki 4 i S20 ), z wpływem, który jest szerszy w miarę przechodzenia od przypadków niskich do ekstremalnych. Wzrost temperatury najzimniejszego dnia w roku (TNn) sięga ponad 1,5°C w środkowym Sahelu w eksperymentach dotyczących średniej i ekstremalnej gęstości roślinności ( ryc. 4 A–4D). Wzrost temperatury w najgorętszy dzień (TXx) jest natomiast mniejszy i waha się od 0,3°C do 0,9°C, z wartościami szczytowymi wynoszącymi 1,2°C w środkowym Sudanie ( ryc. 4 E–4H). Liczba nocy tropikalnych (TR20) wzrasta z 10 (GGW LOW ) do ponad 25 (GGW MED , GGW HIGH i GGW EXT ) nad obszarem GGW w obu scenariuszach emisji ( Rysunki 4 I–4L i S20 I– S20L). W przypadku eksperymentu GGW EXT wyniki pokazują większy obszar dotknięty zmianą TXx ( ryc. 4 H i S20 H) w porównaniu z innymi scenariuszami GGW, zgodnie z większym obszarem roślinnym. Ogólnie rzecz biorąc, wzrost ekstremalnych temperatur wynika przede wszystkim ze spadku albedo i wzrostu wilgotności względnej związanego z obecnością GGW: więcej promieniowania słonecznego jest pochłaniane w ciągu dnia (niższe albedo), podczas gdy mniej ciepła jest uwalniane w nocy ( wyższa wilgotność). Jak wspomniano wcześniej, w porze monsunowej wzrost zachmurzenia i opadów sprzyja spadkowi średniej temperatury. Wiosną znacznie mniejszy wzrost zachmurzenia ( rysunek S14 ) i opadów w porównaniu z latem nie rekompensuje zwiększonego promieniowania słonecznego pochłanianego przez zmiany albedo powierzchni. Temperatury minimalne również rosną z powodu ogólnego nawilżania związanego ze zmianami roślinności, co ogranicza nocne ochłodzenie. W scenariuszu GGW LOW nie symuluje się znaczącego ochłodzenia średniej i ekstremalnej temperatury dobowej w okresie letnim, natomiast symuluje się wyraźny wzrost zarówno średniej, jak i ekstremalnej temperatury dobowej w okresie przedmonsunowym.
Rysunek 4 . Zmiana najcieplejszego i najzimniejszego dnia w roku oraz liczby nocy tropikalnych
Zmiana najzimniejszego dnia w roku (TNnx) dla scenariuszy (A) GGW LOW , (B) GGW MED , (C) GGW HIGH i (D) GGW EXT w odniesieniu do standardowej ścieżki RCP8.5. (E–H) To samo co (A–D), ale dla najgorętszego dnia w roku (TXx). (I–L) Podobnie jak (A–D), ale dla nocy tropikalnych (liczba nocy z minimalną temperaturą dobową powyżej 20°C, TR20). Kropki wskazują wartości, które różnią się znacząco na poziomie istotności 5% przy użyciu lokalnego testu t (punkt siatki).
Mniej suchy Sahel
Aby wykryć potencjalną zmianę dostępności wody w Afryce Północnej związaną z GGW, przyjęliśmy wskaźnik suchości De Martonne’a (AI DM ) (De Martonne 38 ). AI DM to prosty i skuteczny wskaźnik definiowany jako funkcja średnich rocznych opadów i temperatury (szczegóły można znaleźć w procedurach eksperymentalnych), przy czym niższe (wyższe) wartości wskazują wyższy (niższy) poziom suchości. Zwracamy również uwagę na zmianę AI DM w siedmiu najważniejszych miastach Sahelu ( ryc. 5 ). W eksperymencie PD AI DM wyraźnie pokazuje nagłe przejście od warunków pustynnych do lekko suchych, z przewagą klimatu półsuchego/suchego w całym Sahelu. W referencyjnych projekcjach na przyszłość nie stwierdzono żadnych znaczących zmian w regionie, z wyjątkiem oczekiwanego niewielkiego spadku AI DM nad zachodnim Sahelem ( ryc. 5 B i 5C), równolegle z symulowanymi deficytami opadów ( ryc. S2 B).
Rysunek 5 . Wskaźnik suchości De Martonne’a
(A) Klimatologia wskaźnika suchości De Martone’a (AI DM ) dla PD. Zmiana AI DM dla (B i C) RCP w odniesieniu do eksperymentu PD oraz dla (D i E) GGW LOW , (F i G) GGW MED , (H i I) GGW HIGH oraz (J i K ) Scenariusze GGW EXT w odniesieniu do standardowych ścieżek RCP2.6 (po lewej) i RCP8.5 (po prawej). Sl-arid, mod-Hum i Exc-Hum wskazują na lekko suche, umiarkowanie wilgotne i nadmiernie wilgotne warunki. Kropki wskazują powiązany DM AI z tym konkretnym miastem. Za pomocą lokalnego testu rang ze znakiem Wilcoxona pokazano jedynie statystycznie istotną zmianę na poziomie istotności 5%. Na mapach różnic pokazano jedynie miasta charakteryzujące się zmianą wskaźnika.
Gdy weźmie się pod uwagę GGW, w scenariuszach GGW MED , GGW HIGH i GGW EXT występuje znaczny wzrost AI DM w porównaniu do środkowego i zachodniego Sahelu , w dwóch ostatnich przypadkach nawet podwajający się w stosunku do północnego Sahelu ( ryc. 5 F–5K). W eksperymencie GGW LOW symulowana jest słabo znacząca zmiana AI DM , szczególnie w południowej części Mauretanii, Mali i Nigru ( ryc. 5 D i 5E). Oceniono zmiany warunków suchości na obszarach najważniejszych miast regionu. Parakou w Beninie to miasto, które wykazuje największe korzyści z przejścia z warunków lekko suchych do umiarkowanie wilgotnych w scenariuszach GGW LOW i GGW MED w ramach ścieżki RCP2.6. Staje się wilgotny w scenariuszu GGW MED w ramach szlaku RCP8.5 oraz w obu szlakach RCP w eksperymentach GGW HIGH i GGW EXT . W Bamako w Mali obserwuje się zmianę klimatu z półsuchego na umiarkowanie suchy w eksperymentach GGW HIGH i GGW EXT , a nawet do lekko suchego w scenariuszu GGW EXT w ramach ścieżki RCP2.6. Geneina w zachodnim Durfurze (Sudan) przechodzi z warunków pustynnych do suchych we wszystkich eksperymentach GGW, z wyjątkiem GGW LOW w ramach ścieżki RCP2.6. Ten mokry sygnał dociera do południowych części Afryki Północnej, do Abudży, stolicy Nigerii, przechodząc z warunków umiarkowanie wilgotnych do wilgotnych we wszystkich eksperymentach, z wyjątkiem scenariusza GGW EXT , gdzie przechodzi do warunków bardzo wilgotnych. Nawet część Republiki Środkowoafrykańskiej jest dotknięta spadkiem warunków suchych, przy czym miasto Bambari przeszło od umiarkowanie wilgotnych do wilgotnych wartości AI DM w ścieżce wyłącznie RCP8.5 i prawie wszystkie scenariusze GGW, z wyjątkiem GGW LOW , w ramach ścieżkę RCP8.5. Timbuktu w Mali, obecnie sklasyfikowane jako pustynia, przechodzi w klimat suchy we wszystkich eksperymentach GGW EXT i scenariuszu GGW HIGH w ramach ścieżki RCP2.6. Dakar w Senegalu nie wykazuje żadnych zmian w AI DM w eksperymentach GGW; jednakże obecność GGW niweluje suchą anomalię związaną ze wzrostem gazów cieplarnianych, unikając możliwości zbliżenia się do warunków pustynnych, ponieważ wartość AI DM jest niewiele niższa od poziomu suchości w eksperymencie obejmującym tylko RCP8.5. Chociaż w regionie Sahelu i subsahelskim obserwuje się powszechny wzrost AI DM, nie wystarczy to, aby spowodować przejście do bardziej wilgotnej kategorii AI DM w pozostałych miastach.
Wzrost stresu cieplnego wśród miejscowej ludności
Chociaż nasza poprzednia analiza wskazuje na zmniejszenie się warunków suchych w większości regionów Sahelu i Afryki Subsahelskiej powiązanych z GGW, wyższa temperatura w okresie przedmonsunowym w połączeniu z wyższą wilgotnością wynikającą ze zwiększonej ewapotranspiracji może powodować bardziej intensywny stres cieplny na lokalna populacja. Aby zbadać takie potencjalne zmiany w ludzkim dyskomforcie, obliczamy wskaźnik ciepła (HI), czyli temperaturę pozorną, która jest miarą opartą na temperaturze i wilgotności względnej, pozwalającą nam ocenić poziom stresu cieplnego populacji. HI jest miarą temperatury odczuwanej przez ludzkie ciało. HI powyżej 37,8°C–39,4°C (100°F–103°F) uważa się za niebezpieczne dla lokalnej ludności, natomiast HI powyżej 49,4°C–51,1°C (121°F–124°F) ocenia się jako niezwykle niebezpieczne ( https://www.weather.gov/ama/heatindex ).
W scenariuszu obejmującym wyłącznie RCP8.5 wskaźnik ciepła znacząco wzrasta w całej Afryce Północnej w porównaniu z symulacją PD, wraz ze wzrostem liczby dni powyżej 75. percentyla (między 200 a 250), z czego połowa przekracza 95. percentyl (od 100 do 175 dni) nad Sahelem ( ryc. 6 A i 6B ). Jedynym wyjątkiem jest obszar pomiędzy środkową Etiopią a południową Erytreą, który nie wykazuje znaczących zmian. W eksperymentach GGW uwzględniliśmy także liczbę dni powyżej 75. i 95. percentyla PD i obliczyliśmy ich zmianę w porównaniu z eksperymentami obejmującymi wyłącznie RCP. Zmiana HI odzwierciedla ten sam wzór obserwowany wcześniej dla anomalii temperaturowych ze wzrostem ekstremów HI w porównaniu z eksperymentem obejmującym tylko RCP8.5, który jest proporcjonalny do gęstości roślinności ( ryc. 6 C–6J). W eksperymencie GGW LOW w scenariuszu RCP8.5 pomiędzy południowym Nigrem a południowym Mali symulowany jest szczytowy wzrost o 20 dni powyżej 75. i 95. percentyla RCP8.5 ( ryc. 6 C i 6D). Scenariusz GGW MED pokazuje wzrost od 20 do 40 dni w porównaniu z eksperymentem obejmującym wyłącznie RCP8.5 na większym obszarze sięgającym południowej Mauretanii i Czadu ( ryc. 6 E i 6F). Zgodnie z oczekiwaniami największe wzrosty symulowane są w scenariuszach GGW HIGH i GGW EXT . GGW HIGH wykazuje intensyfikację w skrajnych przypadkach HI pomiędzy 30 a 40 dniami w południowych regionach Mauretanii, Nigru i Mali w porównaniu z eksperymentem obejmującym wyłącznie RCP8.5 ( ryc. 6 G i 6H)), podczas gdy pomiędzy 20 a 30 dniami w środkowej i wschodniego Sahelu. W porównaniu z eksperymentami obejmującymi wyłącznie RCP, w GGW EXT liczba ekstremalnych dni HI wzrasta o ponad 50 dni w Mauretanii i Mali, przy czym w środkowym i wschodnim Sahelu w kilku obszarach dochodzi do 40 dni ( ryc. 6 I i 6J). Szczególnie w przypadku tych eksperymentów z największą gęstością roślinności, Afryka północna generalnie wykazuje znaczny wzrost liczby dni z ekstremalną wysoką temperaturą, z pewnymi wyjątkami, szczególnie w Maroku, Rogu Afryki i wybrzeżu wzdłuż Zatoki Gwinejskiej, gdzie obserwuje się spadek liczby dni z ekstremalną wysoką temperaturą w porównaniu z standardowy scenariusz RCP8.5. Wpływ globalnego ocieplenia w scenariuszu wysokiej emisji na sahelijski HI można wyraźnie zobaczyć w przesunięciu rozkładu wartości HI w ramach RCP8.5 ( rysunek S22 , czerwona krzywa): wzrost zarówno średniej, jak i wariancji, co prowadzi do znacznego przesunięcia prawy ogon rozkładu HI (wartości powyżej 95. percentyla). Obecność bardziej ekstremalnych GGW dodatkowo zwiększa wariancję i skośność krzywych, powodując jeszcze bardziej ekstremalne wartości HI w porównaniu z eksperymentem obejmującym tylko RCP8.5/tylko RCP2.6 (Rysunek S22 , jasne i ciemnozielone krzywe) w całym Sahelu z wyjątkiem jego najbardziej wysuniętej na wschód części (patrz rozkład miast Sahelu i Sahelu na Rysunku S23 ). Taki wzrost HI spowodowany GGW jest głównie odzwierciedleniem zmian albedo i wilgotności związanych z roślinnością. Jednak w przeciwieństwie do wzrostu ekstremalnych temperatur ( rysunek 4 i S20 ), zmiany HI wykraczają daleko poza GGW z powodu wzrostu wilgotności, parowania ( rysunek S10 ) i ewapotranspiracji ( rysunek S11 ) na znacznie większym obszarze w porównaniu z projektem. W scenariuszu RCP2.6 wpływ GGW na HI wydaje się wzmacniać, gdy liczba dni przekraczających 75. i 95. percentyl PD wzrasta o ponad 50 w porównaniu z eksperymentem obejmującym wyłącznie RCP2.6. W GGW EXT szczyty te obejmują prawie cały Sahel ( ryc. S21 C–S21J). Rozkład HI zgodnie z RCP2.6 pokazuje również przesunięcie prawych ogonów dla całego Sahelu ( rysunek S22 ) i miast Sahelu ( rysunek S24 ), z wyjątkiem Addis Abeby (Etiopia) i Asmary (Erytrea) we wschodnim Sahelu. Jednak zgodnie z oczekiwaniami zmiany średniej i wariancji są znacznie bardziej ograniczone niż w scenariuszu RCP8.5.
Rysunek 6 . Indeks ciepła
(A i B) Roczna zmiana liczby dni z indeksem rui (HI) wyższym niż 75. percentyl PD (po lewej) i 95. (po prawej) percentyl tylko dla RCP8.5. Różnica w liczbie dni z HI wyższym niż PD 75. (po lewej) i 95. (po prawej) percentyla dla (C i D) GGW LOW , (E i F) GGW MED , (G i H) GGW HIGH oraz (I i J ) GGW EXT w porównaniu z eksperymentem obejmującym wyłącznie RCP8.5.
Dyskusja
Projekty zazieleniania regionu Sahelu mają na celu poprawę warunków społeczno-gospodarczych w jednym z najbiedniejszych regionów świata; jednakże są one ograniczone zmianami wywołanymi antropogenią i naturalną zmiennością klimatu, niedoborem wody i ograniczonymi warunkami mieszkalnymi. Chociaż pierwotna i uogólniona koncepcja GGW opierała się na obrazie dosłownie zielonej ściany wzdłuż Sahelu, obecny projekt przekształcił się w szersze zintegrowane podejście do zarządzania ekosystemami w oparciu o regulację terenów suchych, regenerację roślinności, retencję wody i ochronę ekosystemu. 39
W niniejszym badaniu zbadano potencjalne zmiany opadów i temperatury oraz ich wartości skrajne w Afryce Północnej, związane z rozwojem inicjatywy GGW w ramach dwóch przyszłych scenariuszy emisji (RCP2.6 i RCP8.5). Używamy atmosferycznego RCM o wyższej rozdzielczości (∼13 km) i bardziej realistyczny projekt eksperymentu w porównaniu z poprzednimi badaniami 16 , 18 , 19 oferujący zestaw różnych scenariuszy gęstości roślinności dla GGW. Nasza analiza nie wykazuje istotnego wzrostu średnich opadów w eksperymencie GGW LOW w porównaniu ze standardowymi scenariuszami RCP bez zmian roślinności. Z drugiej strony eksperymenty GGW MED i GGW HIGH wykazały wzrost średnich opadów w lecie w zakresie odpowiednio od 25 do 200 mm w zachodnim Sahelu i od 25 do 100 mm nad wschodnim Sahelem. W scenariuszu GGW EXT symulowany jest wzrost o 100–200 mm w całym Sahelu , przy czym wartości szczytowe w południowo-zachodnim Sahelu wynoszą od 250 do 500 mm ( rysunek 1 ). W eksperymentach tych anulowano ujemną anomalię dotyczącą Senegalu i południowej Mauretanii w prognozach RCP8.5 w odniesieniu do PD. Co więcej, dodatnie anomalie opadów wykraczają daleko poza domenę GGW, szczególnie na południe od GGW w scenariuszu GGW HIGH i całą Afrykę Północną w eksperymentach GGW EXT . Jeśli chodzi o zdarzenia ekstremalne, eksperymenty GGW wykazują wyraźny spadek długości okresów suchych (CDD) od –5% do –15% w scenariuszach GGW LOW , GGW MED i GGW HIGH oraz do –25% w scenariuszach GGW LOW, GGW MED i GGW HIGH przypadek GGW EXT ( rysunek 2 ). Obszary dotknięte tą zmianą poszerzają się proporcjonalnie do wzrostu gęstości roślinności. Znaczący wzrost liczby dni deszczowych od 50% do 150% charakteryzuje cały obszar projektu we wszystkich eksperymentach ( rysunek S4 ). Jednakże obszary dotknięte takimi zmianami zależą od gęstości roślinności, a intensyfikacja opadów nawalnych (RX5D i R95p) jest symulowana jedynie w scenariuszach GGW HIGH i GGW EXT ( rysunki S5 i S6 ). Wyniki te sugerują, że gęstość roślinności ma kluczowe znaczenie przy określaniu wpływu GGW na opady, przy małych lub znikomych wpływach w przypadku niskiej roślinności i wyraźnych, znaczących wpływach w scenariuszach wysokiego i ekstremalnego GGW.
Poprzednie prace 16 , 18 wykazały większy wzrost opadów (do 4 mm/dobę); jednakże w tych badaniach roślinność została zastąpiona lasem na większym obszarze niż modelowany GGW. Z drugiej strony zmiany w ekstremach klimatycznych są w naszym badaniu generalnie bardziej widoczne w porównaniu z poprzednimi badaniami, 16 , 19 , prawdopodobnie ze względu na długość eksperymentów (7–14 lat), która nie w pełni oddaje amplitudę zmienności klimatu.
Jeśli chodzi o zmiany temperatury związane z GGW, w regionie Sahelu obserwujemy różną reakcję w zależności od pory roku. Latem symuluje się spadek temperatury w zakresie od 0,25°C do 0,5°C oraz od 0,5°C do ponad 2°C na potrzeby eksperymentów GGW w odniesieniu do scenariuszy obejmujących wyłącznie RCP, bez zmian roślinności, z jedynym wyjątkiem GGW LOW w którym nie symuluje się żadnej znaczącej zmiany ( rysunek 3 ). W GGW HIGH i GGW EXT ochłodzenie to rozciąga się na większy obszar w porównaniu z obszarem projektu w wyniku zwiększonego zachmurzenia i parowania związanego ze wzmocnieniem WAM. Z drugiej strony indukowany albedo wzrost temperatury ograniczony do domeny GGW charakteryzuje pozostałe pory roku, szczególnie w okresie przedmonsunowym, kiedy osiągane są najwyższe temperatury w regionie. Taki wzrost temperatur waha się od 0,25°C do 1°C i osiąga wartość szczytową powyżej 1°C w środkowym Mali i południowym Nigrze w scenariuszach GGW o większej roślinności. Sygnał ocieplenia w okresie przedmonsunowym znajduje również odzwierciedlenie w zmianach skrajnych temperatur, przy wzroście w najgorętszym i najzimniejszym dniu w roku odpowiednio od 0,3°C do 0,9°C oraz o ponad 1,5°C w przypadku eksperymenty GGW (z wyjątkiem GGW LOW ) w porównaniu z prognozami RCP. Liczba nocy tropikalnych wzrasta z 10 w eksperymencie GGW LOW do ponad 25 w pozostałych scenariuszach GGW ( rysunek 4 ). Eksperyment GGW LOW nie wykazał wprawdzie znaczącego ochłodzenia średnich i ekstremalnych temperatur dobowych w okresie letnim, natomiast w okresie przedmonsunowym wykazuje wyraźny wzrost obu z nich, co prowadzi do wzrostu temperatur ekstremalnych.
Wyniki te różnią się od wyników Bamby i wsp., 18 , które wskazują na ochłodzenie w okresie od lutego do października, osiągające szczyt w porze monsunowej. Diba i in. 16 oraz Bamba i in. 18 wykazał większy spadek temperatury JJAS (∼−3°C) na obszarze projektu niż w naszych eksperymentach. Jest to prawdopodobnie spowodowane zarówno odmienną zależnością między efektami albedo i ewapotranspiracją w ich modelu, jak i obecnością rozległego lasu, a nie zróżnicowaną i mniej gęstą roślinnością w naszym projekcie eksperymentalnym. Z drugiej strony Saley i in. 19 – choć wykorzystano jedynie symulacje obejmujące okres 14 lat – wykazały bardzo podobne wyniki dla najgorętszego dnia w roku, co sugeruje, że ta zmienność jest solidną reakcją.
We wcześniejszych badaniach nie uwzględniono jednak wpływu wzrostu temperatury związanego z globalnym ociepleniem, który mógłby nawet zrównoważyć korzyści związane ze wzrostem opadów GGW nad Sahelem w wyniku zwiększonej ewapotranspiracji. Ponadto roślinność GGW spowodowałaby również wzrost wilgotności, co może nasilić stres cieplny miejscowej ludności. W naszym badaniu pokazujemy, że pomimo wyższych przyszłych temperatur GGW zwiększyła opady i skierowała Sahel w kierunku mniej suchych warunków z nieco większymi zmianami w scenariuszu RCP2.6 niż w scenariuszu RCP8.5 ( rys. 5 ). W szczególności Parakou w Beninie w prawie wszystkich eksperymentach przechodzi z warunków lekko suchych do umiarkowanie wilgotnych lub wilgotnych, podczas gdy w eksperymentach GGW HIGH i GGW EXT Bamako w Mali obserwuje się przejście z klimatu półsuchego do umiarkowanie suchego . Wzrost wilgotności wpływa również na południowe części Afryki Północnej, przy czym Abudża w Nigerii przeszła z warunków umiarkowanie wilgotnych do wilgotnych we wszystkich eksperymentach, a Bambari przeszło z umiarkowanie wilgotnych do wilgotnych wartości AI DM w GGW MED w ramach scenariusza RCP2.6, oraz we wszystkich eksperymentach GGW HIGH i GGW EXT . Jeśli chodzi o komfort człowieka, nasza analiza podkreśla niezwykły wpływ GGW na stres cieplny. Liczba dni, w których wskaźnik ciepła przekracza 75. i 95. percentyl PD, jest jeszcze większa w porównaniu ze scenariuszami obejmującymi wyłącznie RCP pomiędzy 10 a 50–60 dniami dla wszystkich eksperymentów GGW. Obszar dotknięty tymi zmianami różni się w zależności od gęstości roślinności i obejmuje niewielki obszar pomiędzy południowym Mali a południowym Czadem w scenariuszu GGW LOW i prawie cały obszar GGW w eksperymentach GGW HIGH i GGW EXT ( ryc. 6 i S21 ). . Rozkłady HI w miastach Sahelu ogólnie pokazują przyszły wzrost średniej i wariancji dla bardziej ekstremalnych GGW w obu scenariuszach emisji ( rysunki S23 i S24 ). Jedynymi wyjątkami są stolice Erytrei i Etiopii we wschodnim Sahelu. Podczas gdy wskaźnik suchości sugeruje poprawę dostępności wody dla regionu w związku z obecnością GGW, wzrost HI może prowadzić do pogorszenia warunków mieszkalnych ze względu na wzrost stresu cieplnego lokalnej ludności, mierzony za pomocą metody wskaźnik ciepła.
Nasze wyniki podkreślają znaczenie sprzężenia zwrotnego roślinności i zmiany albedo dla klimatu Afryki Północnej, jak sugerują poprzednie badania, 36 , 37 poprzez wzmocnienie WAM i wywołanie wzrostu opadów, w zależności od gęstości obsadzonej roślinności i temperatury skrajności. Dyskusja na temat kluczowych aspektów wykonalności projektu GGW, takich jak potencjalna dynamika granicy Sahary i ograniczenia produktywności roślinności w regionie Sahelu, jest nadal otwarta. 40
Ważnym zastrzeżeniem naszego eksperymentu jest brak potencjalnego sprzężenia zwrotnego SST i dynamicznej roślinności, ponieważ oba są zalecane. Rzeczywiście, kilka badań pokazuje znaczenie obu sprzężeń zwrotnych w przypadku zmienności międzyrocznej i międzydekadowej. 4 , 5 , 7 , 8 , 41 , 42 , 43 Chociaż sposób traktowania roślinności w modelu może dominować w sygnale, wyższa wrażliwość pozostałych modeli CORDEX na wymuszenia antropogeniczne może prowadzić do silniejszej reakcji na zmiany wegetacji GGW (patrz procedury eksperymentalne dla porównania CORDEX i CRCM/GEM4.8). Dlatego skoordynowane, wielomodelowe porównanie różnych scenariuszy GGW będzie korzystne, jeśli chodzi o ograniczenie lokalnych i odległych skutków klimatycznych tej inicjatywy. Kolejne potencjalne zastrzeżenie może być związane z ograniczeniami w zakresie składników odżywczych i innymi czynnikami łagodzącymi, które nie są odpowiednio reprezentowane w modelu. Wreszcie, chociaż nasze symulacje są przeprowadzane w wysokiej rozdzielczości poziomej (∼13 km), konwekcja jest nadal sparametryzowana. Niektóre badania dowodzą, że sparametryzowane modele konwekcji wykazują odwrotną zmianę związaną ze sprzężeniem zwrotnym gleba-roślinność w porównaniu z modelami dopuszczającymi konwekcję pod względem reakcji wymuszenia powierzchni terenu. 44,45 Jednakże Jungandreas i in. 46 pokazało, że reakcja cyrkulacji monsunowej w modelu umożliwiającym konwekcję na zwiększoną pokrywę roślinną nad regionem Sahara/Sahel jest jakościowo podobna – choć silniejsza – do tej w sparametryzowanych symulacjach konwekcji. Konieczne są nowe badania zarówno z modelami konwekcyjnymi dopuszczającymi konwekcję, jak i sparametryzowanymi, aby lepiej ograniczyć tę reakcję, również w świetle potencjalnego niedoszacowania w naszym modelu wpływów GGW ze względu na wspomnianą wcześniej niższą wrażliwość na zmiany klimatyczne w porównaniu z modelami CORDEX.
Ponieważ zmienność klimatu, bezpieczeństwo wodne i żyzność gruntów odgrywają znaczącą rolę w osiąganiu bezpieczeństwa żywnościowego, niniejsze badanie stanowi wieloscenariuszowy eksperyment GGW, w którym różne poziomy gęstości roślinności powodują różne skutki klimatyczne dla regionu. Wyniki naszego badania pomagają naświetlić złożony, zróżnicowany wpływ GGW w Afryce Północnej, ujawniając mieszane skutki: zmniejszoną suchość i temperatury w lecie wraz z częstszym występowaniem ekstremalnie gorących dni i wskaźnikami upałów w sezonie przedmonsunowym wzdłuż obszaru GGW. Nakreślając te kontrastujące trendy, nasze badania stanowią kluczowy krok w kierunku zrozumienia wieloaspektowych konsekwencji klimatycznych różnych działań GGW, takich jak rolnictwo inteligentne dla klimatu, infrastruktura odporna na zmiany klimatyczne i zrównoważone pasterstwo.
Co więcej, GGW może również wpływać na klimat w odległych obszarach (np. na równikowym Atlantyku i Pacyfiku), jak sugerują ostatnie badania modelowe przeprowadzone w warunkach Zielonej Sahary (∼6000 lat temu), pokazując wpływ na cyklony tropikalne 47 i na aktywność południowej oscylacji El Niño 48 . Konieczne są zatem dodatkowe badania, aby zająć się potencjalnym, odległym wpływem muru na klimat.
Podsumowując, chociaż konieczne są dalsze badania z wykorzystaniem różnych modeli klimatycznych, aby lepiej ograniczyć wpływ GGW na klimat, nasze wyniki podkreślają znaczenie przeprowadzania kompleksowych ocen w planowaniu polityki środowiskowej. Uznanie wpływu GGW staje się kluczowe w kierowaniu przyszłymi strategiami, zapewniając zgodność ambicji GGW z celami zrównoważonego klimatu, przy jednoczesnym łagodzeniu potencjalnych negatywnych skutków dla stabilności regionalnej i integralności ekosystemów w Afryce Północnej i poza nią.
Eksperymentalne procedury
Dostępność zasobów
Główny kontakt
Dalsze informacje na temat danych i kodu należy kierować do głównego kontaktu, Roberto Ingrosso ( ingrosso.roberto@uqam.ca ) i będą przez niego udzielane.
Dostępność materiałów
W badaniu tym nie wygenerowano żadnych nowych, unikalnych materiałów.
Dostępność danych i kodów
Wszystkie kody i dane umożliwiające wygenerowanie danych liczbowych tego badania są dostępne w repozytorium internetowym: 10.5281/zenodo.10323281. Dane TRMM zostały dostarczone przez Centrum Lotów Kosmicznych NASA/Goddard i uzyskane ze strony https://gpm.nasa.gov/missions/trmm .
Opis modelu
Zastosowaliśmy rozwojową wersję kanadyjskiego regionalnego modelu klimatu/globalnej wieloskali środowiskowej (CRCM5/GEM4.8, 23 , 24 ) przy odstępie poziomej siatki wynoszącym 0,12° (∼13 km) i 57 poziomach pionowych osiągających szczyt przy 10 hPa. Aby uzyskać dane dotyczące warunków atmosferycznych zgodne z danymi oceanu, najpierw przeprowadziliśmy globalne symulacje na siatce Yin-Yang z modelem 49 Global Environmental Multiscale (GEM) przy rozdzielczości poziomej 0,55° i 73 poziomach pionowych z maksymalnym ciśnieniem 2 hPa GEM4,8 ( wersja GEM wykorzystana w tym badaniu) jest w pełni niehydrostatycznym modelem, który wykorzystuje półujawniony, półlagrangijski schemat dyskretyzacji czasu na poziomej siatce C z przesunięciem Arakawy ( więcej szczegółów można znaleźć w Hernández-Díaz i in. 50 ).
Do eksperymentów tych wykorzystano skorygowaną odchylenie SST 51 i oryginalną frakcję lodu morskiego dostarczoną przez Earth System Model of the Max-Planck-Institut für Meteorologie (MPI-ESM-MR) ( https://mpimet.mpg.de/en /science.html ) na dolnej granicy, a następnie wykorzystał wyniki tych symulacji do przeprowadzenia symulacji regionalnych na bocznej granicy, używając tych samych frakcji SST i lodu morskiego, co w przypadku symulacji globalnych na dolnej granicy. Dolna granica CRCM5/GEM4.8 jest połączona z kanadyjskim schematem powierzchni lądowej 52 i interaktywnym modułem jeziora, modelem jeziora FLake. 53 W przypadku roślinności i maski lądowo-wodnej, roślinności CCI-LC i maski lądowo-wodnej stosuje się ESA CCI Land Cover 54 , natomiast Globalne wielorozdzielcze dane o wysokości terenu 2010 https://www.usgs.gov/coastal-changes Do topografii modelu wykorzystano -and-impacts/gmted2010 .
Ocena modelu
Poprzedni eksperyment 50 na afrykańskiej domenie CORDEX 55 pokazuje, że CRCM prawidłowo wykrywa moment wystąpienia WAM nad Sahelem, ale w regionie występuje suche odchylenie ze względu na położenie niżu upałów na Saharze w kierunku południowym w porównaniu z powtórnymi analizami. W rezultacie rdzeń AEJ jest skierowany nieco na południe, co powoduje wspomniane wyżej suche odchylenie w regionie. W tym badaniu dalej oceniamy CRCM/GEM4.8, porównując go z modelem macierzystym GEM4.8 49 przy rozdzielczości poziomej 0,55°, obserwacje z misji pomiaru opadów tropikalnych (TRMM) (10.5067/TRMM/TMPA/3H/7 ) i Jednostki Badań nad Klimatem 56 oraz jeden produkt ponownej analizy (ERA5 57 ) pod względem średniego rozkładu opadów w latach 2000–2019 ( rys. S29 ). Ocena wskazuje na większą zgodność modelu o wysokiej rozdzielczości z obserwacjami w obszarze WAM (Zachodni Sahel) w porównaniu z GEM 4.8, chociaż suche odchylenie w zakresie mediany i dolnych percentyli jest nadal obecne, podczas gdy nie ma znaczących zmian biorąc pod uwagę cały region Sahelu. Aby ocenić umiejętności modelu pod względem odtwarzania cyklu dobowego i nieregularności opadów, porównaliśmy 3-godzinne dane GEM/CRCM4.8 z TRMM. Jeśli chodzi o cykl dobowy ( Rysunek S30 ), model wyraźnie zaniża wielkość opadów w porównaniu z obserwacjami satelitarnymi. Maksymalny szczyt w całym Sahelu wynoszący 5 mm/dzień występuje dla TRMM o północy, podczas gdy szczyt wynoszący 2,68 mm/dzień (3,8 mm/dzień nad zachodnim Sahelem) jest wykazywany dla GEM/CRCM4,8 o godzinie 21:00. opady deszczu są rejestrowane w południe w całym Sahelu i wynoszą około 1,91 mm/dzień dla TRMM i 1,5 mm/dzień dla GEM/CRCM4.8, podczas gdy modelowe minimalne opady są bliższe obserwacjom w zachodnim Sahelu i wynoszą 2,11 mm/dzień o godzinie 15:00 i 2,36 mm/dzień w południe, odpowiednio. Jednakże ogólny schemat cyklu dobowego jest dobrze odtworzony, z maksymalnymi opadami wczesną nocą i minimalnymi w środku dnia. Zgodnie z oczekiwaniami modelowy cykl dobowy w zachodnim Sahelu jest bliższy obserwacjom w porównaniu z cyklem dla całego regionu Sahelu, co widać również na wykresach pudełkowych średnich opadów ( rysunek S29 ).
Jeśli chodzi o CDD, rozkłady modeli rocznych CDD wykazują podobne zachowanie w porównaniu z TRMM, ze szczytami wynoszącymi 250 dni w obu zbiorach danych ( rysunek S31 ). W Zachodnim Sahelu rozkład modelu CDD nieznacznie przesuwa się w stronę nieco dłuższego CDD. Obydwa zbiory danych charakteryzują się maksymalnym CDD wynoszącym około 3400 dni.
Projekt eksperymentalny
W sumie przeprowadzono 11 symulacji dla dwóch odrębnych 30-letnich okresów ( tabela S2 ). Przeprowadzono trzy symulacje bez GGW i uznano je za przypadki referencyjne: jedną dla obecnego klimatu (1990–2019) i dwie dla przyszłych scenariuszy RCP2.6 i RCP8.5 25 (2071–2100). RCP8.5 to scenariusz wysokich emisji, który lepiej odwzorowuje niedawne emisje CO258 , mimo że trajektoria jego emisji może w przyszłości stać się mniej prawdopodobna, biorąc pod uwagę obecną politykę. 59 Ponadto przeprowadzono w sumie osiem eksperymentów dotyczących wrażliwości w ramach dwóch przyszłych scenariuszy, biorąc pod uwagę cztery różne poziomy gęstości roślinności. Cztery poziomy zostały nazwane GGW LOW , GGW MED , GGW HIGH i GGW EXT ( rysunek 7 ). GGW LOW i GGW MED charakteryzują się całkowitym udziałem pustyni w rejonie GGW (100–400 mm) wynoszącym odpowiednio 40% i 33%, natomiast GGW HIGH i GGW EXT wykazują udział procentowy 16% i 8%, odpowiednio ( rysunek S1 ). Przytoczona współczesna symulacja (PD) przedstawia odsetek gleby pustynnej i nagiej wynoszący 72% w regionie GGW na głębokości od 100 do 400 mm. Wybrany typ roślinności jest zgodny z gatunkami rozważanymi w głównych dokumentach opracowanych przez PAGGW 11 , takimi jak Acacia senegal , Acacia nilotica i Balanites aegyptiaca . Nie wprowadzono żadnych zmian w poprzednich kategoriach pokrycia terenu, takich jak obszary miejskie, bagna czy uprawy, ze względu na trudności w ocenie przyszłej ewolucji tych kategorii. Bardziej szczegółowo, w GGW LOW przesunęliśmy na północ frakcję pustynną obecną w schemacie modelowym: frakcję pustynną 100–200 mm zastąpiono frakcją 200–300 mm, frakcję 200–300 mm zastąpiono frakcją 300– frakcji 400 mm, a frakcji 300–400 mm dodatkowo frakcji od 400 do 500 mm. W pasie trzecim (300–400 mm) występuje 30% drzew. GGW MED ma tę samą mieszankę roślinności GGW LOW w pierwszym paśmie z 65% pustyni, jednocześnie dzieląc tę samą mieszankę roślinności w pozostałych dwóch pasmach z GGW HIGH , gdzie procent drzew w trzecim paśmie wzrasta do 50%. GGW HIGH widzi w pierwszym paśmie 25% pustyni. W skrajnym przypadku w dwóch pierwszych pasmach (50–300 mm) występuje pustynia o zawartości 10%, w trzecim zaś do 5%. Wreszcie w GGW EXTz eksperymentu odsetek drzew w trzecim paśmie wynosi nadal 50%, ale z większą koncentracją wiecznie zielonych drzew liściastych w porównaniu z GGW MED i GGW HIGH . We wstępie wspomnieliśmy, że w poprzednich badaniach istniejącą wcześniej roślinność zastąpiono jednolitym wiecznie zielonym lasem w różnych pasmach równoleżnikowych w regionie. Chociaż badania te nie dostarczają wartości modyfikacji albedo, lasy deszczowe mają albedo rzędu 0,12–0,13 60, podczas gdy w naszym przypadku albedo waha się między 0,15 a 0,3 ( rysunek S15 ). Taka różnica albedo może odgrywać kluczową rolę w zmianie dynamiki WAM. 61
Rysunek 7 . Projekt eksperymentu GGW
(A) Schemat projektu eksperymentalnego GGW, w którym dla każdego przedziału klimatycznego opadów (100–200, 200–300 i 300–400 mm) podano wymagany typ roślinności i liczebność (w procentach). Każde pasmo odpowiada innej mieszance roślinności gatunków drzewiastych i zielnych, zgodnie z oficjalnymi planami GGW z Panafrykańskiej Agencji Wielkiego Zielonego Muru. (B) Przypadek skrajny, w którym pierwszy odstęp opadów zaczyna się od 50 mm. Procent gleby pustynnej i nagiej na obszarze GGW w symulacji PD wynosi 72%, podczas gdy w eksperymentach GGW od niskiego do ekstremalnego wynosi odpowiednio około 40%, 33%, 16% i 8%.
Ekstremalne wskaźniki klimatyczne
Wskaźniki klimatyczne odgrywają ważną rolę w monitorowaniu potencjalnych zagrożeń i szkód wynikających ze zmiany klimatu. Definicja tych wskaźników uwzględnia ogony rozkładu parametrów, które odzwierciedlają zmianę zdarzeń ekstremalnych. W związku z tym rozważono tutaj zastosowanie różnych ekstremalnych wskaźników temperatury i opadów klimatycznych, zgodnie z definicją dokonaną przez Zespół Ekspertów ds. Wykrywania i Wskaźników Zmian Klimatu (ETCCDI). 62 , 63 Rozważono zestaw wskaźników z 27 ETCDDI ( Tabela S3 ), aby uzyskać dobrą reprezentację ekstremalnych temperatur, opadów i okresów suszy na danym obszarze. Dla temperatury obliczono roczne ekstrema maksymalnej i minimalnej temperatury dziennej (odpowiednio TXx i TNn) oraz liczbę nocy z minimalną temperaturą dobową powyżej 20°C (noce tropikalne [TR20]). Za miarę najdłuższych rocznych okresów suszy uznaliśmy CDD, czyli maksymalną liczbę kolejnych dni z opadem mniejszym niż 1 mm. Ostatecznie roczne maksimum sumy opadów spadło w ciągu 5 kolejnych dni (RX5), roczne suma opadów z dni z ilością opadów powyżej 95 percentyla (dni bardzo mokre, R95p) oraz liczba dni w roku, w których uznano, że dzienne opady przekraczają 1 mm (dni deszczowe, RR1mm), co wskazuje na potencjalne zmiany w obfitych opadach atmosferycznych.
Analiza statystyczna
Do statystycznej oceny różnic wykorzystano dwa testy statystyczne: dwustronny test t-Studenta 64 dla temperatury, przy założeniu rozkładu normalnego dla tego parametru oraz nieparametryczny test rang ze znakiem Wilcoxona 65 dla parametrów takich jak opady atmosferyczne czy wiatr. , gdzie normalne założenie nie jest możliwe. Przyjęty poziom istotności dla obu testów wynosi 5%.
Długość WAM i AEW
Długość monsunu definiuje się jako czas między początkiem a wycofaniem monsunu. Obliczenie początku opiera się na wynikach Sultana i Janicota. 66 Analizę empirycznej funkcji ortogonalnej (EOF) przeprowadzono na danych dotyczących uśrednionych strefowo dziennych opadów od marca do listopada na obszarach pomiędzy 15°W–15°E a 0°N–30°N. Następnie przefiltrowano strefowo uśrednione serie czasowe dziennych opadów deszczu w maksimum pierwszej fazy (EOF1), aby usunąć zmienność poniżej 10 dni przy 10-dniowej średniej kroczącej. Początek monsunu zdefiniowano jako datę poprzedzającą największy wzrost opadów w okresie 20 dni. Ostatecznie wycofanie zdefiniowano jako dzień, w którym średnie strefowe opady przy 10,5°N spadają poniżej 2 mm/dzień przez co najmniej 20 kolejnych dni. 67
AEW to zaburzenia rozprzestrzeniające się na zachód o długości fal około 3 000–4 000 km, prędkości propagacji około 8 m/s, 68 , 69 i okresie około 3–5 dni. AEW odgrywają rolę w inicjowaniu i organizacji mezoskalowych systemów konwekcyjnych, które są głównymi czynnikami przyczyniającymi się do opadów sahelijskich. W tym badaniu wykryliśmy aktywność AEW, filtrując dzienne średnie wartości wiatru południkowego między czerwcem a wrześniem (JJAS) za pomocą filtru środkowoprzepustowego trwającego od 2 do 6 dni. 70
Wskaźnik suchości
W tym badaniu AI DM (De Martonne 38 ) wykorzystano do oceny zmian w suchości i dostępności wody w regionie. AI DM jest uproszczonym wskaźnikiem, zdefiniowanym jako funkcja średniej rocznej temperatury i opadów, który zapewnia wyniki podobne do innych wskaźników suchości występujących w literaturze naukowej ( więcej szczegółów można znaleźć w Paniagua i współpracownikach 71 , 72 ). Tutaj zdefiniowaliśmy nową kategorię, pustynię, dla wartości wskaźnika suchości mniejszych niż 5. Kategoria ta właściwie odróżnia klimat pustynny ( Rysunek 5 ), ułatwiając realizację celów naszej analizy dotyczącej potencjalnych zmian w lokalnym klimacie, charakteryzującym się wysoką suchością. W szczególności indeks De Martonne’a definiuje się jako:(Równanie 1)𝐴𝐼DM=𝑃𝑇+10gdzie P to średnie roczne opady, a T to średnia roczna temperatura w stopniach Celsjusza na wysokości odniesienia (2 m).
CZEŚĆ
Obliczenie HI opiera się na równaniu regresji Rothfusza ( https://www.weather.gov/media/ffc/ta_htindx.PDF ):(Równanie 2)𝐻𝐼=42.379+2.04901523∗𝑇+10.14333127∗𝑅𝐻−0,22475541∗𝑇∗𝑅𝐻−0,00683783∗𝑇∗𝑇−0,05481717∗𝑅𝐻∗𝑅𝐻+0,00122874∗𝑇∗𝑇∗𝑅𝐻+0,00085282∗𝑇∗𝑅𝐻∗𝑅𝐻−0,00000199∗𝑇∗𝑇∗𝑅𝐻∗𝑅𝐻gdzie T to temperatura powierzchni w stopniach Fahrenheita, a RH to procent wilgotności względnej. Wartość HI jest przeliczana na stopnie Celsjusza i charakteryzuje się błędem ±1,3°F (±0,7°C). Do wskaźnika wprowadza się pewne korekty (kiedy wilgotność względna jest mniejsza niż 13% i temperatura mieści się w zakresie od 80°C do 112°C lub wilgotność względna jest większa niż 85%, a temperatura mieści się w zakresie od 80°C do 87°C), postępując zgodnie zgodnie z instrukcjami Narodowej Administracji Oceanicznej i Atmosferycznej/National Weather Service (patrz https://www.wpc.ncep.noaa.gov/html/heatindex_equation.shtml ).
Podziękowanie
Autorzy dziękują Katji Winger za pomoc w przygotowaniu symulacji modelu oraz za pomocne pomysły i dyskusje; Roberto Salustri, dyrektor naukowy Reseda ONLUS ( ecoistituto@resedaweb.org ), za przydatne informacje dotyczące projektu eksperymentu dotyczącego lokalnych działań GGW w północnym Senegalu; oraz dr Leonardo Bagaglini za cenne sugestie i pomoc dotyczącą danych satelitarnych. Autorzy są wdzięczni Federice Ferri za jej cenne wsparcie w przygotowaniu abstraktu graficznego. Dziękujemy także Recherche en Prévision Numérique (RPN), Oddziałowi Badań Meteorologicznych (MRB) i Kanadyjskiemu Centrum Meteorologicznemu (CMC) za pozwolenie na wykorzystanie modelu GEM jako podstawy naszego CRCM. Dziękujemy Grupie Roboczej ds. Klimatu Regionalnego Światowego Programu Badań Klimatycznych oraz Grupie Roboczej ds. Modelowania Połączonego, byłemu organowi koordynującemu CORDEX i grupom zajmującym się modelowaniem klimatu (wymienionym w Tabeli S1 tego dokumentu). Wyrażamy również uznanie dla infrastruktury Earth System Grid Federation, będącego międzynarodowym wysiłkiem kierowanym przez Program Diagnozy i Porównań Modeli Klimatycznych Departamentu Energii Stanów Zjednoczonych, Europejską Sieć Modelowania Systemów Ziemi i innych partnerów w Portalach Naukowych Globalnej Organizacji ds. Systemów Ziemi (GO) -ESSP), które umożliwiają pobranie danych CORDEX wykorzystywanych do walidacji. Wreszcie, badanie to nie byłoby możliwe bez dostępu do cennych danych, takich jak dane wyjściowe modelu MPI-ESM-MR, które posłużyły do przeprowadzenia globalnych symulacji GEM. Badanie to było częściowo możliwe dzięki wsparciu udzielonemu przez kanadyjskie stowarzyszenie Digital Research Alliance ( https://alliancecan.ca ) i Calcul Quebec ( https://www.calculquebec.ca ). Badania te zostały wsparte przez Radę ds. Nauk Przyrodniczych i Inżynierii Kanady (grant NSERC nr. RGPIN-2018-04981 ) oraz programu NOVA – FRQNT-NSERC ( ALLRP 577112-22 i 2023-NOVA-324826 ).
Autorskie Wkłady
Konceptualizacja, RI i FSRP; metodologia, RI i FSRP; eksperymenty, RI; analiza danych, RI; tekst – wersja oryginalna, RI; pisanie – recenzja i redakcja, RI i FSRP; pozyskanie finansowania, FSRP
Deklaracja interesów
Autorzy nie deklarują żadnych konkurencyjnych interesów.
Informacja uzupełniająca
Dokument S1. Rysunki S1–S36, Tabele S1–S5 oraz Uwagi S1 i S2 .
Dokument S2. Artykuł plus informacje uzupełniające .
Bibliografia
1. Diffenbaugh, N.S., and Giorgi, F. (2012). Climate change hotspots in the CMIP5 global climate model ensemble. Climatic Change 114, 813–822. https://doi.org/10.1007/s10584-012-0570-x.
2. Turco, M., Palazzi, E., von Hardenberg, J., and Provenzale, A. (2015). Observed climate change hotspots. Geophys. Res. Lett. 42, 3521–3528. https://doi.org/10.1002/2015GL063891.
3. Dilley, J., Chen, R.S., Deichmann, U., Lerner-Lam, A.L., Arnold, M., Agwe, J., Buys, P., Kjekstad, O., Lyon, B., and Yetman, G. (2005). Natural Disaster Hotspots: A Global Risk Analysis (World Bank).
4. Folland, C.K., Palmer, T.N., and Parker, D.E. (1986). Sahel rainfall and worldwide sea temperatures, 1901–85. Nature 320, 602–607. https://doi. org/10.1038/320602a0.
5. Janicot, S., Moron, V., and Fontaine, B. (1996). Sahel droughts and Enso dynamics. Geophys. Res. Lett. 23, 515–518. https://doi.org/10.1029/ 96GL00246.
6. Giannini, A., Saravanan, R., and Chang, P. (2003). Oceanic Forcing of Sahel Rainfall on Interannual to Interdecadal Time Scales. Science 302, 1027–1030. https://doi.org/10.1126/science.1089357.
7. Biasutti, M., Held, I.M., Sobel, A.H., and Giannini, A. (2008). SST Forcings and Sahel Rainfall Variability in Simulations of the Twentieth and Twenty-First Centuries. J. Clim. 21, 3471–3486. https://doi.org/10.
1175/2007JCLI1896.1.
8. Charney, J.G. (1975). Dynamics of deserts and drought in the Sahel. Q. J. R. Meteorol. Soc. 101, 193–202. https://doi.org/10.1002/qj.49710142802.
9. Giannini, A., and Kaplan, A. (2019). The role of aerosols and greenhouse gases in Sahel drought and recovery. Clim. Change 152, 449–466. https://doi.org/10.1007/s10584-018-2341-9.
10. Zeng, N. (2003). Drought in the Sahel. Science 302, 999–1000. https://doi. org/10.1126/science.1090849.
11. PAGGW (2018). lnitiative de la Grande Muraille Verte: realisations 2011- 2017 et defis sur la trajectoire 2030 (Les echos de la GMV).
12. Turner, M.D., Carney, T., Lawler, L., Reynolds, J., Kelly, L., Teague, M.S., and Brottem, L. (2021). Environmental rehabilitation and the vulnerability of the poor: The case of the Great Green Wall. Land Use Pol. 111, 105750. https://doi.org/10.1016/j.landusepol.2021.105750.
13. Goffner, D., Sinare, H., and Gordon, L.J. (2019). The Great Green Wall for the Sahara and the Sahel Initiative as an opportunity to enhance resilience in Sahelian landscapes and livelihoods. Reg. Environ. Change 19, 1417–
1428. https://doi.org/10.1007/s10113-019-01481-z.
14. Ornstein, L., Aleinov, I., and Rind, D. (2009). Irrigated afforestation of the Sahara and Australian Outback to end global warming. Climatic Change 97, 409–437. https://doi.org/10.1007/s10584-009-9626-y.
15. Abiodun, B.J., Adeyewa, Z.D., Oguntunde, P.G., Salami, A.T., and Ajayi, V.O. (2012). Modeling the impacts of reforestation on future climate in West Africa. Theor. Appl. Climatol. 110, 77–96. https://doi.org/10.1007/ s00704-012-0614-1.
16. Diba, I., Camara, M., and Sarr, A.B. (2016). Impacts of the Sahel-Sahara Interface Reforestation on West African Climate: Intraseasonal Variability and Extreme Precipitation Events. Adv. Meteorol. 2016, 1–20. https:// doi.org/10.1155/2016/3262451.
17. Kemena, T.P., Matthes, K., Martin, T., Wahl, S., and Oschlies, A. (2018). Atmospheric feedbacks in North Africa from an irrigated, afforested Sahara. Clim. Dyn. 50, 4561–4581. https://doi.org/10.1007/s00382-017- 3890-8.
18. Bamba, A., Diallo, I., Toure´ , N.E., Kouadio, K., Konare´ , A., Drame´ , M.S., Diedhiou, A., Silue´ , S., Doumbia, M., and Tall, M. (2019). Effect of the African greenbelt position on West African summer climate: a regional climate modeling study. Theor. Appl. Climatol. 137, 309–322. https://doi. org/10.1007/s00704-018-2589-z.
19. Saley, I.A., Salack, S., Sanda, I.S., Moussa, M.S., Bonkaney, A.L., Ly, M., and Fode´ , M. (2019). The possible role of the Sahel Greenbelt on the occurrence of climate extremes over the West African Sahel. Atmos. Sci. Lett. 20, e927. https://doi.org/10.1002/asl.927.
20. Mathon, V., Laurent, H., and Lebel, T. (2002). Mesoscale Convective System Rainfall in the Sahel. J. Appl. Meteorol. 41, 1081–1092. https:// doi.org/10.1175/1520-0450(2002)041<1081:MCSRIT>2.0.CO;2.
21. Lebel, T., Diedhiou, A., and Laurent, H. (2003). Seasonal cycle and interannual variability of the Sahelian rainfall at hydrological scales. J. Geophys. Res. 108. https://doi.org/10.1029/2001JD001580.
22. Nicholson, S.E. (2013). The West African Sahel: A Review of Recent Studies on the Rainfall Regime and Its Interannual Variability. ISRN Meteorology 2013. 453521–32. https://doi.org/10.1155/2013/453521.
23. Girard, C., Plante, A., Desgagne´ , M., McTaggart-Cowan, R., Coˆ te´ , J., Charron, M., Gravel, S., Lee, V., Patoine, A., Qaddouri, A., et al. (2014). Staggered Vertical Discretization of the Canadian Environmental Multiscale (GEM) Model Using a Coordinate of the Log-HydrostaticPressure Type. Mon. Weather Rev. 142, 1183–1196. https://doi.org/10. 1175/MWR-D-13-00255.1.
24. McTaggart-Cowan, R., Vaillancourt, P.A., Zadra, A., Chamberland, S., Charron, M., Corvec, S., Milbrandt, J.A., Paquin-Ricard, D., Patoine, A., Roch, M., et al. (2019). Modernization of Atmospheric Physics Parameterization in Canadian NWP. J. Adv. Model. Earth Syst. 11, 3593– 3635. https://doi.org/10.1029/2019MS001781.
25. Moss, R.H., Edmonds, J.A., Hibbard, K.A., Manning, M.R., Rose, S.K., van Vuuren, D.P., Carter, T.R., Emori, S., Kainuma, M., Kram, T., et al. (2010). The next generation of scenarios for climate change research and assessment. Nature 463, 747–756. https://doi.org/10.1038/nature08823.
26. Klutse, N.A.B., Ajayi, V.O., Gbobaniyi, E.O., Egbebiyi, T.S., Kouadio, K., Nkrumah, F., Quagraine, K.A., Olusegun, C., Diasso, U., Abiodun, B.J., et al. (2018). Potential impact of 1.5C and 2C global warming on consecutive dry and wet days over West Africa. Environ. Res. Lett. 13, 055013. https://doi.org/10.1088/1748-9326/aab37b.
27. Diedhiou, A., Bichet, A., Wartenburger, R., Seneviratne, S.I., Rowell, D.P., Sylla, M.B., Diallo, I., Todzo, S., Toure´ , N.E., Camara, M., et al. (2018). Changes in climate extremes over West and Central Africa at 1.5C and 2C global warming. Environ. Res. Lett. 13, 065020. https://doi.org/10. 1088/1748-9326/aac3e5.
28. Dosio, A., Lennard, C., and Spinoni, J. (2022). Projections of indices of daily temperature and precipitation based on bias-adjusted CORDEXAfrica regional climate model simulations. Clim. Change 170, 13. https:// doi.org/10.1007/s10584-022-03307-0.
29. Dosio, A., Jury, M.W., Almazroui, M., Ashfaq, M., Diallo, I., Engelbrecht, F.A., Klutse, N.A.B., Lennard, C., Pinto, I., Sylla, M.B., and Tamoffo, A.T. (2021). Projected future daily characteristics of African precipitation based on global (CMIP5, CMIP6) and regional (CORDEX, CORDEX-CORE) climate models. Clim. Dyn. 57, 3135–3158. https://doi.org/10.1007/ s00382-021-05859-w.
30. Seneviratne, S.I., Zhang, X., Adnan, M., Badi, W., Dereczynski, C., Di Luca, A., Ghosh, S., Iskandar, I., Kossin, J., Lewis, S., Otto, F., et al. (2021). Weather and Climate Extreme Events in a Changing Climate. In Climate Change 2021: The Physical Science Basis (Climate Change). https://doi. org/10.1017/9781009157896.013.
31. Kendon, E.J., Stratton, R.A., Tucker, S., Marsham, J.H., Berthou, S., Rowell, D.P., and Senior, C.A. (2019). Enhanced future changes in wet and dry extremes over Africa at convection-permitting scale. Nat. Commun. 10, 1794. https://doi.org/10.1038/s41467-019-09776-9.
32. Newell, R.E., and Kidson, J.W. (1984). African mean wind changes between Sahelian wet and dry periods. J. Climatol. 4, 27–33. https://doi. org/10.1002/joc.3370040103.
33. Shekhar, R., and Boos, W.R. (2017). Weakening and Shifting of the Saharan Shallow Meridional Circulation during Wet Years of the West African Monsoon. J. Clim. 30, 7399–7422. https://doi.org/10.1175/JCLID-16-0696.1.
34. Nicholson, S.E., Barcilon, A.I., Challa, M., and Baum, J. (2007). Wave Activity on the Tropical Easterly Jet. J. Atmos. Sci. 64, 2756–2763. https://doi.org/10.1175/JAS3946.1.35. Thorncroft, C.D., Hall, N.M.J., and Kiladis, G.N. (2008). ThreeDimensional Structure and Dynamics of African Easterly Waves. Part III: Genesis. J. Atmos. Sci. 65, 3596–3607. https://doi.org/10.1175/ 2008JAS2575.1.
36. Kutzbach, J., Bonan, G., Foley, J., and Harrison, S.P. (1996). Vegetation and soil feedbacks on the response of the African monsoon to orbital forcing in the early to middle Holocene. Nature 384, 623–626. https://doi.org/ 10.1038/384623a0.
37. Messori, G., Gaetani, M., Zhang, Q., Zhang, Q., and Pausata, F.S.R. (2019). The water cycle of the mid-Holocene West African monsoon: The role of vegetation and dust emission changes. Int. J. Climatol. 39, 1927–1939. https://doi.org/10.1002/joc.5924.
38. De Martonne, E. (1926). Are´ isme et Indice d’aridite´. Comptes Rendus de L’Academy of Science 182, 1395–1398. https://doi.org/10.1002/qj. 49707130905.
39. Turner, M.D., Davis, D.K., Yeh, E.T., Hiernaux, P., Loizeaux, E.R., Fornof, E.M., Rice, A.M., and Suiter, A.K. (2023). Great Green Walls: Hype, Myth, and Science. Annu. Rev. Environ. Resour. 48, 263–287. https://doi.org/10. 1146/annurev-environ-112321-111102.
40. Elagib, N.A., Khalifa, M., Babker, Z., Musa, A.A., and Fink, A.H. (2021). Demarcating the rainfed unproductive zones in the African Sahel and Great Green Wall regions. Land Degrad. Dev. 32, 1400–1411. https:// doi.org/10.1002/ldr.3793.
41. Zeng, N., Neelin, J.D., Lau, K., and Tucker, C.J. (1999). Enhancement of Interdecadal Climate Variability in the Sahel by Vegetation Interaction. Science 286, 1537–1540. https://doi.org/10.1126/science.286.5444.1537.
42. Giannini, A., Salack, S., Lodoun, T., Ali, A., Gaye, A.T., and Ndiaye, O.
(2013). A unifying view of climate change in the Sahel linking intra-seasonal, interannual and longer time scales. Environ. Res. Lett. 8, 024010.
https://doi.org/10.1088/1748-9326/8/2/024010.
43. Rodrı´guez-Fonseca, B., Mohino, E., Mechoso, C.R., Caminade, C.,
Biasutti, M., Gaetani, M., Garcia-Serrano, J., Vizy, E.K., Cook, K., Xue,
Y., et al. (2015). Variability and Predictability of West African Droughts: A
Review on the Role of Sea Surface Temperature Anomalies. J. Clim. 28,
4034–4060. https://doi.org/10.1175/JCLI-D-14-00130.1.
44. Hohenegger, C., Brockhaus, P., Bretherton, C.S., and Schar, C. (2009). € The Soil Moisture–Precipitation Feedback in Simulations with Explicit and Parameterized Convection. J. Clim. 22, 5003–5020. https://doi.org/ 10.1175/2009JCLI2604.1.
45. Taylor, C.M., Birch, C.E., Parker, D.J., Dixon, N., Guichard, F., Nikulin, G., and Lister, G.M.S. (2013). Modeling soil moisture-precipitation feedback in the Sahel: Importance of spatial scale versus convective parameterization. Geophys. Res. Lett. 40, 6213–6218. https://doi.org/10.1002/
2013GL058511.
46. Jungandreas, L., Hohenegger, C., and Claussen, M. (2023). How does the explicit treatment of convection alter the precipitation–soil hydrology interaction in the mid Holocene African humid period? Clim. Past 19, 637–664. https://doi.org/10.5194/cp-19-637-2023.
47. Pausata, F.S.R., Zhang, Q., Muschitiello, F., Lu, Z., Chafik, L., Niedermeyer, E.M., Stager, J.C., Cobb, K.M., and Liu, Z. (2017). Greening of the Sahara suppressed ENSO activity during the mid-Holocene. Nat. Commun. 8, 16020. https://doi.org/10.1038/ncomms16020.
48. Pausata, F.S.R., Emanuel, K.A., Chiacchio, M., Diro, G.T., Zhang, Q., Sushama, L., Stager, J.C., and Donnelly, J.P. (2017). Tropical cyclone activity enhanced by Sahara greening and reduced dust emissions during the African Humid Period. Proc. Natl. Acad. Sci. USA 114, 6221–6226. https://doi.org/10.1073/pnas.1619111114.
49. Coˆ te´ , J., Gravel, S., Me´thot, A., Patoine, A., Roch, M., and Staniforth, A. (1998). The Operational CMC-MRB Global Environmental Multiscale (GEM) Model. Part I: Design Considerations and Formulation. Mon. Weather Rev. 126, 1373–1395. https://doi.org/10.1175/1520-0493(1998) 126<1373:TOCMGE>2.0.CO;2.
50. Herna´ ndez-Dı´az, L., Laprise, R., Sushama, L., Martynov, A., Winger, K.,
and Dugas, B. (2013). Climate simulation over CORDEX Africa domain using the fifth-generation Canadian Regional Climate Model (CRCM5). Clim.
Dyn. 40, 1415–1433. https://doi.org/10.1007/Fs00382-012-1387-z.
51. Herna´ ndez-Dı´az, L., Nikie´ ma, O., Laprise, R., Winger, K., and Dandoy, S.(2019). Effect of empirical correction of sea-surface temperature biases on the CRCM5-simulated climate and projected climate changes over North America. Clim. Dyn. 53, 453–476. https://doi.org/10.1007/s00382-018- 4596-2.
52. Verseghy, D.L. (2000). The Canadian land surface scheme (CLASS): Its history and future. Atmos.-Ocean 38, 1–13. https://doi.org/10.1080/ 07055900.2000.9649637.
53. Mironov, D., Heise, E., Kourzeneva, E., Ritter, B., Schneider, N., and Terzhevik, A (2010). Implementation of the lake parameterisation scheme FLake into the numerical weather prediction model COSMO. Boreal Environ Resw 15, 218–230.
54. ESA (2017). Land Cover CCI Product User Guide Version 2. ESA.
Available from. maps.elie.ucl.ac.be/CCI/viewer/download/ESACCI-LCPh2-PUGv2_2.0.pdf.
55. Giorgi, F., Jones, C., and Asrar, G. (2009). Addressing Climate Information Needs at the Regional Level: The CORDEX Framework (World Meteorological Organization). Available from. https://cordex. org/wp-content/uploads/2012/11/cordex_giorgi_wmo-1.pdf.
56. Harris, I., Osborn, T.J., Jones, P., and Lister, D. (2020). Version 4 of the CRU TS monthly high-resolution gridded multivariate climate dataset. Sci. Data 7, 109.
57. Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Hora´ nyi, A., Mun˜ ozSabater, J., Nicolas, J., Peubey, C., Radu, R., Schepers, D., et al. (2020). The ERA5 global reanalysis. Q. J. R. Meteorol. Soc. 146, 1999– 2049. https://doi.org/10.1002/qj.3803.
58. Schwalm, C.R., Glendon, S., and Duffy, P.B. (2020). RCP8.5 tracks cumulative CO2 emissions. Proc. Natl. Acad. Sci. USA 117, 19656–19657. https://doi.org/10.1073/pnas.2007117117.
59. Hausfather, Z., and Peters, G.P. (2020). Emissions – the ‘business as usual’ story is misleading. Nature 577, 618–620. https://doi.org/10.1038/ d41586-020-00177-3.
60. Giambelluca, T.W., Ho¨ lscher, D., Bastos, T.X., Fraza˜ o, R.R., Nullet, M.A., and Ziegler, A.D. (1997). Observations of Albedo and Radiation Balance over Postforest Land Surfaces in the Eastern Amazon Basin. J. Clim. 10, 919–928. https://doi.org/10.1175/1520-0442(1997)010<0919:OOAARB>2. 0.CO;2.
61. Pausata, F.S., Gaetani, M., Messori, G., Berg, A., Maia de Souza, D., Sage, R.F., and deMenocal, P.B. (2020). The Greening of the Sahara: Past Changes and Future Implications. One Earth 2, 235–250. https://doi.org/ 10.1016/j.oneear.2020.03.002.
62. Frich, P., Alexander, L.V., Della Marta, P., Gleason, B., Haylock, M., Klein Tank, A.M.G., and Peterson, T. (2002). Observed coherent changes in climatic extremes during the second half of the twentieth century. Clim. Res. 19, 193–212. https://doi.org/10.3354/cr019193.
63. Zhang, X., Alexander, L., Hegerl, G.C., Jones, P., Tank, A.K., Peterson, T.C., Trewin, B., and Zwiers, F.W. (2011). Indices for monitoring changes in extremes based on daily temperature and precipitation data. WIREs Climate Change 2, 851–870. https://doi.org/10.1002/wcc.147.
64. Yuen, K.K., and Dixon, W.J. (1973). The Approximate Behaviour and Performance of the Two-Sample Trimmed t. Biometrika 60, 369–374.
65. Wilcoxon, F. (1945). Individual Comparisons by Ranking Methods. Biometrics Bulletin 1, 80–83.
66. Sultan, B., and Janicot, S. (2003). The West African Monsoon Dynamics. Part II: The ‘‘Preonset’’ and ‘‘Onset’’ of the Summer Monsoon. J. Clim. 16, 3407–3427.https://doi.org/10.1175/1520-0442(2003)016<3407:TWAMDP> 2.0.CO;2.
67. Zhang, G., and Cook, K.H. (2014). West African monsoon demise: Climatology, interannual variations, and relationship to seasonal rainfall. JGR. Atmospheres 119, 175–210. 193. https://doi.org/10.1002/ 2014JD022043. 68. Paradis, D., Lafore, J.P., Redelsperger, J.L., and Balaji, V. (1995). African Easterly Waves and Convection. Part I: Linear Simulations. J. Atmos. Sci. 52, 1657–1679. https://doi.org/10.1175/1520-0469(1995) 052<1657:AEWACP>2.0.CO;2.
69. Diedhiou, A., Janicot, S., Viltard, A., de Felice, P., and Laurent, H. (1999). Easterly wave regimes and associated convection over West Africa and tropical Atlantic: results from the NCEP/NCAR and ECMWF reanalyses. Clim. Dynam. 15, 795–822. https://doi.org/10.1007/s003820050316.
70. Skinner, C.B., and Diffenbaugh, N.S. (2014). Projected Changes in African Easterly Wave Intensity and Track in Response to Greenhouse Forcing. Proc. Natl. Acad. Sci. USA 111, 6882–6887. https://doi.org/10.1002/ jgrd.50363.
71. Paniagua, L., Garcı´a-Martı´n, A., Moral, F., and Rebollo, F. (2019). Aridity in the Iberian Peninsula (1960–2017): distribution, tendencies, and changes. Theor. Appl. Climatol. 138, 811–830. https://doi.org/10.1007/s00704-019- 02866-0.
72. Sohoulande, C.D.D., Awoye, H., Nouwakpo, K.S., Dogan, S., Szogi, A.A., Stone, K.C., and Martin, J.H. (2022). A Global-Scale Assessment of Water Resources and Vegetation Cover Dynamics in Relation with the Earth Climate Gradient. Remote Sens. Eart
