Зосередьтеся на Північній Євразії в глобальних змінах Землі та людських систем, взаємодії та
Гість редакторів
Павло Гройсман NOAA Національний центр кліматичних даних
Шаміль Максютов Національний інститут екологічних досліджень Ерван Моньє Массачусетський технологічний інститут Дмитро Щепащенко Міжнародний інститут прикладного системного аналізу
Сфера дії
Для вирішення цих питань, дев'ять дослідницьких фокусів NEFI були визначені, і дослідження, що стосуються цих вогнищ у Північній Євразії, будуть особливо вітатися в рамках цього фокусу. До них належать:
- потепління Арктики;
- зміна частоти, характеру та інтенсивності екстремальних та суворих умов навколишнього середовища;
- відступ кріосфери;
- зміни земних кругообігів;
- зміни в біосфері;
- тиск на землекористування;
- зміни в інфраструктурі;
- соціальні дії у відповідь на зміни навколишнього середовища;
- кількісне визначення ролі Північної Євразії у Глобальній системі Землі.
Завдяки потужним зворотним зв’язкам між системою Землі та людини в Північній Євразії пропонується розробити Моделі інтегрованої оцінки як завершальний етап оцінки глобальних змін, що включатиме оцінку сталого розвитку в Північній Євразії. Ця загальна мета моделювання NEFI допоможе оцінити економічні рішення у відповідь на зміну умов навколишнього середовища та виправдання зусиль щодо пом'якшення та адаптації.
Запрошуються більшість статей, присвячених тематиці, але також заохочуються небажані внески. Якщо ви вважаєте, що готуєте відповідну статтю про дослідницький лист, надішліть запит на попередню подачу або команді видавця журналу [email protected], або запрошеним редакторам випуску, перерахованого вище. Усі статті слід подавати, використовуючи нашу онлайн-форму подання.
Статті, перелічені нижче, є першими прийнятими внесками до збірника, а подальші доповнення з’являтимуться на постійній основі.
Дослідження
Огляд
Ерван Моньє та ін., 2017 г. Рез. Lett. 12 083001
Jiquan Chen et al 2018 Environment. Рез. Lett. 13 123004
Папери
T I Moiseenko and N A Gashkina 2020 Environment. Рез. Lett. 15 115013
Махді Акбарі та ін. Рез. Lett. 15 115002
Ци Луо та ін. Рез. Lett. 15 115001
К. М. Берген та ін. Рез. Lett. 15 105007
Анотація соціальних медіа
Landsat виявляє довгострокові антропогенні тенденції землекористування в Сибіру та на Далекому Сході Росії
Gang Dong et al 2020 Environment. Рез. Lett. 15 095009
Хісасі Сато та ін. Рез. Lett. 15 095006
Jingya Han та ін. Рез. Lett. 15 045007
Олександр А Васильєв та ін. Рез. Lett. 15 045001
Глобальна система спостереження за кліматом та Глобальна мережа наземних спостережень визначили вічну мерзлоту як "основну кліматичну змінну", для якої температура ґрунту та динаміка активного шару є ключовими змінними. Ця робота представляє дані довгострокового клімату та даних моніторингу вічної мерзлоти на семи ділянках, що представляють різноманітні кліматичні та екологічні умови в західній частині Арктики. Регіон інтересів переживає одні з найвищих темпів деградації вічної мерзлоти у світі. Починаючи з 1970 року, середньорічні температури повітря та кількість опадів зростали зі швидкістю від 0,05 до 0,07 ° C рік -1 і від 1 до 3 мм рік -1. У відповідь на зміну клімату всі сім досліджуваних ділянок свідчать про швидку деградацію вічної мерзлоти. Середньорічні температури ґрунту зростають від 0,03 до 0,06 ° C р −1 на глибині 10–12 м у зоні безперервної мерзлоти. Таблиця вічної мерзлоти на всіх ділянках знизилась, до 8 м у зоні розривної мерзлоти. На основі даних спостережень для західноросійської Арктики характерно три стадії деградації вічної мерзлоти.
Цзясі Ян та ін. Рез. Lett. 15 035010
Kiunnei Kirillina et al 2020 Environment. Рез. Lett. 15 035009
Chuanzhun Sun et al 2019 Environment. Рез. Lett. 14 125006
Олександр Полухін 2019 Environment. Рез. Lett. 14 105007
Мартін В. Майлз та ін., 2019 р. Рез. Lett. 14 075008
E S Іжицька та ін. 2019 Environment. Рез. Lett. 14 065005
Через катастрофічну десикацію сьогоднішнє Аральське море складається з декількох окремих залишкових басейнів, що характеризуються різними екологічними умовами (Великий Арал, озеро Щебас, Малий Арал). Це дослідження є першим звітом про концентрації розчиненого метану в цих басейнах. Загалом було отримано та проаналізовано 48 зразків води на вміст метану. Високі значення розчиненого метану в анаеробному шарі Великого Аральського моря, включаючи Чернишевську затоку, очевидно, спричинені гасінням вертикального перемішування та розкладання рясної органічної речовини в безкислотних умовах. Розрахунковий потік метану з поверхні Великого Аральського моря насправді вищий, ніж з багатьох інших озер світу. Для аноксичного шару Великого Аралу були виявлені певні взаємозв'язки між розподілом метану та іншими гідрохімічними параметрами, включаючи розчинений кисень та сірководень. У солонуватому Малому Аральському морі вміст метану був помірним. Озеро Щебас має проміжні умови між Великим і Малим Аральськими морями з точки зору солоності та концентрації метану. Спостережувані відмінності вмісту і розподілу метану в окремих залишкових басейнах пов'язані з різницею режимів їх змішування та оксигенації.
Олена Парфенова та ін. 2019 р. Рез. Lett. 14 065004
Gaodi Xie et al 2019 Environment. Рез. Lett. 14 065002
Андрій Білоус та ін. 2017 г. Рез. Lett. 12 105001
Інвентаризація лісів та картографування біомаси є важливими завданнями, які вимагають введення даних із різних джерел даних. У цій роботі ми реалізуємо два методи для українського регіону Полісся: випадковий ліс (РФ) для прогнозування видів дерев та k-найближчі сусіди ( k-NN) для вирощування обсягів запасів та картографування біомаси. Ми дослідили придатність п'ятисмугового супутникового зображення RapidEye для прогнозування розподілу шести видів дерев. Точність ВЧ досить висока:
99% для лісової/нелісової маски та 89% для прогнозування видів дерев. Наші результати демонструють, що включення висоти як предикторної змінної у ВЧ-модель покращило ефективність класифікації порід дерев. Ми оцінили різні показники відстані для k-Метод NN, що включає відстань Евкліда чи Махаланобіса, найбільш подібний сусід (MSN), найближчий сусід градієнта та незалежний аналіз компонентів. MSN з чотирма найближчими сусідами ( k = 4) є найбільш точним (відповідно до середньоквадратичного відхилення) для прогнозування атрибутів лісу на досліджуваній території. k-Метод NN дозволив оцінити обсяг вирощуваного запасу з точністю до 3 м 3 га −1 та для живої біомаси близько 2 т га −1 на досліджуваній території.
Xingcai Liu et al 2017 Environment. Рез. Lett. 12 115010
Дехай Луо та ін., 2017 р. Рез. Lett. 12 125002
Куміко Таката та ін. 2017 г. Рез. Lett. 12 125012
Андре Депперманн та ін., 2018 р. Рез. Lett. 13 025008
Мартін Вегманн та ін., 2018 г. Рез. Lett. 13 025009