Globale Veränderung der Waldfragmentierung von 2000 bis 2020

Nature Communications Band 14, Artikelnummer: 3752 (2023) Diesen Artikel zitieren

12.000 Zugriffe

158 Altmetrisch

Details zu den Metriken

Eine umfassende Quantifizierung der globalen Waldfragmentierung ist dringend erforderlich, um Waldschutz-, Wiederherstellungs- und Wiederaufforstungsmaßnahmen zu steuern. Frühere Bemühungen konzentrierten sich auf die statischen Verteilungsmuster von Waldresten und vernachlässigten möglicherweise dynamische Veränderungen in Waldlandschaften. Hier kartieren wir die globale Verteilung von Waldfragmenten und ihre zeitlichen Veränderungen zwischen 2000 und 2020. Wir stellen fest, dass die Waldlandschaften in den Tropen relativ intakt waren, diese Gebiete jedoch in den letzten zwei Jahrzehnten die stärkste Fragmentierung erlebten. Im Gegensatz dazu verzeichneten 75,1 % der Wälder weltweit einen Rückgang der Fragmentierung, und die Waldfragmentierung in den meisten fragmentierten gemäßigten und subtropischen Regionen, hauptsächlich im Norden Eurasiens und Südchinas, ging zwischen 2000 und 2020 zurück. Wir identifizieren außerdem acht Arten der Fragmentierung, die auf unterschiedliche Arten hinweisen Erholungs- oder Abbauzustände. Unsere Ergebnisse unterstreichen die Notwendigkeit, die Entwaldung einzudämmen und die Vernetzung zwischen Waldfragmenten, insbesondere in tropischen Gebieten, zu verbessern.

Die Fragmentierung der Wälder ist ein Hauptgrund für den weltweiten Verlust der biologischen Vielfalt und die Verschlechterung des Ökosystems1,2,3,4. Die Identifizierung der Gebiete mit der stärksten Waldfragmentierung ist eine grundlegende Aufgabe der Ökologie, aber die Ergebnisse aus Untersuchungen zu den Mustern der globalen Waldfragmentierung waren inkonsistent5,6,7. Wälder in tropischen Regionen gelten als zusammenhängender als Wälder in anderen Regionen5,8 und Morreale et al.9 kamen zu dem Schluss, dass gemäßigte Wälder 1,5-mal stärker fragmentiert sind als tropische Wälder. Im Gegensatz dazu deuten andere Studien darauf hin, dass tropische Wälder aufgrund einer beschleunigten Entwaldung in diesen Regionen die stärkste Waldfragmentierung erfahren10,11,12. Beispielsweise stieg der Anteil der Waldrandfläche an der gesamten Waldfläche in den Tropen von 27 % im Jahr 2000 auf 31 % im Jahr 201012, und in den Tropen kam es im gleichen Zeitraum zu einem Nettoverlust der Waldfläche, während in vielen Ländern gemäßigte Zonen herrschten Regionen erzielten Nettowaldzuwächse13,14. Diese gegensätzlichen Ergebnisse könnten auf eine unterschiedliche Definition der Waldfragmentierung auf verschiedenen Zeitskalen zurückzuführen sein. Um die Folgen der Waldfragmentierung besser zu verstehen, ist eine umfassende Quantifizierung der globalen Waldfragmentierung dringend erforderlich.

Waldfragmentierung ist ein Prozess der Waldveränderung auf Landschaftsebene und tritt hauptsächlich im Laufe der Zeit in Form einer Verringerung der Flächengröße, einer größeren Flächenzahl von Flächen und mehr Waldrändern auf15. Genaue Bewertungen und Karten der Waldfragmentierung sind von entscheidender Bedeutung für die Untersuchung ihrer Auswirkungen auf die Artenvielfalt und Ökosystemfunktionen. Frühere Studien zur globalen Kartierung der Waldfragmentierung stützten sich jedoch auf die Bewertung statischer Landschaftsmuster5,6,8 und ignorierten die Tatsache, dass die Waldfragmentierung ein dynamischer Prozess im Laufe der Zeit ist. Darüber hinaus können die Auswirkungen der Waldfragmentierung zwar bis zu einem Jahrhundert andauern16, die Auswirkungen sind jedoch meist nur in den ersten Jahrzehnten nach der Entstehung unmittelbar und offensichtlich17,18. Daher ist eine genaue Quantifizierung der aktuellen Muster und Dynamiken der Waldfragmentierung der Schlüssel zur Verhinderung künftigen Verlusts der biologischen Vielfalt und der Verschlechterung des Ökosystems. Allerdings stellt die mangelnde Quantifizierung der globalen Waldfragmentierung in den letzten Jahrzehnten aus dynamischer Sicht eine wichtige Wissenslücke dar.

In den letzten Jahrzehnten ist die Bewertung der Waldfragmentierung immer komplexer geworden, da die Entwaldung und Aufforstung eine hohe Dynamik aufweist. Man geht allgemein davon aus, dass Waldfragmentierung mit Waldverlust einhergeht5,15 und wird daher im Allgemeinen anhand der entwaldeten Fläche beurteilt. Daher konzentrierten sich die meisten früheren Studien zur Waldfragmentierungsdynamik auf tropische Wälder mit hohen Entwaldungsraten6,11,12. Waldfragmentierung und Waldbedeckungsveränderungen sind jedoch relativ unabhängig voneinander und verlaufen nicht immer in die gleiche Richtung7. In vielen Ländern der gemäßigten und subtropischen Zonen hat die Waldfläche zugenommen19, doch die Zunahme der Waldfläche kann den Trend der Waldfragmentierung nicht umkehren7. Folglich wird die Glaubwürdigkeit groß angelegter Schätzungen der Dynamik von Waldlandschaftsmustern verringert, wenn nur entweder die Fragmentierung oder die Bedeckung berücksichtigt wird. Daher besteht ein dringender Bedarf, Veränderungen in der Waldbedeckung und Fragmentierungsmuster effektiv zu integrieren und zu analysieren, um Entscheidungen zur Waldbewirtschaftung zu treffen.

Hier haben wir einen synthetischen Waldfragmentierungsindex (FFI) erstellt, um die Hauptmerkmale der Waldfragmentierung darzustellen, einschließlich Kanten-, Isolations- und Patchgrößeneffekte. Wir haben die FFIs in den Jahren 2000 und 2020 und ihre Unterschiede (ΔFFI) verwendet, um die statischen und dynamischen Muster der globalen Waldfragmentierung zu bestimmen. Diese beiden Indizes wurden in verschiedenen Regionen weltweit verglichen, um herauszufinden, welcher Index den Fragmentierungsstatus effektiver und genauer widerspiegelt. Wir haben auch Schlüsselprozesse und mögliche Ursachen für einige globale Hotspots der Waldfragmentierung analysiert und Änderungen in der Waldbedeckung (ΔFC) und Fragmentierung kombiniert, um einen zweidimensionalen Rahmen für die Bewertung dynamischer Muster der Waldlandschaft abzuleiten. Unsere Studie zeigt, dass 75,1 % der Waldlandschaften der Welt in den ersten beiden Jahrzehnten des 21. Jahrhunderts eine geringere Fragmentierung erlebten, während die Waldlandschaften in tropischen Regionen eine zunehmende Fragmentierung erlebten.

Wir haben den statischen FFI anhand der durchschnittlichen gewichteten Werte der normalisierten Kantendichte (ED), der Patchdichte (PD) und der mittleren Patchfläche (MPA, unter Verwendung von 1-normalisiertem MPA) für 2000 und 2020 berechnet (Abb. 1), während die Werte für die einzelnen normalisierten ED-, PD- und MPA-Schichten sind in der ergänzenden Abbildung 1 dargestellt. Waldlandschaften mit geringer statischer Fragmentierung (FFI <0,2) befanden sich hauptsächlich in den Tropen, im Westen Kanadas, im Westen Sibiriens und im Fernen Osten Russlands, während Wälder mit Eine hohe statische Fragmentierung (FFI > 0,8) kam hauptsächlich im östlichen Nordamerika, Südeuropa, Zentral- und Südchina sowie an den Rändern tropischer Wälder vor. Der Flächenanteil von Waldlandschaften mit unterschiedlichem Fragmentierungsgrad blieb im Zeitraum 2000–2020 stabil. Der Anteil der Waldlandschaften mit geringer statischer Fragmentierung stieg von 2000 bis 2020 leicht an (17 % auf 19 %), und auch der Anteil der Waldlandschaften mit hoher statischer Fragmentierung sank leicht von 17 % im Jahr 2000 auf 13 % im Jahr 2020 .

ein statisches FFI im Jahr 2000, (b) statisches FFI im Jahr 2020, (c) ΔFFI von 2000 bis 2020; und Vergleiche von (d) FFI-Werten für 2000 und 2020 und (e) ΔFFI-Werten über Klimazonen hinweg. d, e Die Balkenhöhen zeigten den Mittelwert und die Fehlerbalken zeigten eine Standardabweichung. Die Signifikanz der Unterschiede bei den statischen FFIs und ΔFFI zwischen den Klimazonen wurde mit dem zweiseitigen Tukey-HSD-Test getestet, der mehrere Vergleiche berücksichtigte, und die Buchstaben in jedem Balken zeigten Post-hoc-Unterschiede bei den mittleren statischen FFIs und ΔFFI mit P < 0,001. d Die Anzahl der Waldpixel (n) von tropischen bis zu borealen Zonen beträgt 581.649, 381.768, 1.031.907 und 1.384.718 im Jahr 2000 und 569.260, 378.518, 1.055.401 bzw. 1.385.159 im Jahr 2020. e Die Anzahl der Waldpixel (n) von tropischen bis zu borealen Zonen beträgt 553.655, 363.858, 1.021.172 bzw. 1.320.564.

Allerdings zeigte der dynamische FFI (ΔFFI) für den Zeitraum von 2000 bis 2020 ein dramatisch anderes Muster als die statischen FFIs. Ungefähr 75,1 % der globalen Waldlandschaften zeigten einen Rückgang der Fragmentierung (ΔFFI < 0), insbesondere im Westen Kanadas, im Westen und Fernostrussland sowie in Zentral- und Südchina (Abb. 1c). Waldlandschaften mit erhöhten Fragmentierungstrends (ΔFFI > 0) befanden sich hauptsächlich in tropischen Gebieten, insbesondere im südöstlichen Amazonasgebiet, im Kongobecken, auf der Indochina-Halbinsel und in einigen Regionen im Westen Nordamerikas und Zentralsibiriens. Unterdessen war die Fragmentierung im zentralen Amazonasgebiet, in Mittel- und Osteuropa sowie im Südosten der USA relativ stabil (ΔFFI ~ 0).

Anschließend verglichen wir den statischen FFI und ΔFFI über Klimazonen hinweg (Abb. 1d) und stellten fest, dass die am stärksten fragmentierten Wälder der Welt in den Subtropen verteilt waren, während sich die intaktesten Wälder in den Tropen und in den Borealregionen befanden. Wälder in der subtropischen Zone wiesen in beiden Jahren signifikant höhere statische FFI-Werte auf als die in den anderen Zonen (0,64 ± 0,34 im Jahr 2000 und 0,62 ± 0,31 im Jahr 2020, P < 0,001), während Wälder in den tropischen Regionen (0,43 ± 0,38, P < 0,001) und boreale Regionen (0,41 ± 0,20, P < 0,001) wiesen im Jahr 2000 bzw. 2020 die niedrigsten statischen FFI-Werte auf. Allerdings war der mittlere ΔFFI-Wert in den Tropen (0,01 ± 0,104, P < 0,001) deutlich höher als in den anderen Zonen (–0,06 bis –0,02). Darüber hinaus hatte der ΔFFI im Allgemeinen in allen Klimazonen eine signifikante negative Beziehung zum FFI2000 (unter Verwendung eines verallgemeinerten additiven Modells P <0, 001 für alle vier Zonen; ergänzende Abbildung 2). Darüber hinaus korrelierten die statischen FFIs signifikant und positiv mit der Höhe, während zwischen ΔFFI und der Höhe eine signifikant negative Korrelation bestand (ergänzende Abbildung 3), was darauf hindeutet, dass die Tieflandwälder relativ intakt waren, im Zeitraum 2000–2020 jedoch eine stärkere Fragmentierung erlebten.

Wir identifizierten acht Modi der Waldfragmentierung basierend auf den möglichen Kombinationen von Veränderungen (Zunahme oder Abnahme) in den drei einzelnen Komponenten des FFI (ED, PD und MPA) und ermittelten die Flächenzusammensetzungsanteile der acht Modi für Gebiete mit verringertem (ΔFFI). < 0) bzw. erhöhte (ΔFFI > 0) Waldfragmentierung. Unter den Gebieten mit verringertem FFI war EDdownPDdownMPAup mit einem Flächenanteil von 69,8 % der häufigste Modus und weltweit weit verbreitet (Abb. 2). Andere Modi wie EDdownPDdownMPAdown und EDupPDdownMPAup hatten Flächenanteile von 15,4 % bzw. 8,6 % und waren hauptsächlich im zentralen Amazonasgebiet bzw. Osteuropa vorherrschend. In Bezug auf die Gebiete mit erhöhtem FFI war EDupPDupMPAdown die häufigste Form und machte 53,3 % der Gesamtzahl aus, die hauptsächlich in den Tropen, im westlichen Nordamerika, Nordeuropa und Zentralsibirien auftrat. Die Modi EDupPDdownMPAdown und EDdownPDdownMPAdown hatten Flächenanteile von 23,6 % bzw. 8,7 % und waren in den Tropen, Russland und Westafrika vorherrschend.

ED, PD und MPA bedeuten die einzelnen Komponenten des Synthetic Forest Fragmentation Index (FFI). Die Markierungen „nach oben“ und „nach unten“ nach jeder FFI-Komponente stellen einen Anstiegs- bzw. Rückgangstrend im Zeitraum 2000–2020 dar. Die Kreisdiagramme auf der rechten Seite stellen die Flächenanteile von acht Waldfragmentierungsprozessmodi in FFI dar, verringerte (Anzahl der Waldpixel, n = 2.470.511) und vergrößerte Flächen (n = 820.937). Drei Hotspots in den Bereichen mit dem deutlichsten Rückgang bzw. Anstieg des FFI wurden ausgewählt, um die Veränderungen in jeder Komponente des FFI zu bewerten. Die Hotspots D1–D3 befanden sich im Westen Kanadas (n = 7007), Südeuropa (n = 3610) und Zentralchina (n = 5180) und die Hotspots I1–I3 befanden sich im südöstlichen Amazonasgebiet (n = 2710), dem Kongobecken (n = 5102) bzw. Zentralsibirien (n = 6640). In den Kästchen der Hotspots werden der Medianwert, das untere 25 %-Quartil und das obere 75 %-Quartil angezeigt. die Punkte stellen den Mittelwert dar; und die Whiskers werden bis zur Grenze der 1,5-fachen Interquartilbereiche (IQRs) erweitert.

Wir haben auch die Änderungen einzelner fragmentierungsbezogener Kennzahlen für Hotspots in Gebieten mit verringertem bzw. erhöhtem FFI festgestellt. Insgesamt kam es an Hotspots, an denen der FFI zurückging, zu Rückgängen bei ED und PD und einem Anstieg bei MPA. Insbesondere stieg MPA von 2000 bis 2020 in Westkanada deutlich um 73 %, in Südeuropa um 38 % und in Zentralchina um 50 % (Abb. 2). Umgekehrt spielten erhöhte ED und PD eine wichtigere Rolle in Hotspots, in denen FFI zunahm. ED stieg dramatisch um 41 % im südöstlichen Amazonasgebiet, um 81 % im Kongobecken und um 90 % in Zentralsibirien, während die PD-Zunahme in diesen Hotspots 32 %, 186 % bzw. 78 % betrug. In diesen Hotspots, in denen die Waldfragmentierung zunahm, nahm die MPA jedoch leicht ab (–8 % bis –31 %).

Mithilfe verallgemeinerter linearer Modelle haben wir die Beziehungen zwischen ΔFFI und erklärenden Faktoren (siehe Methoden) für den Globus und die sechs Hotspots weiter untersucht. Obwohl ΔFFI nicht signifikant mit erklärenden Variablen auf globaler Ebene korrelierte (ergänzende Abbildung 4), stellten wir fest, dass anthropogene Aktivitätsfaktoren (Nachtlicht, nächtliche Lichtveränderung, Ackerlandbedeckung und Ackerlandveränderung) die Veränderungen des FFI im Zeitraum 2000–2000 dominierten. 2020 in den am weitesten entwickelten Gebieten wie den östlichen USA, Europa und Südchina (ergänzende Abbildung 5). Darüber hinaus kontrollierten Waldbrände hauptsächlich die ΔFFI einiger Gebiete in Kanada, im Fernen Osten Russlands, im südöstlichen Amazonasgebiet, im tropischen Afrika und in Australien. Darüber hinaus hing ΔFFI für Hotspots mit verringertem FFI (Abb. 3a – c) am stärksten mit der Häufigkeit von Waldbränden (P < 0,001, standardisierter Koeffizient = 0,061) in Westkanada zusammen, während die wichtigsten treibenden Faktoren von ΔFFI in Südeuropa und In Zentralchina gab es eine mittlere Ackerlandbedeckung (P < 0,001, standardisierter Koeffizient = 0,244) bzw. eine Änderung der Ackerlandbedeckung (P < 0,001, standardisierter Koeffizient = −0,132). Für Hotspots mit erhöhtem FFI (Abb. 3d – f) war die Häufigkeit von Waldbränden der stärkste treibende Faktor für ΔFFI im südöstlichen Amazonasgebiet (P < 0,001, standardisierter Koeffizient = 0,299) und in Zentralsibirien (P < 0,001, standardisierter Koeffizient = 0,466). während ΔFFI im Kongobecken von allen Faktoren außer dem Nachtlicht erheblich beeinflusst wurde.

Relative Auswirkungen anthropogener Aktivität (Mittel- und Differenzwerte der Ackerflächenbedeckung und Nachtlicht, gelbe Farbe), demografischer Druck (Mittel- und Differenzwerte der Bevölkerungsdichte, blaue Farbe) und natürlicher Störungen (Brandhäufigkeit, rote Farbe) auf die Dynamik von ΔFFI in (a–c) Waldfragmentierung verringerten Hotspots (D1–D3, n = 7661, 3663 und 5271 Waldpixel) und in (d–f) Waldfragmentierung erhöhten Hotspots (I1–I3, n = 4044, 5104, und 7689 Waldpixel). Die Punkte stellen standardisierte Koeffizientenschätzungen mit 95 % (dünne Segmente, ±1,960 Standardfehler) und 90 % (dicke Segmente, ±1,645 Standardfehler) Konfidenzintervallen in verallgemeinerten linearen Modellen dar. Die Standorte der sechs Hotspots können in Abb. 2 überprüft werden.

Da Veränderungen in Flächen und Mustern zwei Schlüsselindikatoren bei der Beurteilung der Dynamik von Waldlandschaften sind, haben wir einen zweidimensionalen Rahmen entwickelt, der auf den Veränderungen von FC und FFI zwischen 2000 und 2020 basiert, um ein umfassendes Verständnis der Dynamik von Waldlandschaften zu erhalten. Wir fanden heraus, dass die Waldlandschaften mit einem FCupFFIdown-Muster weltweit verbreitet waren, sich jedoch auf den Westen Kanadas, den Nordosten der USA, Nord-Eurasien und Zentralchina konzentrierten (Abb. 4a). FCupFFIdown hatte im Allgemeinen den höchsten Waldflächenanteil in gemäßigten (50,0 %) und borealen (59,2 %) Regionen (Abb. 3b). Im Gegensatz dazu war der Prozentsatz der Waldlandschaftsfläche, die das FCdownFFIup-Muster in tropischen Regionen aufwies (39,8 %), viel höher als der in subtropischen (27,9 %), gemäßigten (14,3 %) oder borealen (10,6 %) Regionen. Waldlandschaften mit dem Muster FCdownFFIup waren hauptsächlich in den Tropen, Nordeuropa und Zentralsibirien verbreitet. Darüber hinaus waren Waldlandschaften mit den Mustern FCupFFIup und FCdownFFIdown, die 5,7–7,8 % bzw. 24,5–34,2 % der Gesamtfläche ausmachten, hauptsächlich in Nordeuropa, im zentralen Amazonasgebiet und im südlichen tropischen Afrika verbreitet.

Das dynamische Landschaftsmuster wird durch die Änderungen des Waldfragmentierungsindex (FFI) und der Waldbedeckung (FC) definiert, und die Markierungen „nach oben“ und „nach unten“ nach FFI oder FC stellen einen Anstiegs- bzw. Rückgangstrend im Zeitraum 2000–2020 dar. a Globale räumliche Verteilung von vier dynamischen Mustern von Waldlandschaften, (b) relative Flächenprozentsätze der dynamischen Muster von vier Waldlandschaften zwischen Klimazonen und (c) die Beziehung zwischen ΔFFI und ΔFC für Waldlandschaften auf nationaler Ebene unter Verwendung der linearen Korrelation von Pearson (n = 131 Länder). Die statistische Signifikanz in (c) wurde mit einem zweiseitigen Student-T-Test ermittelt.

Wir haben diesen Rahmen auch verwendet, um die dynamischen Muster der Waldlandschaften für bewaldete Länder weltweit zu bewerten. Waldlandschaften in den meisten Ländern wiesen im Allgemeinen das Muster FCupFFIdown (n = 40), FCdownFFIup (n = 32) oder FCdownFFIdown (n = 54) auf, während die Waldlandschaften in nur fünf Ländern überwiegend das Muster FCupFFIup aufwiesen. Auf nationaler Ebene korrelierte der ΔFFI eines Landes signifikant und negativ mit dem ΔFC (R2 = 0,35, P < 0,001) (Abb. 3c). Darüber hinaus wurde in den 10 Ländern mit der größten Waldfläche das Gesamtmuster der Waldlandschaftsdynamik entweder als FCupFFIdown (Russland, China und Indien), FCdownFFIup (Brasilien, Australien, Demokratische Republik Kongo und Peru) oder oder FCdownFFIdown (Kanada, USA und Indonesien) (Tabelle 1). Das FCupFFIdown-Muster wurde für mehr als die Hälfte der Waldlandschaften in Russland (59 %), Kanada (56 %), den USA (53 %) und China (58 %) gefunden, während ein beträchtlicher Anteil der gesamten Waldlandschaften in Brasilien ( 42 %, die Demokratische Republik Kongo (54 %) und Peru (43 %) hatten ein FCdownFFIup-Muster. Insbesondere China (ΔFC = 1,21 %, ΔFFI = –0,07) hatte relativ hohe ΔFC- und niedrige ΔFFI-Werte, während Brasilien (ΔFC = –3,22 %, ΔFFI = 0,014) relativ niedrige ΔFC- und hohe ΔFFI-Werte aufwies. Darüber hinaus nahm das FCdownFFIdown-Muster für Waldlandschaften in den größten Waldgebieten der Welt einen hohen Anteil (23–35 %) der Waldflächen ein, während das FCupFFIup-Muster nur sehr geringe Anteile (4–15 %) ausmachte.

Wir haben ein integriertes FFI entwickelt und die statischen und dynamischen Muster der Waldfragmentierung zwischen 2000 und 2020 ausgewertet. Die Ergebnisse identifizierten die weltweit am stärksten fragmentierten Wälder und diejenigen, die die stärkste Fragmentierung erlebten. In Übereinstimmung mit früheren Studien5,20,21 stellten wir fest, dass die Waldlandschaften im Amazonasgebiet, in der Demokratischen Republik Kongo, Borneo und Neuguinea, die einige der Gebiete mit der höchsten Artenvielfalt der Welt beherbergen, relativ intakt waren22. Aufgrund ihrer höheren positiven ΔFFI-Werte kam es in diesen Gebieten in den letzten zwei Jahrzehnten jedoch auch zu der stärksten Waldfragmentierung. Beispielsweise litten tropische Regionen unter intensiveren Bedingungen, die zur Umwandlung intakter Wälder in fragmentierte Wälder führten7,10,11,12. Im Gegensatz dazu sind die Waldlandschaften in Europa und Südchina zwar stark fragmentiert, erholen sich jedoch durch Aufforstung und wirksame Schutzbemühungen, was zu einer deutlichen Verbesserung der Waldlandschaften geführt hat. Diese Ergebnisse zeigten, dass der dynamische FFI, der die Art der Fragmentierung (Änderungen im Waldverteilungsmuster) widerspiegelt, möglicherweise besser zur Bewertung der Waldfragmentierung geeignet ist als der statische FFI. Unser Ansatz trennt die Waldfragmentierung von der Verteilung der Waldfragmente, die bei Waldfragmentierungsbewertungen häufig miteinander vermischt werden. Der statische FFI deckt hauptsächlich Waldverteilungsmuster auf, die die langfristige Folge von Klima-, Topographie- und historischen Landbedeckungsänderungen seit Beginn des Anthropozäns sind23,24,25,26, und der dynamische FFI stellt die Prozesse der Waldfragmentierung genauer dar .

Darüber hinaus reduzierte der von uns entwickelte zweidimensionale Bewertungsrahmen auf der Grundlage von Veränderungen der Waldfragmentierung und Waldbedeckung die Unsicherheiten bei der Bewertung dynamischer Muster der Waldlandschaft aufgrund der Inkonsistenzen zwischen diesen beiden Faktoren weiter. Wir haben beispielsweise festgestellt, dass der FFI in einigen Gebieten in Zentralkanada und im zentralen Amazonasgebiet zwischen 2000 und 2020 zurückgegangen ist, in diesen Gebieten jedoch immer noch Waldverluste zu verzeichnen waren. Diese Ergebnisse unterstreichen den Wert unseres vorgeschlagenen zweidimensionalen Bewertungsrahmens für die Bewertung der Dynamik von Waldlandschaftsmustern und bieten außerdem sinnvolle Ansätze für die Bewertung der Waldfragmentierung und ihrer Dynamik auf regionaler, nationaler und globaler Ebene. Somit kann unser Ansatz verwendet werden, um diese Veränderungen im räumlich-zeitlichen Muster der Waldfragmentierung mit Waldbewirtschaftungsrichtlinien zu verknüpfen27,28.

Wir fanden heraus, dass 75,1 % der weltweiten Wälder in den ersten 20 Jahren des 21. Jahrhunderts einen Rückgang der Fragmentierung erlebten, was darauf hindeutet, dass sich die meisten Waldlandschaften weltweit allgemein verbesserten. Allerdings zeigte die Waldfragmentierung in verschiedenen Regionen der Welt unterschiedliche Muster. Einerseits stellten wir einen erheblichen Rückgang der Waldfragmentierung in den am dichtesten besiedelten und wirtschaftlich entwickelten Regionen der Welt (im Osten der USA, Europa und Südchina) fest. Andererseits spiegelte der bemerkenswerte Anstieg des FFI und der Rückgang des FC in tropischen Gebieten vermutlich die Tatsache wider, dass die Wälder in diesen Regionen einem enormen Druck durch den Menschen ausgesetzt sind11,29,30. Wenn diese Trends anhalten, wird die Waldfragmentierung in den Tropen weiter verschärft, und die ökologischen Funktionen und Werte dieser Waldlandschaften werden weiter abnehmen und die Rolle dieser Wälder in internationalen Klimaabkommen und beim Schutz der biologischen Vielfalt ernsthaft untergraben.

In unserer Studie spiegelten verschiedene dynamische Muster der Waldlandschaft, die durch den zweidimensionalen Bewertungsrahmen generiert wurden, unterschiedliche Erholungs- oder Degradationszustände der Wälder weltweit wider. Im Frühstadium der Waldschädigung werden zunächst kleine oder unregelmäßige Waldflächen gerodet, was zu einem FCdownFFIdown-Muster führt. Wenn sich der Waldverlust auf große intakte Gebiete ausweitet, entstehen mehr Waldränder, was dazu führt, dass der Wald das FCdownFFIup-Muster aufweist und in eine Phase der tiefen Degradierung eintritt. Im Gegensatz dazu führt im Waldwiederherstellungsszenario (Waldschutz und Aufforstung) die Einführung zusätzlicher kleiner Flächen, bis sie zu großen intakten Waldflächen verbunden werden, dazu, dass Wälder die Muster FCupFFIup (mehr Waldflächen) und FCupFFIdown (weniger Waldflächen) aufweisen repräsentieren jeweils die Anfangs- und Tiefenstadien der Walderholung.

Unsere Ergebnisse zeigten, dass es weltweit einen großen Kontrast in der Beziehung zwischen Wäldern und Menschen gab. Die umfassende Erholung der Wälder in einigen subtropischen Regionen (insbesondere in Südchina) und die starke Schädigung der Wälder in einigen tropischen Regionen (insbesondere im brasilianischen Amazonasgebiet) wurden hauptsächlich auf die staatliche Forstpolitik (Aufforstung und Entwaldung) zurückgeführt31,32,33 ,34,35. Beispielsweise wurden der erhebliche Rückgang der FFI und der Anstieg der FC in Zentral- und Südchina seit 2000 hauptsächlich auf die Umsetzung verschiedener Umweltschutzprojekte zurückgeführt36,37,38. Im Gegensatz dazu führten die von der brasilianischen Regierung verkündete Landpolitik und die damit verbundenen Waldbrandunruhen zu erheblichen Waldverlusten39 und verschärften die Waldfragmentierung im südöstlichen Amazonasgebiet erheblich. In ähnlicher Weise wurden große Waldverluste in Südostasien und im tropischen Afrika durch zunehmenden menschlichen Druck verursacht, wie aus satellitengestützten Beweisen hervorgeht14,40,41,42. Wenn man jedoch bedenkt, dass die frühen Erholungs- und frühen Degradationsstadien einen erheblichen Anteil aller globalen Waldlandschaften ausmachen, besteht für die Gesellschaft eine große Chance, die dynamischen Muster der Waldlandschaften durch Anpassung der Richtlinien zu verbessern. Insbesondere in den Tropen werden rechtzeitige Erhaltungs- und Wiederherstellungsbemühungen weitere Schäden verhindern und die wichtigen Funktionen dieser Wälder für den globalen Schutz der biologischen Vielfalt und die Eindämmung des Klimawandels aufrechterhalten.

Die Identifizierung der Verteilung und Zusammensetzung der Waldfragmentierungsmodi verbessert unsere Erkenntnisse zum Verständnis der Waldfragmentierungsprozesse und -treiber. Wir fanden heraus, dass der typischste FFI-Abnahmemodus (EDdownPDdownMPAup) und FFI-Anstiegsmodus (EDupPDupMPAdown) mehr als die Hälfte der weltweit relevanten Waldlandschaften ausmachten, was darauf hindeutet, dass sich Rand-, Isolations- und Patchgrößeneffekte bei den meisten von ihnen synergetisch mit der Änderung der Waldbedeckung veränderten globale Waldlandschaften. Allerdings haben wir auch einige atypische FFI-Änderungsmodi gefunden. Im zentralen Amazonasgebiet beispielsweise nahm MPA in einigen Gebieten ab, in denen FFI abnahm, während PD in einigen Gebieten abnahm, in denen FFI abnahm, was darauf hinwies, dass die Prozesse der Waldfragmentierung äußerst komplex waren. Daher sollten Bemühungen zur Erkennung des zugrunde liegenden Mechanismus der Veränderung der Waldfragmentierung standortspezifisch sein und sich auf die Beziehung zwischen erklärenden Faktoren und Waldlandschaftsmustern konzentrieren.

Durch die Kopplung der Veränderungen in einzelnen FFI-Komponenten untersuchten wir ΔFFI und seine Zusammenhänge mit anthropogenen und natürlichen Faktoren und identifizierten die möglichen Ursachen für die Waldfragmentierungsdynamik für einige Hotspots. An Hotspots mit erhöhtem FFI im südöstlichen Amazonasgebiet wurden große intakte Waldgebiete unter dem gemischten Druck von kommerzieller Ernte, Ackerlandausweitung und Brandstörungen in mehrere kleine Gebiete umgewandelt, was zu schwerwiegenden Waldverlusten und einer zunehmenden Fragmentierung führte (ergänzende Abbildung 6). . In Zentralsibirien führten Waldverluste aufgrund von Brandstörungen, insbesondere an Waldrändern, im Zeitraum 2000–2020 jedoch direkt zu einer verstärkten Waldfragmentierung. Bei Hotspots mit verringertem FFI in subtropischen Regionen, insbesondere in Zentralchina, hing der Rückgang der Fragmentierung in hohem Maße mit der Umsetzung ökologischer Wiederherstellungsprojekte im Zuge einer raschen wirtschaftlichen Entwicklung zusammen. Beispielsweise vergrößerten Aufforstungsbemühungen im Rahmen des „Grain to Green“-Projekts die Waldfläche und verbanden einzelne Waldgebiete43. Auch bei Hotspots in Westkanada und Osteuropa wurde der Rückgang der FFI hauptsächlich auf Brandstörungen bzw. Veränderungen in der Ackerfläche zurückgeführt. Diese Faktoren erhöhen MPA, verringern ED und PD und verringern letztendlich die Waldfragmentierung durch Glättung von Waldrändern und Reduzierung kleiner Waldflächen.

Obwohl es unwahrscheinlich ist, dass der Klimawandel in den meisten Regionen der Welt über einen Zeitraum von 20 Jahren zu Veränderungen in der Waldverteilung führt, ist es möglich, dass das Klima in einigen Regionen dennoch gewisse Auswirkungen auf die Dynamik der Waldfragmentierung hat. Beispielsweise kann der Rückgang des FFI in Nord-Eurasien zwischen 2000 und 2020 auch auf die durch die Klimaerwärmung in hohen Breiten verursachte Waldausdehnung zurückgeführt werden44, die zur Umwandlung kleiner Flächen in große Flächen führte und die Waldfragmentierung verringerte. Im Gegensatz dazu haben häufigere Brände, die durch den Klimawandel in Kanada, im Fernen Osten Russlands, im brasilianischen Amazonasgebiet, im tropischen Afrika und an der Küste Australiens verursacht wurden (ergänzende Abbildung 5), zu bemerkenswerten Waldverlusten und einer verstärkten Waldfragmentierung geführt45,46,47,48.

Die Komplexität der Waldfragmentierungsprozesse und deren Ursachen erinnern uns jedoch auch daran, dass Studien zur Waldfragmentierung gezielt und lokal durchgeführt werden sollten. Die Verfügbarkeit präziser Waldverteilungsdaten und ein umfassendes Verständnis der dynamischen Treiber der Waldlandschaft, einschließlich Landpolitik, Klimawandel und internationaler Handel, sind wesentliche Voraussetzungen für die Erforschung der Muster, Ursachen, ökologischen Folgen und Bewältigungsstrategien der Waldfragmentierung. Darüber hinaus ist zu beachten, dass die Verwendung bitemporaler Waldbedeckungsdaten es auch unmöglich macht, die kontinuierliche Dynamik vollständig zu beurteilen, insbesondere in einigen Gebieten mit subtropischer Forstwirtschaft oder feuchtem tropischem Wanderanbau. Daher sollten umfassendere Analysen durchgeführt werden, die spezifische Artenmerkmale, Vegetationstypen und multitemporale Waldbedeckungsdaten bei der Ermittlung der Ursachen der Waldfragmentierungsdynamik berücksichtigen. Diese Analysen bilden auch die Grundlage für die Anwendung der Bewertung von Mustern und Ursachen der Waldfragmentierung auf den Schutz der biologischen Vielfalt und die Rückkopplungsmechanismen des Kohlenstoffkreislaufs.

Durch die Verknüpfung von Landschaftsveränderungen und mehreren Merkmalen der Fragmentierung überwindet unser Ansatz das Problem, nur den statischen Zustand der Fragmentierung statt dynamischer Veränderungen zu berücksichtigen, und verbessert so unser Verständnis der Muster der globalen Waldfragmentierung. Es spiegelt auch die Realität der Waldlandschaftsveränderungen besser wider und ist für die rechtzeitige Formulierung und Anpassung relevanter Richtlinien wertvoll.

Darüber hinaus herrscht in den meisten der zehn Länder mit den größten Waldflächen ein negativer Zustand der Wälder, was auf eine bemerkenswerte Ausweitung landwirtschaftlicher Nutzflächen, Holzernte und Waldbrandstörungen in den letzten Jahren sowie auf eine allgemeine Zunahme anderer Störungen hinweist. Diese Veränderungen führen zu einem weiteren Verlust von Waldflächen, einer Intensivierung der Fragmentierung und einer Verschlechterung der Ökosystemfunktionen28,49,50. Der signifikante negative Zusammenhang zwischen ΔFFI und ΔFC auf nationaler Ebene deutete jedoch darauf hin, dass Bemühungen zur Vergrößerung der Waldfläche immer noch wirksam bei der Eindämmung der Fragmentierung waren. Gezielte Aufforstungs- und Schutzmaßnahmen sind wichtige Ansätze, um eine weitere Verschlechterung der Fragmentierung weltweit zu verhindern. Unsere Ergebnisse zeigen, dass ein Verständnis der Entwaldungs- und Fragmentierungsdynamik in den politischen Entscheidungsprozess in diesen Ländern einbezogen werden muss, um irreversible Schäden an lebenswichtigen Waldökosystemen zu minimieren und den Entwicklungsverlauf in Richtung Nachhaltigkeit auszurichten.

Hochauflösende (30 m) Daten zur globalen Waldbedeckung für die Jahre 2000 und 2020 wurden aus dem Global Land Cover and Land Use (GLCLU) Change Dataset51 gewonnen. Die GLULC-Waldbedeckungsdaten definieren ein Pixel mit einer Baumhöhe ≥5 m auf der Landsat-Pixelskala als Waldpixel, was mit der Definition von Wald durch die Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen (FAO) übereinstimmt. Die 30-m-Waldbedeckungsdaten wurden in binäre Waldkarten für 2000 und 2020 verarbeitet und zur Berechnung von drei fragmentierungsbezogenen Landschaftsmetriken auf der Grundlage des globalen 5000-m-Rasters verwendet (siehe Berechnungsdetails unten). Das 5000-m-Gitter wurde auch verwendet, um die Waldbedeckung (FC, der Prozentsatz der Waldfläche zur Gesamtfläche in einem bestimmten Raum) in jeder Gitterzelle zu berechnen und FC-Karten mit einer Auflösung von 5000 m für die Jahre 2000 und 2020 zu erstellen.

Die Klimazonendaten stammen aus der im Jahr 2020 erstellten Karte der Weltklimaregionen (WCR) (ergänzende Abbildung 7a)52 mit einer räumlichen Auflösung von 250 m. Wir gingen davon aus, dass globale Wälder in einer von vier Zonen vorkommen: tropisch, subtropisch, gemäßigt oder boreal, die die wichtigsten Klimazonen darstellen, die für die Waldverteilung und die räumlichen Muster der Waldfragmentierung relevant sind.

Rasterbasierte globale Höhendaten wurden aus dem GLOBE-Datensatz (Global Land One-Kilometer Base Elevation) ermittelt (ergänzende Abbildung 7b)53. GLOBE ist ein globales digitales Höhenmodell (DEM) mit einem Breiten-Längen-Gitterabstand von 30 Bogensekunden. Der GLOBE-DEM-Datensatz wurde auf eine räumliche Auflösung von 5000 m aggregiert, um mit den FFI- und FC-Daten übereinzustimmen, und die kontinuierlichen DEM-Daten wurden in 12 Höhenkategorien (<0, 0–100 m, 100–200 m, 200–300 m) unterteilt , 300–400 m, 400–500 m, 500–600 m, 600–700 m, 700–800 m, 800–900 m, 900–1000 m und >1000 m), um den Zusammenhang zwischen Waldfragmentierung und Höhe zu analysieren .

Wir haben für die Jahre 2000 und 2020 eine Reihe von Rastern mit einer Größe von 5000 m × 5000 m entwickelt, um die globale Waldfläche abzudecken. Für jede Gitterzelle wurden die fragmentierungsbezogenen Landschaftsmustermetriken auf der Grundlage der Wald-/Nichtwald-Binärkarten berechnet. Insgesamt wurden für die Jahre 2000 und 2020 3.413.077 bzw. 3.422.375 Rasterzellen berücksichtigt, die im Wesentlichen alle Waldlandschaften weltweit abdeckten. Die Gesamtfläche der Waldlandschaften war größer als die tatsächliche globale Waldfläche, da jede Waldlandschaft einen bestimmten Anteil an Nichtwaldflächen enthält. Die überlagerten Teile der Gitter wurden in dieser Studie letztendlich zur Analyse der Veränderungen in der Waldfragmentierung verwendet.

Kanteneffekt, Isolationseffekt und Patchgrößeneffekt waren die wichtigsten Merkmale der Waldfragmentierung5 und können durch drei Landschaftsmustermetriken quantifiziert werden, darunter Kantendichte (ED), Patchdichte (PD) und mittlere Patchfläche (MPA). jeweils. Die drei Landschaftsmustermetriken wurden in unserer Studie verwendet, um einen synthetischen Waldfragmentierungsindex zu erstellen. Diese Kennzahlen wurden wie folgt berechnet:

Dabei ist eik die Gesamtkantenlänge in Metern, ni die Anzahl der Flecken, A die gesamte Landschaftsfläche (eine Gitterzelle wurde als Landschaft betrachtet) in Quadratmetern und AREA [patchij] die Fläche jedes Fleckens in Hektar .

Diese drei Landschaftsmustermetriken wurden auf Klassenebene (Klasse 0: Nicht-Wald, Klasse 1: Wald) mithilfe des „Landscapemetrics“-Pakets54 in der R-Software basierend auf den beiden oben beschriebenen Binärkarten berechnet und die Werte in Rasterebenen umgewandelt für die anschließende Analyse.

Um ein umfassendes Verständnis der vielfältigen Dimensionen der Fragmentierung zu erhalten, haben wir einen synthetisierten Waldfragmentierungsindex (FFI) unter Verwendung der normalisierten einzelnen Fragmentierungsmetriken in der ArcGIS-Software erstellt. Bei der Normalisierung von ED, PD und MPA wurden sowohl die Richtungen der drei Metriken zur Darstellung der Waldfragmentierung als auch die Vergleichbarkeit des FFI in verschiedenen Jahren berücksichtigt (Ergänzende Anmerkung 1 in den Zusatzinformationen). Wir haben die Differenz im FFI zwischen 2020 und 2000 verwendet, um den dynamischen Waldfragmentierungsindex (ΔFFI) mithilfe der folgenden Gleichung zu erstellen:

wobei der Bereich von ∆FFI −1-1 beträgt. Die negativen und positiven Werte von ∆FFI zeigten eine verringerte bzw. erhöhte Fragmentierung an.

Um die räumlichen Muster der statischen FFI- und ΔFFI-Werte zu bewerten, haben wir FFI2000, FFI2020 und ΔFFI zwischen den verschiedenen zuvor definierten Klimazonen und Höhenkategorien verglichen. Mit der einfaktoriellen ANOVA wurden signifikante Unterschiede in den FFI2000-, FFI2020- und ΔFFI-Werten getestet, und der LSD-Test wurde für paarweise Vergleiche verwendet (Abb. 1d). Darüber hinaus wurde ein verallgemeinertes additives Modell (GAM) verwendet, um die Beziehungen zwischen ΔFFI und FFI2000 für die verschiedenen Klimazonen zu ermitteln (ergänzende Abbildung 2). Lineare Korrelationen wurden verwendet, um die Beziehungen zwischen Höhe und FFI2000, FFI2020 und ΔFFI zu untersuchen, und der Korrelationskoeffizient und die Steigung der Regressionslinie wurden beide verwendet, um die Stärke dieser Beziehungen zu bewerten.

Da der ΔFFI durch die Kombination von ED, PD und MPA berechnet wurde, können die Änderungsrichtungen dieser Metriken die verschiedenen Prozesse widerspiegeln, die bei der Waldfragmentierung ablaufen können. Daher haben wir acht Modi von Waldfragmentierungsprozessen identifiziert (EDupPDupMPAdown, EDdownPDupMPAdown, EDupPDdownMPAdown, EDdownPDdownMPAdown, EDupPDupMPAup, EDdownPDupMPAup, EDupPDdownMPAup und EDdownPDdownMPAup), indem wir alle möglichen Kombinationen einer Zunahme oder Abnahme der ED, PD und MPA zwischen 2000 und 2020 berücksichtigten ( Abb. 2). Um die Waldfragmentierungsprozesse zu charakterisieren, die in Gebieten auftraten, in denen die Fragmentierung abnahm oder zunahm, haben wir außerdem die globalen räumlichen Verteilungen und Zusammensetzungsanteile der verschiedenen Fragmentierungsprozessmodi bewertet, bei denen die ΔFFI-Werte negativ bzw. positiv waren.

Um die Prozesse, die Veränderungen in der Waldfragmentierung vorantreiben, besser analysieren zu können, haben wir drei Hotspots (Westkanada, Südeuropa und Zentralchina) ausgewählt, an denen die Fragmentierung deutlich zurückging, und drei Hotspots (das südöstliche Amazonasgebiet, das Kongobecken und Zentralsibirien), an denen die Fragmentierung auftrat offensichtlich erhöht. Für jeden Hotspot haben wir die Zusammensetzungsanteile der acht Arten von Fragmentierungsprozessen analysiert (Abb. 2). Anschließend verwendeten wir einen T-Test, um die Werte von EDnor, PDnor und MPAnor zwischen 2000 und 2020 zu vergleichen, und die prozentualen Zu- oder Abnahmen für jeden dieser Werte wurden verwendet, um ihren Beitrag zu den Veränderungen im FFI widerzuspiegeln.

Anthropogene Aktivitäten, demografischer Druck und natürliche Störungen gelten als Hauptursachen für den weltweiten Waldverlust39. Unter Berücksichtigung der Beziehung zwischen Mensch und Waldbedeckung wurden die anthropogenen Aktivitäten weiter in landwirtschaftliche Aktivitäten und sozioökonomische Intensität unterteilt. Daher wurden Faktoren in Bezug auf die landwirtschaftliche Aktivität (mittlere Ackerlandbedeckung und Änderung der Ackerlandbedeckung), die sozioökonomische Intensität (mittleres Nachtlicht und Nachtlichtänderung), demografischer Druck (mittlere Bevölkerungsdichte und Änderung der Bevölkerungsdichte) und natürliche Störungen (Brandhäufigkeit) berücksichtigt in unserer Studie übernommen, um die Dynamik von FFI für sechs Hotspots und den Globus zu erklären. Landwirtschaftliche Aktivitäten und natürliche Störungen sind direkte Einflussfaktoren für Veränderungen in der Waldverteilung und Waldfragmentierung, während sozioökonomische Intensität und demografischer Druck die Waldbedeckung und Waldfragmentierung indirekt beeinflussen.

Für Variablen der landwirtschaftlichen Tätigkeit wurden die mittlere Ackerlandbedeckung und die Änderung der Ackerlandbedeckung als zwei wichtige Indikatoren angesehen, die die Größe und Variation der Ackerlandfläche im Zeitraum 2000–2020 darstellen. Die Ackerland-Ausdehnungskarten mit einer Auflösung von 30 m aus dem Datensatz „Globale Landbedeckung und Landnutzungsänderung“55 für 2003 und 2019 wurden in unsere Studie übernommen und durch Berechnung des Verhältnisses von Ackerlandpixeln zu Gesamtpixeln in einem 5000 m großen Raster zu Daten zur Ackerlandbedeckung verarbeitet. Der Mittelwert und der Differenzwert der Ackerflächenbedeckung zwischen 2003 und 2019 wurden direkt als landwirtschaftliche Aktivitätsfaktoren verwendet. Darüber hinaus wurden die Nachtlichtdaten mit einer Auflösung von 500 m, die aus dem globalen NPP-VIIRS-ähnlichen Nachtlichtdatensatz56 abgeleitet wurden, für die Jahre 2000 und 2020 direkt zur Darstellung der sozioökonomischen Intensitätsfaktoren verwendet. In ähnlicher Weise waren das mittlere Nachtlicht und die Änderung des Nachtlichts zwei wichtige Indikatoren, die das Ausmaß und die Variation der sozioökonomischen Intensität im Zeitraum 2000–2020 darstellen und anhand der Mittel- und Differenzwerte des NPP-VIIRS-ähnlichen Nachtlichts berechnet wurden zwischen 2000 und 2020. Darüber hinaus spiegeln die mittlere Bevölkerungsdichte und die Änderung der Bevölkerungsdichte im Zeitraum 2000–2020 das Ausmaß bzw. die Variation des demografischen Drucks wider und wurden in dieser Studie als demografische Druckfaktoren verwendet. Die globalen gerasterten Bevölkerungszahldatensätze57 von WorldPop für die Jahre 2000 und 2020 mit einer räumlichen Auflösung von 1000 m wurden zunächst zu Bevölkerungsdichtedaten mit einer Auflösung von 5000 m aggregiert, indem der Mittelwert für jedes 5000 m große Raster der beiden Zeiträume berechnet wurde. Die beiden demografischen Belastungsvariablen wurden aus dem Mittelwert und den Differenzwerten der gerasterten Bevölkerungsdichteschichten mit einer Auflösung von 5000 m für die Jahre 2000 und 2020 ermittelt. Schließlich wurde für die natürliche Störungsvariable die Brandhäufigkeit im Zeitraum 2000–2020 als wichtiger Indikator ausgewählt die totale Brandstörung. In dieser Studie wurde der monatliche MODIS-Datensatz für globale verbrannte Flächen (MCD64A1 Version 6) mit einer räumlichen Auflösung von 500 m verwendet. Die Brandhäufigkeit wurde durch Zählen des Verhältnisses der verbrannten Pixel im Zeitraum 2000–2020 für Gitter mit einer Größe von 5000 m im Zeitraum 2000–2020 ermittelt. 2020. Die Auflösung der Rasterebenen aller unabhängigen Variablen wurde auf 5000 m aggregiert, um dem ΔFFI zu entsprechen.

Die allgemeinen linearen Modelle wurden verwendet, um die Beziehung zwischen ΔFFI und den sieben erklärenden Faktoren zu ermitteln, und alle abhängigen und unabhängigen Variablen wurden während der statistischen Analyse auf den Bereich von 0–1 standardisiert. Der Einfluss jedes erklärenden Faktors auf den ΔFFI wurde durch die standardisierten Koeffizientenschätzungen und P-Werte aus den standardisierten multiplen linearen Modellen quantifiziert, und die entsprechenden Konfidenzintervalle wurden ebenfalls einbezogen, um die Analyse der Treiber des ΔFFI zu unterstützen. Wir haben die allgemeinen linearen Modelle für jeden Hotspot (Abb. 3) und den Globus (ergänzende Abb. 4) basierend auf abhängigen und unabhängigen Variablen in ihren jeweiligen Bereichen durchgeführt. Darüber hinaus haben wir den Haupttreiber von ΔFFI, dargestellt durch den Faktor mit dem höchsten absoluten Wert der Koeffizientenschätzungen, für eine Reihe von 50 km × 50 km-Gittern identifiziert und schließlich die ΔFFI-Haupttreiberkarte (ergänzende Abbildung 5) mit a erstellt räumliche Auflösung von 50 km im globalen Maßstab.

Wir haben einen zweidimensionalen Bewertungsrahmen für die Dynamik globaler Waldlandschaften erstellt, in dem alle Waldlandschaften in vier Typen (FCupFFIdown, FCupFFIup, FCdownFFIdown und FCdownFFIup) kategorisiert wurden, basierend auf Zunahmen (positive Werte) oder Abnahmen (negative Werte) in FC und FFI von 2000 bis 2020. Diese vier Arten dynamischer Waldlandschaftsmuster repräsentieren Waldlandschaften im Stadium der tiefen Erholung, im Stadium der frühen Erholung, im Stadium der frühen Degradation bzw. im Stadium der tiefen Degradation. Wir haben die räumlichen Verteilungen dieser verschiedenen dynamischen Muster der Waldlandschaft kartiert (Abb. 3a), indem wir die ΔFFI-Schicht und die ΔFC-Schicht mit einer Auflösung von 5000 m überlagert haben.

Wir haben auch die Variation der relativen Prozentsätze der vier Muster in den Klimazonen (Abb. 3b) und den Höhengradienten (ergänzende Abb. 8) bewertet. Darüber hinaus haben wir die Mittelwerte von ΔFFI und ΔFC in allen Ländern weltweit verglichen (Ergänzungsdaten 1) und die linearen Korrelationen von Pearson verwendet, um die Beziehung anzupassen (Abb. 3c). Um insbesondere zu bewerten, wie sich die Veränderungen der Waldbedeckung und -fragmentierung zwischen 2000 und 2020 in den zehn Ländern mit der größten Waldfläche weltweit unterschieden, haben wir die Flächenprozentsätze berechnet, die jedes Muster darstellen, sowie die Mittelwerte von ΔFC und ΔFFI (Tabelle 1). Die Verwaltungsgrenzen jedes Landes wurden von der FAO festgelegt (https://data.apps.fao.org/map/catalog/static/search?format=shapefile).

Weitere Informationen zum Forschungsdesign finden Sie in der mit diesem Artikel verlinkten Nature Portfolio Reporting Summary.

Alle in der Analyse verwendeten Daten sind öffentlich zugänglich. Der globale Datensatz zur Landbedeckung und Landnutzungsänderung ist unter https://glad.umd.edu/dataset/GLCLUC2020 verfügbar (einschließlich Daten zur Waldbedeckung und zur Ackerlandbedeckung); Der Datensatz zu den globalen Klimazonen ist unter https://storymaps.arcgis.com/stories/61a5d4e9494f46c2b520a984b2398f3b verfügbar. Der globale Höhendatensatz ist unter https://ngdc.noaa.gov/mgg/topo/gltiles.html verfügbar; Der globale NPP-VIIRS-ähnliche Nachtlichtdatensatz ist verfügbar unter https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YGIVCD; Der globale gerasterte Bevölkerungszahldatensatz von worldPop ist verfügbar unter https://hub.worldpop.org/project/categories?id=3; Der monatliche globale MODIS-Datensatz zu verbrannten Flächen ist unter https://lpdaac.usgs.gov/products/mcd64a1v006/ verfügbar. Der globale Verwaltungsgrenzendatensatz ist unter https://data.apps.fao.org/map/catalog/static/search?format=shapefile verfügbar. Die in dieser Studie generierten Daten zum Forest Fragmentation Index (FFI) wurden im Figshare-Repository unter https://figshare.com/s/21dbf1f50250aeb7f5a0 abgelegt.

Der zur Berechnung des Landschaftsmusterindex in dieser Studie verwendete Code ist im Figshare-Repository unter https://figshare.com/s/21dbf1f50250aeb7f5a0 zu finden.

Krauss, J. et al. Die Fragmentierung von Lebensräumen führt zu einem sofortigen und zeitverzögerten Verlust der Artenvielfalt auf verschiedenen trophischen Ebenen. Ökologisch. Lette. 13, 597–605 (2010).

Artikel PubMed PubMed Central Google Scholar

Pfeifer, M. et al. Die Schaffung von Waldrändern hat globale Auswirkungen auf Waldwirbeltiere. Natur 551, 187–191 (2017).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Brinck, K. et al. Hochauflösende Analyse der Fragmentierung tropischer Wälder und ihrer Auswirkungen auf den globalen Kohlenstoffkreislauf. Nat. Komm. 8, 14855 (2017).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Pimm, SL Der Waldfragment-Klassiker. Nature 393, 23–24 (1998).

Artikel ADS CAS Google Scholar

Haddad, NM et al. Lebensraumfragmentierung und ihre dauerhaften Auswirkungen auf die Ökosysteme der Erde. Wissenschaft. Adv. 1, e1500052 (2015).

Artikel PubMed PubMed Central Google Scholar

Taubert, F. et al. Globale Muster der Fragmentierung tropischer Wälder. Natur 554, 519–522 (2018).

Artikel ADS CAS PubMed Google Scholar

Liu, J. et al. Waldfragmentierung in China und ihre Auswirkungen auf die Artenvielfalt. Biol. Rev. 94, 1636–1657 (2019).

Artikel PubMed Google Scholar

Wade, TG, Riitters, KH, Wickham, JD & Jones, KB Verbreitung und Ursachen der globalen Waldfragmentierung. Konserv. Ökologisch. 7, 7 (2003).

Google Scholar

Morreale, LL, Thompson, JR, Tang, X., Reinmann, AB & Hutyra, LR Erhöhtes Wachstum und Biomasse entlang der Waldränder gemäßigter Zonen. Nat. Komm. 12, 7181 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Gibbs, HK et al. Tropenwälder waren in den 1980er und 1990er Jahren die Hauptquelle für neue landwirtschaftliche Flächen. Proz. Natl. Acad. Wissenschaft. USA 107, 16732–16737 (2010).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Hansen, MC et al. Das Schicksal tropischer Waldfragmente. Wissenschaft. Adv. 6, eaax8574 (2020).

Artikel ADS PubMed PubMed Central Google Scholar

Fischer, R. et al. Die beschleunigte Waldfragmentierung führt zu einer kritischen Vergrößerung der tropischen Waldrandfläche. Wissenschaft. Adv. 7, eabg7012 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Song, X.-P. et al. Globale Landveränderung von 1982 bis 2016. Nature 560, 639–643 (2018).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Hoang, NT & Kanemoto, K. Die Kartierung des Abholzungs-Fußabdrucks von Nationen zeigt eine wachsende Bedrohung für tropische Wälder. Nat. Ökologisch. Entwicklung 5, 845–853 (2021).

Artikel PubMed Google Scholar

Fahrig, L. Auswirkungen der Lebensraumfragmentierung auf die Biodiversität. Annu. Rev. Ecol. Entwicklung Syst. 34, 487–515 (2003).

Artikel Google Scholar

Vellend, M. et al. Nach der Fragmentierung des Lebensraums besteht die Gefahr des Aussterbens von Waldpflanzen noch mehr als ein Jahrhundert lang. Ökologie 87, 542–548 (2006).

Artikel PubMed Google Scholar

Laurance, WF et al. Ökosystemzerfall von Amazonas-Waldfragmenten: Eine 22-jährige Untersuchung. Konserv. Biol. 16, 605–618 (2002).

Artikel Google Scholar

Gibson, L. et al. Nahezu vollständiges Aussterben der einheimischen Kleinsäugetierfauna 25 Jahre nach der Waldfragmentierung. Science 341, 1508–1510 (2013).

Artikel ADS CAS PubMed Google Scholar

Chen, C. et al. China und Indien sind führend bei der Ökologisierung der Welt durch Landnutzungsmanagement. Nat. Aufrechterhalten. 2, 122–129 (2019).

Artikel PubMed PubMed Central Google Scholar

Chaplin-Kramer, R. et al. Abbau der Kohlenstoffvorräte in der Nähe tropischer Waldränder. Nat. Komm. 6, 10158 (2015).

Artikel ADS CAS PubMed Google Scholar

Grantham, HS et al. Durch die anthropogene Veränderung der Wälder weisen nur noch 40 % der verbleibenden Wälder eine hohe Ökosystemintegrität auf. Nat. Komm. 11, 5978 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Raven, PH et al. Die Verteilung des Artenreichtums in den Tropen. Wissenschaft. Adv. 6, eabc6228 (2020).

Artikel ADS PubMed Google Scholar

Laurance, WF et al. Ein Amazonas-Regenwald und seine Fragmente als Labor des globalen Wandels. Biol. Rev. 93, 223–247 (2018).

Artikel PubMed Google Scholar

Bastin, J.-F. et al. Das globale Potenzial zur Wiederherstellung von Bäumen. Wissenschaft 365, 76–79 (2019).

Artikel ADS CAS PubMed Google Scholar

Alkama, R. & Cescatti, A. Biophysikalische Klimaauswirkungen der jüngsten Veränderungen in der globalen Waldbedeckung. Wissenschaft 351, 600–604 (2016).

Artikel ADS CAS PubMed Google Scholar

Geldmann, J., Manica, A., Burgess, ND, Coad, L. & Balmford, A. Eine globale Bewertung der Wirksamkeit von Schutzgebieten beim Widerstand gegen anthropogene Belastungen. Proz. Natl Acad. Wissenschaft. USA 116, 23209–23215 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Agnoletti, M. Ländliche Landschaft, Naturschutz und Kultur: Einige Anmerkungen zu Forschungstrends und Managementansätzen aus (süd-)europäischer Perspektive. Landsk. Stadtplan. 126, 66–73 (2014).

Artikel Google Scholar

Lawler, JJ et al. Prognostizierte Auswirkungen von Landnutzungsänderungen auf Ökosystemdienstleistungen in den Vereinigten Staaten. Proz. Natl Acad. Wissenschaft. USA 111, 7492–7497 (2014).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Qin, Y. et al. Der Kohlenstoffverlust durch Waldschädigung übersteigt den durch Abholzung im brasilianischen Amazonasgebiet. Nat. Aufstieg. Chang. 11, 442–448 (2021).

Artikel ADS Google Scholar

Trondoli Matricardi, EA et al. Die langfristige Waldschädigung übersteigt die Entwaldung im brasilianischen Amazonasgebiet. Science 369, 1378–1382 (2020).

Artikel ADS Google Scholar

Tong, X. et al. Die Waldbewirtschaftung in Südchina führt kurzfristig zu einer umfangreichen Kohlenstoffbindung. Nat. Komm. 11, 1–10 (2020).

Artikel Google Scholar

Brandt, M. et al. Satellitenbeobachtete starke Begrünung und Biomassezunahme im südchinesischen Karst im letzten Jahrzehnt. Die Zukunft der Erde 6, 1017–1028 (2018).

Artikel ADS Google Scholar

Ellis, EC et al. Der Mensch hat seit mindestens 12.000 Jahren den größten Teil der terrestrischen Natur geprägt. Proz. Natl Acad. Wissenschaft. USA 118, e2023483118 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Achard, F. et al. Bestimmung der Entwaldungsraten in den Tropen und der damit verbundenen Kohlenstoffverluste von 1990 bis 2010. Glob. Biol. ändern 20, 2540–2554 (2014).

Artikel ADS Google Scholar

Sloan, S. & Sayer, JA Waldressourcenbewertung von 2015 zeigt positive globale Trends, aber Waldverlust und Waldschädigung bleiben in armen tropischen Ländern bestehen. Für. Ökologisch. Verwalten. 352, 134–145 (2015).

Artikel Google Scholar

Piao, S. et al. Merkmale, Treiber und Rückmeldungen der globalen Ökologisierung. Nat. Rev. Earth Environ. 1, 14–27 (2020).

Artikel ADS Google Scholar

Jiang, Z., Lian, Y. & Qin, X. Felsige Wüstenbildung im Südwesten Chinas: Auswirkungen, Ursachen und Wiederherstellung. Erdwissenschaften. Rev. 132, 1–12 (2014).

Artikel ADS Google Scholar

Deng, L. et al. Vergangene und zukünftige Kohlenstoffbindungsvorteile des chinesischen „Grain for Green“-Programms. Globus. Umgebung. Dimensionen der Change-Human Policy. 47, 13–20 (2017).

Artikel Google Scholar

Curtis, PG, Slay, CM, Harris, NL, Tyukavina, A. & Hansen, MC Klassifizierung der Treiber des globalen Waldverlusts. Science 361, 1108–1111 (2018).

Artikel ADS CAS PubMed Google Scholar

Feng, Y. et al. Ausweitung und Beschleunigung der Waldrodung in den Bergen Südostasiens. Nat. Aufrechterhalten. 4, 892–899 (2021).

Artikel Google Scholar

Pendrill, F., Persson, UM, Godar, J. & Kastner, T. Entwaldung verdrängt: Handel mit Waldrisikogütern und die Aussichten für einen globalen Waldübergang. Umgebung. Res. Lette. 14, 055003 (2019).

Artikel ADS Google Scholar

Grogan, K., Pflugmacher, D., Hostert, P., Mertz, O. & Fensholt, R. Entschlüsseln des Zusammenhangs zwischen dem globalen Kautschukpreis und der Abholzung tropischer Wälder in Kambodscha. Nat. Pflanzen 5, 47–53 (2019).

Artikel PubMed Google Scholar

Lu, F. et al. Auswirkungen nationaler ökologischer Sanierungsprojekte auf die Kohlenstoffbindung in China von 2001 bis 2010. Proc. Natl Acad. Wissenschaft. USA 115, 4039–4044 (2018).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Tchebakova, NM, Parfenova, EI, Korets, MA & Conard, SG Mögliche Veränderung der Waldtypen und Bestandshöhen in Zentralsibirien in einem sich erwärmenden Klima. Umgebung. Res. Lette. 11, 035016 (2016).

Artikel ADS Google Scholar

Barlow, J. et al. Anthropogene Störungen in tropischen Wäldern können den Verlust der biologischen Vielfalt durch Abholzung verdoppeln. Natur 535, 144–147 (2016).

Artikel ADS CAS PubMed Google Scholar

Tyukavina, A. et al. Arten und Ausmaße von Waldstörungen im brasilianischen Amazonasgebiet, 2000–2013. Wissenschaft. Adv. 3, e1601047 (2017).

Artikel ADS PubMed PubMed Central Google Scholar

van Wees, D. et al. Die Rolle von Bränden in der globalen Waldverlustdynamik. Globus. Biol. ändern 27, 2377–2391 (2021).

Artikel ADS Google Scholar

Tyukavina, A. et al. Globale Trends beim Waldverlust durch Brände von 2001 bis 2019. Vorderseite. Remote Sens. 3, 825190 (2022).

Artikel Google Scholar

Lewis, SL, Edwards, DP & Galbraith, D. Zunehmende menschliche Dominanz in tropischen Wäldern. Wissenschaft 349, 827–832 (2015).

Artikel ADS CAS PubMed Google Scholar

Potapov, P. et al. Die letzten Grenzen der Wildnis: Verfolgung des Verlusts intakter Waldlandschaften von 2000 bis 2013. Sci. Adv. 3, e1600821 (2017).

Artikel ADS PubMed PubMed Central Google Scholar

Potapov, P. et al. Der aus dem Landsat-Archiv abgeleitete globale Datensatz zur Landbedeckung und Landnutzungsänderung 2000–2020: erste Ergebnisse. Vorderseite. Remote Sens. 3, 856903 (2022).

Artikel Google Scholar

Sayre, R. et al. Eine Bewertung der Darstellung von Ökosystemen in globalen Schutzgebieten anhand neuer Karten von Weltklimaregionen und Weltökosystemen. Globus. Ökologisch. Konserv. 21, e00860 (2020).

Artikel Google Scholar

NOAA National Geophysical Data Center. Globale Land-Basishöhe von einem Kilometer (GLOBE) v.1. https://doi.org/10.7289/V52R3PMS (1999).

Hesselbarth, MHK, Sciaini, M., With, KA, Wiegand, K. & Nowosad, J. Landscapemetrics: ein Open-Source-R-Tool zur Berechnung von Landschaftsmetriken. Ecography 42, 1648–1657 (2019).

Artikel Google Scholar

Potapov, P. et al. Globale Karten der Ackerlandausdehnung und -veränderung zeigen eine beschleunigte Ackerlandexpansion im 21. Jahrhundert. Nat. Essen 3, 19–28 (2022).

Artikel PubMed Google Scholar

Chen, Z. et al. Eine erweiterte Zeitreihe (2000–2018) globaler NPP-VIIRS-ähnlicher Nachtlichtdaten aus einer Cross-Sensor-Kalibrierung. Erdsystem. Wissenschaft. Daten 13, 889–906 (2021).

Lloyd, CT et al. Globale räumlich-zeitlich harmonisierte Datensätze zur Erstellung hochauflösender gerasterter Bevölkerungsverteilungsdatensätze. Big Earth Data 3, 108–139 (2019).

Artikel PubMed PubMed Central Google Scholar

Referenzen herunterladen

Diese Forschung wurde vom National Key Research and Development Program of China (2022YFF0802400, JM) und der Natural Science Foundation of China (32271659, JM und U2106209, JM) unterstützt.

Diese Autoren haben gleichermaßen beigetragen: Jun Ma, Jiawei Li.

Schlüssellabor des Bildungsministeriums für Biodiversitätswissenschaft und ökologische Technik, Küstenökosystem-Forschungsstation der Jangtse-Flussmündung, Institut für Biodiversitätswissenschaft, School of Life Sciences, Fudan-Universität, #2005 Songhu Road, Shanghai, 200438, China

Jun Ma, Jiawei Li, Wanben Wu und Jiajia Liu

Sie können diesen Autor auch in PubMed Google Scholar suchen

JM und JJL konzipierten die Idee und entwarfen die Methodik; JM, JWL und WBW führten die Datenanalyse durch; und JM verfassten das Manuskript mit Beiträgen von JWL und JJL. Alle Autoren trugen kritisch zur Interpretation der Ergebnisse bei und erteilten die endgültige Genehmigung zur Veröffentlichung.

Korrespondenz mit Jun Ma oder Jiajia Liu.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Nature Communications dankt Victor Danneyrolles und den anderen, anonymen Gutachtern für ihren Beitrag zum Peer-Review dieser Arbeit. Eine Peer-Review-Datei ist verfügbar.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Ma, J., Li, J., Wu, W. et al. Globale Veränderung der Waldfragmentierung von 2000 bis 2020. Nat Commun 14, 3752 (2023). https://doi.org/10.1038/s41467-023-39221-x

Zitat herunterladen

Eingegangen: 18. November 2022

Angenommen: 02. Juni 2023

Veröffentlicht: 11. Juli 2023

DOI: https://doi.org/10.1038/s41467-023-39221-x

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.