Blog

Jul 17, 2023

Räumliche Unterschiede bei Vegetationsbränden und Emissionen in Süd- und Südostasien während COVID

Scientific Reports Band 12, Artikelnummer: 18233 (2022) Diesen Artikel zitieren 1745 Zugriffe 11 Zitate 2 Altmetrische Metrikdetails Vegetationsbrände sind in Süd-/Südostasien (SA/SEA) häufig.

Wissenschaftliche Berichte Band 12, Artikelnummer: 18233 (2022) Diesen Artikel zitieren

1745 Zugriffe

11 Zitate

2 Altmetrisch

Details zu den Metriken

Vegetationsbrände sind in Ländern Süd-/Südostasiens (SA/SEA) häufig. Allerdings konzentrierten sich nur sehr wenige Studien auf Vegetationsbrände und die Veränderungen während der COVID-19-Krise im Vergleich zur Zeit vor der Pandemie. Diese Studie schließt eine Informationslücke und berichtet über die gesamten Brandereignisse, die gesamte verbrannte Fläche, die Art der verbrannten Vegetation und die gesamten Partikelemissionsschwankungen in SA/SEA während COVID-2020 und vor der Pandemie (2012–2019). Die Ergebnisse des kurzfristigen COVID-2020-Jahres im Vergleich zum Nicht-COVID-Jahr 2019 zeigten einen Rückgang der Brandzahlen in S/SEA zwischen −2,88 und 79,43 %. Zu den Ausnahmen in Südasien zählen Afghanistan und Sri Lanka mit einem Anstieg von 152 % bzw. 4,9 % sowie Kambodscha und Myanmar in Südostasien mit einem Anstieg der Brandzahlen um 11,1 % bzw. 8,5 % im COVID-Jahr 2020. Der Rückgang der verbrannten Fläche im Jahr 2020 im Vergleich zu 2019 schwankte in den süd-/südostasiatischen Ländern zwischen -0,8 % und 92 %, wobei die meisten Brände in Agrarlandschaften statt in Wäldern stattfanden. Mehrere Gebiete in S/SEA zeigten einen Rückgang der Brände im Pandemiejahr 2020 im Vergleich zum langfristigen Rekord vor der Pandemie 2012–2020, wobei Z-Werte größer oder kleiner als zwei statistische Signifikanz anzeigen. Auf Länderebene waren die Ergebnisse jedoch in beiden S/SEA statistisch nicht signifikant, wobei die Z-Werte zwischen –0,24 und –1 lagen, obwohl in den meisten Ländern ein Rückgang der Brandzahlen zu verzeichnen war. Die damit verbundenen mittleren TPM-Emissionen sanken von ~ 2,31 Tg (0,73 stdev) im Zeitraum 2012–2019 auf 2,0 (0,65 stdev)Tg im Jahr 2020 in Südasien und 6,83 (0,70 stdev)Tg im Zeitraum 2012–2019 auf 5,71 (0,69 stdev)Tg im Jahr 2020 für südostasiatische Länder. Die Studie beleuchtet Unterschiede bei Bränden und Emissionen, die für die Brandbekämpfung und -minderung nützlich sind.

Vegetationsbrände sind ein wiederkehrendes Phänomen in mehreren Ökosystemen Süd-/Südostasiens (SA/SEA). Brände können die Art und Zusammensetzung der Vegetation bestimmen und die Landschaftsstruktur1 sowie ökologische Prozesse2 verändern. Insbesondere tropische Ökosysteme in Asien werden von trockenen Laub-, Dorn- und Laubmischwäldern dominiert, und Brände gelten aufgrund der zunehmenden Abhängigkeit der Menschen von diesen Wäldern als die häufigste Störung3. Die Auswirkungen von Bränden auf die Landschaftsstruktur und -zusammensetzung in verschiedenen Ökosystemen der Welt sind gut dokumentiert4. Die Folgen können sowohl positiv als auch negativ sein, abhängig von der Intensität der Brände, dem Grad der Brandanpassung des Ökosystems und der betroffenen Landschaft. Zu den positiven Effekten zählen die Erleichterung der Pflanzennährstoffaufnahme, die Förderung einer neuen Grasbedeckung, die für Pflanzenfresser in einigen Ökosystemen nützlich ist5, sowie die Verringerung der Brennstoffbelastung und der Intensität von Bränden bei Folgebränden. Insbesondere führen Brände zu einem Verlust der Vegetation und beeinträchtigen Ökosystemleistungen wie Holz, Unterkünfte, Nährstoffe und Wasserrückhaltung, einschließlich Erholung6,7. Wiederholtes Abbrennen verändert auch den Nährstoffhaushalt von Böden, vor allem durch Pyrodenitrifikation8. Zu den Auslösern von Bränden können sowohl klimatische als auch anthropogene Faktoren gehören9,10. In mehreren SA/SEA-Ländern werden Brände als Managementinstrument zur Rodung von Wäldern durch Brandrodung in mehreren Regionen wie den Distrikten Dhading und Chitwan, Nepal11; die Eastern Ghats12 und Nordostindien13; Chittagong-Hügelgebiete in Bangladesch14; Bago-Gebirge, Myanmar und Shan-Staat, Myanmar15; Sarawak in Malaysia16; Caraballo-Berg in Carranglan und Mount Mingan, Philippinen17; Provinz Jambi, Sumatra und andere in Indonesien18; Nordthailand19; nordwestliches Kambodscha20; Nordlaos21 und Nordvietnam22. Brände werden in Indonesien auch häufig zur Rodung von Land für den Anbau von Gummi- und Ölpalmen genutzt23. Zusätzlich zur Brandrodung sind die meisten Länder in S/SEA landwirtschaftlich geprägt, wo Landwirte landwirtschaftliche Rückstände verbrennen, um das Land für die nächste Ernte freizumachen, wie etwa Indien, Pakistan, Myanmar, Thailand und Vietnam. Die Verfahren zur Verbrennung von Rückständen sind in den einzelnen Ländern unterschiedlich, z. B. das Verbrennen von Rückständen auf der Bodenoberfläche nach der Ernte oder das Sammeln und Stapeln der Rückstände mit anschließender Verbrennung23. Diese unterschiedlichen Bewirtschaftungspraktiken und lokalen Landnutzungsrichtlinien24, einschließlich natürlicher Klimaschwankungen24,25, können zu jährlichen Schwankungen bei Bränden und der Branderkennung durch Satelliten führen10. Die aus solchen Aktivitäten resultierende Biomasseverbrennung ist eine wichtige Quelle für Treibhausgasemissionen und Aerosole8. Diese Aerosole können die Luftqualität auf lokaler und regionaler Ebene erheblich beeinträchtigen26.

Informationen über das Auftreten von Bränden und deren Zeitpunkt, einschließlich räumlicher und geografischer Gradienten, können dabei helfen, die Auswirkungen von Bränden zu verstehen, beispielsweise auf Veränderungen in der Landschaftsstruktur und -funktion, einschließlich Luftverschmutzung, um das Brandmanagement zu verbessern27,28. In den letzten Jahrzehnten wurden räumliche Informationstechnologien in großem Umfang bei Branderkennungs-, Kartierungs- und Überwachungsstudien eingesetzt. Insbesondere die Fernerkundungstechnologie mit ihren multitemporalen, multispektralen, synoptischen und repetitiven Erfassungsmöglichkeiten kann wertvolle Informationen über das Auftreten von Bränden, die Intensität, die Größe der verbrannten Fläche und die Art der betroffenen Vegetation liefern10. Aufgrund ihrer hohen Temperatur emittieren Brände Wärmestrahlung mit einem Peak im mittleren Infrarotbereich, entsprechend Plancks Theorie der Schwarzkörperstrahlung. Daher erfolgt die aktive Branderkennung häufig mithilfe von Satelliteninformationen aus dem mittleren und thermischen Infrarot (normalerweise etwa 3,7 bis 11 μm)29. Die am häufigsten verfügbaren Fernerkundungsdatensätze zu globalen Bränden stammen vom Moderate Resolution Imaging Spectroradiometer (MODIS) an Bord der NASA-Satelliten Terra und Aqua und von der Visible Infrarot Imaging Radiometer Suite (VIIRS) im Joint Polar Satellite System (JPSS). Die globalen Active-Fire-Produkte MODIS und VIIRS sind mit einer Auflösung von 1 km bzw. 375 m erhältlich30,31. Diese Branddatensätze können verwendet werden, um Brandmanagement- und -minderungsbemühungen auf verschiedenen Ebenen anzugehen.

In dieser Studie haben wir spezifische Fragen im Zusammenhang mit den Merkmalen von Vegetationsbränden in der SA/SEA-Region während der COVID-19-Pandemie im Vergleich zu den letzten Jahren vor der Pandemie behandelt. COVID-19 wurde erstmals im Dezember 2019 in Wuhan, Provinz Hubei, China, gemeldet32. Seitdem wurden weltweit Fälle von COVID-19 gemeldet, die pandemische Ausmaße erreichten. Informationen zur Ausbreitung von COVID, Todesfällen, Auswirkungen auf die Wirtschaft, Sperrungen usw. in Süd-/Südostasien wurden in verschiedenen Zeitungen veröffentlicht32,33,34,35,36. Im COVID-2020-Jahr berichteten mehrere Studien aufgrund des geringeren Einsatzes fossiler Brennstoffe auch über geringere Verschmutzungswerte, darunter auch in Südafrika/SEA36,37,38,39. In der Anfangsphase des Ausbruchs wurde versucht, jede Infektion bis zu ihrem Ursprung zurückzuverfolgen. Allerdings wurde es bald unmöglich, den Ursprung von COVID-Fällen auf lokaler, regionaler und internationaler Ebene zurückzuverfolgen; Daher reagierten die meisten Länder mit der Verhängung von Lockdowns (siehe ergänzende Materialien zu Tabelle 1). Ziel dieser Sperrungen war es, die Pandemie zu verlangsamen, indem die Mobilität eingeschränkt wurde, damit sich die Krankheit nicht an neue Orte ausbreitet. Vor allem die Mobilität von Wanderarbeitern, Arbeitern und der Öffentlichkeit war stark eingeschränkt. Insbesondere kehrten in mehreren Ländern viele Wanderarbeiter aus Städten in ländliche Dörfer zurück, wo sie stärker auf natürliche Ressourcen vor Ort angewiesen waren35. Infolgedessen wurde in verschiedenen Städten eine deutliche Reduzierung der Emissionen fossiler Brennstoffe während der Pandemie gemeldet36,37,38; Es ist jedoch unklar, ob Vegetationsbrände und Emissionen aufgrund der Mobilitätseinschränkungen, auf die sich diese Studie konzentriert, gleichermaßen betroffen waren.

Konkret haben wir uns mit folgenden Fragen beschäftigt: a). Wie hat sich die Gesamtzahl der Brände während des COVID-2020-Jahres im Vergleich zum vorherigen Nicht-COVID-Jahr 2019 und den Jahren vor der Pandemie (2012–2019) in den SA/SEA-Ländern verändert? Wie haben sich die feuerbedingten Gesamtpartikelemissionen (TPM) während COVID-2020 und in den Vorjahren verändert? Wir haben diese Fragen anhand von Branddaten der Satelliten SNPP-VIIRS (2012–2020) und MODIS (2000–2020) in SA/SEA-Ländern beantwortet. Wir stellten die Hypothese auf, dass sich die Brandaktivität im COVID-Jahr 2020 im Vergleich zu den Jahren vor der Pandemie verändert hat, wahrscheinlich aufgrund von Veränderungen in der menschlichen Mobilität aufgrund von COVID-Sperren, und dass die Veränderungen in verschiedenen Ländern räumlich variieren. Diese Hypothese wurde für Brandvariationen und auf mehreren räumlichen Skalen vom Raster bis zum regionalen Mittelwert getestet. Die Ergebnisse verdeutlichen die Unterschiede bei Bränden und TPM-Emissionen während COVID-2020 im Vergleich zu den Vorjahren.

Um den Feuerschwankungen in verschiedenen Ländern während und vor der Pandemie entgegenzuwirken, verwendeten wir das 375 m lange aktive Feuerprodukt, das von den VIIRS-Instrumenten an Bord der Satelliten Suomi National Polar-orbiting Partnership (S-NPP) und NOAA-20 abgeleitet wurde. Im Gegensatz zu anderen Satelliten-Branderkennungsprodukten mit gröberer Auflösung wie MODIS (≥ 1 km) ermöglichen die verbesserten 375-m-Daten eine bessere Erkennung kleinerer Brände und eine verbesserte Kartierung großer Brandbereiche31. Das Brandprodukt VIIRS 375 m baut auf dem früheren Brandprodukt MODIS40,41,42 auf und verwendet einen multispektralen Kontextalgorithmus, um Subpixel-Brandaktivität und andere thermische Anomalien in den Eingabedaten der Ebene 1 (Streifen) zu identifizieren. Der Algorithmus nutzt alle fünf 375-m-VIIRS-Kanäle, um Brände zu erkennen und Land-, Wasser- und Wolkenpixel im Bild zu trennen31. In den VIIRS-Daten werden Wolkenpixel für die Tagesdaten mithilfe von Helligkeitstemperaturtests (BT) in Kanal 5 (< 265 K) oder Reflexionsgrad im I-Band-Kanal ρ1 + ρ2 > 0,9 und BT5 < 295 K oder ρ1 + ρ2 klassifiziert > 0,7 und BT5 < 285 K, wobei ρi der Reflexionsgrad im I-Band-Kanal I und BTi die Helligkeitstemperatur im I-Band-Kanal i ist. Für Nachtdaten werden Wolkenpixel basierend auf der Helligkeitstemperatur der Kanäle I4 und I5 als BT5 < 265 K und BT4 < 295 K klassifiziert. Mithilfe dieser Tests überspringt der Feueralgorithmus alle als wolkenbedeckt klassifizierten Tages- und Nachtpixel sowie deren Daten werden von der Berechnung der Hintergrundbedingungen für Feuerpixel ausgeschlossen. Dies ist eine typische Einschränkung aller optischen Fernerkundungsdaten, bei denen Wolken ein anhaltendes Problem darstellen können, das die Erfassung von Landoberflächen (oder Bränden) behindert. In Südostasien beispielsweise können Wolken oder dichter Dunst während der Biomasseverbrennungsmonate, also Juli bis Oktober eines jeden Jahres, zu erheblichen Schwankungen bei der Branderkennung durch Satelliten führen31. Um solche Variationen zu untersuchen, ist eine detailliertere Studie erforderlich. Nahezu Echtzeitdaten sind in verschiedenen Formaten verfügbar, darunter TXT, SHP, KML und WMS unter https://earthdata.nasa.gov/active-fire-data. Abbildung 1 zeigt die Daten zu Bränden im Kernkraftwerk Suomi/VIIRS am 2. März 2020. Ein Rückgang der FRP-Summe in einem bestimmten Jahr deutet auf einen geringeren Biomasseverbrauch und damit auf geringere Emissionen in die Atmosphäre hin. Darüber hinaus haben wir die FRP-Daten auch verwendet, um die Gesamtpartikelemissionen (TPM) im Jahr 2020 und in den Vorjahren abzuleiten. Wir haben auch die prozentualen Unterschiede zwischen dem TPM im Jahr 2020 im Vergleich zu 2019 und dem früheren Zeitraum (2012–2019) berechnet.

Suomi KKW/VIIRS-Brände und thermische Anomalien, dargestellt als rote Punkte (Tag und Nacht) am 2. März 2020. Das Hintergrundbild ist ein NOAA-20/VIIRS-korrigiertes Reflexionsvermögen mit Echtfarben (Rot = Band I1; Grün = Band M4 und Blau = Band M3). Das VIIRS-Instrument befindet sich an Bord des gemeinsamen NASA/NOAA-Satelliten NOAA-20 (JPSS-1). (Abbildung wurde mit dem OpenSource-freien NASA WorldView-System erstellt (https://worldview.earthdata.nasa.gov/).

Um die Variationen der verbrannten Fläche zu bewerten, haben wir das neueste MCD64A1-Produkt für verbrannte Flächen (Kollektion 6) verwendet, das verschiedene Länder und Zeiträume während und vor der Pandemie abdeckt. Das Produkt wird mithilfe einer verbesserten Version des MCD64-Algorithmus zur Kartierung verbrannter Flächen42 basierend auf dem Oberflächenreflexionsvermögen von Collection-6 und aktiven Feuereingabedaten generiert. Der MODIS-Algorithmus zur Kartierung verbrannter Gebiete nutzt spektrale Veränderungen, die sich aus der Veränderung der Vegetationsstruktur oder der Vegetationsentfernung sowie der Ablagerung von Holzkohle und Asche ergeben und je nach Standortbedingungen variieren können. Das Produkt der verbrannten Fläche integriert sowohl 500 m MODIS-Bilder als auch 1 km aktive MODIS-Brandbeobachtungen. Der Hybridalgorithmus wendet dynamische Schwellenwerte auf zusammengesetzte Bilder an, die aus einem brennempfindlichen Vegetationsindex (VI) generiert werden, der aus den MODIS-Kurzwellen-Infrarotkanälen 5 und 7 und einem zeitlichen Texturmaß43 abgeleitet wird. Als Teil des Prozesses werden kumulative aktive Feuerkarten verwendet, um die verbrannten und unverbrannten Bereiche zu filtern und spezifische A-priori-Wahrscheinlichkeiten zu bestimmen. Die kombinierte Nutzung von Aktivfeuer- und Reflexionsdaten ermöglicht es dem Algorithmus, sich regional an ein breites Spektrum von Vor- und Nachbrennbedingungen und über mehrere Ökosysteme hinweg anzupassen. Das Produkt enthält fünf Datenebenen (Brenndatum, Unsicherheit des Brenndatums, Qualitätssicherung, erster Tag und letzter Tag), die jeweils als separater wissenschaftlicher HDF4-Datensatz (SDS) gespeichert sind. In dieser Studie haben wir einen Qualitätsfilter verwendet, um sicherzustellen, dass nur Landpixel in BA (QA-Bit 0) und ausreichend gültige Daten in der Reflexionszeitreihe für die verarbeitete Gitterzelle (QA-Bit 1) enthalten waren. Weitere Einzelheiten zum Produkt finden Sie im Collection 6 MODIS Burned Area Product User's Guide (v.1.3, 2020), verfügbar unter https://modis-fire.umd.edu/files/MODIS_C6_BA_User_Guide_1.3.pdf.

Mithilfe der VIIRS-Feuerzahl-Datensätze (FC) haben wir die jährlichen Schwankungen berechnet, um abzuleiten, ob die Vegetationsbrände im COVID-2020-Jahr, das mit der Anfangsphase der Pandemie verbunden ist, abgenommen oder zugenommen haben. Wir haben die Branddaten in zwei verschiedenen Maßstäben ausgewertet, erstens mithilfe eines 30-Minuten-Rasters (0,5°) über SA/SEA und zweitens auf der Ebene einzelner Länder.

Für die räumliche Analyse haben wir zunächst die täglichen VIIRS-Branddaten bei 0,5° für einzelne Monate und Jahre (2012–2020) gerastert. Die monatlichen Branddaten (M) wurden wie folgt angegeben:

Dabei stellt k die 0,5°-Rasterzellen dar, i den Monat und \({N}_{k, d }\) den Datenwert der Brandzählungen für jeden Tag d und für jeden Kalendermonat i.

Die jährlichen FC-Daten \({Y}_{k, l}\) für jede Gitterzelle k und jedes Jahr l werden wie folgt angegeben:

Für jede 0,5°-Gitterzelle (k) haben wir die relative Änderung (%) \({Y}_{c}\) der Brandzahlen während des COVID-2020-Jahres im Vergleich zum Nicht-COVID-Jahr 2019 wie folgt berechnet:

Wir haben auch die Brandzahlen des COVID-2020-Jahres mit den mittleren Brandzahlen der Vorjahre (2012–2019) in zwei verschiedenen Schritten verglichen:

(ich). Der mittlere jährliche FC, der zwischen 2012 und 2019 gemittelt wurde und als Avg für jede Gitterzelle k und jedes Jahr l bezeichnet wird, wird wie folgt berechnet:

Dabei steht T für die Gesamtzahl der Jahre von 2012 bis 2019.

(ii). Die prozentuale Änderung \({P}\) für jede Gitterzelle k und jedes Jahr l in FC zwischen dem Jahr 2020 und dem Durchschnitt in früheren Jahren (2012–2019) wird wie folgt angegeben:

Im Abschnitt „Ergebnisse“ berichten wir über die zwischenjährlichen Schwankungen der FC sowohl für gerasterte als auch für länderspezifische Daten.

Zusätzlich zur oben beschriebenen prozentualen Veränderung der Brandzahlen haben wir die Z-Score-Statistik auch verwendet, um die für das Pandemiejahr 2020 spezifischen Variationen der Brandzahlen im Vergleich zum gesamten Brandstudienzeitraum (2012–2020) abzuleiten. Der Z-Score gibt an, wie viele Standardabweichungen ein Wert vom Mittelwert entfernt ist, und wird wie folgt berechnet:

Dabei sind X die Brände im Pandemiejahr 2020, μ die mittlere Brandzahl von 2012 bis 2020 und σ die Standardabweichung in den Branddatensätzen. Z-Scores können positiv oder negativ sein, wobei ein positiver Wert einen Score über dem Mittelwert und ein negativer Score einen Wert unter dem Mittelwert angibt. Wenn also ein Z-Score 0 ist, ist der Score des Datenpunkts identisch mit dem Durchschnittsscore. Ein Z-Score von 1,0 zeigt einen Wert an, der eine Standardabweichung vom Mittelwert beträgt, und − 1 bedeutet, dass er unter dem Mittelwert liegt usw. Eine Abweichung vom Mittelwert um mehr als zwei Standardabweichungen wird normalerweise als signifikanter Unterschied angesehen. Die Ergebnisse werden für die einzelnen Länder und im 30-Minuten-Raster angezeigt.

Wir haben die vom VIIRS abgeleitete Feuerstrahlungsleistung (FRP) verwendet, um TPM-Variationen im Jahr 2020 und in den Vorjahren abzuleiten. Der FRP ist die pro Zeiteinheit freigesetzte Feuerenergierate und wird in Megawatt gemessen44,45. Das satellitengestützte FRP wurde von44 abgeleitet als:

Dabei ist L4 die 4-μm-Strahlung des Feuerpixels, \({\underline{L}}_{4}\) die 4-μm-Hintergrundstrahlung, Apix die Fläche des Pixels (die als Funktion des Scans variiert). Winkel), σ ist die Stefan-Boltzmann-Konstante (5,6704 × 10−8 W m−2 K−4), \({\tau }_{4 }\) ist die atmosphärische Durchlässigkeit des 4 μm-Kanals und a ist eine sensorspezifische empirische Konstante.

Die FRP-Messungen wurden zuvor mit der Menge verbrannter Biomasse45,46, der Stärke von Bränden46 und Aerosolemissionen47,48,49,50,51 in Verbindung gebracht. FRP über Raum und Zeit integriert ergibt Feuerstrahlungsenergie (FRE) mit Einheiten in Megajoule. Im Allgemeinen werden die Emissionen aus der Verbrennung von Biomasse anhand der FRE nach geschätzt56,57,58,

In der obigen Gleichung stellt E die Emissionen dar, DM ist die verbrannte Trockenbrennstoffmasse (kg), F ist der Anteil der verbrauchten Biomasse, der als Emissionen freigesetzt wird, FRE ist die Feuerstrahlungsenergie (MJ), t1 und t2 sind der Anfang und Endzeitpunkt der Brandereignisse (Sekunden), \(\beta\) ist die Verbrennungsrate der Biomasse (kg/MJ).

Die Verbrennungsrate der Biomasse von 0,368–0,015 (kg/MJ) wurde von45 auf der Grundlage von Feld- und kontrollierten Experimenten unabhängig von den Landoberflächenbedingungen abgeleitet, und mehrere Forscher haben diese Koeffizienten zur Berechnung der satellitengestützten feuerbedingten Emissionen52,53,54 verwendet . Außerdem entwickelten 44,55 die FRE-basierten Emissionskoeffizienten zur Quantifizierung der Gas- und Aerosolemissionen aus der Biomasseverbrennung. In späteren Entwicklungen wurde der Zwischenschritt der Quantifizierung der Verbrennungsrate der Trockenmasse (kg s−1) umgangen, indem Rauchemissionskoeffizientenraten (Ce) abgeleitet wurden, die die Beziehung zwischen dem FRE (MJ) und der TPM-Masse (in kg oder g) beschreiben ) es emittiert, oder zwischen den Raten dieser beiden (d. h. der FRP in MW und der TPM-Emissionsrate in gs−1) und Ce hat die Einheiten g.MJ−1 bzw. gs−1.MW−1, abgeleitet von a Reihe von Matchup-Feuern, für die gute Beobachtungen beider Variablen vorliegen56. So wurde beispielsweise56 die Rate der Aerosolemissionen (Rsa in kg/s) mit FRP in Beziehung gesetzt als:

Dabei ist Ce der Koeffizient, der die Strahlungsleistung des Feuers direkt mit seiner Rauch-Aerosol-Emissionsrate (Emissionskoeffizienten in kg/MJ für Partikel) und der Masse der Rauch-Aerosol-Emission (Msa) in Beziehung setzt, wie folgt:

Unter Verwendung des oben genannten Ansatzes57 wurde ein globales Emissionsinventarprodukt mit dem Titel Fire Energetics and Emissions Research (FEER) v1 entwickelt, das auf Beobachtungen der optischen Aerosoldicke (AOT) von Satelliten-FRP und MODIS Dark Target (DT) basiert. Abgeleitete TPM-Emissionsraten sind mit dem beobachteten FRP verknüpft. Die geschätzten TPM-Emissionskoeffizienten ermöglichen eine direkte Umrechnung von zeitintegriertem FRP in emittierte Partikel ohne Rückgriff auf die Emissionsfaktoren. Eine Verbesserung des oben genannten Ansatzes wurde von 58 erzielt, der ein MODIS Deep Blue (DB) AOT-Produkt zur Entwicklung biomabhängiger Feuerstrahlungsenergieemissionen (FREMv1) verwendete, da das DB-Produkt eine bessere Übereinstimmung mit AERONET AOT-Beobachtungen im gesamten südlichen Afrika zeigte als das DT Produkt. Sowohl die DB- als auch die DT-AOT-Produkte, die in FEER und FREMv1 verwendet werden, haben eine Auflösung von 10 km. Kürzlich59 wurde der Multiangle Implementation of Atmospheric Correction (MAIAC)-Algorithmus verwendet, 1 km AOT aus der Verfeinerung des FREMv.1 abgeleitet und das FREMv.2-Produkt für den afrikanischen Kontinent entwickelt, das verschiedene Biome mit verbesserten Rauchemissionskoeffizienten (Ce in g MJ−) abdeckt 1). Die geschätzten TPM-Emissionskoeffizienten sowohl des FEERv1- als auch des FREMv2-Ansatzes ermöglichen eine direkte Umrechnung von FRP in emittierte Partikel, ohne dass die Emissionsfaktoren herangezogen werden müssen. In dieser Studie bevorzugten wir FEER-Koeffizienten, da es sich bei dem Produkt um FRP-AOT-Matchup-Fälle aus Asien handelte57.

Die Variationen der von VIIRS abgeleiteten Brandzahlen (FC) für verschiedene SA/SEA-Länder sind in Abb. 2a,b dargestellt. Die jährlichen Branderkennungen von MODIS und VIIRS für verschiedene Jahre in SA/SEA-Ländern sind in Tabelle 1a,b aufgeführt. Im Durchschnitt konnte VIIRS 5,28-mal mehr Brände in Südasien und 5,12-mal mehr Brände in südostasiatischen Ländern erkennen. In Südasien hatte Indien die höchste FC (µ = 555.651; SD = 71.222,0), gefolgt von Pakistan (µ = 55.670,3; SD = 6031,7), Nepal, Bangladesch, Sri Lanka, Bhutan und den niedrigsten in Afghanistan (µ = 1063; SD = 433,9). Unter den südostasiatischen Ländern hatte Myanmar die höchste FC (µ = 347.930; SD = 54.111,2), gefolgt von Indonesien (µ = 316.753; SD = 254.271), Thailand, Kambodscha, Laos, Vietnam, den Philippinen, Malaysia und Timor-Leste und am wenigsten in Brunei (µ = 209; SD = 110,5). Auf Länderebene in Südafrika war der Variationskoeffizient (CV) in FC (2012–2020) für Nepal (CV = 0,59), Bhutan (0,54), Sri Lanka (0,32), Bangladesch (0,27) und Afghanistan relativ hoch. 0,20), Indien (0,12) und am wenigsten für Pakistan (0,11). In SEA wurde der höchste CV für Osttimor (141,9) gefunden, gefolgt von den Philippinen (114,17), Brunei (109,0), Singapur (108,31), Kambodscha (103,50), Malaysia (94,29), Myanmar (87,51) und Indonesien ( 86,21), Laos (80,37), Thailand (4846) und am wenigsten für Vietnam (25,33).

(a), (b) VIIRS (375 m) ermittelte Brandzahlen (FC) für süd- und südostasiatische Länder.

Die aus dem Produkt MODIS MCD64A1 (500 m) abgeleitete jährliche Variabilität der verbrannten Flächen (BAs in km²) für verschiedene südostasiatische/südöstliche asiatische Länder im Zeitraum 2000–2020 ist in Abb. 3a, b dargestellt. In Südasien hatte Indien den höchsten BA (µ = 37.226; SD = 14.470,1), gefolgt von Pakistan (µ = 1733; SD = 811,5), Nepal, Bangladesch, Sri Lanka, Afghanistan und den niedrigsten in Bhutan (µ = 63; SD = 55,9). Bei den SEA-Ländern hatte Myanmar den höchsten BA (µ = 31.204; SD = 13.033,4), gefolgt von Kambodscha (µ = 24.348; SD = 7010,3), Thailand, Indonesien, Vietnam, Laos, den Philippinen, Malaysia, Timor-Leste, und am wenigsten in Brunei (µ = 1,70; SD = 2,0).

(a), (b). Verbrannte Flächen (in km²) für verschiedene Länder in Südasien (10a) und Südostasien (10b).

Zusätzlich zur Gesamt-BA für einzelne Länder wird auch die interjährliche Variabilität der BA in verschiedenen Landbedeckungsklassen von 2000 bis 2020 für verschiedene Länder in Südasien und Südostasien angezeigt (Ergänzungsmaterialien Abb. 1a, b, c, d, e,f,g und 2a,b,c,d,e,f,g,h,i,j). Ein genauerer Blick auf die BA in südasiatischen Ländern zeigt einen relativ höheren Anteil an Ackerland in Indien (68,8 %), Pakistan (96 %) und Sri Lanka (88 %) im Vergleich zu Waldbränden in Bhutan (82 %) und Nepal ( 84 %). Außerdem ist im Zeitraum 2000–2020 in Indien und Pakistan im Vergleich zu Sri Lanka ein offensichtlicher Anstieg von Ackerlandbränden zu beobachten. In den SEA-Ländern gab es in Myanmar (62,7 %) und Kambodscha (73,4 %) die am meisten verbrannten Waldgebiete, während die übrigen Länder, also Laos, Indonesien, Thailand, Vietnam, Malaysia usw., die am meisten verbrannten Gebiete hatten in Ackerland.

Die Ergebnisse der jährlichen Veränderungen der FC für COVID-2020 im Vergleich zu 2019 für SA/SEA-Länder sind in Tabelle 2a,b dargestellt. Mit Ausnahme von Afghanistan, Sri Lanka und Bangladesch, die während der COVID-2020 einen FC-Anstieg von 152 %, 4,85 % bzw. 0,81 % im Vergleich zu 2019 verzeichneten, verzeichneten alle anderen Länder einen Rückgang der FC, wobei Nepal den stärksten Rückgang verzeichnete (− 73 %), Bhutan (− 20 %), Indien (− 11,48 %), Pakistan (− 3,38 %) (Tabelle 2a). Unter den südostasiatischen Ländern verzeichneten Kambodscha (11,1 %), Myanmar (8,5 %) und Laos (2,78 %) während COVID-2020 im Vergleich zu 2019 einen Anstieg der Brände. Im Gegensatz dazu war in Indonesien ein Rückgang zu verzeichnen (− 79 %). ), Malaysia (− 53 %), Timor-Leste (− 43 %) usw. (Tabelle 2b). Räumliche Schwankungen in der prozentualen FC-Zunahme oder -Abnahme im Jahr 2020 im Vergleich zu 2019 für die 0,5°-Rasterdaten sind in Abb. 4 dargestellt. Die Ergebnisse deuten darauf hin, dass die Brände in Afghanistan, Pakistan und den nördlichen Himalaya-Gebirgszügen, die sich bis nach Nepal erstrecken, den höchsten prozentualen Anstieg bei einem relativ geringeren Anstieg aufweisen Zunahme der östlichen Ghats Indiens in Südasien. Während in Südostasien, Nordost-Myanmar, Süd-Laos, Südost-Vietnam, Aceh, Nordwest-Sumatra, Nord-Kalimantan und Papua-Neuguinea in Indonesien während der COVID-2020 im Vergleich zu 2019 relativ viele Brände auftraten.

Prozentuale FC-Änderung im Jahr 2020 gegenüber 2019 für Süd-/Südostasien. Für die regionale Skalenanalyse wurden die Brandzählungen im VIIRS I-Band (375 m) in 30-Minuten-Intervallen (0,5 × 0,5-Grad-Zellen) räumlich gerastert. Ein deutlicher prozentualer Anstieg der Brände ist in der nördlichen Himalaya-Region, Südvietnam, Westindonesien einschließlich Nord-Kalimantan und Papau-Neuguinea zu beobachten (Karte erstellt mit QGIS Version 3.22).

Der prozentuale Anstieg oder Rückgang der FC für das COVID-2020-Jahr im Vergleich zu den Jahren vor der Pandemie (2012–2019) für SA/SEA-Länder ist in Tabelle 3a,b dargestellt. Die Ergebnisse deuten darauf hin, dass mit Ausnahme von Afghanistan und Bangladesch, die während COVID-2020 im Vergleich zu den Vorjahren (2012–2019) einen Anstieg der FC um 102,5 % bzw. 8,05 % verzeichneten, die übrigen Länder einen Rückgang der FC verzeichneten, wobei der Rückgang am stärksten war in Nepal (− 70 %), Bhutan (− 57 %) usw. Im Fall der SEA-Länder wurde für Laos (30,2) ein Anstieg der FC im Jahr 2020 im Vergleich zum mittleren FC in den Vorjahren (2012–2019) festgestellt %), Thailand (21,1 %), Myanmar (18,72 %), Philippinen (13,03 %) und Kambodscha (7,14), während die meisten Rückgänge bei FC in Indonesien (− 74 %), Malaysia (− 54,1 %) usw. zu verzeichnen waren Räumliche Unterschiede in der prozentualen FC-Zunahme oder -Abnahme im Jahr 2020 im Vergleich zu den Vorjahren (2012–2019) für die 0,5°-Rasterdaten sind in Abb. 5 dargestellt. Eine Zunahme der Brände ist in Zentral- und Nordwestafghanistan sowie in Zentral- und Westpakistan zu beobachten , West- und Zentralindien, das sich nach Süden erstreckt, nördliches Westbengalen und südliches Sri Lanka in Südasien. In Südostasien, Westkambodscha und Süd-Myanmar, Süd-Laos, Nordvietnam, den nördlichen und südlichen Philippinen, Nord-Kalimantan und Papua-Neuguinea in Indonesien gab es im Jahr 2020 relativ mehr Brände als in den Vorjahren (2012–2020). Insgesamt betrug der durchschnittliche Rückgang der Brandzahlen in Südasien während COVID-2020 im Vergleich zu 2019 − 13,23 %, während 2019 im Vergleich zu früheren Jahren (2012–2018) nur − 6 % betrug. Auch in den südostasiatischen Ländern betrug der durchschnittliche Rückgang der Brandzahlen im Jahr 2020 im Vergleich zu 2019 − 25,0 %, während 2019 im Vergleich zu früheren Jahren (2012–2018) nur − 16 % betrug. Das neue Wissen über das Auftreten von Bränden in verschiedenen Regionen (2012–2020) kann den lokalen Behörden dabei helfen, ihre Abhilfemaßnahmen zu intensivieren und zukünftige Strategien für eine effektivere Brandbekämpfung zu entwerfen. Beispielsweise zielen die Entscheidungsanforderungen im Vorfeld der Brandbekämpfung auf die Zuweisung von Ressourcen wie Feuerlöschmitteln, Personal und Ausrüstung ab. In einem solchen Kontext können die in dieser Studie identifizierten Brandschwerpunkte bei der Brandbewältigung und -kontrolle hilfreich sein.

Prozentuale FC-Änderung im Jahr 2020 im Vergleich zu den Vorjahren (2012–2020) für Süd-/Südostasien. Für die regionale Skalenanalyse wurden die Brandzählungen im VIIRS I-Band (375 m) in 30-Minuten-Intervallen (0,5 × 0,5-Grad-Zellen) räumlich gerastert. Ein deutlicher prozentualer Anstieg der Brände ist in Afghanistan, Westpakistan, der nördlichen Himalaya-Region, Zentralindien bis nach Süden, Südlaos, Westkambodscha, den Philippinen, Nordkalimantan und Papau-Neuguinea, Indonesien zu beobachten (Karte erstellt mit QGIS Version 3.22). ).

Die Ergebnisse der Z-Score-Analyse deuten auf erhebliche Unterschiede auf Länderebene und räumlicher Ebene (30-Minuten-Rasterzellen) hin (Abb. 6). Die Originaldaten der FC für 2020 sind ebenfalls in Abb. 7 dargestellt. Beispielsweise deutete die langfristige Datenanalyse (2012–2020) in Südafrika auf einen Rückgang der FC für das Pandemiejahr 2020 für Bhutan hin (Z = − 1,02). Indien (− 1,04), Nepal (− 1,06), Pakistan (− 0,58), Sri Lanka (− 0,24) und Anstieg für Afghanistan (+ 2,30) und Bangladesch (0,30). In Südostasien verzeichneten Osttimor (− 0,50), Indonesien (− 0,89), Malaysia (− 1,07), Singapur (− 1,2) und Vietnam (− 0,40) einen Rückgang der Brände, und Kambodscha (Z = 0,44), Laos ( 1,37), Myanmar (1,07), Thailand (0,77) und die Philippinen (0,07) verzeichneten einen Anstieg der Brände. Im Vergleich zur Länderebene zeigten mehrere Gebiete in S/SEA im Pandemiejahr 2020 einen Rückgang der Brände im Vergleich zum langfristigen Rekord vor der Pandemie 2012–2020, wobei Z-Werte größer oder kleiner als zwei statistische Signifikanz anzeigen. Räumlich ist der Rückgang der Brände mit Z-Score in den östlichen und westlichen Teilen Indiens, Nordostindien, Nord-Myanmar, Süd-Laos, Nord-Kambodscha und den meisten Teilen Indonesiens zu beobachten. Andererseits ist der Anstieg der FC in Zentral- und Südindien, Süd-Myanmar, Nordthailand und Süd-Kambodscha zu beobachten.

Z-Score-Karte der Brandzahlen (FC) für das Pandemiejahr 2020, abgeleitet aus VIIRS-Branddaten von 2012–2020. Die negativen Werte zeigen Orte an, an denen die FC reduziert war, und positive Werte weisen auf eine erhöhte FC hin (Karte erstellt mit QGIS Version 3.22).

Brandzahlen (FC) für das Pandemiejahr 2020, abgeleitet aus VIIRS-Branddaten (Karte erstellt mit QGIS Version 3.22).

Um herauszufinden, ob Klimaparameter die Brände beeinflussen, haben wir auch die Beziehungen zwischen den Branddaten und der mittleren monatlichen Temperatur (°C) und dem Niederschlag (mm) für Länder Süd-/Südostasiens im Zeitraum 2012–2020 analysiert. Abb. 8a,b,c,d,e,f,g, 9a,b,c,d,e,f,g und 10a,b,c,d,e,f,g,h,i,j, 11a, b,c,d,e,f,g,h,i,j bzw. In den meisten süd-/südostasiatischen Ländern waren die Korrelationen zwischen Brandtemperatur und Brandniederschlag schlecht. Beispielsweise wies nur Afghanistan in Südasien einen relativ höheren positiven Bestimmtheitskoeffizienten (R2 = 0,121) auf, während die anderen Länder schlechte Korrelationen aufwiesen. Obwohl die Feuer-Niederschlags-Diagramme in südasiatischen Ländern eine negative Steigung aufwiesen, waren die Korrelationen schlecht. Auch in den südostasiatischen Ländern waren die Korrelationen zwischen Feuer und Temperatur schlecht. Relativ gesehen zeigten die Feuer-Niederschlags-Beziehungen höhere negative Korrelationen als die Temperatur. Beispielsweise betrug der Bestimmungskoeffizient des Feuerniederschlags (R2) in Indonesien 0,22, Thailand (0,19), Vietnam (0,18), Myanmar (0,14), Malaysia (0,11) und Kambodscha (0,10). Für die übrigen Länder waren die Korrelationen schlecht. Darüber hinaus haben wir auch die Temperaturschwankungen (in °C) während der Monate mit der höchsten Biomasseverbrennung analysiert, um Anomalien auf Länderebene für 2019 und 2020 abzuleiten. Temperaturdaten für verschiedene Länder finden Sie in den ergänzenden Materialien. In den südasiatischen Ländern verzeichnete Afghanistan im Jahr 2020 einen deutlichen Anstieg der Brände mit einem entsprechenden Temperaturanstieg (~ 0,55 °C im Jahr 2020), während in den übrigen Ländern ein Rückgang der Brände mit einem entsprechenden Temperaturrückgang (< 1,0 °C) zu verzeichnen war C im Jahr 2020). In südostasiatischen Ländern, mit Ausnahme von Kambodscha und den Philippinen, wo es zwischen 2019 und 2020 bei steigenden Temperaturen (0,29 bzw. 0,41 °C) zu vermehrten Bränden kam, zeigte sich in den übrigen anderen Ländern kein solcher Zusammenhang. Allerdings waren die langfristigen (2012–2020) Brand-Niederschlags-Korrelationen in diesen Ländern nicht stark. Auch in Laos, Myanmar und Thailand kam es zu einem Anstieg der Brände, aber zu einem Temperaturrückgang.

(a)–(g) Beziehungen zwischen Feuerzahlen (FC) und Temperatur (Tmp) in südasiatischen Ländern. Die meisten Korrelationen waren schlecht.

(a)–(g) Beziehungen zwischen Feuerzählungen (FC) und Niederschlag (Ppt) in südasiatischen Ländern. Die meisten Korrelationen waren schlecht.

(a)–(j) Beziehungen zwischen Feuerzahlen (FC) und Temperatur (Tmp) in südostasiatischen Ländern. Die meisten Korrelationen waren schlecht.

(a)–(j) Beziehungen zwischen Feuerzählungen (FC) und Niederschlag (Ppt) in südostasiatischen Ländern. Die meisten Korrelationen waren schlecht, jedoch zeigte FC im Vergleich zum Niederschlag einen höheren Bestimmtheitskoeffizienten als zur Temperatur.

Die Ergebnisse zu den TPM-Emissionen (in Tg) für verschiedene südafrikanische Länder sind für 2012–2019, 2019 und 2020 in Abb. 12a, b, c dargestellt. Die Ergebnisse deuten auf einen Mittelwert von ~ 2,31 Tg TPM für 2012–2019 aus den südasiatischen Ländern hin. Von den 2,31 Tg entfallen etwa 86 % auf Indien, gefolgt von Pakistan (6,64 %), Bangladesch (3,1 %), Nepal (2,6 %), Sri Lanka (1,2 %) und Afghanistan (0,18 %). Für 2019 beträgt der gesamte TPM-Ausstoß aus südasiatischen Ländern etwa 2,19 Tg, also 0,11 Tg weniger als die durchschnittlichen TPM-Emissionen der Vorjahre. Darüber hinaus betrug der Gesamt-TPM im Jahr 2020 etwa 2,05 Tg, also 0,261 weniger als in den Vorjahren und 0,14 Tg weniger als 2019. Insgesamt verzeichnete Nepal im Vergleich zu den TPM-Emissionen im Zeitraum 2012–2019, was den prozentualen Rückgang im Jahr 2020 angeht, den höchsten Wert Rückgang (− 67,2 %), gefolgt von Bhutan (− 54,6 %), Pakistan (− 13,7 %), während Afghanistan und Bangladesch im Jahr 2020 einen Anstieg des TPM um 127 % bzw. 31 % verzeichneten.

(a)–(c) Gesamtpartikelemissionen (TPM) (Tg) aus südasiatischen Ländern. (A). Mittlerer TPM (Tg) im Zeitraum 2012–2019; (B). 2019 – Nicht-COVID-Jahr; (C). 2020-COVID-Jahr. Während COVID-2020 wurde in den meisten Ländern mit Ausnahme von Afghanistan und Bangladesch ein Rückgang der TPM-Emissionen beobachtet. Das Jahr 2020-COVID verzeichnete eine Gesamtreduzierung der TPM-Emissionen um ~ 0,26 Tg im Vergleich zu früheren Nicht-COVID-Jahren und 0,14 Tg weniger als im Nicht-COVID-Jahr 2019.

Ergebnisse zu den TPM-Emissionen für verschiedene SEA-Länder sind für 2012–2019, 2019 und 2020 in Abb. 13,a,b,c dargestellt. Die Ergebnisse zeigen einen Mittelwert von ~ 6,83 Tg TPM für 2012–2019 aus den südostasiatischen Ländern. Von den insgesamt 6,83 Tg entfallen etwa 26 % auf Myanmar, gefolgt von Indonesien (23,4 %), Laos (22,4 %), Kambodscha (10,61 %), Thailand (8,59 %), Vietnam (5,34 %) und den Philippinen (1,81 %). , Malaysia (1,27 %), Timor-Leste (0,23 %) und Brunei (0,01 %). Für 2019 beträgt der gesamte TPM-Ausstoß aus südostasiatischen Ländern etwa 7,47 Tg, also 0,64 Tg mehr als die mittleren TPM-Emissionen der Vorjahre. Darüber hinaus betrug der Gesamt-TPM im Jahr 2020 etwa 5,716 Tg, d. − 78,59 %), gefolgt von Malaysia (− 64,0 %), Timor-Leste (− 24,9 %) usw., während die Philippinen einen Anstieg der TPM-Emissionen um 13,9 % verzeichneten, gefolgt von Myanmar (6,70 %), Laos (11,0 %). , Kambodscha (3,60 %). Darüber hinaus deutete ein Vergleich der TPM-Emissionen darauf hin, dass die Emissionen südostasiatischer Länder (5,71 Tg) im Jahr 2020 relativ höher waren als die südasiatischen Länder (2,05 Tg).

(a)–(c) Gesamtpartikelemissionen (TPM) (Tg) aus südostasiatischen Ländern. (A). Mittlerer TPM (Tg) im Zeitraum 2012–2019; (B). 2019 – Nicht-COVID-Jahr; (C). 2020-COVID-Jahr. Während COVID-2020 wurde in den meisten Ländern mit Ausnahme von Myanmar, Laos, Kambodscha und den Philippinen ein Rückgang der TPM-Emissionen beobachtet. Das Jahr 2020-COVID verzeichnete eine Gesamtreduzierung der TPM-Emissionen um ~ 1,11 Tg im Vergleich zu früheren Nicht-COVID-Jahren und 1,75 Tg weniger als im Nicht-COVID-Jahr 2019.

Die meisten Brände in Südafrika/Südosteuropa werden auf anthropogene Faktoren zurückgeführt10,11,12. Die schlechten Korrelationen zwischen den Bränden und den Klimavariablen bestätigen diese Zusammenhänge. Aufgrund der COVID-Pandemie haben mehrere Länder strenge Maßnahmen für den Personenverkehr von einer Region in eine andere eingeführt; Daher besteht eine gute Chance, dass der Druck auf die natürlichen Ökosysteme geringer geworden ist60,61. Aufgrund des relativ kurzen Zeitraums sind solche Auswirkungen jedoch in der Literatur nicht eindeutig dokumentiert. Nur eine Studie, die den Autoren bekannt ist, verglich die Branddaten während COVID-2020 mit früheren Jahren in der SA/SEA-Region. Die Studie in Nepal ergab, dass es während der Pandemie zu einem Rückgang der Waldbrandvorfälle um 4,54 % und zu einem Rückgang des FRP im Zusammenhang mit diesen Ereignissen um 11,36 % kam. Dies zeigt, dass Bezirke mit kleineren Flächen gemeinschaftlich bewirtschafteter Wälder pro Kopf einen Rückgang von 8,11 % verzeichneten an der Zahl der Waldbrandvorfälle60. Unsere Ergebnisse deuten darauf hin, dass die meisten Länder in SA/SEA im Jahr 2020 im Vergleich zu 2019 weniger Brände hatten. Eine gründlichere Analyse, in der die relativ langfristigen Branddatensätze (2012–2019) und die interjährliche Variabilität verglichen wurden, deutete jedoch darauf hin, dass die Brände im Jahr 2020 zurückgegangen sind Das Jahr 2020 war für die meisten Länder statistisch nicht signifikant. Wir haben auch analysiert, ob Temperaturschwankungen die FC in verschiedenen Ländern beeinflussen. Wir haben festgestellt, dass Temperaturschwankungen in südasiatischen Ländern relativ stärker mit einem Anstieg (Afghanistan) oder Rückgang (in anderen Ländern) in Südafrika verbunden sind als in südostasiatischen Ländern. Es ist wichtig zu beachten, dass wir andere wichtige Treiber wie die El Nino Southern Oscillation (ENSO) in SEA nicht analysiert haben, was eine Einschränkung darstellt. Speziell für ENSO in der Region und in Indonesien wurde gezeigt, dass es sich um einen dürreauslösenden Stoff handelt, der in Kombination mit menschlichen Treibern Brände räumlich und zeitlich beeinflusst62,63,64. Die Analyse von ENSO in Bezug auf Brände erfordert eine getrennte Trennung von Land- und Meeresgebieten für ENSO-Auswirkungen, einschließlich verzögerter Korrelationen. In unserer Studie haben wir die Daten für verschiedene Jahre aggregiert und die Korrelationen mit den landesweiten Temperatur- und Niederschlagsdaten analysiert. Im Gegensatz dazu sind Schwankungen der Meeresoberflächentemperatur der häufigste Indikator für ENSO. Darüber hinaus erfordert die Trennung von Klimadaten und vom Menschen verursachten Bränden eine räumliche Landnutzung pro Gitterzelle. Obwohl die Analyse der Daten für einzelne Jahre und alle diese Treiber den Rahmen der Studie sprengen würde, sind wir uns der Bedeutung solcher Treiber bewusst. Da die meisten Brände in Asien anthropogener Natur sind, ist der vorübergehende Rückgang der Brände, den wir im Jahr 2020 im Vergleich zu 2019 beobachtet haben, möglicherweise auf COVID-bedingte Reisebeschränkungen zurückzuführen. Insbesondere könnten strenge Beschränkungen für Privatreisen Auswirkungen auf ländliche Gebiete in Bezug auf Verbraucher- und Unternehmensdienstleistungen und Besucher in ländlichen Gebieten gehabt haben, was Auswirkungen auf natürliche Ökosysteme hätte34,35,61. Es ist anzumerken, dass die meisten der in Südafrika und Südostasien beobachteten Brände mit dem Agrarsektor in Zusammenhang stehen, was hauptsächlich auf die Beseitigung landwirtschaftlicher Rückstände nach der Ernte zurückzuführen ist10. Aufgrund von COVID-Einschränkungen (siehe Tabelle 1, ergänzende Materialien) war der Agrarsektor betroffen, insbesondere aufgrund des Arbeitskräftemangels für landwirtschaftliche Arbeiten, einschließlich Pflanzung, Ernte, Transport, Vermarktung und Verarbeitung65,66. Beispielsweise wurde in einer kürzlich durchgeführten Studie hervorgehoben, dass in Indien etwa 44 % des Einkommens in ländlichen Gemeinden aus Lohnarbeit stammen, verglichen mit nur 23 % aus dem Pflanzenanbau und der Viehhaltung, und dass der Großteil der Arbeitskräfte von Wanderarbeitern aus Städten stammt35,67. Aufgrund des COVID-Lockdowns könnte der Arbeitskräftemangel zu einer Verringerung der Praktiken zur Entsorgung von Ernterückständen nach der Ernte geführt haben, einschließlich Bränden von Ernterückständen in bestimmten Regionen des Landes. Außerdem könnten sich der Waldtourismus und Besucherattraktionen in Naturgebieten aufgrund der COVID-19-Reisebeschränkungen in mehreren Ländern verlangsamt haben, was zu einer Verringerung der Unfallbrände geführt haben könnte. Um diese Schlussfolgerungen zu bestätigen, sind gründlichere soziale Umfragen erforderlich. Leider waren die sozioökonomischen und politischen Daten, insbesondere die zeitlichen Daten, die mit den Bränden zusammenfielen, nicht verfügbar, um diese Schlussfolgerungen zu bestätigen.

Die Verwendung von 375-m-VIIRS-Branddaten, einschließlich der zugehörigen FRP-Informationen zur Charakterisierung der Brandeigenschaften in der aktuellen Studie, ist aufgrund der überlegenen Fähigkeiten der VIIRS-Daten bei der Branderkennung im Vergleich zu den MODIS-Datensätzen angemessen. Einzelheiten zur theoretischen Leistung des Branderkennungsalgorithmus VIIRS 375-m finden Sie in31. Die theoretische minimale Nachweisgrenze des VIIRS-Algorithmus für Nachtbrände entspricht ~ 5 m2 und ~ 1000 K, was aus homogenen Hintergrundbedingungen resultiert, die aus den experimentellen Bränden abgeleitet wurden. Außerdem31 stellte fest, dass der Tag- und Nachtkontrast im Hintergrund bei der Charakterisierung der tageszeitlichen Schwankungen des Feuers hilft. Speziell für Asien in Borneo lag die Fehlalarmrate bei fast 0 %, und die Feuerpixel mit geringer Zuverlässigkeit am Tag machen etwa 11 % aller weltweit erzeugten Tageserkennungen aus. Eine aktuelle Studie68 zu FRP-Variationen, die MODIS und VIIRS vergleicht, legt nahe, dass MODIS zwar Brände mit einem FRP von ~ 4,3 MW (pro Pixel) am Nadir und > 31,7 MW am Scanrand erkennen kann, VIIRS jedoch Brände mit einem FRP von ~ 1,3 MW (pro Pixel) erkennen kann Pixel) bzw. > 2,9 MW, und das VIIRS I-Band (375 m) kann Brände erkennen, die etwa drei- bis elfmal weniger intensiv sind. Diese einzigartigen Eigenschaften des VIIRS-Brandprodukts tragen zur Charakterisierung der in Süd-/Südostasien am häufigsten vorkommenden Ackerlandbrände bei, die einen relativ niedrigeren FRP als Waldbrände aufweisen.

Mithilfe des VIIRS FRP haben wir die TPM-Emissionen quantifiziert und einen allgemeinen Rückgang der Emissionen in mehreren SA/SEA-Ländern im COVID-Jahr 2020 beobachtet. In dieser Studie haben wir anstelle des herkömmlichen Ansatzes zur Quantifizierung feuerbedingter Emissionen anhand bodengestützter Biomassedaten, satellitengestützter verbrannter Flächen und Emissionsfaktoren den FRP-basierten Ansatz bevorzugt, da dieser direkter ist und bodengestützte Informationen nicht erforderlich. Insbesondere während dieser COVID-Pandemie war es nicht möglich, solche bodengestützten Daten zu erhalten. Daher sind die TPM-Emissionskoeffizienten, die auf regional gesammelten Satellitenmessungen sowohl des FRP als auch der optischen Dicke des Aerosols (AOT) basieren, sehr hilfreich bei der Quantifizierung der feuerbedingten TPM-Emissionen für verschiedene Jahre, einschließlich COVID-2020. Der Ansatz hat uns geholfen, die gesamten TPM-Emissionen (in Tg) sowie regionale und länderspezifische Unterschiede hervorzuheben. Allerdings konnte in der Studie nicht versucht werden, FRP in FRE umzuwandeln, um den täglichen Feuerzyklus mithilfe der geostationären Daten zu erfassen, da solche Daten mit hoher zeitlicher und räumlicher Wiederholungsfähigkeit für alle S/SEA-Länder über den Zeitbereich nicht verfügbar waren. Daher haben wir nur VIIRS-Brandbeobachtungen verwendet und einen dreistündigen Brandzyklus angenommen, wobei wir vorherrschende Brände in der Landwirtschaft mit einer Mischung aus anderen Vegetationsbränden in der Region berücksichtigten, was möglicherweise zu einer Unterschätzung der gesamten TPM-Emissionen geführt hätte. Trotz dieser Einschränkungen unterstreicht unsere Studie die Auswirkungen des Brandfußabdrucks auf die Umwelt in SA/SEA. Die Ergebnisse verdeutlichen einen vorübergehenden Rückgang der TPM-Emissionen durch Brände im Pandemiejahr 2020 im Vergleich zum nicht-pandemischen Jahr 2019. Mit der Wiedereröffnung der Wirtschaft werden die feuerbedingten Emissionen jedoch ohne die Lockdown-Maßnahmen wahrscheinlich wieder ansteigen. Darüber hinaus sind weitere sozioökonomische Daten wie Bevölkerungsdemografie, Migration und politische Maßnahmen erforderlich, um regionale Brandschwankungen zu verstehen, die für die Brandbekämpfung und -minderung nützlich sind.

Wir untersuchten Unterschiede bei Vegetationsbränden in Süd-/Südostasien während der COVID-19-Pandemie (2020) im Vergleich zu den letzten Jahren vor der Pandemie (2012–2019) und dem Jahr vor der Pandemie. Unsere Analyse zeigt, dass es in den meisten Ländern im Jahr 2020 im Vergleich zu 2019 einen Rückgang der Brände gab. Eine gründlichere Analyse des Vergleichs der relativ langfristigen Branddatensätze (2012–2019) ergab jedoch, dass der Rückgang der Brände im Jahr 2020 nicht statistisch war für die meisten Länder von Bedeutung. Wir haben auch Daten zu aktiven Bränden in Bezug auf Temperatur- und Niederschlagsschwankungen analysiert. Die Niederschläge hatten in südostasiatischen Ländern relativ stärker negative Korrelationen als in Südasien. Insgesamt waren die Satellitendatensätze sehr hilfreich bei der Erfassung von Brandveränderungen vor und nach der COVID-Pandemie. Wir haben in der Studie auch feuerbedingte Gesamtpartikelemissionen (TPM) angegeben. Der Gesamt-TPM aus Bränden in südasiatischen Ländern betrug 2,19 Tg und sank auf 2,05 Tg, was einem Rückgang um 0,14 Tg entspricht. Auch in südostasiatischen Ländern liegt der Gesamt-TPM aus südostasiatischen Ländern bei etwa 7,47 Tg, was im Jahr 2020 auf 5,716 Tg zurückging, d. erfordert zusätzliche Daten wie Demografie, Migration und Landnutzungsrichtlinien, die für die Brandbekämpfung und -minderung in der Region nützlich sind. Unabhängig von den Treibern wirkte sich der Gesamtrückgang der Brände und der damit verbundenen Emissionen im Jahr 2020 im Vergleich zu 2019 jedoch positiv auf die Umwelt aus, da in einigen süd-/südostasiatischen Ländern die Umweltverschmutzung geringer ausfiel.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze werden größtenteils im Zusatzmaterial dargestellt. Rückfragen können an den entsprechenden Autor gerichtet werden.

Baker, PJ & Bunyavejchewin, S. Brandverhalten und Brandauswirkungen in der Waldlandschaft des kontinentalen Südostasiens. In Tropical Fire Ecology 311–334 (Springer, Heidenberg, 2009).

Kapitel Google Scholar

Sodhi, NS et al. Südostasiatische Artenvielfalt: eine drohende Katastrophe. Trends Ecol. Entwicklung 19, 654–660 (2004).

Artikel PubMed Google Scholar

Inoue, J., Okuyama, C. & Takemura, K. Langfristige Feueraktivität unter dem ostasiatischen Monsun als Reaktion auf Frühlingssonneneinstrahlung, Vegetationstyp, globales Klima und menschlichen Einfluss, abgeleitet aus Holzkohleaufzeichnungen in Sedimenten des Biwa-Sees in Zentraljapan. Quat. Wissenschaft. Rev. 179, 59–68 (2018).

Artikel ADS Google Scholar

Goldammer, JG Feuer in der tropischen Biota: Ökosystemprozesse und globale Herausforderungen (Springer Science & Business Media, Heidenberg, 2012).

Google Scholar

Taylor, AH Brandstörung und Waldstruktur in einem Pinus Ponderosa-Urwald im Süden der Cascades. USA. J. Veg. Wissenschaft. 21, 561–572 (2010).

Artikel Google Scholar

Bowman, DMJS et al. Feuer im Erdsystem. Wissenschaft 324, 481–484 (2009).

Artikel ADS CAS PubMed Google Scholar

Adams, MA Megabrände, Kipppunkte und Ökosystemleistungen: Bewirtschaftung von Wäldern und Wäldern in einer ungewissen Zukunft. Für. Ökologisch. Verwalten. 294, 250–261 (2013).

Artikel Google Scholar

Crutzen, PJ & Andreae, MO Biomasseverbrennung in den Tropen: Auswirkungen auf die Chemie der Atmosphäre und biogeochemische Kreisläufe. Science 4998(250), 1669–1678 (1990).

Artikel ADS Google Scholar

Prasad, VK, Badarinath, KVS & Eaturu, A. Biophysikalische und anthropogene Kontrolle von Waldbränden im Deccan-Plateau. Indien. J. Umgebung. Verwalten. 86, 1–13 (2008).

PubMed Google Scholar

Vadrevu, KP et al. Trends bei Vegetationsbränden in süd- und südostasiatischen Ländern. Wissenschaft. Rep. 9, 8–10 (2019).

Artikel Google Scholar

Mukul, SA & Byg, A. Was bestimmt die Entscheidungen der indigenen Chepang-Bauern über die Landnutzung in den zentralen Bergregionen Nepals? Nachhaltigkeit. 12, 5326. https://doi.org/10.3390/su12135326 (2020).

Artikel Google Scholar

Prasad, VK et al. Biomasse- und Verbrennungseigenschaften sekundärer gemischter Laubwälder in den östlichen Ghats Indiens. Atmosphäre. Umgebung. 35, 3085–3095 (2001).

Artikel ADS CAS Google Scholar

Toky, OP & Ramakrishnan, PS Sekundäre Sukzession nach Brandrodung in der Landwirtschaft im Nordosten Indiens: I. Biomasse, Abfall und Produktivität. J. Ecol. 71, 735–745 (1983).

Artikel Google Scholar

Borggaard, OK, Gafur, A. & Petersen, L. Nachhaltigkeitsbewertung des Wanderfeldbaus in den Chittagong-Berggebieten von Bangladesch. AMBIOS J. Hum. Ca. 32(2), 118–123 (2003).

Artikel Google Scholar

Biswas, S. et al. Faktoren, die Vegetationsbrände in geschützten und nicht geschützten Gebieten Myanmars kontrollieren. PLoS ONE 10, e0124346 (2015).

Artikel PubMed PubMed Central Google Scholar

de Neergaard, A., Magid, J. & Mertz, O. Bodenerosion durch Wanderfeldbau und andere kleinbäuerliche Landnutzung in Sarawak, Malaysia. Agr. Ökosystem. Umgebung. 125, 182–190 (2008).

Artikel Google Scholar

Gabriel, AG, De Vera, M. & Antonio, MAB Rollen indigener Frauen beim Waldschutz: Eine vergleichende Analyse zweier indigener Gemeinschaften auf den Philippinen. Cogent Soc. Wissenschaft. 6(1), 1720564 (2020).

Google Scholar

Ketterings, QM, van Noordwijk, M. & Bigham, JM Phosphorverfügbarkeit im Boden nach Brandrodungen unterschiedlicher Intensität in Gummi-Agroforsten auf Sumatra, Indonesien. Agr. Ökosystem. Umgebung. 92(1), 37–48 (2002).

Artikel Google Scholar

Grandstaff, TB 1980. Wandelnder Anbau in Nordthailand. Entwicklungsmöglichkeiten. Nr. 3. Cabdirect.org.

Scheidel, A. und Work, C., 2016. Großflächige Waldplantagen zur Eindämmung des Klimawandels? Neue Grenzen der Abholzung und Landnahme in Kambodscha. Global Governance/Politik, Klimagerechtigkeit und landwirtschaftliche/soziale Gerechtigkeit: Zusammenhänge und Herausforderungen. 11.

Inoue, Y. Kohlenstoffbestand, Atmosphäre und Ernährungssicherheit des Ökosystems bei Brandrodung der Landnutzung: Eine Geodatenstudie in einer Bergregion von Laos. In Land-Atmospheric Research Applications in South and Southeast Asia (Hrsg. Vadrevu, KP et al.) 641–665 (Springer, 2018).

Kapitel Google Scholar

Lasko, K. et al. Satelliten unterschätzen möglicherweise Reisrückstände und die damit verbundenen Verbrennungsemissionen in Vietnam. Umgebung. Res. Lette. 12, 85006 (2017).

Artikel Google Scholar

Dhandapani, S. & Evers, S. Die Brandrodung von Ölpalmen erhöht die Treibhausgasemissionen und Nährstoffkonzentrationen nach einem Brand in verbrannten Regionen eines landwirtschaftlich genutzten tropischen Torflandes. Wissenschaft. Gesamtumgebung. 742, 140648 (2020).

Artikel ADS CAS PubMed Google Scholar

Roengtam, S. & Agustiyara, A. Kollaborative Governance für die Umsetzung und Entwicklung der Waldlandnutzungspolitik. Cogent Soc. Wissenschaft. 8, 2073670 (2022).

Google Scholar

Van der Werf, GR et al. Klimaregulierung von Feueremissionen und Entwaldung in Äquatorialasien. Proz. Natl. Acad. Wissenschaft. 105, 20350–20355 (2008).

Artikel PubMed PubMed Central Google Scholar

Radojevic, M. Chemie von Waldbränden und regionalem Dunst mit Schwerpunkt auf Südostasien. Reine Appl. Geophys. 160, 157–187 (2003).

Artikel ADS Google Scholar

Dwyer, E. et al. Globale räumliche und zeitliche Verteilung von Vegetationsbränden, ermittelt aus Satellitenbeobachtungen. Int. J. Remote Sens. 21, 1289–1302 (2000).

Artikel Google Scholar

Goldammer, J., Statheropoulos, M. & Andreae, MO Auswirkungen von Vegetationsfeueremissionen auf die Umwelt, die menschliche Gesundheit und Sicherheit: Eine globale Perspektive. Entwicklungen in der Umweltwissenschaft 8, 3–36 (2008).

Artikel Google Scholar

Matson, M. & Holben, B. Satellitendetektion tropischer Brände in Brasilien. Int. J. Remote Sens. 8, 509–516 (1987).

Artikel Google Scholar

Giglio, L., Schroeder, W. & Justice, CO Die Sammlung 6 MODIS aktiver Branderkennungsalgorithmus und Brandprodukte. Fernerkundung. Umwelt. 178, 31–41 (2016).

Artikel ADS PubMed PubMed Central Google Scholar

Schroeder, W. et al. Das neue Datenprodukt zur aktiven Branderkennung VIIRS 375 m: Beschreibung des Algorithmus und erste Bewertung. Fernerkundung. Umwelt. 143, 85–96 (2014).

Artikel ADS Google Scholar

Huang, C. et al. Klinische Merkmale von Patienten, die in Wuhan mit dem neuartigen Coronavirus 2019 infiziert waren. China. Lancet 395, 497–506 (2020).

Artikel CAS PubMed Google Scholar

Weltgesundheitsorganisation. Wöchentliches epidemiologisches Update zu COVID-19 Globaler Überblick. https://apps.who.int/iris/bitstream/handle/10665/339858/nCoV-weekly-sitrep23Feb21-eng.pdf?sequence=1 (2021).

Anzai, A. et al. Bewertung der Auswirkungen reduzierter Reisen auf die Exportdynamik einer neuartigen Coronavirus-Infektion (COVID-19). J. Clin. Med. 9, 601 (2020).

Artikel PubMed Central Google Scholar

Phillipson, J. et al. Die COVID-19-Pandemie und ihre Auswirkungen auf die ländliche Wirtschaft. Nachhaltigkeit 12, 3973 (2020).

Artikel CAS Google Scholar

Singh, V. et al. Tägliche und zeitliche Veränderungen der Luftverschmutzung während des strengen COVID-19-Lockdowns in verschiedenen Regionen Indiens. Umgebung. Umweltverschmutzung. 266, 115368 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Vadrevu, KP et al. Räumliche und zeitliche Schwankungen der Luftverschmutzung in 41 Städten Indiens während der COVID-19-Sperrzeit. Wissenschaft. Rep. 10, 16574 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Kanniah, KD et al. Die Auswirkungen von COVID-19 auf die atmosphärische Umwelt in der Region Südostasien. Wissenschaft. Gesamtumgebung. 736, 139658 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Ghahremanloo, M. et al. Auswirkungen des COVID-19-Ausbruchs auf die Luftverschmutzung in Ostasien. Wissenschaft. Gesamtumgebung. 754, 142226 (2021).

Artikel ADS CAS PubMed Google Scholar

Kaufman, YJ et al. Potenzielle globale Brandüberwachung von EOS-MODIS. J. Geophys. Res. Atmosphäre. 103, 32215–32238 (1998).

Artikel ADS CAS Google Scholar

Giglio, L. et al. Ein verbesserter kontextbezogener Branderkennungsalgorithmus für MODIS. Fernerkundung. Umwelt. 87, 273–282 (2003).

Artikel ADS Google Scholar

Giglio, L. et al. Ein auf aktivem Feuer basierender Algorithmus zur Kartierung verbrannter Gebiete für den MODIS-Sensor. Fernerkundung. Umwelt. 113, 408–420 (2009).

Artikel ADS Google Scholar

Giglio, L. et al. Die Sammlung 6 MODIS verbrannter Flächenkartierungsalgorithmus und -produkt. Fernerkundung. Umwelt. 217, 72–85 (2018).

Artikel ADS PubMed PubMed Central Google Scholar

Wooster, MJ, Zhukov, B. & Oertel, D. Feuerstrahlungsenergie zur quantitativen Untersuchung der Biomasseverbrennung: Ableitung vom BIRD-Versuchssatelliten und Vergleich mit MODIS-Brandprodukten. Fernerkundung. Umwelt. 86, 83–107 (2003).

Artikel ADS Google Scholar

Wooster, MJ et al. Abruf der Biomasse-Verbrennungsraten und -Gesamtwerte aus Beobachtungen der Feuerstrahlungsleistung: FRP-Ableitung und Kalibrierungsbeziehungen zwischen Biomasseverbrauch und Feuerstrahlungsenergiefreisetzung. J. Geophys. Res. 110, D24311 (2005).

Artikel ADS Google Scholar

Ichoku, C. et al. Globale Charakterisierung von Biomasse-Verbrennungsmustern mithilfe von Satellitenmessungen der Feuerstrahlungsenergie. Fernerkundung. Umwelt. 112, 2950–2962 (2008).

Artikel ADS Google Scholar

Ichoku, C. Quantitative Auswertung und Vergleich von Aerosolmessungen mit bildgebendem Spektroradiometer mittlerer Auflösung (MODIS) morgens und nachmittags von Terra und Aqua. J. Geophys. Res. 110, D10S03 (2005).

ADS Google Scholar

Vermote, E. et al. Ein Ansatz zur Schätzung der globalen Biomasse-Verbrennungsemissionen von organischem und schwarzem Kohlenstoff aus der Strahlungsleistung von MODIS-Feuern. J. Geophys. Res. 114, D18205 (2009).

Artikel ADS Google Scholar

Wooster, MJ Kleine experimentelle Tests der Strahlungsenergie von Bränden zur Quantifizierung der verbrannten Masse bei natürlichen Vegetationsbränden. Geophys. Res. Lette. 29, 2027 (2002).

Artikel ADS Google Scholar

Zhang, T. et al. Wie gut stellt die „Small Fire Boost“-Methodik, die in der Brandemissionsdatenbank von GFED41 verwendet wird, den Zeitpunkt, den Ort und das Ausmaß landwirtschaftlicher Brände dar? Remote Sens. 10, 823 (2018).

Artikel ADS Google Scholar

Roberts, G., Wooster, MJ & Lagoudakis, E. Jährliche und tägliche zeitliche Dynamik der Verbrennung afrikanischer Biomasse. Biogeowissenschaften Bd. 6 www.biogeosciences.net/6/849/2009/ (2009).

Zhang, X. et al. Nahezu Echtzeit-Produkt der globalen Biomasseverbrennungsemissionen aus der geostationären Satellitenkonstellation. J. Geophys. Res. Atmosphäre. 117, n/a/a (2012).

Ellicott, E. et al. Schätzung der durch Feuer verbrauchten Biomasse mit MODIS FRE. Geophys. Res. Lette. 36, L13401 (2009).

Artikel ADS Google Scholar

Freeborn, PH et al. Zusammenhänge zwischen Energiefreisetzung, Brennstoffmassenverlust und Spurengas- und Aerosolemissionen bei Biomassebränden im Labor. J. Geophys. Res. 113, D01301 (2008).

ADS Google Scholar

Nguyen, HM & Wooster, MJ Fortschritte bei der Schätzung der panafrikanischen Top-Down-Biomasseverbrennungsemissionen mit hoher räumlich-zeitlicher Auflösung, die unter Verwendung geostationärer Feuerstrahlungsleistung (FRP) und MAIAC-Daten zur optischen Aerosoltiefe (AOD) erstellt wurden. Fernerkundung. Umwelt. 248, 111971 (2020).

Artikel ADS Google Scholar

Ichoku, C. & Kaufman, YJ Eine Methode zur Ableitung von Rauchemissionsraten aus MODIS-Feuerstrahlungsenergiemessungen. IEEE Trans. Geosci. Remote Sens. 43, 2636–2649 (2005).

Artikel ADS Google Scholar

Ichoku, C. & Ellison, L. Globale Top-Down-Schätzung der Rauch-Aerosol-Emissionen mithilfe von Satellitenmessungen der Strahlungsleistung von Bränden. Atmosphäre. Chem. Physik. 14(13), 6643–6667 (2014).

Artikel ADS Google Scholar

Mota, B. & Wooster, MJ Ein neuer Top-Down-Ansatz zur direkten Schätzung der Emissionen bei der Verbrennung von Biomasse sowie der Kraftstoffverbrauchsraten und -summen anhand der Strahlungsleistung (FRP) geostationärer Satellitenbrände. Fernerkundung. Umwelt. 206, 45–62 (2018).

Artikel ADS Google Scholar

Nguyen, HM & Wooster, MJ Fortschritte bei der Schätzung der panafrikanischen Top-Down-Biomasseverbrennungsemissionen mit hoher räumlich-zeitlicher Auflösung, die unter Verwendung geostationärer Feuerstrahlungsleistung (FRP) und MAIAC-Daten zur optischen Aerosoltiefe (AOD) erstellt wurden. Fernerkundung der Umwelt,248, 111971 (2020).

Artikel ADS Google Scholar

Paudel, J. Kurzfristige Umweltauswirkungen von COVID-19: Hinweise aus Waldbränden. Weltentwickler. 137, 105120 (2021).

Artikel PubMed Google Scholar

Setiati, S. & Azwar, MK COVID-19 und Indonesien. Acta Med Indonesia-Indones J. Intern. Med. 52, 84–89 (2020).

Google Scholar

Spessa, AC et al. Saisonale Vorhersage von Bränden über Kalimantan, Indonesien. Nat. Gefahr. 15(3), 429–442 (2015).

Artikel Google Scholar

Field, RD et al. Die Brandaktivität und die Rauchverschmutzung in Indonesien im Jahr 2015 zeigen eine anhaltende nichtlineare Empfindlichkeit gegenüber durch El Niño verursachter Dürre. Proz. Natl. Acad. Wissenschaft. 113(33), 9204–9209 (2016).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Nurdiati, S. et al. Die Auswirkungen der Südoszillation von El Niño und des Dipols im Indischen Ozean auf das verbrannte Gebiet in Indonesien. Terr. Atmosphäre. Ozean. Wissenschaft. 33(1), 1–17 (2022).

Artikel Google Scholar

Gregorioa, GB & Ancog, RC Bewertung der Auswirkungen der Covid-19-Pandemie auf die landwirtschaftliche Produktion in Südostasien: Auf dem Weg zu einem transformativen Wandel in landwirtschaftlichen Nahrungsmittelsystemen. Asiatischer J. Agric. Entwickler 17, 1–13 (2020).

Artikel Google Scholar

Kumar, P. et al. Mehrstufige Auswirkungen des COVID-19-Lockdowns auf die Agrarsysteme in Indien: Der Fall Uttar Pradesh. Landwirtschaft. Syst. 187, 103027 (2021).

Artikel Google Scholar

Agarwal, S. & Singh, A. Covid-19 und seine Auswirkungen auf die indische Wirtschaft. Int. J. Handelskomm. IIARTC 9, 72–79 (2020).

Google Scholar

Li, F., Zhang, Remote Sens. 12, 1561 (2020).

Artikel ADS Google Scholar

Referenzen herunterladen

Diese Arbeit trägt zur South/Southeast Asia Regional Initiative (SARI) bei. Wir danken dem Erstautor für die finanzielle Unterstützung, die das NASA Land Cover/Land Use Change Program für das SARI erhalten hat.

NASA Marshall Space Flight Center, Huntsville, Alabama, 35811, USA

Krishna Vadrevu

Universität von Alabama in Huntsville, Huntsville, AL, USA

Aditya Eaturu & Emily Casadaban

Geospatial Research Laboratory, Engineer Research and Development Center, US Army Corps of Engineers, Alexandria, VA, USA

Christopher Lasko

NOAA NESDIS, College Park, Maryland, 20740, USA

Wilfrid Schröder

Universität von Kalifornien Los Angeles, Los Angeles, USA

Sumalika Biswas

University of Maryland, College Park, Maryland, 20742, USA

Louis Giglio und Chris Justice

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

KPV konzipierte, analysierte die Daten und verfasste das Manuskript. AE und EC halfen teilweise bei der Bearbeitung und Bearbeitung. KL und SB halfen bei der Formatierung und Bearbeitung des Manuskripts. WS, LG und CJ lieferten wichtige wissenschaftliche Vorschläge zur Stärkung des Manuskripts und halfen bei der Verfeinerung und Bearbeitung.

Korrespondenz mit Krishna Vadrevu.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

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

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 ursprünglichen Autor(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 durch gesetzliche Vorschriften 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

Vadrevu, K., Eaturu, A., Casadaban, E. et al. Räumliche Unterschiede bei Vegetationsbränden und Emissionen in Süd- und Südostasien während COVID-19 und vor der Pandemie. Sci Rep 12, 18233 (2022). https://doi.org/10.1038/s41598-022-22834-5

Zitat herunterladen

Eingegangen: 12. Januar 2022

Angenommen: 19. Oktober 2022

Veröffentlicht: 29. Oktober 2022

DOI: https://doi.org/10.1038/s41598-022-22834-5

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

Leider ist für diesen Artikel derzeit kein Link zum Teilen 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.