O aquecimento da superfície induzido pelo desmatamento é influenciado pela fragmentação e extensão espacial da perda de floresta no Sudeste Asiático marítimo

Octavia Crompton ^5,1

, Débora Corrêa ^2,3, John Duncan ⁴ and Sally Thompson ¹

Publicado em 26 de outubro de 2021 • © 2021 O (s) autor (es). Publicado por IOP Publishing Ltd
Cartas de Pesquisa Ambiental , Volume 16 , Número 11 Citação Octavia Crompton e cols. 2021 Aprox. Nada. Lett. 16 114018

Baixar Artigo PDF

Baixe o artigo ePub

1185 Total downloads

Ligue o MathJax

Informação do artigo

Resumo

O desmatamento nos trópicos causa aquecimento, o que contribui para as mudanças climáticas regionais. A perda de floresta ocorre em uma ampla gama de escalas espaciais, produzindo uma variedade de padrões espaciais de terras desmatadas e florestadas. Ainda não se sabe se os atributos espaciais desses padrões influenciam a mudança de temperatura resultante. Adotamos uma abordagem de diferenças em diferenças para analisar dados de perda de floresta e temperatura da superfície da terra (LST) de sensoriamento remoto no sudeste asiático marítimo. Descobrimos que o desmatamento aumentou o LST, como esperado, mas que os aumentos de temperatura foram menores quando a perda de floresta produziu paisagens mais fragmentadas nas quais as bordas não florestais e florestais estavam fortemente entrelaçadas. Os aumentos de temperatura foram maiores onde a perda de floresta foi mais extensa. O aquecimento também se estendeu para além do local da remoção da floresta, de modo que a perda florestal aumentou as temperaturas em locais não perturbados até 6 km de distância. Diferentes padrões espaciais de desmatamento, por exemplo, como podem ser produzidos pela agricultura de pequenos proprietários em oposição ao desmatamento em grande escala, teriam, portanto, impactos diferentes no clima local. Conservar florestas em um raio de 4 km de terras agrícolas, áreas urbanas ou outros ambientes sensíveis pode ajudar a evitar aumentos de temperatura que reduzem a produtividade da terra e pioram a saúde humana.

Exportar citação e resumo BibTeX RIS

anterior Artigo em questão

Próximo artigo em questão

O conteúdo original deste trabalho pode ser usado sob os termos da licença Creative Commons Atribuição 4.0 . Qualquer distribuição posterior deste trabalho deve manter a atribuição ao (s) autor (es) e ao título do trabalho, citação do periódico e DOI.

Dados suplementares

1. Introdução

Entre as muitas consequências ambientais negativas do desmatamento tropical (Laurance 2004 , Barlow et al 2007 , Foley et al 2011 , Gibson et al 2011 , Hansen et al 2013 ), os aumentos de temperatura representam ameaças imediatas à produtividade agrícola, segurança alimentar (Schlenker e Roberts 2009 , Schlenker e Lobell 2010 ) e saúde humana (Abram et al 2014 , Wolff et al 2018 ). A conversão da floresta para outros usos do solo nos trópicos diminui a evapotranspiração, aumenta o albedo, reduz a aspereza aerodinâmica e, portanto, a mistura vertical de ar, levando ao aquecimento em relação à floresta não perturbada (Lawton et al 2001 , Ray et al 2006 , Mahmood et al 2014 , Lawrence e Vandecar 2015 , Li et al 2015 , Bright et al 2017 , Ellison et al 2017 ). Normalmente, este aquecimento aumenta a temperatura da superfície da terra durante o dia (LST) em 1 ^∘C – 2 ^∘C. Por exemplo, 50% da perda de floresta tropical em uma área de 5 × 5 km foi estimada para causar o LST médio a aumentar em $1,53 \ ^ \ circ \ text {C} \ pm 0,08 \ ^ \ circ$ C (Alkama e Cescatti 2016 ) e 1,08 ^∘C ± 0,25 ^∘C (Prevedello et al 2019 ). Pantropical, ao nível do site ( $\ lt$ 1 ha) os dados de temperatura mostram que os LSTs locais são consistentemente mais altos fora das regiões de floresta primária, com aquecimento particularmente pronunciado após a conversão da floresta em terras agrícolas (mínimo +1.6 ^∘C, máximo +13.6 ^∘C; Senior et al 2017 ). Por exemplo, um estudo em Sabah, Malásia, descobriu que a floresta primária era até 2,5 ^∘C mais fria do que a floresta de produção explorada seletivamente e até 6,5 ^∘C mais fria do que as plantações de dendê (Hardwick et al 2015 ).

Permanece, entretanto, uma variação local considerável no aumento da temperatura devido à perda de floresta. Esta variação é influenciada pela cobertura da terra substituindo a floresta (Bright et al 2017 ), a condição da floresta remanescente (Blonder et al 2018 ), sua elevação (Zeng et al 2018 ), proximidade de corpos d'água (por exemplo, Cai et al 2018 ) , e o padrão espacial da cobertura florestal (por exemplo, efeitos de borda decorrentes da fragmentação da paisagem; Mendes e Prevedello 2020 ). Identificar quais fatores modificam a mudança de temperatura após a perda florestal ajudaria a informar o manejo florestal e as políticas de conservação (Cohn et al 2019 , Masuda et al 2019 ). Aqui nos concentramos em quatro propriedades espaciais de perda de floresta, apresentadas conceitualmente na figura 2 e discutidas mais adiante. Especificamente, perguntamos se o aumento da temperatura após a perda é sensível à quantidade de floresta remanescente (cobertura florestal remanescente) e quão fragmentada ela está. Medimos o grau de fragmentação da floresta como a densidade das bordas florestais / não florestais após a perda da floresta (densidade da borda). Também consideramos a extensão da perda de floresta - por exemplo, se perder 40% da floresta em um raio de 1 km causa o mesmo aquecimento na média (espacial) que perder 40% da cobertura florestal em um raio maior - por exemplo, 4 km. Finalmente, questionamos se os efeitos do aquecimento podem se propagar além do local da perda florestal e influenciar a temperatura das áreas vizinhas.

Essas propriedades espaciais não foram objeto de pesquisas específicas até o momento. Por exemplo, a maioria dos estudos anteriores que estimam o efeito da temperatura da perda florestal (por exemplo, Li et al 2015 , Alkama e Cescatti 2016 , Cohn et al 2019 , Prevedello et al 2019 ) não controlou as variações na fração de cobertura florestal remanescente após a perda florestal. Esta abordagem assume, por exemplo, que o efeito da temperatura da redução da cobertura florestal de 100% para 50% é idêntico ao da redução da cobertura florestal de 50% para 0%. Da mesma forma, estudos anteriores não controlaram as diferenças na fragmentação da floresta remanescente. No entanto, áreas dentro de 100 m das bordas da floresta são normalmente mais quentes, mais secas e sujeitas a condições térmicas mais variáveis do que os interiores da floresta (Williams-Linera 1990 , Matlack 1993 , Young e Mitchell 1994 , Chen et al 1995 , 1999 , Murcia 1995 , Saunders et al 1999 , Pohlman et al 2007 , Yan et al 2007 , Didham e Ewers 2014 , Magnago et al 2015 , Latimer e Zuckerberg 2017 , Bernaschini et al 2019 ). Mudanças de temperatura observadas em escalas maiores do que isso devem refletir o efeito agregado desses gradientes borda-interior e, portanto, devem ser sensíveis ao padrão espacial de fragmentação da floresta (Arroyo-Rodríguez et al 2017, Mendes and Prevedello 2020). For example, Mendes and Prevedello (2020) found that fragmentation of a single forest patch into 100 patches in a $5 \times 5$ km pixel (without reducing overall forest cover) reduced mean daily LST by $0.26\ ^\circ$ C (Mendes and Prevedello 2020). While numerous measures of landscape heterogeneity could be considered (Cale and Hobbs 1994, Weibull et al 2000, Wu et al 2000, Fahrig et al 2011, Fauset et al 2017), most correlate with the length of forest 'edges', which therefore formed our metric of fragmentation (see figure 2(A)). Similarly, most previous studies evaluate the temperature impacts of forest loss at only one spatial scale of resolution—e.g. on a $5 \times 5$ km grid (Alkama and Cescatti 2016, Prevedello et al 2019). This could be problematic, since other local climate responses to deforestation, such as precipitation, behave differently across different spatial scales (Lawrence and Vandecar 2015, Khanna et al 2017). In a recent study, Zeppetello et al (2020) found more extreme warming when forest loss patches were between 33 and 100 km² in area than in forest loss on smaller spatial scales, suggesting a need to better quantify how the spatial extent of forest loss influences temperature change. Finally, several studies indicate that warming due to land cover change (Bassett et al 2016, Cosgrove and Berkelhammer 2018, Cohn et al 2019) may spread beyond the location where that change occurred. For example, Cohn et al (2019) observed significant effects on temperature due to forest losses occurring at sites up to 50 km away in the Brazilian cerrado. Nonlocal temperature increases imply that conserving remaining forest can 'cool' adjacent areas, providing a potentially important rationale for forest conservation. Yet to date, only Cohn et al ( 2019 ) caracterizou esses efeitos não locais em sistemas que experimentam desmatamento.

Este estudo está, portanto, estruturado em torno de três análises. O primeiro aborda a sensibilidade das mudanças de temperatura induzidas pela perda de floresta para (i) a fração de cobertura florestal remanescente e (ii) a densidade das bordas da floresta associadas a ela (Tópico de Pesquisa 1). O segundo aborda a sensibilidade das mudanças de temperatura induzidas pela perda de floresta à variação na extensão espacial sobre a qual ocorre a perda de floresta (Tópico de Pesquisa 2). O último aborda se os locais podem aquecer devido à perda de floresta que ocorre em áreas próximas, mas espacialmente distintas (Tópico de Pesquisa 3).

Dois desafios principais surgem na realização dessas análises. Em primeiro lugar, a mudança de temperatura causada pela perda de floresta deve ser separada de outros fatores potenciais de variação de temperatura, como a variabilidade no El Niño-Oscilação Sul, Dipolo do Oceano Índico ou oscilação Madden-Julian (Trenberth et al 2002 , Abood et al 2015 , Islam et al 2018 ). Para isolar os efeitos da perda de floresta na temperatura, usamos uma metodologia de 'diferenças em diferenças' (DiD). Em uma análise DiD, um tratamento ou exposição ocorre para um grupo (o grupo de 'tratamento') durante o período de estudo, enquanto outro grupo permanece não afetado (o grupo de 'controle') (Angrist e Pischke 2008 ). A diferença no resultado em relação a uma condição de linha de base é avaliada para cada grupo; e as diferenças nessas diferenças entre os grupos medem o efeito do tratamento. A abordagem DiD permite uma atribuição robusta de mudança de temperatura ao desmatamento (a variável de tratamento) controlando a mudança de temperatura em locais onde não ocorre desmatamento (a variável de controle). Estudos globais anteriores, como Alkama e Cescatti ( 2016 ) e Prevedello et al ( 2019 ), também se baseou em abordagens DiD para isolar os efeitos da perda de floresta na mudança de temperatura. O outro desafio na análise é explicar a alta correlação entre as diferentes propriedades espaciais da perda florestal (por exemplo, ver a figura 3 ), bem como os diferentes valores que essas propriedades adotam ao longo do tempo. Para isolar os efeitos da variável de interesse na resposta da temperatura à perda de floresta, contamos com uma amostragem cuidadosa e balanceamento dos conjuntos de dados usados para análise.

O estudo foi conduzido usando o Continente Marítimo (MC), composto por Brunei, Indonésia, Malásia, Filipinas, Cingapura e Timor Leste como região de estudo de caso. A Figura 1 mostra um mapa da área de estudo, sobreposto com perda de floresta de 2001 a 2019, ganho de floresta de 2001 a 2012 e cobertura florestal remanescente em 2019. O MC experimentou rápida perda de floresta nas últimas décadas devido à exploração madeireira, estabelecimento de palmeira plantações de óleo e desmatamento em pequena escala (Gaveau et al 2016 , Austin et al 2017a , 2017b ). Os efeitos do clima e da temperatura da perda de floresta na região têm recebido menos atenção em modelagem regional e estudos de sensoriamento remoto em comparação com, por exemplo, a Amazônia (estudos notáveis são Mabuchi 2011 , Tölle et al 2017 , Takahashi et al 2017 , Chen et al 2019 , Tölle 2020 ). O MC oferece, no entanto, uma ampla gama de contextos e escalas espaciais sobre os quais ocorreu a perda de floresta (por exemplo, de pequenas propriedades a plantações em grande escala; Austin et al 2017a ), proporcionando uma oportunidade de avaliar seus efeitos na mudança de temperatura. Os dados e análises foram todos realizados em 1 × escalas espaciais de 1 km, refletindo a resolução do produto MODIS LST, que formou a variável de resposta no estudo.

Figura 1. A região de estudo é o Continente Marítimo (MC), composto por Brunei, Indonésia, Malásia, Filipinas, Cingapura e Timor Leste. A coloração vermelha mostra a perda de floresta no período de 2001–2019, o roxo mostra o ganho da floresta no período de 2001–2012 e o verde mostra a cobertura florestal remanescente em 2019. Os dados da cobertura florestal são do conjunto de dados de cobertura florestal global (Hansen et al 2013 ), e descrito na seção 2.2 .

Baixar figura:

Imagem padrão Imagem de alta resolução

2. Área de estudo e dados

2.1. Área de estudo

As seis nações e numerosas ilhas que compõem o MC são climática e ecologicamente semelhantes. O MC encontra-se ao longo do equador; sua temperatura é moderada pelos oceanos circundantes e apresenta sazonalidade limitada (Sari et al 2007 , Gosling et al 2011 ). O clima de monção regional bem desenvolvido significa que a precipitação é a principal característica climática sazonal (Cavendish 2008 ). A estação chuvosa ocorre entre outubro e maio e a seca entre junho e setembro (McBride 1998 , Chang et al 2005 , Bowman et al 2010 ). O momento preciso da estação chuvosa varia no espaço e de ano para ano, dependendo da migração da monção indo-australiana.

Em 2000, a cobertura florestal no MC representava 5,6% da área florestal global. Naquela época, 74% da Indonésia, 62% da Malásia e 92% de Papua Nova Guiné eram naturalmente florestados (Hansen et al 2013 ). Extensa perda de floresta ocorreu em toda a região desde 2000 (Brookfield e Byron 1990 , Curran et al 2004 , Gaveau et al 2014 , 2016 ): de 2000 a 2019, a Indonésia perdeu 26,8 Mha (17% da cobertura florestal do ano 2000) e a Malásia 8,12 Mha (28% da cobertura florestal do ano 2000). Outros países MC são menos impactados; por exemplo, Papua-Nova Guiné perdeu 1,49 Mha (3,5%) e as Filipinas perderam 1,23 Mha (6,6%) de cobertura florestal desde 2000.

2.2. Conjuntos de dados

As observações de sensoriamento remoto do LST foram usadas para caracterizar a mudança de temperatura devido à perda de floresta. Os resultados humanos e agrícolas estão mais intimamente relacionados à temperatura do ar próximo à superfície (AT). No entanto, AT não pode ser determinado para as partes do MC que estão sofrendo perda de floresta, devido ao número limitado de estações meteorológicas em áreas florestadas na região (De Frenne e Verheyen 2016 ). Assim, o LST observável por satélite fornece uma medida consistente da resposta da temperatura. LST se correlaciona intimamente com AT (Li et al 2016 , Heft-Neal et al 2017 ) e é a medida de temperatura usada em muitos estudos anteriores de perda de floresta (Peng et al 2014 , Zhao e Jackson 2014 , Li et al 2015 , Alkama e Cescatti 2016 , Schultz e cols. 2017 , Prevedello e cols. 2019 , Zeppetello e cols. 2020 ), facilitando a intercomparação.

Semelhante a outros estudos de desmatamento contemporâneos, medimos a temperatura e suas mudanças usando dados de satélite MODIS (Alkama e Cescatti 2016 , Prevedello et al 2019 , Zeppetello et al 2020 ). Especificamente, usamos o $1 \ vezes 1$ km 8 dias MODIS Terra LST dataset (MOD11A), que abrange o período de março de 2000 até o presente (Wan et al 2015 ). Cada pixel nas observações LST de 8 dias é uma média de todas as medições LST correspondentes coletadas dentro desse período de 8 dias, feitas no tempo de passagem das 10:30 AM. Repetimos a análise com o satélite MODIS Aqua, que difere do Terra principalmente por seu tempo de viaduto às 13h30. Resultados semelhantes aos obtidos com Aqua foram obtidos e estão incluídos nas informações complementares (disponíveis online em stacks.iop.org/ERL/16/114018/mmedia ). Os conjuntos de dados MODIS brutos contêm observações feitas com ângulos de zênite entre 0 e 65 graus que podem produzir incerteza na pegada espacial (Townshend et al 2000 , Campagnolo e Montano 2014 ). Para minimizar essa incerteza, apenas as observações marcadas como 'boa qualidade' e com ângulos de zênite de vista entre -10% e 10% foram usadas.

Forest cover was obtained from the Landsat-derived global forest cover (GFC) dataset (Hansen et al 2013), which presents, at 30 m spatial resolution, global data for (1) percent forest cover in the year 2000, including all natural or planted vegetation greater than 5 m in height, and (2) the year during which a stand-replacing disturbance occurred, if any. Following a stand-replacing disturbance, the forest cover in the 30 m pixel is set to zero. We converted the GFC dataset into yearly presence-absence data: for a given year, pixels were defined as 'forest' if they contained ${\gt}75\%$ cobertura florestal em 2000 (indicando florestas de alta integridade estrutural; Hansen et al 2020 ), e não sofreu um distúrbio de substituição de povoamentos. A partir dos dados de presença-ausência, definimos locais que representavam as 'bordas' da floresta, consistindo em pixels não florestais adjacentes aos pixels da floresta (ver figura 2 (A)). Esses pixels de borda foram identificados com o algoritmo de detecção de borda Canny do Google Earth Engine (Canny 1986 ). Como uma métrica de fragmentação da paisagem, a 'densidade de borda' mede a fração da paisagem formada pelos limites da floresta.

Figure 2. (A) A 1 × 1 km pixel that has experienced forest loss may contain a complex spatial pattern of remaining forest cover (dark green), and non-forest areas (pale green). This spatial pattern is summarised in this analysis based on its 'remaining forest cover' FC (given by the proportion of the dark green areas within the 1 km assessment pixel), and by its 'edge density' η (given by the fraction of the pixel that lies at a dark—pale green interface). (B) The same fractional forest loss shown over two different spatial extents, denoted by their radii R, with yellow-shaded areas representing forest loss areas and unshaded areas showing remaining forest cover. The box at the center of the circle corresponds to the 1 km pixel shown in panel (A). (C) Temperature effects of forest loss could also be experienced in neighbouring areas. To unambiguously assess this, we consider temperature changes within pixels that do not experience forest loss as a function of their distance R_in to the nearest forest loss area (in annuli between R_in and R_out).

Download figure:

Standard image High-resolution image

Os conjuntos de dados derivados de MODIS e GFC resultantes têm diferentes resoluções espaciais e temporais. Para permitir a comparação entre esses conjuntos de dados, agregamos os dados MODIS de 8 dias calculando o LST médio anual (ano civil) e aumentamos os dados binários de presença-ausência e borda do GFC para a 1 × grade MODIS de 1 km. Para cada 1 × pixel MODIS de 1 km e ano, a fração da cobertura florestal foi calculada como o número médio de 30 de 'floresta' que × pixels de 30 m ela continha. Da mesma forma, a 'densidade de borda' dentro de cada 1 × pixel de 1 km foi calculada como a fração de de 30 × pixels 30 m que foram classificados como bordas de floresta. Finalmente, a perda de floresta em um determinado ano foi calculada como a fração da floresta de 30 × 30 m pixels experimentando uma perturbação de substituição de povoamentos naquele pixel MODIS (sensu Hansen et al 2013 ) e ano.

Assim, seguindo nossa manipulação inicial dos produtos de sensoriamento remoto, obtivemos quatro camadas de dados para o MC anual, 1 × resolução de 1 km na projeção MODIS: temperatura da superfície da terra LST ( t ), cobertura florestal FC ( t ), perda florestal L ( t ) e densidade da borda $ta \ eta (t)$ para cada ano t no conjunto de dados.

As camadas que descrevem a cobertura e perda florestal - FC ( t ), L ( t ) e $ta \ eta (t)$ —Covar no conjunto de dados, conforme ilustrado na figura 3 . Os gráficos de dispersão na figura 3 ilustram essa covariação usando 10.000 pontos amostrados aleatoriamente, mostrando L versus FC (painel (A)), L versus η (painel (B)) e FC versus η (painel (C)). As distribuições marginais de cada covariável também são mostradas, alinhadas com o eixo relevante.

A Figura 3. O painel (A) mostra L versus FC , com as distribuições marginais de cada covariável mostradas como histogramas nas laterais do gráfico. Os painéis (B) e (C) mostram de forma semelhante L contra η e FC contra η .

Baixar figura:

Imagem padrão Imagem de alta resolução

2.3. Identificação de mudanças de temperatura atribuíveis à perda de floresta

Para construir uma métrica de diferenças em diferenças, primeiro consideramos a perda florestal fracionada $L (t_ {perda}, j)$ ocorrendo em um pixel MODIS de 1 km j do , para uma determinada ano t _{perda de}, com t _{perda de}variando de 2002-2019. Devido a esta perda de floresta, a temperatura no ano seguinte, $LST (t_ {perda} +1, j)$ , deveria ser diferente do que seria se não houvesse perda de floresta. Por outro lado, os pixels próximos que não foram afetados pela perda de floresta também terão diferentes temperaturas médias anuais em $t_ {perda} + 1$ em comparação com os anos anteriores, mas isso será atribuído à variação climática entre os anos (causada, por exemplo, pela progressão das monções ou anomalias da temperatura da superfície do mar). A diferença na mudança de temperatura experimentada nesses locais e nos locais desmatados mede a mudança de temperatura devido à perda de floresta.

We thus compute the temperature change over time at sites affected by forest loss $\Delta LST(t_{loss}, j)$ , between years $t_{loss}+1$ and $t_{loss}-1$ . We did not use data from year t_loss, because the timing of forest loss within year t_loss is not identified in the GFC dataset, and $t_{loss}+1$ therefore offers a less ambiguous time from which to evaluate change:

For a given t_loss, we computed this metric for all pixels located within 10 km of any pixel in which 50% or more forest loss occurred in t_loss. These regions contained a range of clearing and smaller scale disturbance (i.e. selective logging or road construction at the frontiers of forest loss; Gaveau et al 2014, Hansen et al 2020), and are referred to as 'assessment areas'. We removed from the assessment areas all pixels identified as having more than 1% surface water occurrence in the Joint Research Centre Global Surface Water (Pekel et al 2016) product, restricting the assessment pixels to those with minimal surface water.

Next, for each pixel j in the assessment areas, control pixels were designated that were both near enough to experience the same background climate conditions and far enough to be unaffected by forest loss. Control pixels were selected to have high forest cover, minimal local forest loss between the years 2000 and $t_{loss}+1$ , minimal forest loss within a 10 km radius, and to lie within 25 km of the pixel they controlled for. This process is illustrated schematically in figure 4, and the quantitative criteria used to specify the control pixels are specified in table 1. For each pixel j and loss year t_loss, applying these criteria produced a variable set of control pixels, $k(t_{loss},j)$ . $\Delta{LST}(t_{loss}, k(t_{loss},j))$ was computed and spatially averaged for each set of control pixels $k(t_{loss},j)$ , giving $\langle \Delta{LST}(t_{loss}, k(t_{loss},j)) \rangle$ . This average was subtracted from $\Delta{LST}(t_{loss}, j)$ to form the DiD estimate of temperature change due to forest loss at pixel j in year t_loss (see figure 4):

**Figure 4.** Illustration of the criteria used to designate 'assessment' and 'control' areas. The assessment area—shown in pale yellow—includes pixels that experienced ${\geqslant} 50\%$ forest loss in a given year, and all pixels within 10 km of those pixels. Pale green shows undisturbed forest areas that could provide a control for the assessment area, and dark green shows the control area for a specific pixel j. Control pixels are defined as described in section 2.3 and table 1. The differences-in-differences metric ξ is computed as the difference between $\Delta LST(t_{loss}, j)$ in pixel j and $\Delta LST$ averaged over the relevant control pixels.
Download figure:
Standard image High-resolution image

**Figure 4.** Illustration of the criteria used to designate 'assessment' and 'control' areas. The assessment area—shown in pale yellow—includes pixels that experienced ${\geqslant} 50\%$ forest loss in a given year, and all pixels within 10 km of those pixels. Pale green shows undisturbed forest areas that could provide a control for the assessment area, and dark green shows the control area for a specific pixel j. Control pixels are defined as described in section 2.3 and table 1. The differences-in-differences metric ξ is computed as the difference between $\Delta LST(t_{loss}, j)$ in pixel j and $\Delta LST$ averaged over the relevant control pixels.
Download figure:
Standard image High-resolution image

Table 1. Criteria used in the data acquisition, filtering and processing steps.

Critério	Raciocínio
Aquisição de dados: critérios de avaliação
Todos os pixels dentro de 10 km de pixels com $L (t_ {perda}) \ geqslant 0,5$	Selecione pixels que experimentam perda significativa de t _perda, e todos os pixels dentro de um bairro 10 km destes ${\ geqslant} 0,5$ perda de pixels.
Aquisição de dados: critérios de controle
FC > 0,9	Selecione pixels com alta cobertura florestal.
$L (t \ leqslant t_ {perda} + 1) \ lt 0,02$	Selecione pixels com perda mínima.
$L_ {10} (t \ leqslant t_ {perda} + 1) \ lt 0,02$	Selecione pixels com perda mínima em 10 km.
A distância do pixel de avaliação é $$ {\ lt} $ 25$ km	Selecione pixels de controle e avaliação que experimentam condições climáticas semelhantes.
Dados: filtragem
10 km de distância mínima entre pixels	Minimize a autocorrelação espacial.
Filtro da pergunta 1 de pesquisa
$L (t_ {perda}) \ gt 0,1$	Selecione os pixels que sofreram perda de floresta no ano t _perda.
$L (t_ {perda} \ pm 1) \ lt0,02$	Selecione pixels com perda mínima em $t_ {perda} \ pm 1$ .
Filtro de tópico 2 de pesquisa
$L_ {R-10} \ lt 0,05$	Selecione pixels com perda mínima de floresta fora do raio de interesse.
$L_ {R} (t_ {perda} \ pm 1) \ lt 0,05$	Selecione pixels com perda mínima de floresta nos anos anteriores ou posteriores à t _perda.
Filtro de tópico 3 de pesquisa
$L_ {R_ {in} - R_ {out}}$ no intervalo 0,1–0,2	Selecione pixels com perda de floresta de vizinhança 'significativa', ou seja, em anéis entre R _ine R _out.
L <0,02 e $L_ {R_ {in}} \ lt 0,02$	Selecione pixels com perda mínima localmente e dentro do raio R _in, para isolar os efeitos da perda que ocorre em $R \ gt R_ {in}$ .
$L(t_{loss} \pm 1)\lt0.02$	Select pixels with minimal loss in $t_{loss} \pm 1$ .
FC > 0.9	Select pixels with high local forest cover.

To address the second research topic (whether the spatial extent of loss influences the spatially averaged temperature change due to loss), we also computed spatial averages of ξ over circles with radius R ranging from 1 to 10 km, designating these averages as $\xi_R(t_{loss},j)$ .

Forest gain was not included in the analysis, as the GFC dataset includes forest gain for the 2001–2012 period, but does not cover the period after 2012. To minimise the influence of forest gain or regrowth on temperature change, the analysis was limited to temperature change in the year following that in which the considered loss occurred. This makes two reasonable assumptions: (1) that in the year immediately after forest loss, any forest regrowth is minimal, and (2) that any change in vegetation within pixels not experiencing forest loss is too small, on one-year timescales, to influence the 1 km LST.

2.4. Covariates: factors modulating temperature changes due to forest loss

We additionally produced data layers defining the forest loss and edge density over different radii R surrounding pixel j in year t_loss: $L_R(t_{loss}, j)$ and $\eta_R(t_{loss}, j)$ . These were computed by defining concentric circles, with radii and 10 km, centered on each pixel j. Within each circle and for each loss year, the spatially averaged forest loss, L_R, and edge density, η_R, were computed (see figure 2(B)). For example, $L_{10}(t_{loss}, j)$ is the mean forest loss occurring within 10 km of pixel j. These radially averaged layers are used in the analysis of spatial extent (Research Topic 2).

The radially averaged layers were also used to produce spatial averages over annuli of fixed width (1 and 2 km), denoted by their inner and outer radii, R_in and R_out: $L_{R_{in}-R_{out}}(t_{loss}, j)$ . The average forest loss was computed within annuli with inner and outer radii corresponding to sequential values of R, by taking the areally-weighted difference in average forest loss between these circles. For example, $L_{2-4}(t_{loss}, j)$ represents the mean forest loss in year t_loss within a 2–4 km annulus centered on pixel j. These annular averages are used in the analysis of nonlocal warming (Research Topic 3). The spatially averaged forest loss layers are illustrated in figure 2, panels (B) and (C).

These covariates were computed for the years $t_{loss}-1$ , t_loss and $t_{loss}+1$ , for all pixels in the assessment area for year t_loss. For clarity, the index j is not written out beyond this point, and the year is only specified if it is different from t_loss (e.g. for $t_{loss} \pm 1$ ).

3. Methods

A hypothesis testing approach was used to assess the sensitivity of ξ to FC, η, L_R and $L_{R_{in}-R_{out}}$ . Pixels from all years were pooled to form a single dataset, and the analysis of change was centered in time around the relevant t_loss for each pixel, as illustrated in figure 5. The differences in differences approach controls for interannual climate variability in figure 5. That is, prior to aligning the data around t_loss, the differences in LST between years in the control areas (i.e. temperature changes due to interannual climatic variability) were subtracted from the differences in the target pixels. This minimises the effects of interannual climate variability, allowing loss years to be aggregated as shown in figure 5.

$ L (t_ {perda}) \ geqslant 0,5 $ — **Figura 5.** Para cada ano t _{perda de}variando de 2002 a 2019, as áreas de perda foram sinalizadas usando os critérios $L (t_ {perda}) \ geqslant 0,5$ . Os dados foram então alinhados em torno da t _perdae agrupados em uma população.
Baixar figura:
Imagem padrão Imagem de alta resolução

Os testes de hipótese foram especificamente relacionados às diferenças no valor médio da métrica DiD - escrito como $\ bar \ xi$ , onde a barra superior denota a média em todas as amostras - entre subconjuntos de dados caracterizados por diferenças nas propriedades espaciais de perda de floresta. Para abordar a covariação ilustrada na figura 3 , adotamos uma abordagem de amostragem para equilibrar as distribuições das covariáveis antes de cada teste de hipótese. Também exigimos pelo menos 10 km de distância entre as amostras, para minimizar a autocorrelação espacial.

3.1. Tópico de pesquisa 1: como as características espaciais da floresta modulam os efeitos da perda de floresta na temperatura

Nesta análise, executamos testes de hipóteses que compararam ξ entre pixels com valores altos e baixos de FC ou η . Esses grupos de pixels são chamados de 'partições'. No entanto, para entender os efeitos de FC ou η em ξ , a estrutura e a correlação entre L , FC e η reveladas na figura 3 precisam ser abordadas. Para fazer isso, uma vez que os dados foram particionados - por exemplo, com respeito ao FC - nós ainda amostramos dentro de cada partição para impor similaridade nas outras covariáveis espaciais - isto é, L e η .

The details of the sampling and balancing process are illustrated in figure 6, using the example of determining how FC affects ξ. Firstly, quantiles of FC were used to divide the data into 5 different FC partitions (figure 6(A)). Figure 6(A) shows the comparison between P₁, the partition containing the 0–20th FC percentile range, and P₅, the partition containing the 80-100th FC percentile range. Next, the distributions of forest loss L were compared between FC partitions (figure 6(B)). L was distributed differently in each FC partition. To have balanced data for the analysis, we sub-sampled the data to ensure that the partitions had similar distributions of L: we sorted the data in each partition into bins defined by L, and sub-sampled the same number of pixels per bin between partitions. This resulted in the same number of pixels per bin in each partition, as illustrated in figure 6(C). Enforcing this similarity in the L distributions enabled us to control for the effects of L when comparing the mean ξ entre FC partições , ou seja, para compreender os resultados do 'mundo real' produzidos quando FC é alterado. Esta abordagem, entretanto, não separa os efeitos das mudanças simultâneas em FC e η em ξ , nem faz distinção entre η e FC como o driver das mudanças de temperatura observadas. Como FC é mais observável do que η , e a correlação entre FC e η é onipresente e inevitável (consulte a figura 3 ), é útil entender a sensibilidade das respostas de temperatura a FC e η conjuntamente no conjunto de dados.

**Figure 6.** Illustration of the approach used to address Research Question 1, using the covariate FC as an example. Panel (A) shows the distribution of FC with vertical lines indicating FC quantiles, which were used to delineate five partitions in the dataset, P₁–P₅. In this illustration, the hypothesis test will compare partitions Q₁ and Q₅. Panel (B) shows the corresponding distributions of forest loss L. These panels show that the distributions of L differ within the tested partitions, a difference that could bias the results of the hypothesis test. The subsets are therefore sub-sampled to 'balance' L between them, resulting in similar L distributions (panel (C)). The distributions of FC for the balanced subsets (panel (D)) are similar to those of the unbalanced data, but now contain similar distributions of loss. Finally, panel (E) illustrates the response variable, the mean difference $\Delta \xi$ between high and low FC partitions.
Download figure:
Standard image High-resolution image

To attribute changes in ξ to FC and η independently of each other, we altered the balancing step so that the binning was done in two dimensions. To isolate the effects of FC on ξ, the partitions were balanced with respect to both L and η; likewise, to isolate the effects of η on ξ, the partitions were balanced with respect to both L and FC. The mean difference between partitions, $\Delta \xi$ , was then computed from the balanced data as:

where h and l subscripts denote the high and low FC partitions, and the overbar indicates the mean of ξ within each partition. Confidence intervals for $\Delta \xi$ were bootstrapped to assess the significance of the differences in means. $\Delta \xi$ was used to test against the null hypothesis that the difference is zero, i.e. that there is no effect of the covariate on the observed warming.

3.2. Tópico de pesquisa 2: como a mudança de temperatura após a perda de floresta é afetada pela extensão espacial da perda

Esta análise examinou a sensibilidade da variação da temperatura espacialmente média causada por perda de floresta, ξ _R, para a perda da floresta espacialmente em média, G _R, ao longo de um intervalo de cálculo da média lengthscales R . Nossa expectativa era de que, se tudo o aquecimento ocorreu apenas em resposta à perda de florestas dentro de pixels individuais (e não foi influenciada pela perda ocorrendo em áreas vizinhas), estas médias espaciais seria igual, independentemente do valor de R . Qualquer variação em ξ _Rem relação a R indicaria que outras interações espaciais estavam ocorrendo; portanto, ξ _Rfoi estimado para cada uma das três faixas de perda fracionária que representam 'baixo' ( $0,1 \ lt L_R \ lt 0,2$ ), 'moderado' ( $0,2 \ lt L_R \ lt 0,3$ ) e 'alto' ( $0,3 \ lt L_R \ lt 0,4$ ) perdas florestais, e para 5 raios: R = 1, 2, 4, 6, 8 e 10 km. A 1 km ²escala de pixel de também foi incluída e rotulada como R = 0.

Em todos os casos, exigimos que a perda florestal fora de R fosse pequena ( $L_ {R-10} \ lt0,05$ ) e essa $L_R (t_ {perda} \ pm 1) \ lt 0,05$ , de modo que os efeitos medidos pudessem ser atribuídos a mudanças dentro da extensão de perda testada R durante o ano t _perda. Para cada caso de perda 'baixa', 'média' e 'alta', a média ξ _Rfoi calculada para cada subconjunto e raio R correspondentes . Os intervalos de confiança na média ξ _Rforam inicializados. Dados suficientes para permitir comparações para perda de floresta 'moderada' e 'alta' estavam disponíveis apenas para alguns dos raios testados, pois há menos alto L _Ramostras de para maiores R .

Várias modificações do procedimento acima foram testadas: diminuindo os 5% $L_R (t_ {perda} \ pm 1)$ limiar de 2% (relatado nas informações complementares); adicionando um filtro $L_ {10} (t_ {perda} \ pm 1) \ lt 0,05$ ; e equilibrar os dados com respeito a η _R. Todas essas modificações reduziram a quantidade de dados nos testes de hipóteses, gerando resultados semelhantes, mas com maior incerteza. Os resultados apresentados usam os critérios mais permissivos (não modificados) e maximizam a quantidade de dados representados na análise.

3,3. Tópico de pesquisa 3: como os locais aquecem devido à perda de floresta próxima, mas não local

The sensitivity of ξ to nonlocal forest loss was assessed for undisturbed pixels with high forest cover (with L < 0.02 and FC > 0.9). This simplifies the analysis by ensuring that changes in temperature were not caused by local land cover change. We considered temperature changes only at assessment pixels that experienced significant forest loss across annuli of 1–2, 2–4, 4–6, 6–8 or 8–10 km from the undisturbed pixel. 'Significant' loss in this case refers to a spatially averaged loss in the range of (0.1–0.2). The apparently low average losses reflect the limited number of undisturbed locations that also experience high loss nearby—for example the maximum annular loss (averaged across all annuli) was 0.12 (see table 4). Forest loss effects were isolated to the annulus of interest by requiring that forest loss within the inner radius was less than 2%: $L_{R_{in}} \lt 0.02$ .

No further balancing of FC or η was needed in this analysis, because the range of FC and η was small in undisturbed assessment pixels. For each R_in, the mean temperature response $\bar \xi$ for the sampled pixels was computed, and confidence intervals on the mean were bootstrapped.

4. Results

4.1. Influence of forest loss fraction on LST change

The initial dataset comprised 2.6 million pixels. Approximately 23 000 pixels experienced $\geqslant$ 50% loss in any given year ( $2002~\leqslant t_{loss} \leqslant 2019$ ), and approximately 400 000 pixels experienced $\gt$ 10% loss. A summary of how the pixels were distributed across the MC, and the distribution of forest loss fraction in the dataset, is provided in supplementary information table 1.

An initial exploration of the data reveals that forest loss produces warming, and that the magnitude of warming increases with increasing forest loss. Box plots in figure 7 illustrate this warming trend over different spatial extents (a 1 × 1 km pixel and a circle with a radius of 2 km). To facilitate comparisons with previous studies reporting the mean warming due to forest loss, figure 7 also shows the mean of ξ for each loss range and bootstrapped 95% confidence intervals on the mean. This same information is summarised in table 2, which also includes ξ at the R = 1 km lengthscale.

**Figure 7.** Box plots (blue) for the DiD metric as a function of forest loss L for two spatial scales of averaging: the 1 × 1 km pixel scale, ξ (panel (A)), and loss averaged over circles of radius R = 2 km, ξ₂ (panel (B)). To facilitate comparisons to previously published studies, the adjacent red dots show the mean for each range, along with the bootstrapped 95% confidence intervals on each mean. Panel (B) omits the L₂ = 0.8–1.0 data point due to insufficient data. Box plots show the median (central line), the interquartile range (IQR) of the data (box limits), and whiskers extend 1.5 IQR past the boxes. In all cases, the data shown only include samples with minimal loss ( ${\lt}5\%$ ) outside the assessment pixel/averaging area.
Baixar figura:
Imagem padrão Imagem de alta resolução

Tabela 2. A métrica DiD com média espacial, $\ bar \ xi_R$ , para subconjuntos com raios variados km, e perda proporcional varia L _R. Os dados estavam restritos a $L_ {R-10} \ lt 0,05$ , De modo que qualquer aquecimento observada é principalmente em resposta à perda de dentro do raio R . A coluna 'N' mostra o número de amostras. A mesma informação é exibida nos pontos vermelhos na figura 7 .

A	$\ bar \ xi$	N
0.00–0.20	0.04 (−0.03–0.12)	924
0.20–0.40	0.31 (0.22–0.41)	891
0.40–0.60	0.60 (0.49–0.70)	744
0.60–0.80	0.85 (0.67–1.01)	310
0.80–1.00	0.97 (0.54–1.34)	48
L ₁	$\ bar \ xi_1$	N
0.00–0.20	0.18 (0.12–0.23)	1726
0.20–0.40	0.88 (0.81–0.95)	1952
0.40–0.60	1.67 (1.55–1.79)	900
0.60–0.80	2.47 (2.19–2.74)	247
0.80–1.00	3.56 (2.65–4.61)	30
L ₂	$\bar \xi_2$	N
0.00–0.20	0.21 (0.16–0.26)	1710
0.20–0.40	0.83 (0.75–0.91)	770
0.40–0.60	1.67 (1.45–1.88)	204
0.60–0.80	2.53 (2.01–3.09)	40

For 40%–60% loss, we estimated a warming effect of $0.6\ ^\circ\textrm{C} \pm 0.11\ ^\circ$ C for L, $1.67\ ^\circ\textrm{C} \pm 0.12\ ^\circ$ C for L₁ and $1.67 \pm 0.22\ ^\circ$ C for L₂, as shown in figure 7 and table 2. The L₁ and L₂ estimates are similar to the ${\approx}$ 1.5 ^∘C of warming found by Alkama and Cescatti (2016) for 50% forest loss, and bound the spatial scale in that analysis (R = 1 km corresponds to a spatial extent of ${\approx} 3.1$ km², and R = 2 km to ${\approx} 12.6$ km²)—a remarkable level of agreement considering the differences in study area, temporal scale, and definition of controls used in the differences-in-differences analyses in each study.

Figure 7 shows that many of the samples are negative, suggesting deforestation-induced cooling. This is most likely due to a combination of noise in the remote sensing data, and limitations of the methodology (for instance, not accounting for vegetation changes in non-forested areas). The 8-day averaging period of the MODIS LST product could also produce negative DiD values in samples where the overpass days flagged as 'good quality' (i.e. no cloud cover) differed between control and target pixels. That is, because the MODIS LST data reflects the average of all days within an 8 day period, differences in cloud free days between control and assessment pixels within that period could bias the results.

4.2. Research topic 1: how spatial forest characteristics modulate the temperature effects of forest loss

Warming due to forest loss in the MC changes with the spatial properties of the remaining forest cover. This effect is illustrated in figure 8, which shows how the temperature change following forest loss, ξ, differs between partitions of the data, with this difference between partitions denoted as $\Delta \xi$ . The variable used to partition the data is the remaining forest cover (panels (A)–(C)) or the remaining edge density (panel (D)). Thus, in panels (A)–(C), a positive $\Delta \xi$ indicates more warming in locations with higher remaining forest cover, and a negative $\Delta \xi$ indicates less warming in locations with higher remaining forest cover. Where $\Delta \xi = 0$ (or equivalently, the 95% confidence intervals on the mean include 0), there is no significant effect of remaining forest cover on the temperature change caused by forest loss. To account for the possibility that remaining forest cover only influences the temperature change above some threshold value, the $\Delta \xi$ values are plotted as a function of the mean remaining forest cover in the lower partition, FC_l. Panel (D) shows a similar approach, except that the partitions are now based on remaining edge density, such that $\Delta \xi$ shows the differences in warming due to difference in remaining edge density, $\Delta \eta$ , between the tested partitions.

Nos figura 8 painéis da (A) e (B), a estimativa $\ Delta \ xi$ —Diferenças no aquecimento devido a diferenças na cobertura florestal remanescente — foi calculado sem controlar os efeitos da densidade de borda. Desde que a cobertura florestal remanescente na partição inferior esteja acima de 10% (ou seja, $FC_l \ geqslant 10 \%$ ), essas estimativas sugerem que o aquecimento devido à perda de floresta é independente da cobertura florestal remanescente (ou seja, $\ Delta \ xi$ não é significativamente diferente de zero). As diferenças no aquecimento entre as partições de cobertura florestal remanescente alta e baixa parecem ser substancialmente independentes do tamanho da diferença na cobertura florestal remanescente entre as partições, $\Delta FC$ . This is shown by the lack of any clear association between $\Delta \xi$ and the color of the symbols (indicating the difference in mean forest cover between partitions $\Delta FC$ ) in panel (A). Samples with $FC_l \lt 0.1$ have negative $\Delta \xi$ , indicating that warming due to forest loss is amplified when the clearing is nearly complete. Panel (B) shows the same data as panel (A), with the marker colors now indicating the difference in mean edge density between the tested partitions, $\Delta \eta$ . In this panel, it is clear that cases with smaller FC_l (x axis) are associated with higher $\Delta \eta$ , como resultado da associação entre FC e η ilustrada na figura 3 . O painel (B) sugere que a sensibilidade do aquecimento à cobertura florestal remanescente não pode ser separada, nesta análise, da sensibilidade à densidade de borda remanescente.

Panels (C) and (D) present the isolated effects of remaining forest cover and edge density. Panel (C) shows the differences in warming due to differences in remaining forest cover, now controlling for the effects of edge density in addition to forest loss (obtained by balancing the data with respect to both variables). For all tested forest cover partitions, the $\Delta \xi$ values are effectively zero (confidence intervals for all tests include zero), suggesting that remaining forest cover does not independently influence the magnitude of temperature changes caused by forest loss. Conversely, panel (D) shows the differences in warming between partitions with low and high remaining edge density, with both forest loss and remaining forest cover controlled for. Here, a clear trend emerges, in which the least warming occurs when the remaining forest cover has the highest edge density. For the most extreme η separation between partitions, where $\Delta \eta = 0.28$ , the 'edgier' landscape warmed by nearly 1 ^∘C less than the less 'edgy' landscape ( $\Delta \xi = -0.89\ ^\circ\textrm{C} \pm 0.25\ ^\circ$ C).

Supplementary information tables 2–4 provide further detail about the data in figure 8, including $\Delta \xi$ for each inter-quantile comparison.

4.3. Research topics 2 and 3: how temperatures respond to loss extent and to nonlocal forest loss

To illustrate the sensitivity of warming to the spatial extent of forest loss, figure 9(A) plots $\bar \xi_R$ —the average temperature change due to forest loss in a circle of radius R—as a function of R. The same information is summarised in table 3. The analysis shows that, for a given proportional loss L_R, the temperature response $\bar \xi_R$ was greater for larger values of R. For example, considering 30%–40% loss (dark blue markers in figure 9(A), the average temperature increase over a 1 × 1 km pixel was $0.36\ ^\circ\textrm{C} \pm 0.8\ ^\circ$ C, while in a circle of radius 1 km, it was $0.98\ ^\circ\textrm{C} \pm 0.07\ ^\circ$ C. For 30%–40% forest loss occurring over a circle with radius 4 km, the average temperature increase was $1.65 \pm 0.34 ^\circ$ C. The confidence intervals on $\bar \xi_R$ widen as both R and L_R increase. Thus, the increase in $\bar \xi_R$ with R becomes more uncertain as $R\gtrsim 4$ km. Additionally, no sensitivity to extent was observed for 'low' forest loss ( $0.1\lt L_R\lt0.2$ ), with the $\bar \xi_R$ confidence intervals overlapping for all lengthscales except R = 0. Sample size and data availability make it challenging to unravel the dependence of $\bar \xi_R$ to R across all magnitudes of loss. This difficulty reflects the infrequent occurrence in the dataset of large areas with high proportional loss that meet the other sampling criteria.

$ L_ {R-10} \ lt 0,05 $ — **Figura 9.** (A) A mudança de temperatura média espacialmente devido à perda de floresta em um círculo de raio R , $\ bar \ xi_R$ , Aumenta com o aumento *de R* , para diferentes fracções de perda, G _R. Apenas amostras com $L_ {R-10} \ lt 0,05$ foram analisados, para evitar qualquer influência da perda de floresta não local sobre $\ bar \ xi_R$ , (B) A temperatura média aumenta em relação aos locais de controle, $\ bar \ xi$ , em pixels não perturbados que sofreram perda significativa de floresta em suas vizinhanças. Os dados são plotados para sequenciais de 1 ou 2 km de largura denotados por seu raio interno R _inanulares , para o qual a perda anular média estava na faixa de (0,1–0,2). Para isolar os efeitos da perda de floresta em cada anel, os dados foram filtrados para conter apenas pixels com $L_ {R_ {in}} \ lt 0,02$ .
Baixar figura:
Imagem padrão Imagem de alta resolução

Tabela 3. $\ bar \ xi_R$ mostra o aquecimento médio, com intervalos de confiança bootrapped na média entre parênteses, para subconjuntos com diferentes raios R e perda proporcional varia L _R. A coluna $\bar L_R$ mostra a perda proporcional média dentro dos subconjuntos. Os dados estavam restritos a $L_ {R-10} \ lt 0,05$ , De modo que qualquer aquecimento observada é principalmente em resposta à perda de dentro do raio R . A densidade da borda ( $\ \ bar \ eta_R$ ) e cobertura florestal remanescente ( $\ overline {FC_R}$ ) são calculados em média sobre os raios R em torno dos pixels alvo (coincidindo com as regiões de avaliação para $\ bar \ xi_R$ ).

R	L _R	$\bar L_{R}$	$\ bar \ xi_R$	N	$\ \ bar \ ta eta} _R$	$\ overline {FC_R}$
0	0.1–0.2	0.14	0.20 (0.16, 0.24)	4485	0.28	0.56
0	0.2–0.3	0.24	0.39 (0.32, 0.45)	1741	0.28	0.48
0	0.3–0.4	0.34	0.36 (0.28, 0.45)	786	0.26	0.42
1	0.1–0.2	0.14	0.44 (0.40, 0.48)	3756	0.21	0.57
1	0.2–0.3	0.24	0.69 (0.65, 0.74)	2600	0.21	0.49
1	0.3–0.4	0.34	0.98 (0.91, 1.05)	1607	0.21	0.43
2	0.1–0.2	0.13	0.46 (0.42, 0.50)	2730	0.21	0.57
2	0.2–0.3	0.23	0.82 (0.75, 0.89)	1045	0.20	0.50
2	0.3–0.4	0.33	1.20 (1.08, 1.32)	457	0.18	0.43
4	0.1–0.2	0.12	0.52 (0.45, 0.58)	857	0.19	0.58
4	0.2–0.3	0.22	0.84 (0.65, 1.03)	138	0.17	0.52
4	0.3–0.4	0.33	1.65 (1.31, 1.99)	37	0.16	0.46
6	0.1–0.2	0.12	0.48 (0.39, 0.57)	353	0.18	0.59
6	0.2–0.3	0.22	1.26 (0.94, 1.59)	36	0.18	0.54
8	0.1–0.2	0.12	0.51 (0.41, 0.61)	268	0.19	0.59
10	0.1–0.2	0.11	0.48 (0.38, 0.58)	287	0.19	0.56

The analysis depicted in figure 9(B) shows increased ξ in undisturbed pixels in response to forest loss of $\gt$ 10% in neighboring locations. This increase is greatest when the forest loss occurs immediately adjacent to the undisturbed site (i.e. R_in = 1 km), and remains significant at the 95% level for forest loss occurring in the range of 4–6 km of the undisturbed site. The information is also summarised in table 4.

Table 4. $\bar \xi$ shows the mean warming for undisturbed forest pixels with neighborhood loss $\bar L_{R_{in}-R_{out}}$ in the range (0.1–0.2), for annuli with inner radius of R_in and outer radius denoted R_out. The data was restricted to samples with L < 0.02 and $L_{R_{in}} \lt 0.02$ . The mean edge density ( $\bar \eta$ ) and remaining forest cover ( $\overline {FC}$ ) values across the annulus are also listed.

R_in	R_out	$\bar L_{R_{in}-R_{out}}$	$\bar \xi$	N	$\bar \eta$	$\overline{FC}$
1	2	0.12	0.36 (0.29, 0.42)	1405	0.06	0.96
2	4	0.12	0.24 (0.18, 0.30)	1726	0.06	0.96
4	6	0.12	0.10 (0.04, 0.16)	1323	0.06	0.96
6	8	0.11	0.05 (−0.04, 0.13)	745	0.06	0.97
8	10	0.11	−0.03 (−0.11, 0.06)	599	0.06	0.96

5. Discussion

As análises demonstram como a perda de floresta causa aumentos de LST no MC, que são comparáveis em magnitude às estimativas pan-tropicais anteriores de aquecimento induzido por desmatamento (Alkama e Cescatti 2016 ) e aumentam com o aumento da perda fracionária de floresta. O aquecimento induzido pelo desmatamento diminui à medida que a fragmentação (densidade da borda) da cobertura florestal remanescente aumenta, com, no caso mais extremo da análise, uma redução no aquecimento de $\ approx 0,9 \ ^ \ circ$ C atribuível a uma diferença na densidade da borda de $\ Delta \ eta = 0,29$ . Esse efeito é semelhante ao identificado por Mendes e Prevedello ( 2020 ), que encontraram temperaturas mais baixas em paisagens florestais mais fragmentadas. Diferenças metodológicas, no entanto, impedem uma comparação direta da relação temperatura-fragmentação entre os estudos.

O aquecimento associado à perda de floresta não muda por causa da cobertura florestal remanescente (ou seja, os aumentos de LST não dependem da fração de cobertura florestal remanescente). No entanto, a fração da cobertura florestal covaria com a densidade da borda da floresta, o que altera a magnitude do aquecimento devido à perda. Essa covariação significa que, na prática, a cobertura florestal remanescente após a perda pode influenciar a mudança do LST (figura 8 , painéis (A) e (B)). Pragmaticamente, a observação de maiores aumentos de temperatura no CM quando FC <10% sugere que manter um mínimo de 10% de cobertura florestal em 1 × escalas de 1 km pode ajudar a mitigar o aumento de temperatura devido à conversão da cobertura do solo.

A perda de floresta que ocorre em áreas maiores parece causar mais aquecimento do que a perda de floresta fracionada equivalente que ocorre em áreas menores. Tamanhos de amostra limitados para áreas com grande perda fracionária e grandes áreas de perda significa que a análise não pôde determinar o limite superior das escalas sobre as quais essa dependência de área pode ser aplicada. O aquecimento crescente com o aumento da extensão da perda, no entanto, é visível até raios de 6 km e é bastante evidente em escalas menores (por exemplo, ao comparar o aquecimento entre 1 × pixel de 1 km e R escalas = 1 km). Este achado é inconsistente com um estudo anterior (Zeppetello et al 2020 ), que mostrou que as mudanças de temperatura devido ao desmatamento estavam relacionadas à área de desmatamento em regiões tropicais apenas em grandes escalas. Especificamente, nenhum efeito de escala foi encontrado para as áreas ${\ gt} 13$ km ², incluindo a faixa de escalas sobre as quais a sensibilidade significativa à extensão da perda aparece no presente estudo. Essa discrepância não é surpreendente, dadas as diferenças metodológicas entre os estudos. Em particular, Zeppetello et al ( 2020 ) analisaram as mudanças de LST após o desmatamento, sem usar áreas de floresta intacta nas proximidades para controlar a variabilidade do clima de fundo, como foi feito no presente estudo. Usar uma abordagem DiD provavelmente aumentaria a sensibilidade da análise, reduzindo o ruído na variável de resposta. As métricas espaciais da extensão da perda também diferem entre os estudos (áreas de perda conectadas em Zeppetello et al ( 2020 ) versus perda média em círculos de variável R apresentados aqui).

The last finding is that LST increases associated with forest loss are not confined to the location where forest removal occurs. Instead, areas located at distances within 6 km from forest loss are warmed by the nonlocal removal of trees. This finding is broadly consistent with previous work in the Brazilian Amazon-Cerrado transition area (Cohn et al 2019), which estimated that 10% forest loss would increase surface ATs by $0.06\ ^\circ\textrm{C} \pm 0.01\ ^\circ$ C at undisturbed sites within 2–4 km of the loss. In the present study, 10% forest loss over the same 2–4 km annulus caused LST increases of $0.24\ ^\circ\textrm{C} \pm0.06\ ^\circ$ C. Although the temperature metrics (AT versus LST) and study areas (Brazil versus the MC) differ between the studies, the findings are broadly similar and suggest that forest loss in the tropics results in nonlocal warming.

No geral, os resultados sugerem a importância do padrão espacial e da escala ao considerar as implicações da mudança de temperatura na perda de floresta. Os mecanismos responsáveis por esses efeitos espaciais, no entanto, permanecem obscuros, com vários mecanismos considerados relevantes. As bordas da floresta sombreiam terras não florestadas vizinhas (Zhou et al 2011 , Li et al 2012 ). As bordas da floresta são mais secas e quentes do que os interiores da floresta (Smit et al 2013 , Arroyo-Rodríguez et al 2017 ), representando gradientes térmicos que são susceptíveis de gerar fluxos de energia laterais. Se esses fluxos ocorrerem em escalas grandes o suficiente, eles podem gerar uma circulação secundária de ar, levando ao resfriamento em maior escala (o efeito da 'brisa da vegetação'; Mendes e Prevedello 2020 ). Notamos, no entanto, que as escalas de comprimento associadas à métrica de fragmentação η ( ${\ lt} 1$ km) são muito menores do que aqueles previamente observados para desencadear tais circulações de mesoescala (Avissar e Liu 1996 ). Alternativamente, a heterogeneidade gerada por uma paisagem florestal fragmentada pode aumentar a rugosidade aerodinâmica efetiva da superfície da terra, aumentando a transferência turbulenta de momento e energia entre a superfície e a atmosfera (Spracklen et al 2018 ). Estudos de modelagem, por exemplo, mostram fluxos de calor latentes e sensíveis à superfície aumentados causados por heterogeneidades espaciais com escalas de comprimento de ≈10–10 ³m (Schmid e Bünzli 1995 ), aumentando o resfriamento da superfície.

Mais simplesmente, o aquecimento não local provavelmente reflete a advecção de ar quente de locais de perda de floresta para áreas vizinhas - um fenômeno que foi melhor caracterizado em ambientes urbanos (Bassett et al 2016 , Cosgrove e Berkelhammer 2018 ). Áreas maiores de perda de floresta (ou seja, maior extensão de perda) podem amplificar os efeitos de muitos desses processos: por exemplo, aumentando a conectividade da paisagem para fluxo de ar advectivo, reduzindo a proporção de bordas de floresta para áreas de perda, ou combinando locais e aquecimento não local. Embora as mudanças LST observadas no MC não possam ser atribuídas a esses mecanismos com base nas análises apresentadas aqui, há um escopo significativo para trabalhos futuros para fazê-lo. Por exemplo, testar como as escalas de comprimento de fragmentação afetam as respostas de temperatura poderia discriminar entre os efeitos aerodinâmicos da heterogeneidade, emergindo em 10–10 ³escalas de m (Schmid e Bünzli 1995 ) e circulações de mesoescala surgindo em ~ 10 ⁵escalas de m (Avissar e Liu 1996 , Cochrane e Laurance 2008 ).

Estudos recentes indicaram que a altitude em que ocorre o desmatamento influencia a resposta da temperatura da superfície da terra (Zeng et al 2020 ), o que pode se tornar cada vez mais importante à medida que o desmatamento ocorre cada vez mais em altitudes mais elevadas no Sudeste Asiático (Feng et al 2021 ). Variações na elevação não influenciaram os resultados do presente estudo, no entanto, como 90% dos locais estavam localizados em elevações de $\ lt$ 250 m. No entanto, a metodologia DiD empregada aqui pode ser valiosa para uma maior exploração dos efeitos da elevação na mudança de temperatura induzida pelo desmatamento.

O DiD e as abordagens de teste de hipótese usadas aqui permitem a atribuição causal da mudança LST às propriedades espaciais da perda florestal. Embora essa metodologia seja um ponto forte do estudo, ela exigiu esforços cuidadosos para controlar as propriedades espaciais confusas e covariáveis (por exemplo, ao separar os efeitos de FC de η ). Consequentemente, embora o conjunto de dados inicial de perda de floresta e mudança de temperatura fosse muito grande, as limitações dos dados influenciaram as análises finais. Além disso, a metodologia não leva em consideração o ganho de floresta, o recrescimento da vegetação após a perda da floresta ou as mudanças na vegetação em áreas não florestadas. Para o curto período de avaliação (1 ano) considerado aqui, a influência desses fatores na temperatura da superfície é provavelmente pequena em relação à perda de floresta, uma vez que a perda de floresta constitui uma mudança gradual, enquanto o crescimento da vegetação é mais gradual. No entanto, estimativas mais precisas do aquecimento da superfície induzida pelo desmatamento seriam obtidas se esses fatores fossem levados em consideração.

Outras limitações do estudo incluem o uso de LST em vez de AT próximo à superfície, visto que o AT é mais relevante para a produtividade da cultura e a saúde humana (Wolff et al 2018 , Masuda et al 2019 ). No entanto, LST está fortemente correlacionado ao AT em todas as regiões e tipos de cobertura (Mutiibwa et al 2015 , Alkama e Cescatti 2016 , Pepin et al 2016 ), e LST demonstrou responder às mudanças na cobertura da terra de forma semelhante ao AT, embora com diferentes magnitudes Alkama e Cescatti ( 2016 ). O conjunto de dados usado consiste em observações sem nuvens, que presumivelmente têm temperaturas mais quentes do que dias nublados - uma fonte potencial de distorção que pode ou não ser controlada pela abordagem DiD. O uso de temperaturas médias anuais significa que a análise não esclarece diretamente como os extremos de temperatura respondem ao desmatamento e suas propriedades espaciais. Esses extremos são presumivelmente as ocorrências em que o resfriamento derivado da cobertura florestal pode ser mais importante. Os extremos de temperatura escalam de forma não linear com as mudanças médias de temperatura causadas pelo aquecimento global (Lewis et al 2017 ), e estudos de modelagem sugeriram que os impactos do desmatamento em ATs máximos sazonais no MC podem estar na faixa de 4 ^∘C – 12 ^∘C - muitas vezes maiores do que as mudanças detectadas aqui (Avila et al 2012 ). No entanto, não temos conhecimento de qualquer relação prognóstica entre o aquecimento da temperatura média anual e o consequente aumento dos extremos que nos permita estimar mudanças nos extremos a partir dos resultados presentes.

6. Conclusão

A perda de floresta no MC faz com que os LSTs aumentem tanto no local do desmatamento quanto nas áreas vizinhas. A magnitude do aumento de temperatura depende das propriedades espaciais de perda de floresta e cobertura florestal remanescente, com maior aquecimento médio associado com (i) perda florestal resultando em menos de 10% da cobertura florestal remanescente e (ii) perda florestal mais extensa do que ocorrência de perda em escalas menores. Essas descobertas podem ser atribuídas em grande parte ao papel das bordas da floresta na mitigação do aquecimento, embora os fundamentos mecanicistas dessa relação exijam mais exploração.

Os resultados do estudo sugerem dois resultados pragmáticos para as políticas de conservação florestal e gestão da terra: em primeiro lugar, embora a fragmentação tenha sido há muito identificada como indesejável para as florestas, estender a extensão do limite floresta-não-floresta (um efeito colateral da fragmentação) reduz o aumento da temperatura. Como os resultados mostram, mesmo pequenas quantidades de cobertura florestal remanescente fornecem um efeito de resfriamento ( $\ gt$ 10%); Abordagens de gestão de paisagem que equilibram múltiplos usos concorrentes enquanto preservam alguma cobertura de árvores (por exemplo, agrossilvicultura, paisagens multifuncionais) forneceriam alguma mitigação do aquecimento. Isso é importante devido ao risco que o aquecimento global representa para muitas atividades econômicas que usam terras adjacentes a florestas. Em segundo lugar, este estudo corrobora uma observação anterior de propagação não local do aquecimento de locais desmatados para áreas circunvizinhas. Esses efeitos não locais criam uma oportunidade para avaliar os 'serviços de estabilização do clima' oferecidos pelas florestas. Visto por esta lente, a conservação da floresta pode evitar o aumento da temperatura nas terras vizinhas que seria causado pela perda da floresta. Esse aquecimento evitado pode ser avaliado em termos de evitar danos relacionados ao calor - por exemplo, perda de produtividade agrícola ou impactos na saúde humana.

Agradecimentos

A manipulação dos dados geoespaciais foi realizada no Google Earth Engine (GEE), e as análises subsequentes dos conjuntos de dados produzidos foram realizadas em Python, utilizando o Microsoft Azure. Os autores agradecem o financiamento da National Geographic Foundation / Microsoft AI for Earth grant. Débora Corr $\hat{e}$ a é apoiado pelo Australian Research Council por meio do Center for Transforming Maintenance through Data Science (Grant No. IC180100030), financiado pelo governo australiano. Gostaríamos de agradecer a Anneliese Sytsma e Dana Lapides pelos comentários e sugestões úteis sobre o manuscrito.

Declaração de disponibilidade de dados

O código JavaScript usado para extrair os dados no Google Earth Engine (GEE), o conjunto de dados exportado do GEE e o código Python para analisá-los estão disponíveis no Center for Open Science em: https://osf.io/38q7g (DOI 10.17605 / OSF.IO / X2YZJ ).

Os dados que suportam os achados deste estudo estão disponíveis abertamente no seguinte URL / DOI: https://osf.io/38q7g .

.

segunda-feira, 22 de novembro de 2021