A method for generating daily surfaces of temperature, precipitation, humidity, and radiation over large regions of complex terrain is presented. Required inputs include digital elevation data and observations of maximum temperature, minimum temperature and precipitation from ground-based meteorological stations. Our method is based on the spatial convolution of a truncated Gaussian weighting filter with the set of station locations. Sensitivity to the typical heterogeneous distribution of stations in complex terrain is accomplished with an iterative station density algorithm. Spatially and temporally explicit empirical analyses of the relationships of temperature and precipitation to elevation were performed, and the characteristic spatial and temporal scales of these relationships were explored. A daily precipitation occurrence algorithm is introduced, as a precursor to the prediction of daily precipitation amount. Surfaces of humidity (vapor pressure deficit) are generated as a function of the predicted daily minimum temperature and the predicted daily average daylight temperature. Daily surfaces of incident solar radiation are generated as a function of Sun-slope geometry and interpolated diurnal temperature range. The application of these methods is demonstrated over an area of approximately 400 000 detailed illustration of the parameterization process. A cross-validation analysis was performed, comparing predicted and observed daily and annual average values. Mean absolute errors (MAE) for predicted annual average maximum and minimum temperature were 0.7°C and 1.2°C, with biases of +0.1°C and −0.1°C, respectively. MAE for predicted annual total precipitation was 13.4 cm, or, expressed as a percentage of the observed annual totals, 19.3%. The success rate for predictions of daily precipitation occurrence was 83.3%. Particular attention was given to the predicted and observed relationships between precipitation frequency and intensity, and they were shown to be similar. We tested the sensitivity of these methods to prediction grid-point spacing, and found that areal averages were unchanged for grids ranging in spacing from 500 m to 32 km. We tested the dependence of the results on timestep, and found that the temperature prediction algorithms scale perfectly in this respect. Temporal scaling of precipitation predictions was complicated by the daily occurrence predictions, but very nearly the same predictions were obtained at daily and annual timesteps.

In preparation for the fifth Assessment Report (AR5) of the Intergovernmental Panel on Climate Change (IPCC), the international community is developing new advanced Earth System Models (ESMs) to assess the combined effects of human activities (e.g. land use and fossil fuel emissions) on the carbon-climate system. In addition, four Representative Concentration Pathway (RCP) scenarios of the future (2005–2100) are being provided by four Integrated Assessment Model (IAM) teams to be used as input to the ESMs for future carbon-climate projections (Moss et al. 2010). The diversity of approaches and requirements among IAMs and ESMs for tracking land-use change, along with the dependence of model projections on land-use history, presents a challenge for effectively passing data between these communities and for smoothly transitioning from the historical estimates to future projections. Here, a harmonized set of land-use scenarios are presented that smoothly connects historical reconstructions of land use with future projections, in the format required by ESMs. The land-use harmonization strategy estimates fractional land-use patterns and underlying land-use transitions annually for the time period 1500–2100 at 0.5° × 0.5° resolution. Inputs include new gridded historical maps of crop and pasture data from HYDE 3.1 for 1500–2005, updated estimates of historical national wood harvest and of shifting cultivation, and future information on crop, pasture, and wood harvest from the IAM implementations of the RCPs for the period 2005–2100. The computational method integrates these multiple data sources, while minimizing differences at the transition between the historical reconstruction ending conditions and IAM initial conditions, and working to preserve the future changes depicted by the IAMs at the grid cell level. This study for the first time harmonizes land-use history data together with future scenario information from multiple IAMs into a single consistent, spatially gridded, set of land-use change scenarios for studies of human impacts on the past, present, and future Earth system.

The Community Land Model is the land component of the Community Climate System Model.Here, we describe a broad set of model improvements and additions that have been provided through the CLM development community to create CLM4.The model is extended with a carbon-nitrogen (CN) biogeochemical model that is prognostic with respect to vegetation, litter, and soil carbon and nitrogen states and vegetation phenology.An urban canyon model is added and a transient land cover and land use change (LCLUC) capability, including wood harvest, is introduced, enabling study of historic and future LCLUC on energy, water, momentum, carbon, and nitrogen fluxes.The hydrology scheme is modified with a revised numerical solution of the Richards equation and a revised ground evaporation parameterization that accounts for litter and within-canopy stability.The new snow model incorporates the SNow and Ice Aerosol Radiation model (SNICAR) -which includes aerosol deposition, grain-size dependent snow aging, and vertically-resolved snowpack heating -as well as new snow cover and snow burial fraction parameterizations.The thermal and hydrologic properties of organic soil are accounted for and the ground column is extended to ,50-m depth.Several other minor modifications to the land surface types dataset, grass and crop optical properties, surface layer thickness, roughness length and displacement height, and the disposition of snow-capped runoff are also incorporated.The new model exhibits higher snow cover, cooler soil temperatures in organic-rich soils, greater global river discharge, and lower albedos over forests and grasslands, all of which are improvements compared to CLM3.5.When CLM4 is run with CN, the mean biogeophysical simulation is degraded because the vegetation structure is prognostic rather than prescribed, though running in this mode also allows more complex terrestrial interactions with climate and climate change.

Regional phenology is important in ecosystem simulation models and coupled biosphere/atmosphere models. In the continental United States, the timing of the onset of greenness in the spring (leaf expansion, grass green‐up) and offset of greenness in the fall (leaf abscission, cessation of height growth, grass brown‐off) are strongly influenced by meteorological and climatological conditions. We developed predictive phenology models based on traditional phenology research using commonly available meteorological and climatological data. Predictions were compared with satellite phenology observations at numerous 20 km × 20 km contiguous landcover sites. Onset mean absolute error was 7.2 days in the deciduous broadleaf forest (DBF) biome and 6.1 days in the grassland biome. Offset mean absolute error was 5.3 days in the DBF biome and 6.3 days in the grassland biome. Maximum expected errors at a 95% probability level ranged from 10 to 14 days. Onset was strongly associated with temperature summations in both grassland and DBF biomes; DBF offset was best predicted with a photoperiod function, while grassland offset required a combination of precipitation and temperature controls. A long‐term regional test of the DBF onset model captured field‐measured interannual variability trends in lilac phenology. Continental application of the phenology models for 1990–1992 revealed extensive interannual variability in onset and offset. Median continental growing season length ranged from a low of 129 days in 1991 to a high of 146 days in 1992. Potential uses of the models include regulation of the timing and length of the growing season in large‐scale biogeochemical models and monitoring vegetation response to interannual climatic variability.

Global Ecology and BiogeographyVolume 22, Issue 6 p. 737-749 Research Paper A global analysis of soil microbial biomass carbon, nitrogen and phosphorus in terrestrial ecosystems Xiaofeng Xu, Corresponding Author Xiaofeng Xu Climate Change Science Institute and Environmental Science Division, Oak Ridge National Laboratory, Oak Ridge, TN, 37831 USA Correspondence: Xiaofeng Xu, Environmental Science Division, Oak Ridge National Laboratory, 1 Bethal Valley Road, Oak Ridge, TN 37831, USA. E-mail: xux4@ornl.govSearch for more papers by this authorPeter E. Thornton, Peter E. Thornton Climate Change Science Institute and Environmental Science Division, Oak Ridge National Laboratory, Oak Ridge, TN, 37831 USASearch for more papers by this authorWilfred M. Post, Wilfred M. Post Climate Change Science Institute and Environmental Science Division, Oak Ridge National Laboratory, Oak Ridge, TN, 37831 USASearch for more papers by this author Xiaofeng Xu, Corresponding Author Xiaofeng Xu Climate Change Science Institute and Environmental Science Division, Oak Ridge National Laboratory, Oak Ridge, TN, 37831 USA Correspondence: Xiaofeng Xu, Environmental Science Division, Oak Ridge National Laboratory, 1 Bethal Valley Road, Oak Ridge, TN 37831, USA. E-mail: xux4@ornl.govSearch for more papers by this authorPeter E. Thornton, Peter E. Thornton Climate Change Science Institute and Environmental Science Division, Oak Ridge National Laboratory, Oak Ridge, TN, 37831 USASearch for more papers by this authorWilfred M. Post, Wilfred M. Post Climate Change Science Institute and Environmental Science Division, Oak Ridge National Laboratory, Oak Ridge, TN, 37831 USASearch for more papers by this author First published: 28 December 2012 https://doi.org/10.1111/geb.12029Citations: 524Read the full textAboutPDF ToolsRequest permissionExport citationAdd to favoritesTrack citation ShareShare Give accessShare full text accessShare full-text accessPlease review our Terms and Conditions of Use and check box below to share full-text version of article.I have read and accept the Wiley Online Library Terms and Conditions of UseShareable LinkUse the link below to share a full-text version of this article with your friends and colleagues. Learn more.Copy URL Share a linkShare onFacebookTwitterLinked InRedditWechat Abstract Aim To estimate the concentrations, stoichiometry and storage of soil microbial biomass carbon (C), nitrogen (N) and phosphorus (P) at biome and global scales. Location Global. Method We collected 3422 data points to summarize the concentrations and stoichiometry of C, N and P in soils, soil microbial biomass at global and biome levels, and to estimate the global storage of soil microbial biomass C and N. Results The results show that concentrations of C, N and P in soils and soil microbial biomass vary substantially across biomes; the fractions of soil elements C, N and P in soil microbial biomass are 1.2, 2.6 and 8.0%, respectively. The best estimates of C:N:P stoichiometry for soil elements and soil microbial biomass are 287:17:1 and 42:6:1, respectively, at global scale, and they vary in a wide range among biomes. The vertical distribution of soil microbial biomass follows the distribution of roots up to 1 m depth. Main conclusions The global storage of soil microbial biomass C and N were estimated to be 16.7 Pg C and 2.6 Pg N in the 0–30 cm soil profiles, and 23.2 Pg C and 3.7 Pg N in the 0–100 cm soil profiles. We did not estimate P in soil microbial biomass due to insufficient data and insignificant correlation between soil total P and climate variables used for spatial extrapolation. The spatial patterns of soil microbial biomass C and N were consistent with those of soil organic C and total N, i.e. high density in northern high latitude, and low density in low latitudes and the Southern Hemisphere. Citing Literature Supporting Information Filename Description geb12029-sup-0001-si.docx2.8 MB Figure S1 Spatial distribution of major biomes across the globe. Figure S2 Histograms showing frequency of soil elements. Figure S3 Histograms showing frequency of soil microbial biomass C, N and P. Figure S4 Histograms showing frequency of ratios between soil elements. Figure S5 Histograms showing frequency of ratios between soil microbial biomass C, N and P. Figure S6 Box and scatter charts showing distributions and magnitudes of C, N and P in microbial biomass and soil and fractions of soil nutrient in soil microbial biomass. Figure S7 Box and scatter charts showing distributions and magnitudes of C, N and P in microbial biomass and soil and fractions of soil nutrient in soil microbial biomass in 11 major biomes. Figure S8 Observed versus retrieved climate variables for the sampling sites. Figure S9 Scatterplot showing soil organic C and soil microbial biomass C along latitude. Figure S10 Scatterplot showing soil organic N and soil microbial biomass N along latitude. Figure S11 Scatterplot showing soil organic P and soil microbial biomass P along latitude. Figure S12 C:N ratios for soil elements and soil microbial biomass along latitude. Figure S13 C:P ratios for soil elements and soil microbial biomass along latitude. Figure S14 N:P ratios for soil elements and soil microbial biomass along latitude. Table S1 The values of parameters describing vertical distribution of soil microbial biomass C and N in soil profile. Table S2 Values of parameters used to estimate global soil microbial biomass C and N (standard errors in the brackets; N is the numbers of data points used in multiple linear regression). Please note: The publisher is not responsible for the content or functionality of any supporting information supplied by the authors. Any queries (other than missing content) should be directed to the corresponding author for the article. Volume22, Issue6June 2013Pages 737-749 RelatedInformation

The effects of disturbance history, climate, and changes in atmospheric carbon dioxide (CO2) concentration and nitrogen deposition (Ndep) on carbon and water fluxes in seven North American evergreen forests are assessed using a coupled water–carbon–nitrogen model, canopy-scale flux observations, and descriptions of the vegetation type, management practices, and disturbance histories at each site. The effects of interannual climate variability, disturbance history, and vegetation ecophysiology on carbon and water fluxes and storage are integrated by the ecosystem process model Biome-BGC, with results compared to site biometric analyses and eddy covariance observations aggregated by month and year. Model results suggest that variation between sites in net ecosystem carbon exchange (NEE) is largely a function of disturbance history, with important secondary effects from site climate, vegetation ecophysiology, and changing atmospheric CO2 and Ndep. The timing and magnitude of fluxes following disturbance depend on disturbance type and intensity, and on post-harvest management treatments such as burning, fertilization and replanting. The modeled effects of increasing atmospheric CO2 on NEE are generally limited by N availability, but are greatly increased following disturbance due to increased N mineralization and reduced plant N demand. Modeled rates of carbon sequestration over the past 200 years are driven by the rate of change in CO2 concentration for old sites experiencing low rates of Ndep. The model produced good estimates of between-site variation in leaf area index, with mixed performance for between- and within-site variation in evapotranspiration. There is a model bias toward smaller annual carbon sinks at five sites, with a seasonal model bias toward smaller warm-season sink strength at all sites. Various lines of reasoning are explored to help to explain these differences.

Ecosystem simulation models use descriptive input parameters to establish the physiology, biochemistry, structure, and allocation patterns of vegetation functional types, or biomes. For single-stand simulations it is possible to measure required data, but as spatial resolution increases, so too does data unavailability. Generalized biome parameterizations are then required. Undocumented parameter selection and unknown model sensitivity to parameter variation for larger-resolution simulations are currently the major limitations to global and regional modeling. The authors present documented input parameters for a process-based ecosystem simulation model, BIOME–BGC, for major natural temperate biomes. Parameter groups include the following: turnover and mortality; allocation; carbon to nitrogen ratios (C:N); the percent of plant material in labile, cellulose, and lignin pools; leaf morphology; leaf conductance rates and limitations; canopy water interception and light extinction; and the percent of leaf nitrogen in Rubisco (ribulose bisphosphate-1,5-carboxylase/oxygenase) (PLNR). Using climatic and site description data from the Vegetation/Ecosystem Modeling and Analysis Project, the sensitivity of predicted annual net primary production (NPP) to variations in parameter level of ± 20% of the mean value was tested. For parameters exhibiting a strong control on NPP, a factorial analysis was conducted to test for interaction effects. All biomes were affected by variation in leaf and fine root C:N. Woody biomes were additionally strongly controlled by PLNR, maximum stomatal conductance, and specific leaf area while nonwoody biomes were sensitive to fire mortality and litter quality. None of the critical parameters demonstrated strong interaction effects. An alternative parameterization scheme is presented to better represent the spatial variability in several of these critical parameters. Patterns of general ecological function drawn from the sensitivity analysis are discussed.

The Community Land Model version 3 (CLM3) is the land component of the Community Climate System Model (CCSM). CLM3 has energy and water biases resulting from deficiencies in some of its canopy and soil parameterizations related to hydrological processes. Recent research by the community that utilizes CLM3 and the family of CCSM models has indicated several promising approaches to alleviating these biases. This paper describes the implementation of a selected set of these parameterizations and their effects on the simulated hydrological cycle. The modifications consist of surface data sets based on Moderate Resolution Imaging Spectroradiometer products, new parameterizations for canopy integration, canopy interception, frozen soil, soil water availability, and soil evaporation, a TOPMODEL‐based model for surface and subsurface runoff, a groundwater model for determining water table depth, and the introduction of a factor to simulate nitrogen limitation on plant productivity. The results from a set of offline simulations were compared with observed data for runoff, river discharge, soil moisture, and total water storage to assess the performance of the new model (referred to as CLM3.5). CLM3.5 exhibits significant improvements in its partitioning of global evapotranspiration (ET) which result in wetter soils, less plant water stress, increased transpiration and photosynthesis, and an improved annual cycle of total water storage. Phase and amplitude of the runoff annual cycle is generally improved. Dramatic improvements in vegetation biogeography result when CLM3.5 is coupled to a dynamic global vegetation model. Lower than observed soil moisture variability in the rooting zone is noted as a remaining deficiency.