Climate Data Records of soil moisture are fundamental for improving our understanding of long-term dynamics in the coupled water, energy, and carbon cycles over land. To respond to this need, in 2012 the European Space Agency (ESA) released the first multi-decadal, global satellite-observed soil moisture (SM) dataset as part of its Climate Change Initiative (CCI) program. This product, named ESA CCI SM, combines various single-sensor active and passive microwave soil moisture products into three harmonised products: a merged ACTIVE, a merged PASSIVE, and a COMBINED active + passive microwave product. Compared to the first product release, the latest version of ESA CCI SM includes a large number of enhancements, incorporates various new satellite sensors, and extends its temporal coverage to the period 1978–2015. In this study, we first provide a comprehensive overview of the characteristics, evolution, and performance of the ESA CCI SM products. Based on original research and a review of existing literature we show that the product quality has steadily increased with each successive release and that the merged products generally outperform the single-sensor input products. Although ESA CCI SM generally agrees well with the spatial and temporal patterns estimated by land surface models and observed in-situ, we identify surface conditions (e.g., dense vegetation, organic soils) for which it still has large uncertainties. Second, capitalising on the results of > 100 research studies that made use of the ESA CCI SM data we provide a synopsis of how it has contributed to improved process understanding in the following Earth system domains: climate variability and change, land-atmosphere interactions, global biogeochemical cycles and ecology, hydrological and land surface modelling, drought applications, and meteorology. While in some disciplines the use of ESA CCI SM is already widespread (e.g. in the evaluation of model soil moisture states) in others (e.g. in numerical weather prediction or flood forecasting) it is still in its infancy. The latter is partly related to current shortcomings of the product, e.g., the lack of near-real-time availability and data gaps in time and space. This study discloses the discrepancies between current ESA CCI SM product characteristics and the preferred characteristics of long-term satellite soil moisture products as outlined by the Global Climate Observing System (GCOS), and provides important directions for future ESA CCI SM product improvements to bridge these gaps.

A global, observation-based assessment of whole-ecosystem carbon turnover times shows that the overall mean global carbon turnover time is about 23 years and that locally its spatial variability depends on precipitation at least as strongly as on temperature. Feedback between the terrestrial carbon cycle and climate is partly determined by changes in the residence time of carbon in land ecosystems. Using observation-based gross primary production estimates, remote-sensing based estimates of vegetation biomass and new estimates of total soil organic carbon to full depth, Nuno Carvalhais et al. calculate a spatially explicit estimate of global mean residence times of carbon in land ecosystems. They arrive at an overall mean global carbon turnover time of about 23 years with carbon residing, on average, in the vegetation and soil near the Equator for a shorter time period than at northern latitudes. The paper reports expected dependencies of carbon turnover time with temperature, but also identifies a strong association with precipitation, implying that future carbon cycle climate feedbacks may depend more strongly on changes in the water cycle than currently expected based on Earth system model studies. The response of the terrestrial carbon cycle to climate change is among the largest uncertainties affecting future climate change projections1,2. The feedback between the terrestrial carbon cycle and climate is partly determined by changes in the turnover time of carbon in land ecosystems, which in turn is an ecosystem property that emerges from the interplay between climate, soil and vegetation type3,4,5,6. Here we present a global, spatially explicit and observation-based assessment of whole-ecosystem carbon turnover times that combines new estimates of vegetation and soil organic carbon stocks and fluxes. We find that the overall mean global carbon turnover time is years (95 per cent confidence interval). On average, carbon resides in the vegetation and soil near the Equator for a shorter time than at latitudes north of 75° north (mean turnover times of 15 and 255 years, respectively). We identify a clear dependence of the turnover time on temperature, as expected from our present understanding of temperature controls on ecosystem dynamics. Surprisingly, our analysis also reveals a similarly strong association between turnover time and precipitation. Moreover, we find that the ecosystem carbon turnover times simulated by state-of-the-art coupled climate/carbon-cycle models vary widely and that numerical simulations, on average, tend to underestimate the global carbon turnover time by 36 per cent. The models show stronger spatial relationships with temperature than do observation-based estimates, but generally do not reproduce the strong relationships with precipitation and predict faster carbon turnover in many semi-arid regions. Our findings suggest that future climate/carbon-cycle feedbacks may depend more strongly on changes in the hydrological cycle than is expected at present and is considered in Earth system models.

Changing trends in ecosystem productivity can be quantified using satellite observations of Normalized Difference Vegetation Index (NDVI). However, the estimation of trends from NDVI time series differs substantially depending on analyzed satellite dataset, the corresponding spatiotemporal resolution, and the applied statistical method. Here we compare the performance of a wide range of trend estimation methods and demonstrate that performance decreases with increasing inter-annual variability in the NDVI time series. Trend slope estimates based on annual aggregated time series or based on a seasonal-trend model show better performances than methods that remove the seasonal cycle of the time series. A breakpoint detection analysis reveals that an overestimation of breakpoints in NDVI trends can result in wrong or even opposite trend estimates. Based on our results, we give practical recommendations for the application of trend methods on long-term NDVI time series. Particularly, we apply and compare different methods on NDVI time series in Alaska, where both greening and browning trends have been previously observed. Here, the multi-method uncertainty of NDVI trends is quantified through the application of the different trend estimation methods. Our results indicate that greening NDVI trends in Alaska are more spatially and temporally prevalent than browning trends. We also show that detected breakpoints in NDVI trends tend to coincide with large fires. Overall, our analyses demonstrate that seasonal trend methods need to be improved against inter-annual variability to quantify changing trends in ecosystem productivity with higher accuracy.

Abstract Recent wildfire outbreaks around the world have prompted concern that climate change is increasing fire incidence, threatening human livelihood and biodiversity, and perpetuating climate change. Here, we review current understanding of the impacts of climate change on fire weather (weather conditions conducive to the ignition and spread of wildfires) and the consequences for regional fire activity as mediated by a range of other bioclimatic factors (including vegetation biogeography, productivity and lightning) and human factors (including ignition, suppression, and land use). Through supplemental analyses, we present a stocktake of regional trends in fire weather and burned area (BA) during recent decades, and we examine how fire activity relates to its bioclimatic and human drivers. Fire weather controls the annual timing of fires in most world regions and also drives inter‐annual variability in BA in the Mediterranean, the Pacific US and high latitude forests. Increases in the frequency and extremity of fire weather have been globally pervasive due to climate change during 1979–2019, meaning that landscapes are primed to burn more frequently. Correspondingly, increases in BA of ∼50% or higher have been seen in some extratropical forest ecoregions including in the Pacific US and high‐latitude forests during 2001–2019, though interannual variability remains large in these regions. Nonetheless, other bioclimatic and human factors can override the relationship between BA and fire weather. For example, BA in savannahs relates more strongly to patterns of fuel production or to the fragmentation of naturally fire‐prone landscapes by agriculture. Similarly, BA trends in tropical forests relate more strongly to deforestation rates and forest degradation than to changing fire weather. Overall, BA has reduced by 27% globally in the past two decades, due in large part to a decline in BA in African savannahs. According to climate models, the prevalence and extremity of fire weather has already emerged beyond its pre‐industrial variability in the Mediterranean due to climate change, and emergence will become increasingly widespread at additional levels of warming. Moreover, several of the major wildfires experienced in recent years, including the Australian bushfires of 2019/2020, have occurred amidst fire weather conditions that were considerably more likely due to climate change. Current fire models incompletely reproduce the observed spatial patterns of BA based on their existing representations of the relationships between fire and its bioclimatic and human controls, and historical trends in BA also vary considerably across models. Advances in the observation of fire and understanding of its controlling factors are supporting the addition or optimization of a range of processes in models. Overall, climate change is exerting a pervasive upwards pressure on fire globally by increasing the frequency and intensity of fire weather, and this upwards pressure will escalate with each increment of global warming. Improvements to fire models and a better understanding of the interactions between climate, climate extremes, humans and fire are required to predict future fire activity and to mitigate against its consequences.

Atmospheric monitoring of high northern latitudes (above 40°N) has shown an enhanced seasonal cycle of carbon dioxide (CO2) since the 1960s, but the underlying mechanisms are not yet fully understood. The much stronger increase in high latitudes relative to low ones suggests that northern ecosystems are experiencing large changes in vegetation and carbon cycle dynamics. We found that the latitudinal gradient of the increasing CO2 amplitude is mainly driven by positive trends in photosynthetic carbon uptake caused by recent climate change and mediated by changing vegetation cover in northern ecosystems. Our results underscore the importance of climate-vegetation-carbon cycle feedbacks at high latitudes; moreover, they indicate that in recent decades, photosynthetic carbon uptake has reacted much more strongly to warming than have carbon release processes.

Climate change is shifting the phenological cycles of plants1, thereby altering the functioning of ecosystems, which in turn induces feedbacks to the climate system2. In northern (north of 30° N) ecosystems, warmer springs lead generally to an earlier onset of the growing season3,4 and increased ecosystem productivity early in the season5. In situ6 and regional7–9 studies also provide evidence for lagged effects of spring warmth on plant productivity during the subsequent summer and autumn. However, our current understanding of these lagged effects, including their direction (beneficial or adverse) and geographic distribution, is still very limited. Here we analyse satellite, field-based and modelled data for the period 1982–2011 and show that there are widespread and contrasting lagged productivity responses to spring warmth across northern ecosystems. On the basis of the observational data, we find that roughly 15 per cent of the total study area of about 41 million square kilometres exhibits adverse lagged effects and that roughly 5 per cent of the total study area exhibits beneficial lagged effects. By contrast, current-generation terrestrial carbon-cycle models predict much lower areal fractions of adverse lagged effects (ranging from 1 to 14 per cent) and much higher areal fractions of beneficial lagged effects (ranging from 9 to 54 per cent). We find that elevation and seasonal precipitation patterns largely dictate the geographic pattern and direction of the lagged effects. Inadequate consideration in current models of the effects of the seasonal build-up of water stress on seasonal vegetation growth may therefore be able to explain the differences that we found between our observation-constrained estimates and the model-constrained estimates of lagged effects associated with spring warming. Overall, our results suggest that for many northern ecosystems the benefits of warmer springs on growing-season ecosystem productivity are effectively compensated for by the accumulation of seasonal water deficits, despite the fact that northern ecosystems are thought to be largely temperature- and radiation-limited10. Widespread but contrasting delayed responses of ecosystem productivity to spring warmth across northern ecosystems is inferred from satellite data, with higher areal fractions of adverse effects than beneficial effects.

Abstract. This paper provides a comprehensive description of the newest version of the Dynamic Global Vegetation Model with managed Land, LPJmL4. This model simulates – internally consistently – the growth and productivity of both natural and agricultural vegetation as coherently linked through their water, carbon, and energy fluxes. These features render LPJmL4 suitable for assessing a broad range of feedbacks within and impacts upon the terrestrial biosphere as increasingly shaped by human activities such as climate change and land use change. Here we describe the core model structure, including recently developed modules now unified in LPJmL4. Thereby, we also review LPJmL model developments and evaluations in the field of permafrost, human and ecological water demand, and improved representation of crop types. We summarize and discuss LPJmL model applications dealing with the impacts of historical and future environmental change on the terrestrial biosphere at regional and global scale and provide a comprehensive overview of LPJmL publications since the first model description in 2007. To demonstrate the main features of the LPJmL4 model, we display reference simulation results for key processes such as the current global distribution of natural and managed ecosystems, their productivities, and associated water fluxes. A thorough evaluation of the model is provided in a companion paper. By making the model source code freely available at https://gitlab.pik-potsdam.de/lpjml/LPJmL, we hope to stimulate the application and further development of LPJmL4 across scientific communities in support of major activities such as the IPCC and SDG process.

Abstract. Since the late 1970s, space-borne microwave radiometers have been providing measurements of radiation emitted by the Earth’s surface. From these measurements it is possible to derive vegetation optical depth (VOD), a model-based indicator related to the density, biomass, and water content of vegetation. Because of its high temporal resolution and long availability, VOD can be used to monitor short- to long-term changes in vegetation. However, studying long-term VOD dynamics is generally hampered by the relatively short time span covered by the individual microwave sensors. This can potentially be overcome by merging multiple VOD products into a single climate data record. However, combining multiple sensors into a single product is challenging as systematic differences between input products like biases, different temporal and spatial resolutions, and coverage need to be overcome. Here, we present a new series of long-term VOD products, the VOD Climate Archive (VODCA). VODCA combines VOD retrievals that have been derived from multiple sensors (SSM/I, TMI, AMSR-E, WindSat, and AMSR2) using the Land Parameter Retrieval Model. We produce separate VOD products for microwave observations in different spectral bands, namely the Ku-band (period 1987–2017), X-band (1997–2018), and C-band (2002–2018). In this way, our multi-band VOD products preserve the unique characteristics of each frequency with respect to the structural elements of the canopy. Our merging approach builds on an existing approach that is used to merge satellite products of surface soil moisture: first, the data sets are co-calibrated via cumulative distribution function matching using AMSR-E as the scaling reference. To do so, we apply a new matching technique that scales outliers more robustly than ordinary piecewise linear interpolation. Second, we aggregate the data sets by taking the arithmetic mean between temporally overlapping observations of the scaled data. The characteristics of VODCA are assessed for self-consistency and against other products. Using an autocorrelation analysis, we show that the merging of the multiple data sets successfully reduces the random error compared to the input data sets. Spatio-temporal patterns and anomalies of the merged products show consistency between frequencies and with leaf area index observations from the MODIS instrument as well as with Vegetation Continuous Fields from the AVHRR instruments. Long-term trends in Ku-band VODCA show that since 1987 there has been a decline in VOD in the tropics and in large parts of east-central and north Asia, while a substantial increase is observed in India, large parts of Australia, southern Africa, southeastern China, and central North America. In summary, VODCA shows vast potential for monitoring spatial–temporal ecosystem changes as it is sensitive to vegetation water content and unaffected by cloud cover or high sun zenith angles. As such, it complements existing long-term optical indices of greenness and leaf area. The VODCA products (Moesinger et al., 2019) are open access and available under Attribution 4.0 International at https://doi.org/10.5281/zenodo.2575599.

Abstract Identifying the relative importance of climatic and other environmental controls on the interannual variability and trends in global land surface phenology and greenness is challenging. Firstly, quantifications of land surface phenology and greenness dynamics are impaired by differences between satellite data sets and phenology detection methods. Secondly, dynamic global vegetation models ( DGVM s) that can be used to diagnose controls still reveal structural limitations and contrasting sensitivities to environmental drivers. Thus, we assessed the performance of a new developed phenology module within the LPJ mL (Lund–Potsdam–Jena managed Lands) DGVM with a comprehensive ensemble of three satellite data sets of vegetation greenness and ten phenology detection methods, thereby thoroughly accounting for observational uncertainties. The improved and tested model allows us quantifying the relative importance of environmental controls on interannual variability and trends of land surface phenology and greenness at regional and global scales. We found that start of growing season interannual variability and trends are in addition to cold temperature mainly controlled by incoming radiation and water availability in temperate and boreal forests. Warming‐induced prolongations of the growing season in high latitudes are dampened by a limited availability of light. For peak greenness, interannual variability and trends are dominantly controlled by water availability and land‐use and land‐cover change ( LULCC ) in all regions. Stronger greening trends in boreal forests of Siberia than in North America are associated with a stronger increase in water availability from melting permafrost soils. Our findings emphasize that in addition to cold temperatures, water availability is a codominant control for start of growing season and peak greenness trends at the global scale.

Abstract The leaf economics spectrum 1,2 and the global spectrum of plant forms and functions 3 revealed fundamental axes of variation in plant traits, which represent different ecological strategies that are shaped by the evolutionary development of plant species 2 . Ecosystem functions depend on environmental conditions and the traits of species that comprise the ecological communities 4 . However, the axes of variation of ecosystem functions are largely unknown, which limits our understanding of how ecosystems respond as a whole to anthropogenic drivers, climate and environmental variability 4,5 . Here we derive a set of ecosystem functions 6 from a dataset of surface gas exchange measurements across major terrestrial biomes. We find that most of the variability within ecosystem functions (71.8%) is captured by three key axes. The first axis reflects maximum ecosystem productivity and is mostly explained by vegetation structure. The second axis reflects ecosystem water-use strategies and is jointly explained by variation in vegetation height and climate. The third axis, which represents ecosystem carbon-use efficiency, features a gradient related to aridity, and is explained primarily by variation in vegetation structure. We show that two state-of-the-art land surface models reproduce the first and most important axis of ecosystem functions. However, the models tend to simulate more strongly correlated functions than those observed, which limits their ability to accurately predict the full range of responses to environmental changes in carbon, water and energy cycling in terrestrial ecosystems 7,8 .