This paper presents a modeling approach aimed at seasonal resolution of global climatic and edaphic controls on patterns of terrestrial ecosystem production and soil microbial respiration. We use satellite imagery (Advanced Very High Resolution Radiometer and International Satellite Cloud Climatology Project solar radiation), along with historical climate (monthly temperature and precipitation) and soil attributes (texture, C and N contents) from global (1°) data sets as model inputs. The Carnegie‐Ames‐Stanford approach (CASA) Biosphere model runs on a monthly time interval to simulate seasonal patterns in net plant carbon fixation, biomass and nutrient allocation, litterfall, soil nitrogen mineralization, and microbial CO 2 production. The model estimate of global terrestrial net primary production is 48 Pg C yr −1 with a maximum light use efficiency of 0.39 g C MJ −1 PAR. Over 70% of terrestrial net production takes place between 30°N and 30°S latitude. Steady state pools of standing litter represent global storage of around 174 Pg C (94 and 80 Pg C in nonwoody and woody pools, respectively), whereas the pool of soil C in the top 0.3 m that is turning over on decadal time scales comprises 300 Pg C. Seasonal variations in atmospheric CO 2 concentrations from three stations in the Geophysical Monitoring for Climate Change Flask Sampling Network correlate significantly with estimated net ecosystem production values averaged over 50°–80° N, 10°–30° N, and 0°–10° N.

We use semi‐mechanistic, empirically based statistical models to predict the spatial and temporal patterns of global carbon dioxide emissions from terrestrial soils. Emissions include the respiration of both soil organisms and plant roots. At the global scale, rates of soil CO 2 efflux correlate significantly with temperature and precipitation; they do not correlate well with soil carbon pools, soil nitrogen pools, or soil C:N. Wetlands cover about 3% of the land area but diminish predicted CO 2 emissions by only about 1%. The estimated annual flux of CO 2 from soils to the atmosphere is estimated to be 76.5 Pg C yr −1 , 1–9 Pg greater than previous global estimates, and 30–60% greater than terrestrial net primary productivity. Historic land cover changes are estimated to have reduced current annual soil CO 2 emissions by 0.2–2.0 Pg C yr −1 in comparison with an undisturbed vegetation cover. Soil CO 2 fluxes have a pronounced seasonal pattern in most locations, with maximum emissions coinciding with periods of active plant growth. Our models suggest that soils produce CO 2 throughout the year and thereby contribute to the observed wintertime increases in atmospheric CO 2 concentrations. Our derivation of statistically based estimates of soil CO 2 emissions at a 0.5° latitude by longitude spatial and monthly temporal resolution represents the best‐resolved estimate to date of global CO 2 fluxes from soils and should facilitate investigations of net carbon exchanges between the atmosphere and terrestrial biosphere.

Abstract We used a climate‐driven regression model to develop spatially resolved estimates of soil‐CO 2 emissions from the terrestrial land surface for each month from January 1980 to December 1994, to evaluate the effects of interannual variations in climate on global soil‐to‐atmosphere CO 2 fluxes. The mean annual global soil‐CO 2 flux over this 15‐y period was estimated to be 80.4 (range 79.3–81.8) Pg C. Monthly variations in global soil‐CO 2 emissions followed closely the mean temperature cycle of the Northern Hemisphere. Globally, soil‐CO 2 emissions reached their minima in February and peaked in July and August. Tropical and subtropical evergreen broad‐leaved forests contributed more soil‐derived CO 2 to the atmosphere than did any other vegetation type (∼30% of the total) and exhibited a biannual cycle in their emissions. Soil‐CO 2 emissions in other biomes exhibited a single annual cycle that paralleled the seasonal temperature cycle. Interannual variability in estimated global soil‐CO 2 production is substantially less than is variability in net carbon uptake by plants (i.e., net primary productivity). Thus, soils appear to buffer atmospheric CO 2 concentrations against far more dramatic seasonal and interannual differences in plant growth. Within seasonally dry biomes (savannas, bushlands and deserts), interannual variability in soil‐CO 2 emissions correlated significantly with interannual differences in precipitation. At the global scale, however, annual soil‐CO 2 fluxes correlated with mean annual temperature, with a slope of 3.3 Pg C y −1 per °C. Although the distribution of precipitation influences seasonal and spatial patterns of soil‐CO 2 emissions, global warming is likely to stimulate CO 2 emissions from soils.

Abstract [1] Forest disturbances greatly alter the carbon cycle at various spatial and temporal scales. It is critical to understand disturbance regimes and their impacts to better quantify regional and global carbon dynamics. This review of the status and major challenges in representing the impacts of disturbances in modeling the carbon dynamics across North America revealed some major advances and challenges. First, significant advances have been made in representation, scaling, and characterization of disturbances that should be included in regional modeling efforts. Second, there is a need to develop effective and comprehensive process-based procedures and algorithms to quantify the immediate and long-term impacts of disturbances on ecosystem succession, soils, microclimate, and cycles of carbon, water, and nutrients. Third, our capability to simulate the occurrences and severity of disturbances is very limited. Fourth, scaling issues have rarely been addressed in continental scale model applications. It is not fully understood which finer scale processes and properties need to be scaled to coarser spatial and temporal scales. Fifth, there are inadequate databases on disturbances at the continental scale to support the quantification of their effects on the carbon balance in North America. Finally, procedures are needed to quantify the uncertainty of model inputs, model parameters, and model structures, and thus to estimate their impacts on overall model uncertainty. Working together, the scientific community interested in disturbance and its impacts can identify the most uncertain issues surrounding the role of disturbance in the North American carbon budget and develop working hypotheses to reduce the uncertainty.

We report on an ecosystem modeling approach that integrates global satellite, climate, vegetation, and soil data sets to (1) examine conceptual controls on nitrogen trace gas (NO, N 2 O, and N 2 ) emissions from soils and (2) identify weaknesses in our bases of knowledge and data for these fluxes. Nitrous and nitric oxide emissions from well‐drained soils were estimated by using an expanded version of the Carnegie‐Ames‐Stanford (CASA) Biosphere model, a coupled ecosystem production and soil carbon‐nitrogen model on a 1° global grid. We estimate monthly production of NO, N 2 O, and N 2 based on predicted rates of gross N mineralization, together with an index of transient water‐filled pore space in soils. Analyses of model performance along selected climate gradients support the hypothesis that low temperature restricts predicted N mineralization and trace gas emission rates in moist northern temperate and boreal forest ecosystems, whereas in tropical zones, seasonal patterns in N mineralization result in emission peaks for N 2 O that coincide with wetting and high soil moisture content. The model predicts the annual N 2 O:NO flux ratio at a mean value of 1.2 in wet tropical forests, decreasing to around 0.6 in the seasonally dry savannas. Global emission estimates at the soil surface are 6.1 Tg N and 9.7 Tg N yr −1 for N 2 O and NO, respectively. Tropical dry forests and savannas are identified by using this formulation as important source areas for nitrogen trace gas emissions. Because humans continue to alter these ecosystems extensively for agricultural uses, our results suggest that more study is needed in seasonally dry ecosystems of the tropics in order to understand the global impacts of land use change on soil sources for N 2 O and NO.

ABSTRACT Satellite remote sensing of climate-driven changes in terrestrial ecosystems continues to improve, yet interpreting and rigorously validating these changes requires extensive ground-truthed data. Satellite measurements of vegetation indices, such as the Normalized Difference Vegetation Index (NDVI, or vegetation greenness), indicate widespread vegetation change in the Arctic that is associated with rapid warming. Plot-based studies have indicated greater vegetation greenness generally corresponds to greater plant biomass and deciduous shrub cover. However, the spatial scale of traditional plot-based sampling is much smaller than the resolution of most satellite imagery and thus does not fully describe how plant characteristics such as structure and taxonomic composition relate to satellite measurements of greenness. To improve interpretation of Landsat measurements of vegetation greenness in the Arctic, we developed and implemented a method that links satellite measurements with ground-based vegetation classifications. Here we describe data collected across the central Brooks Range of Alaska by field sampling hundreds of Landsat pixels per day, with a field campaign total of 23,213 pixels (30 m). Our example dataset shows that vegetation with the greatest Landsat greenness was taller than 1m, woody, and deciduous; vegetation with lower greenness tended to be shorter, evergreen, or non-woody. We also show that understory vegetation influences Landsat greenness. Our methods advance efforts to inform satellite data with ground-based vegetation observations using field samples at spatial scales more closely matched to the resolution of remotely sensed imagery.

Abstract As global warming affects sensitive northern regions, forests near Fairbanks, Alaska may be undergoing attack from pests and pathogens that could impact their ability to store carbon. Visual tree surveys are quick and useful for assessing forest health in remote sensing studies using GT (ground-truthing). Initial spectral analysis of leaf pigments, canopy water content, and non-photosynthetic carbon of one site near Fairbanks, Alaska imaged with AVIRIS-NG by NASA for the Arctic and Boreal Vulnerability Experiment (ABoVE) showed high fire fuel loads in 2017 that burned in 2019. In 2021-2022 we visually assayed damage of 359 deciduous and 309 coniferous trees at five ABoVE sites of different moisture regimes and burn severities. Using indices of 0 - 5 (0 = healthy, 5 = severe damage) we calculated average damage per tree from: 1) leaf damage (holes or defoliation); 2) stem damage (changes in stem color, texture, growth, heartwood, sap ooze, or stem loss); 3) non-photosynthetic tissue, aka “browning”; and 4) wilting. We also characterized crown color tree-1. Least squares models found low overall average tree damage, but damage types were varied and complex. Deciduous trees suffered greater herbivore damage than conifers. A third of trees showed broadleaf insect damage, a tenth of trees across species showed stem damage associated with pathogens. Aspen and conifers showed heartwood rot, but we found no visual signs of spruce beetle at our sites. Structural equation models found greater stem damage and wilting in warmer soils and post-burned sites supporting seedlings. Browning was associated with understory branches of conifers in late-successional sites with colder, shallower soils. Our study suggests that deciduous trees and seedlings near Fairbanks, Alaska are experiencing herbivory and midsummer wilting, and conifer understory browning is common.

In this Technical Advance, we describe a novel method to improve ecological interpretation of remotely sensed vegetation greenness measurements that involved sampling 24,395 Landsat pixels (30 m) across 639 km of Alaska's central Brooks Range. The method goes well beyond the spatial scale of traditional plot-based sampling and thereby more thoroughly relates ground-based observations to satellite measurements. Our example dataset illustrates that, along the boreal-Arctic boundary, vegetation with the greatest Landsat Normalized Difference Vegetation Index (NDVI) is taller than 1 m, woody, and deciduous; whereas vegetation with lower NDVI tends to be shorter, evergreen, or non-woody. The field methods and associated analyses advance efforts to inform satellite data with ground-based vegetation observations using field samples collected at spatial scales that closely match the resolution of remotely sensed imagery.