An eddy covariance system is described which has been developed jointly at a number of European laboratories and which was used widely in HAPEX-Sahel. The system uses commercially available instrumentation: a three-axis sonic anemometer and an IR gas analyser which is used in a closed-path mode, i.e. air is brought to the optical bench by being ducted down a sampling tube from a point near the sonic anemometer. The system is controlled by specially written software which calculates the surface fluxes of momentum, sensible and latent heat and carbon dioxide, and displays them in real time. The raw turbulent records can be stored for post-processing. Up to five additional analogue instruments can be sampled at up to 10 Hz and digitised by the sonic anemometer. The instruments are described and details of their operation and connection are presented. The system has relatively low power consumption and can operate from appropriate solar cells or rechargeable batteries. Calibration of the gas analyser needs to be performed typically every 2 or 3 days, and, given that the system requires minimal maintenance and is weather insensitive, it can be operated for the routine collection of surface flux data for extended periods. There are a number of corrections which have to be applied in any eddy covariance system and we describe the system of transfer functions which define our system. Some representative results showing the potential of the system are presented.

Ecosystems along the 0°C mean annual isotherm are arguably among the most sensitive to changing climate and mires in these regions emit significant amounts of the important greenhouse gas methane (CH 4 ) to the atmosphere. These CH 4 emissions are intimately related to temperature and hydrology, and alterations in permafrost coverage, which affect both of those, could have dramatic impacts on the emissions. Using a variety of data and information sources from the same region in subarctic Sweden we show that mire ecosystems are subject to dramatic recent changes in the distribution of permafrost and vegetation. These changes are most likely caused by a warming, which has been observed during recent decades. A detailed study of one mire show that the permafrost and vegetation changes have been associated with increases in landscape scale CH 4 emissions in the range of 22–66% over the period 1970 to 2000.

Recent warming in the Arctic, which has been amplified during the winter1-3, greatly enhances microbial decomposition of soil organic matter and subsequent release of carbon dioxide (CO2)4. However, the amount of CO2 released in winter is highly uncertain and has not been well represented by ecosystem models or by empirically-based estimates5,6. Here we synthesize regional in situ observations of CO2 flux from arctic and boreal soils to assess current and future winter carbon losses from the northern permafrost domain. We estimate a contemporary loss of 1662 Tg C yr-1 from the permafrost region during the winter season (October through April). This loss is greater than the average growing season carbon uptake for this region estimated from process models (-1032 Tg C yr-1). Extending model predictions to warmer conditions in 2100 indicates that winter CO2 emissions will increase 17% under a moderate mitigation scenario-Representative Concentration Pathway (RCP) 4.5-and 41% under business-as-usual emissions scenario-RCP 8.5. Our results provide a new baseline for winter CO2 emissions from northern terrestrial regions and indicate that enhanced soil CO2 loss due to winter warming may offset growing season carbon uptake under future climatic conditions.

Significance Wetlands are unique ecosystems because they are in general sinks for carbon dioxide and sources of methane. Their climate footprint therefore depends on the relative sign and magnitude of the land–atmosphere exchange of these two major greenhouse gases. This work presents a synthesis of simultaneous measurements of carbon dioxide and methane fluxes to assess the radiative forcing of natural wetlands converted to agricultural or forested land. The net climate impact of wetlands is strongly dependent on whether they are natural or managed. Here we show that the conversion of natural wetlands produces a significant increase of the atmospheric radiative forcing. The findings suggest that management plans for these complex ecosystems should carefully account for the potential biogeochemical effects on climate.

Abstract This paper describes the formation of, and initial results for, a new FLUXNET coordination network for ecosystem-scale methane (CH 4 ) measurements at 60 sites globally, organized by the Global Carbon Project in partnership with other initiatives and regional flux tower networks. The objectives of the effort are presented along with an overview of the coverage of eddy covariance (EC) CH 4 flux measurements globally, initial results comparing CH 4 fluxes across the sites, and future research directions and needs. Annual estimates of net CH 4 fluxes across sites ranged from −0.2 ± 0.02 g C m –2 yr –1 for an upland forest site to 114.9 ± 13.4 g C m –2 yr –1 for an estuarine freshwater marsh, with fluxes exceeding 40 g C m –2 yr –1 at multiple sites. Average annual soil and air temperatures were found to be the strongest predictor of annual CH 4 flux across wetland sites globally. Water table position was positively correlated with annual CH 4 emissions, although only for wetland sites that were not consistently inundated throughout the year. The ratio of annual CH 4 fluxes to ecosystem respiration increased significantly with mean site temperature. Uncertainties in annual CH 4 estimates due to gap-filling and random errors were on average ±1.6 g C m –2 yr –1 at 95% confidence, with the relative error decreasing exponentially with increasing flux magnitude across sites. Through the analysis and synthesis of a growing EC CH 4 flux database, the controls on ecosystem CH 4 fluxes can be better understood, used to inform and validate Earth system models, and reconcile differences between land surface model- and atmospheric-based estimates of CH 4 emissions.

Understanding the sequestration of organic carbon (C) in agroecosystems is of primary importance for greenhouse gas (GHG) accounting in managed lands, to reduce the environmental footprint of land use, and inform crediting programs. However, a broader application of precise C accounting is currently constrained by a limited number of direct flux measurements. Aside well-studied ecosystems via the eddy covariance technique (EC), many still bear significant uncertainty. In this study, we propose and evaluate a method for estimating accumulated C stocks in agricultural sites, by assessing the plant aboveground carbon (AGC) throughout two growing seasons using unstaffed aerial vehicles (UAV) and machine learning (ML) regression methods. Then, we used these estimates to assess total plant C, and benchmarked it with CO2 fluxes derived from the eddy covariance method from the ICOS DK-Vng site in Denmark. We utilized a light detection and ranging (LiDAR) sensor onboard a UAV to derive the structural characteristics of crops, and we conducted in parallel destructive field-based measurements of AGC. Then, we designed a ML pipeline to provide estimates of AGC as a supervised regression problem, using the LiDAR-derived point cloud data to extract predictive features and the AGC labels as ground-truth target values. The best performing ML model attained predictions of R2 = 0.71 and R2 = 0.93 at spatial resolutions of 1 m2 and 2 m2, respectively. The C content in the aboveground plant components was assessed via laboratory analysis (46.6 ± 0.3% of C-to-biomass in barley and 47.7 ± 0.3% in wheat), while the belowground components (root allocation and rhizodeposition) were estimated based on a phenology-dependent allometric ratio. The cumulative value of C uptake along the growing season (i.e. net primary productivity) was compared with the difference of C predictions between UAV-LiDAR survey dates, finding an optimal disagreement between methods below ± 9% in two different cereal crops. The plant carbon budget in croplands, determined through UAV-LiDAR and machine learning regression, aligns with the carbon ecosystem uptake estimated through the eddy covariance technique, showcasing comparable results. Thereby, the proposed method also demonstrates the potential to estimate cumulative CO2 fluxes in areas lacking direct eddy covariance measurements. Various experimental setups are evaluated as well as the sources of uncertainty resulting from the sampling design.