Suite

Fractionner la ligne tous les x mètres en utilisant QGIS ?


J'ai une ligne que je veux finalement diviser en points. Les points doivent être tous les 100 mètres le long de la ligne. Je ne veux donc pas extraire les nœuds.

Existe-t-il des outils Open Source (QGIS, Python) pour cela ?

Le cas d'utilisation est que j'ai une ligne de bus sans arrêts de bus. Bien que je sache que tous les 100 mètres, le bus s'arrête. De cette façon, je souhaite générer des arrêts de bus à utiliser comme flux GTFS.


Vous pouvez utiliser le Convertir des lignes en points (vous avez besoin de SAGA GIS installé et du plugin de boîte à outils de traitement activé) et définissez votre distance :

Voici ce que j'ai reçu pour ma couche de ligne :

j'ai utilisé le Ligne de mesure outil de la barre d'outils pour effectuer une vérification rapide entre les points :

J'espère que cela t'aides!


Peut être une alternative à la suggestion d'AndreaJ - Jetez un œil à

Lignes de gare

N.B. Cet outil s'attend à ce que les systèmes de coordonnées projetés pour l'entité soient divisés par unité de longueur planaire.


Peut être fait avec OpenJUMP et des outils de référencement linéaire. Sélectionnez d'abord le calque de ligne.

Remplissez les paramètres

Les résultats vont à une nouvelle couche de points. Les points sont à intervalles égaux le long de la ligne, les sommets d'origine sont supprimés. Les nœuds de début et de fin peuvent être conservés si vous le souhaitez.


Frontières en sciences marines

Les affiliations de l'éditeur et des réviseurs sont les dernières fournies sur leurs profils de recherche Loop et peuvent ne pas refléter leur situation au moment de la révision.



PARTAGER SUR

Diversité génétique et structure des espèces endémiques et en danger critique d'extinction Populus caspica dans les forêts hyrcaniennes

peuplier caspien (Populus caspica Bornm.) est une espèce endémique des forêts hyrcaniennes et classée en danger en Iran. Cependant, il existe peu d'informations sur la structure génétique des populations restantes qui pourraient soutenir le développement d'une stratégie de conservation appropriée pour cette espèce. Cette étude a été conçue pour comprendre comment les facteurs anthropiques et environnementaux ont influencé le modèle de diversité génétique des P. caspica. Nous avons échantillonné 359 individus de 20 populations. Cependant, après avoir retiré les ramets clonaux, les paramètres génétiques ont été calculés pour 314 arbres à l'aide de 14 marqueurs microsatellites. Neuf populations ont montré une réduction significative de la taille effective de la population et un goulot d'étranglement génétique. Le coefficient de consanguinité (FEST) variait de 0,02 à 0,11, et la paire FST de 0,018 à 0,224, indiquant un niveau de différenciation faible à élevé entre les populations. La proportion moyenne de migrants était faible (0,008), et il a été révélé que les montagnes d'Alborz sont un obstacle majeur au flux de gènes entre P. caspica populations des forêts hyrcaniennes. L'analyse de la résistance a montré que l'altitude est une barrière importante pour le flux génétique à travers l'aire de répartition est et ouest de l'espèce. L'analyse STRUCTURE a montré l'existence d'au moins deux clusters génétiques, alors que GENELAND a estimé le nombre de clusters à trois. Nous proposons le maintien de trois unités naturelles de gestion afin de réduire le risque d'extinction de cette espèce dans un avenir proche.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Méthodes

Sites de terrain et collecte de données

Ochrogaster lunifer

Ochrogaster lunifer est une espèce univoltine répandue dans toute l'Australie côtière et intérieure où son Acacia, Eucalyptus et Corymbie spp. des arbres hôtes sont présents [12, 25]. Au sein de l'espèce, il existe cinq types de nidification [12] avec une écologie, une morphologie et une génétique différentes [26]. Dans notre étude, nous nous sommes concentrés uniquement sur la forme de nidification au sol dans laquelle les larves créent un nid soyeux à la base du tronc de divers Acacia et Eucalyptus spp. arbres hôtes [18]. Les larves se nourrissent tout l'été jusqu'à ce qu'elles atteignent leur dernier stade à l'automne, lorsqu'elles quittent définitivement leur nid à la recherche d'un site de nymphose approprié sous terre. Dans notre étude, O. lunifer les processions de pré-nymphose ont été suivies en deux saisons, l'une sur sept et l'autre sur dix jours non consécutifs de fin mars à la première semaine d'avril 2017 et 2019, respectivement. Des visites sur le terrain ont eu lieu les autres jours de la saison, mais il n'y avait pas de processions actives. Les cortèges venaient de divers Acacia spp. nids au sol dans les arbres à l'Université du Queensland (UQ), campus de Gatton, Queensland, Australie (− 27°56′S, 152°34′E, fichier supplémentaire 2). Le campus est un environnement semi-urbain avec des bâtiments et des parcelles de végétation partout. Les larves quittaient généralement le nid après le lever du soleil, entre 06h00 et 07h00 heure locale. L'heure à laquelle le chef de cortège a quitté le nid et l'heure à laquelle la dernière larve du cortège (ou singleton) est allée sous terre (bivouac) ont été enregistrées (Fiche supplémentaire 3). Un bivouac n'est pas forcément le site final où les larves se nymphosent, surtout pour le premier jour de voyage (M. Uemura, observation personnelle 2017). Le plus souvent, les larves quittent le bivouac au lever du soleil suivant pour un nouveau site de bivouac/nymphose. Toutes les perturbations pendant la procession ont été enregistrées, par ex. les larves écrasées par des voitures ou des piétons et ont été classées comme contact humain. Chaque fois qu'une procession se divise en sous-processus ou change de direction, des drapeaux colorés avec des codes sont utilisés comme marqueurs. Une fois le cortège et/ou le singleton passés sous terre, les coordonnées GPS des drapeaux et l'endroit où les chenilles sont passées sous terre ont été enregistrées avec Garmin GPS Etrex10 (en 2017) ou l'application iPhone ViewRanger (en 2019). Les températures environnementales in situ ont été enregistrées pour O. lunifer populations utilisant l'enregistreur de données Tinytag Plus 2 TGP-4505 (Hastings Data Loggers, Port Macquarie, Australie) en 2017 mais pas en 2019. Les températures environnementales pour 2019 lors des processions de pré-nymphose ont été collectées à partir de la station UQ Gatton 040082 [27].

Fichier supplémentaire 3 Vidéo MOV Time lapse d'un Thaumatopée pityocampa procession pré-nymphale allant sous terre dans un bivouac. Vidéo filmée par Mizuki Uemura à l'aide d'un Apple iPhone 8.

Thaumetopoea pityocampa

Thaumetopoea pityocampa les larves sont des défoliateurs destructeurs des pins et des cèdres du bassin méditerranéen et du sud de l'Europe [28]. Thaumetopoea pityocampa les larves se nourrissent tout l'hiver jusqu'au printemps dans le nord de l'Italie, lorsque les larves de dernier stade quittent leur tente (nid) dans la canopée et descendent au sol pour trouver un site de nymphose [23]. Thaumetopoea pityocampa les processions de pré-nymphose ont été suivies pendant sept et deux jours non consécutifs de la première à la troisième semaine d'avril 2018 et de la dernière semaine de mars à la première semaine d'avril 2019, respectivement. Des visites sur le terrain ont eu lieu les autres jours de la saison, mais il n'y avait pas de processions actives. Les sites de terrain se trouvaient dans trois forêts de pins en Vénétie, en Italie : Monte Garzon (45°30′ N, 11°11′ E, fichier supplémentaire 4), Precastio (45°31′ N, 11°10′ E) et Carbonari ( 45°32′ N, 11°10′ Est). Les sites de terrain sélectionnés sont des forêts plantées pour la conservation des sols et sont également utilisés à des fins récréatives telles que la randonnée, le vélo et les pique-niques. Les cortèges n'ont pu être suivis depuis la tente car ils sont situés dans la canopée de Pinus noir arbres hôtes pouvant atteindre plus de 6 m de haut. Par conséquent, les données de procession n'ont pu être collectées qu'à partir de la première observation le long du sentier des sites de terrain, c'est-à-dire tous T. pityocampa les données de procession avant la nymphose sont des mesures approximatives. Une fois qu'un cortège a été trouvé et suivi jusqu'au bivouac, le GPS de l'emplacement du bivouac a été enregistré à l'aide de l'application iPhone ViewRanger et toute perturbation/mouvement du cortège a été enregistré de la même manière que le O. lunifer cortèges. Températures ambiantes continues pour T. pityocampa les sites de terrain ont été mesurés à partir d'enregistreurs de données de température/HR HOBO (Onset Computer Corporation, Macquarie, États-Unis) placés dans un village à environ 1 km de chaque site de terrain (Tregnago, Vénétie, Italie).

Distance, durée et vitesse des processions de pré-nymphose

Distance topographique et durée du trajet par O. lunifer ont été calculés à partir des processions quittant le nid jusqu'à l'achèvement d'un bivouac. Une fois que toutes les larves d'un nid étaient sous terre, la distance parcourue était mesurée avec un ruban à mesurer ou une roue gigogne, retraçant chaque mouvement de la procession. La vitesse a été calculée à partir de la durée et de la distance parcourue depuis le nid ou la première observation jusqu'au bivouac. Distance et durée parcourue par T. pityocampa les processions de pré-nymphose sont sous-estimées car il n'était pas possible de suivre les processions de T. pityocampa tentes qui sont dans la canopée des arbres. La distance parcourue par T. pityocampa a été calculé en additionnant la hauteur de l'arbre hôte le plus proche avec un nid viable visible (estimée à partir de l'orientation à la première observation du cortège avant qu'il ne forme un bivouac) et la distance de cet arbre hôte jusqu'au site du bivouac. La durée du trajet a été calculée en divisant la distance estimée parcourue par la vitesse moyenne de T. pityocampa processions pré-nymphales. La vitesse a été calculée à partir des mesures de 15 processions au sol (par exemple parcouru x m en x min).

Orientation des processions de pré-nymphose

L'orientation de chaque cortège est déterminée par le chef. Chaque changement de direction du cortège partant du nid vers le bivouac a été enregistré à l'aide d'une boussole portable (en Australie 2017) ou d'une application iPhone Compass (en Italie 2018/19 et Australie 2019). Pour O. lunifer, l'orientation de tous les cortèges de pré-nymphose quittant le nid et l'orientation finale vers le bivouac après le dernier tour du leader ont été utilisées pour les analyses de données. Pour T. pityocampa, l'orientation des cortèges à la première observation ont été utilisées pour les analyses de données.

Préférence légère des larves principales

Le rayonnement solaire/lumière (W/m 2 ) a été mesuré pour un sous-échantillon de 2018 T. pityocampa et 2019 O. lunifer processions utilisant le Solar Power Meter (SPM) ISM410 (RS Pro, 2016, Londres, Angleterre). Le rayonnement solaire a été mesuré pendant O. lunifer processions à la sortie du nid et à l'orientation finale vers le bivouac. Pour T. pityocampa processions, le rayonnement solaire a été mesuré à la première observation. Trois mesures de rayonnement solaire ont été prises : directement à côté à la même orientation que le leader, 90 o à gauche et à droite du leader. La lumière standardisée a été calculée en divisant la lumière (W/m 2 ) de la position du leader par la moyenne de la gauche et de la droite du leader. La valeur 1 signifie qu'il n'y a pas de différence entre l'intensité lumineuse à l'orientation du leader/de la procession et celle qui l'entoure. Les valeurs supérieures ou inférieures à 1 signifient que le chef/la procession s'est déplacée vers le plus clair ou le plus sombre par rapport à l'environnement environnant, respectivement.

Risques des processions de pré-nymphose entrant en contact avec les humains

Pour O. lunifer, les données de 2019 pour les contacts des chenilles avec les humains ont été utilisées, car en 2017, certains cortèges ont été protégés contre les écrasements de voitures et les piétons. Processions pour T. pityocampa n'étaient pas protégés des rencontres humaines. Une zone occupée par l'homme est définie comme des zones où les gens se déplacent vers et depuis des lieux à pied, à vélo et en voiture. Il a été calculé de manière à pouvoir comparer les deux sites de terrain, l'Australie et l'Italie. Pour O. lunifer, la zone de fréquentation humaine moyenne en pourcentage sur le campus de l'UQ Gatton a été calculée par la quantité de zone urbaine (par exemple, sentier en béton, bâtiments, routes, etc.) entourant chaque arbre hôte dans un rayon de 10 m à l'aide de QGIS version 3.6.2 Noosa [29 ] (10 arbres hôtes au total). Les zones occupées par les humains à l'UQ ne conviennent pas aux sites de bivouac/nymphose car elles sont en béton, à l'exception de certaines zones qui avaient de la litière de feuilles. Pour T. pityocampa, la zone moyenne fréquentée par l'homme en pourcentage a été calculée à Monte Garzon par la quantité de chemin de gravier entourant chaque procession lors de la première observation dans un rayon de 10 m à l'aide de QGIS (24 processions au total). Les zones occupées par l'homme dans les sites de terrain italiens sont les sites de bivouac / de nymphose préférés et appropriés pour T. pityocampa car il y a de la saleté/sol et du gravier meuble (A Battisti, communication personnelle 2018).

Analyses statistiques

Toutes les analyses statistiques ont été effectuées en utilisant R Studio version 1.1.419 [30] et une valeur alpha de P < 0,05 a été considéré comme statistiquement significatif. La cartographie a été réalisée à l'aide de QGIS avec des images satellites de Google Earth Pro version 7.3.2 [31]. Données pour O. lunifer les populations collectées en 2017 et 2019 ont été combinées dans les analyses. Des modèles linéaires ont été utilisés pour déterminer si le nombre de larves dans une procession et les températures environnementales influençaient la distance parcourue et/ou la vitesse de O. lunifer et T. pityocampa processions pré-nymphales. Pour déterminer si les zones fréquentées par l'homme ont affecté la distance parcourue par O. lunifer processions, un modèle linéaire a été utilisé, avec les variables : distance parcourue et zone de présence humaine de l'arbre hôte d'où provient la procession (résultats en Distance, durée et vitesse des processions de pré-nymphose). Distance parcourue par T. pityocampa les processions n'ont pas été calquées sur les zones fréquentées par l'homme car l'habitat est une forêt de pins. Les orientations de la procession ont été représentées sous forme de diagrammes de roses réalisés dans R Studio à l'aide du progiciel « Circular » [32]. Pour déterminer si les cortèges avaient une ou des préférences d'orientation, le test d'uniformité de Kuiper a été utilisé pour chaque diagramme de rose avec le progiciel R « CircStats » [33]. Chaque O. lunifer procession était nichée dans son arbre hôte (10 arbres hôtes au total de 2017 et 2019 combinés). Par conséquent, le test d'uniformité de Kuiper a également été utilisé pour déterminer si les arbres hôtes affectaient l'orientation des processions. Les arbres hôtes qui avaient plus de 10 processions ont été sélectionnés pour le test d'uniformité de Kuiper. Préférence légère de O. lunifer et T. pityocampa les processions de pré-nymphose ont été analysées à l'aide du test d'ajustement du chi carré pour une distribution 50:50. Un modèle linéaire a été utilisé pour déterminer si l'arbre hôte et le nombre de larves dans le cortège affectaient la préférence pour la lumière en O. lunifer et T. pityocampa cortèges. L'arbre hôte n'a pas pu être testé pour la préférence de lumière dans T. pityocampa processions de pré-nymphose parce que les arbres hôtes exacts et le moment auquel ils étaient à la base de l'arbre étaient inconnus.


Matériel et méthodes

Région d'étude

La région d'étude au sud-est du Kenya (1°23′S 38°00′E) est caractérisée par des précipitations moyennes à faibles (1079 mm en moyenne annuelle, divisées en deux courtes saisons des pluies distinctes) et des conditions climatiques modérément chaudes (moyenne 21,4° C) (Jaetzold et al. 2007 ). Ainsi, la région est classée comme semi-aride. Les données ont été collectées le long de deux rivières, la rivière Nzeeu et la rivière Kalundu (Fig. 1). La plupart de la population locale (97%) dépend de l'agriculture de subsistance avec la culture du maïs, des haricots, des pois, des mangues et de la papaye (Habel et al. 2015b). La population humaine locale dans notre région d'étude a fortement augmenté de 1 967 301 (en 1969) à 5 668 123 habitants (en 2009) (KNBS, 2012). Cette forte pression démographique a provoqué le fractionnement des terres et un manque de rotation agricole (manque d'étages de jachère), accélérant la réduction de la fertilité des sols (Jaetzold et al. 2007 ), de sorte que davantage d'habitats (intacts) sont nécessaires pour être transformés en habitats agricoles. terre.

Données d'occupation du sol

Les données historiques sur la couverture terrestre ont été dérivées de photographies aériennes en noir et blanc prises en 1961 et 1980 par la Royal Air Force britannique. Les photographies ont été géoréférencées dans QGIS (2016a) en utilisant le type de transformation polynomiale avec des méthodes de rééchantillonnage du plus proche voisin dans le système de référence de coordonnées Arc 1960 / UTM zone 36S (EPSG : 21036), résultant en des tailles de pixels de 1,69 m dans les deux sens. Les erreurs quadratiques moyennes appropriées et la numérisation ont été effectuées par la suite.

Les données actuelles sur la couverture terrestre ont été collectées en septembre 2015 et mars 2016, à l'aide d'un véhicule aérien sans pilote (drone DJI Phantom 2), équipé d'une caméra numérique RVB fixée orthogonale GoPro HERO 4 Black (GoPro, Inc., San Mateo) montée sur une Zenmuse Cardan H3-3D. En raison du temps de vol limité (environ 18 min par mission), nous avons divisé les relevés aériens en plusieurs survols pour couvrir 13,5 km de la rivière Nzeeu et 17 km de la rivière Kalundu. Les trajectoires de vol des survols simples ont été prétraitées avec QGIS pour garantir un chevauchement spatial d'environ 35 à 60 %. Les vols ont été effectués sous forme de vols stop-and-turn autopilotés à 40 m d'altitude de vol avec un espacement de 50 m entre les boucles, couvrant une superficie de 200 m de longueur de cours d'eau et 300 m de zone riveraine de chaque côté de la rivière (équivalant à 12 ha de superficie totale par vol , longueur moyenne de vol d'environ 4 km). L'appareil photo numérique connecté a été configuré à l'aide de paramètres de résolution moyenne de sept mégapixels et d'une distance focale équivalente à 21,9 mm, ce qui donne des dimensions d'image de 2 250 à 3 000 px, avec un rapport hauteur/largeur de 3 à 4 réduisant la distorsion en œil de poisson. Les photos ont été prises avec un intervalle de 2 secondes, produisant une moyenne d'environ 400 photos par vol. De plus, des marqueurs de couleur ont été utilisés comme points de contrôle au sol (GCP), qui ont été mesurés à l'aide d'un appareil GPS Garmin eTrex 10. Les photographies aériennes ont ensuite été combinées avec le logiciel AgiSoft Photoscan Professional (Agisoft 2015) en utilisant des paramètres de traitement de nuage dense et de construction de maillage de qualité moyenne. Sur la base d'un nombre suffisant de points de contrôle au sol, les images traitées ont été exportées sous forme d'orthomosaïque dans des fichiers raster geotif avec une précision géométrique inférieure à 1,97 m (1,00 m d'erreur longitudinale, 1,38 m d'erreur latitudinale et 0,99 m d'erreur altitudinale). Les orthophotos en mosaïque ont ensuite été mosaïquées à l'aide de la fusion de la fonction gdal dans QGIS (GDAL 2015) et préparées pour une analyse plus approfondie. Pour la quantification des changements d'occupation du sol, nous distinguons les trois catégories d'occupation du sol suivantes : (1) les fourrés riverains (vierges et L. camara-les fourrés dominés), (2) les terres agricoles (1 et 2 à la fois sous forme de polygones) et (3) les établissements humains (en tant que points, chaque point représentant une agrégation de plusieurs maisons). La numérisation a été effectuée avec le logiciel QGIS Development Team ( 2016a ).

Changement d'occupation du sol

Nous avons évalué les changements d'occupation des sols pour trois échelles spatiales et avec trois méthodes : Premièrement, nous avons analysé les changements d'occupation des sols pour une section de 1,3 km de la rivière Nzeeu (Fig. 1). Des changements d'occupation du sol ont été enregistrés dans une bande de 100 m de chaque côté de cette rivière, pour trois fenêtres temporelles : 1961, 1980 et 2015/2016. Pour cette analyse, nous avons également évalué tous les établissements humains pour quantifier l'effet de la pression démographique. Ici, la bande cartographiée a été étendue à 300 m car la plupart des gens ne s'installent pas directement le long de la rivière en raison des inondations périodiques (Fig. 2). À cause du fait que L. camara ont envahi la majeure partie du Kenya au cours des années 1950 et plus tard (pour plus de détails : voir l'introduction), nous supposons que toute la végétation riveraine détectable en 1961 représentait des forêts vierges intactes.

Deuxièmement, pour exclure le biais local potentiel du changement de couverture terrestre à l'échelle locale décrite ci-dessus, nous avons défini au hasard 50 points (25 le long de la rivière Nzeeu, 25 le long de la rivière Kalundu) pour les années 1961 et 2015/2016 (avec des points identiques pour les deux cohortes, permettant des analyses comparatives temporelles) (Fig 1). Chaque point était le centre d'une parcelle de rayon de 100 m (c'est-à-dire une superficie de 3,14 ha). Ces points ont été sélectionnés au hasard à l'aide de la fonction QGIS « points aléatoires le long de la ligne » (QGIS, 2016b). Ici, nous avons utilisé les mêmes catégories d'occupation du sol que celles appliquées dans notre première méthode.

Troisièmement, du fait que la proportion de L. camara Les fourrés ne se distinguaient pas de la couverture forestière riveraine vierge sur la base de photographies aériennes, nous avons évalué les catégories de couverture terrestre pour une bande de 50 m le long des deux rivières, Nzeeu et Kalundu, avec un appareil GPS portable Garmin eTrex 10. Dans cette troisième analyse, nous avons en outre distingué la catégorie de couverture terrestre « végétation riveraine » en deux sous-catégories : « forêts riveraines vierges » et « les fourrés riverains perturbés dominés par L. camara’ (avec > 50% de la végétation constituée de L. camara).

Analyses statistiques

Les analyses des changements d'occupation des sols ont été calculées avec QGIS et l'outil MOLUSCE 3.0.11 (http://hub.qgis.org/projects/molusce). L'outil MOLUSCE fournit des statistiques pour la classe d'occupation du sol et la matrice de transition pour les pas de temps à comparer. Comme MOLUSCE nécessite des jeux de données raster comme données d'entrée, nous avons transformé les jeux de données vectorielles de couverture terrestre numérisés en jeux de données raster avec des tailles de cellule de 1 m, à l'aide de la fonction de conversion QGIS. Les erreurs relatives de la rastérisation ont été calculées selon Liao et Bai (2010).

A la fois à l'échelle locale et paysagère (étapes 1 et 2, voir ci-dessus), nous avons calculé les changements d'occupation des sols en intégrant toutes les catégories. Ici, nous nous sommes particulièrement concentrés sur la conversion de bosquets riverains vierges en terres agricoles, la transformation partielle en jachère et la succession subséquente par L. camara. À cause du fait que L. camara a été enregistré pour la première fois au Kenya à l'état sauvage dans les années 1950 (Cilliers et Neser 1991), nous avons supposé que tous les fourrés riverains détectables sur les images aériennes historiques de 1961 se composent d'une composition d'espèces végétales vierges et diverses.

Nous avons appliqué l'analyse de l'utilisation des terres et des changements de couverture des terres (LUCC) pour quantifier la superficie des changements de couverture des terres. Les changements ont été statistiquement validés par matrice de transition, simulation et à l'aide de statistiques kappa, qui mesurent la concordance de deux ensembles de données catégorielles sur une comparaison cellule par cellule (Van Vliet et al. 2011 ). Nous avons pris en compte les limites des statistiques kappa (cf. Van Vliet et al. 2011 ) et avons donc étendu nos calculs en utilisant l'histogramme Kappa et la localisation Kappa pour distinguer clairement les erreurs de quantification et de localisation ou l'accord. L'histogramme Kappa mesure l'accord attendu entre deux ensembles de données sur la base de la distribution des tailles de classe L'emplacement Kappa mesure l'accord maximum donné par la distribution des tailles de classe (Van Vliet et al. 2011 ).

Bien que la sortie de l'outil MOLUSCE se concentre particulièrement sur les changements spatiaux entre les cohortes temporelles, nous avons étendu l'analyse à l'aide de métriques de paysage calculées avec FRAGSTAT version 4.2 pour mieux comprendre les changements temporels de la couverture terrestre entre les cohortes temporelles. Ici, nous avons utilisé une stratégie d'échantillonnage exhaustive à l'échelle du paysage en utilisant des tuiles définies par l'utilisateur, qui étaient conformes à nos points d'échantillonnage pour l'analyse LUCC. A l'échelle du paysage, nous avons utilisé les 25 placettes circulaires aléatoires et non chevauchantes pour chaque rivière (avec un rayon de 100 m) (voir ci-dessus). Nous avons calculé les deux indices suivants au niveau de la classe et du paysage : (1) nombre de parcelles au niveau de la classe et au niveau du paysage. Cet indice fournit le nombre total de parcelles pour un paysage spécifique (c'est-à-dire les moments respectifs) et des classes (catégories de couverture terrestre). (2) Effective Mesh Size (MESH) qui fournit des informations sur la fragmentation de la zone d'étude. MESH a été choisi car il prend en compte la taille de la parcelle et la distribution d'une catégorie de couverture terrestre ainsi que la superficie totale du paysage (la limite inférieure de MESH est contrainte par la taille de la cellule et est atteinte lorsque le paysage est subdivisé au maximum, c'est-à-dire lorsque chaque cellule est un patch séparé, le MESH est maximal lorsque le paysage est constitué d'un seul patch). Les résultats de FRAGSTAT ont été post-traités en utilisant SPSS version 22 incluant Kruskal-Wallis H et Mann-Whitney U tests pour comparer la distribution de la catégorie d'occupation du sol et les changements structurels entre les deux rivières et les cohortes temporelles.

Abondance des arthropodes

Les abondances agrégées des principaux ordres et familles d'arthropodes ont été évaluées à l'aide de 200 pièges à fosse le long de la rivière Nzeeu (100 pièges) et de la rivière Kalundu (100 pièges). Cinq pièges ont été enterrés en étoile, avec un à chaque point cardinal et un piège central, chaque piège étant distant d'au moins 5 m de son voisin. Le matériel collecté à partir d'un tel site piège (constitué de cinq pièges) a ensuite été fusionné et traité comme provenant d'un seul site. Par conséquent, nous avons obtenu du matériel de 20 sites (10 ensembles dans L. camara-des fourrés dominés, avec plus de 50 % de fourrés constitués de L. camara, et 10 ensembles dans des forêts riveraines vierges, toujours pas envahies par L. camara), de chacune des deux rivières. Chaque piège à fosse, d'un diamètre de 9 cm, était enfoui dans le sol avec son sommet au niveau du sol, et rempli d'une solution saline saturée. Les pièges ont été laissés sur le terrain pendant 5 jours (par temps sec). Le prélèvement a été répété lors d'un second tour (encore 5 jours) dans des conditions identiques. L'échantillonnage a été réalisé en mars 2014 et 2015.

Les arthropodes ont été divisés en trois groupes : principalement les herbivores (c. Pour chaque groupe, l'abondance moyenne entre les deux types d'habitats (L. camara-bosquets dominés par rapport à la forêt riveraine vierge) a été comparé à l'aide de PERMANOVA non paramétrique unidirectionnel et bidirectionnel (dissemblances Bray-Curtis, 5000 randomisations effectuées dans Primer 7.0) en utilisant l'année d'étude et l'habitat comme variables de regroupement.


3. Méthodes

Dans cette section, nous décrivons les méthodes utilisées pour évaluer les prévisions saisonnières, conformément au concept de « bonté » des prévisions tel que discuté par Murphy (1993). Diverses métriques existent pour mesurer la qualité ou la performance d'une prévision, et nous nous concentrons sur les compétences, la fiabilité et les biais. La compétence considère comment la prévision se compare à une prévision de référence, par exemple une prévision d'absence de compétence (« chance aléatoire ») ou une prévision de persistance. La fiabilité quantifie l'accord probabiliste entre les prévisions et les observations. Le biais quantifie l'étendue de toute différence systématique, en moyenne, entre les prévisions et les observations.

Dans notre analyse, nous nous concentrons sur la zone du Sahel, définie comme 10°–20°N, 20°W–30°E (marquée par un cadre vert sur la Fig. 3a). Cette zone est similaire à celle utilisée par Vellinga et al. (2016) mais s'est étendu plus à l'ouest pour inclure tout le Sénégal. Nous évaluons les prévisions pour différentes périodes, en raison des différences de disponibilité des données, en veillant à utiliser des données simultanées pour les comparaisons entre les prévisions du modèle dynamique et les prévisions PRESASS. Dans la section 4a, nous considérons la période de chevauchement entre les simulations rétrospectives GloSea5 et les prévisions PRESASS (1998-2015), et dans la section 4b, nous utilisons la période de chevauchement entre les simulations rétrospectives des différents modèles (1993-2010).

Une. Numérisation des prévisions PRESSASS

La numérisation a été effectuée à l'aide de QGIS (QGIS Development Team 2018), avec des instructions plus détaillées disponibles sur le site Web d'ASPIRE (Met Office 2019). Lorsque les prévisions à 20 ans sont examinées, un développement naturel du processus de prévision est apparent, avec deux implications clés. Premièrement, la zone de prévision n'est pas cohérente, nous n'utilisons donc que les prévisions des 18 pays indiqués sur la figure 1, à l'exclusion des îles du Cap-Vert. Cela représente le noyau principal des pays qui apparaît sur la plupart des prévisions tout au long des 20 ans.

Deuxièmement, il n'y a pas de manière cohérente d'interpréter la zone représentée en gris sur la figure 1. Analyse des 20 prévisions Figs. S3 et S4 montrent deux approches différentes, parfois colorées différemment (par exemple, 2012) mais parfois identiques (par exemple, 2017). Dans le nord, le climat est aride donc la plupart des années, aucune prévision n'est faite. A l'inverse, plus au sud et plus récemment, le gris devient une prévision de « précipitations proches de la moyenne », mais il n'y a pas de frontière entre les régions pour l'absence de prévision en raison de l'aridité et les prévisions de précipitations proches de la normale (sauf en 2012 et 2013). Cependant, la limite entre les régions de prévision non prévisionnelle et implicite proche de la normale varie entre les 20 prévisions, il n'est donc pas possible d'identifier une zone où des prévisions nulles peuvent être systématiquement supposées. Cela soulève la question de savoir quel pourcentage de probabilité devrait être attribué aux zones grises ou blanches. Une répartition égale entre les trois terciles (33-33-33) représenterait une prévision nulle et constitue une hypothèse raisonnable formulée par Walker et al. (2019), mais il ne s'agirait pas d'une prévision de précipitations proches de la normale et est prévue explicitement en 2006. Une prévision de précipitation proche de la normale pourrait être représentée par des pourcentages qui sont biaisés vers le tercile moyen, tels que 30-40-30, mais ceci est prévu explicitement en 2004. Ces motivations contradictoires pour avoir des régions sans prévision explicite et des interprétations différentes signifient que dans cette étude, nous n'utilisons que les régions où le processus PRESASS donne explicitement une prévision en pourcentage.

B. Évaluation des compétences

En guise d'évaluation initiale, les cartes de corrélation illustrent les caractéristiques spatiales de l'habileté déterministe. À chaque point, le coefficient de corrélation de Pearson est calculé entre la prévision moyenne d'ensemble de chaque année et les observations (Fig. 3). Lorsque la corrélation est statistiquement significative (au niveau de confiance de 95 %), la carte est hachurée. La corrélation de Pearson est choisie pour sa simplicité et son utilisation courante, mais repose sur des données normalement distribuées. Bien que ce ne soit pas le cas pour les précipitations quotidiennes, le calcul des précipitations totales de la saison signifie que les valeurs ont tendance à devenir normalement distribuées mais ne garantit pas que la corrélation n'est pas affectée par les valeurs aberrantes. Pour cette raison, nous avons également calculé la corrélation tau de Kendall, basée sur le classement et non affectée par les valeurs aberrantes, et les résultats sont qualitativement similaires (non illustrés) à ceux de la corrélation de Pearson.

En adoptant une approche probabiliste, les scores de caractéristiques opérationnelles relatives (ROC) évaluent la compétence des prévisions en termes de si un « événement » prévu se produit. Les événements sont exprimés sous forme de précipitations tombant successivement dans chaque tercile (au-dessus, près et en dessous de la normale). Des seuils sont appliqués à la probabilité prévue pour chaque événement, l'événement étant prévu si la probabilité dépasse le seuil. Le point correspondant dans les données d'observation est identifié, avec quatre résultats possibles :

  • hit : l'événement est prévu et se produit
  • fausse alarme : l'événement est prévu et ne se produit pas
  • miss : l'événement n'est pas prévu et se produit et
  • corriger négatif : l'événement n'est pas prévu et ne se produit pas.

Dans cet article, les diagrammes ROC sont utilisés pour illustrer l'habileté des prévisions saisonnières produites à l'aide de différents modèles sur le Sahel. L'axe vertical d'un diagramme ROC montre le « taux de réussite », qui est le nombre de réussites par rapport au nombre total d'occurrences observées (nombre de réussites plus le nombre d'échecs). L'axe horizontal montre le « taux de fausses alarmes », qui est le nombre de fausses alarmes par rapport au nombre total de non-occurrences (le nombre de fausses alarmes plus le nombre de négatifs corrects). Pour chaque tercile de précipitations, ces deux taux sont comparés l'un à l'autre pour chaque seuil de probabilité de prévision. La courbe résultante montre si le système de prévision est ou non l. Un système de prévision habile maximisera le taux de réussite et minimisera le taux de fausses alarmes, de sorte que la courbe ROC s'inclinerait vers le haut à gauche du tracé. Si le système de prévision n'a aucune compétence, alors le taux de fausses alarmes et le taux de réussite seraient égaux, avec la courbe ROC le long de la ligne diagonale droite. Ainsi, les diagrammes ROC indiquent la compétence de prévision par rapport à une prévision « aléatoire ». Un score de compétence ROC (ROCSS) est donné dans la légende du tracé (Fig. 4), calculé selon Wilks [2011, Eq. (8.46)]. ROCSS vaut 1 pour les prévisions parfaites et 0 pour les prévisions « aléatoires ».

In addition, ROC maps can be used to provide spatial illustrations of forecast skill. The ROC maps used in this study show the area under a ROC curve at each grid point, for each precipitation tercile separately. A forecast with no skill, and ROC curve that falls along the diagonal, equates to an area under the curve of 0.5. Therefore, where a forecast has skill, the ROC map shows a value of greater than 0.5 the higher the value, the more skillful the forecast. Note that the area is calculated using the trapezoidal rule, which will slightly underestimate the area under the curve so should be used primarily to compare different areas of the forecast and the different forecast systems.

C. Reliability assessment

Using the example PRESASS forecast in Fig. 1, and focusing on the orange forecast area, there is a 50% probability of the area receiving below-average precipitation, a 30% probability of receiving near-average conditions and a 20% probability of above-average conditions. In the scenario that this region received a perfectly reliable forecast, we would expect 20% of the points in this region to receive precipitation in the above-normal tercile, 30% near normal, and 50% below normal. This is repeated over the 20 years, in order to fairly assess the reliability.

To assess the reliability, we collected forecast probabilities for each tercile over the 20 years of available forecasts. For example, we collected the cases where the forecast of above-average precipitation was 20%, and count how many times that the precipitation was in the above average tercile if this occurred 20% of the time, then those forecasts would be reliable. We assess the forecasts in intervals of 10% probability.

Reliability diagrams illustrate how reliable forecasts are by comparing forecast probabilities with the frequencies of actual events. The vertical axis of a reliability diagram shows the observed frequency, and the horizontal axis shows the forecast probability. In this study we group the observed frequency and forecast probabilities into bins with 10% intervals. The lower half of Fig. 2 shows two example diagrams. As in the example described above, reliable forecasts give similar values for forecast probability and observed frequency, so perfect reliability would result in a line on the main diagonal (oui = X).

(top) ROC diagrams and (bottom) reliability diagrams for (left) PRESASS forecasts and (right) GloSea5 hindcasts of July–September season total precipitation for 1998–2015.

Citation: Weather and Forecasting 35, 3 10.1175/WAF-D-19-0168.1

Ré. Bias assessment

Frequency diagrams (or sharpness diagrams) illustrate the forecast bias. Examples are shown at the bottom of Fig. 2, giving the number of forecasts within each bin over all years and for the Sahel, our region of interest. Frequency diagrams are used in two ways: first, to ensure there are a sufficient number of forecasts in each percentage category to allow statistically significant interpretation and second, to assess probabilistic bias.

Over a long period of time, the frequency of forecast probabilities in each tercile will converge to the climatological frequency of one-third (0.33). If on average a tercile is forecast with a higher (or lower) percentage chance than the climatological average, this will be represented as a shift in the histogram away from a center point of 0.33 and indicate a probabilistic bias in the forecast. Note that because the model forecasts are assessed against terciles calculated from model climatology, they will not exhibit probabilistic bias, and we do not assess absolute bias (i.e., the long-term average difference between model hindcast mean and observed mean).


Acknowledgments

We thank the SERC for logistical support, William Brinley and Nathan Phillips for technical assistance in construction of the sapflow sensors and Geoffrey Parker for providing access to the 50-ha plot and for other support. We thank Marilyn Fogel for allowing us to use her former facilities the Geophysical Lab at the Carnegie Institution in Washington, DC for isotopic analyses, and Lauren Urgenson, George Raspberry (posthumously), Roxane Bowden, Kati Dawson Andrea Krystan, and Patrick Neale for technical and other assistance. The water table and soil moisture data were gathered as part of an NSF funded project to Sean McMahon (NSF Grant 1137366) and is curated by Rutuja Chitra-Tarak.


4.2 Ocean mean state and identified biases

The annual SST averaged between 50 ∘ S and 50 ∘ N simulated by IPSL-CM5A2 for the last decades of the historical run is 22.3 ∘ C (1 ∘ C warmer than IPSL-CM5A), a value in the higher range of CMIP5 ESMs and consistent with observations (Fig. A2).

Figure 10Yearly averaged anomalies between simulated surface temperature (a, b) and surface salinity (c, d) and WOA2013 observations (Locarnini et al., 2013 Zweng et al., 2013) for the 1980–1999 period. (a, c) IPSL-CM5A – WOA2013. (b, d) IPSL-CM5A2 – WOA2013.

The warm bias over eastern subtropical Pacific and Atlantic oceans is more marked in IPSL-CM5A2 than in IPSL-CM5A as a response to CRF tuning (Fig. 10a, b). This bias has already been reported in several coupled models using NEMO, namely CNRM-ESM1 (Séférian et al., 2016) , CNRM-CM5.1 (Voldoire et al., 2013) , IPSL-CM4 (Marti et al., 2010) and IPSL-CM5A (Dufresne et al., 2013) . As stated in Voldoire et al. (2013) , ocean-only experiments (Griffies et al., 2009) have suggested that such a warm bias was likely linked to “poorly resolved coastal upwellings and underestimated associated westward mass transport due to the coarse model grid resolution”. The 0.5–2 ∘ C warm bias over the Antarctic circumpolar current (ACC) is comparable to IPSL-CM5A and can be related to the poor simulation of the CRF over this region (Hyder et al., 2018) and the associated mispositioning of midlatitude westerlies depicted above. Conversely, the tuning has reduced the cold bias in the Pacific and Atlantic gyres. Surface salinity biases are rather similar between both models. The surface salinity anomaly follows the evaporation minus precipitation (E–P) pattern over the tropical oceans (not shown), showing the influence of the double ITCZ issue on the tropical ocean freshwater balance. Both models depict too-fresh surface waters in the northern Atlantic and locations of deep water formation (Fig. 10c, d). The ocean also depicts temperature biases at depth both in the Atlantic and Pacific oceans (Fig. 11). Zonally averaged potential temperature anomalies show that the warm bias in the northern Atlantic between 1000 and 3500 m has been amplified, as well as the warm bias in the northern Pacific, that concerns the entire water column in IPSL-CM5A2. The strong ( > + 2.5 ∘ C) overestimation of temperatures in the subsurface waters of the Southern Hemisphere is almost identical in both versions of the model. The cold ( ∼ - 1 ∘ C) bias in the high latitudes of the Southern Hemisphere has been slightly reduced but is still present due to the lack of strong enough overturning in this region.

Figure 11Longitude–depth cross section of yearly averaged anomalies between IPSL-CM5A2 temperature (a) and salinity (b) and WOA2013 observations (Locarnini et al., 2013 Zweng et al., 2013) averaged over the 1980–1999 period.

Sea-ice extent (Fig. 12) has been improved in the North Atlantic sector but remains overestimated. The Nordic Seas are covered by sea ice in winter in IPSL-CM5A, while IPSL-CM5A2 shows overestimated sea ice mostly in the Barents Sea. In the Labrador Sea, both IPSL-CM5A and IPSL-CM5A2 have overestimated sea ice, likely preventing water mass sinking and convection in this region. In contrast, sea ice is underestimated in both versions for the North Pacific sector, i.e., in the Bering and Okhotsk seas.

Figure 12(a, b) March sea-ice cover (%) for the IPSL-CM5A (a, c) and IPSL-CM5A2 (b, d) historical runs. The black contour indicates the 15 % sea-ice cover interval in observations. (c, d) January–February–March average of mixed-layer depth (meters) for IPSL-CM5A (a, c) and IPSL-CM5A2 (b, d).

4.2.1 Ocean heat transport and meridional overturning circulation

IPSL-CM5A2 ocean meridional heat transport is higher (in absolute value) than the one simulated with IPSL-CM5A in both hemispheres (Fig. 13). This increase in the Northern Hemisphere is mainly related to the increase in the Atlantic meridional heat transport in the midlatitudes (not shown). When compared to observations, the two model versions have asymmetric biases, with the northward transport being underestimated in the Northern Hemisphere and the southward transport overestimated in the Southern Hemisphere low latitudes (between the Equator and 35 ∘ S). Southward heat transport is too strong between the Equator and 40 ∘ S and is in better agreement with the data than IPSL-CM5A between 40 and 60 ∘ S.

Figure 13Global meridional heat transport in the ocean, in petawatts (PW).

The AMOC is more vigorous in IPSL-CM5A2, with a maximum in depth (below 500 m) and latitude (from 30 ∘ S to 60 ∘ N) in pre-industrial conditions moving from 10.3±1.2 Sv (Escudier et al., 2013) to 12.02±1.1 Sv (taken for the last 1000 years of simulation Fig. 14a). The last 20 years of the 20th century in the historical run depict a less vigorous circulation in the Atlantic, with a mean value for the AMOC index of 10.5±0.9 Sv.

Figure 14Atlantic meridional streamfunction (a) and global barotropic streamfunction (b) for the pre-industrial experiments at steady state (100-year averages). Color shading shows the IPSL-CM5A2 minus IPSL-CM5A anomaly. Contour lines shows the IPSL-CM5A2 values (in Sv).

The convection sites have been slightly modified between the two versions of the model. While the strongest convection was located in the North Atlantic subpolar gyre (SPG), south of Iceland, in the IPSL-CM5A version (Escudier et al., 2013) , in IPSL-CM5A2, the Greenland Sea shows the deepest mixed-layer depth, which is larger than 1500 m in winter (Fig. 12c, d). Nevertheless, there is still a very active deep convection site south of Iceland, which is not realistic. The strengthening of the Nordic Seas convection can be related with the decrease of its sea-ice cover in winter (Fig. 12). As a consequence, denser water is now produced in this site, which improves the overflow through Greenland–Iceland–Scotland straits. Indeed, the water denser than 27.8 kg m −3 flowing southward reaches 1.5 Sv in IPSL-CM5A2, while it was only 0.2 Sv in IPSL-CM5A. It remains largely underestimated as the observations from Olsen et al. (2008) indicate around 6 Sv of overflow in total from observation-based estimates over the last few decades. Besides, the poleward shift of the westerlies in the North Atlantic stimulate a northward shift of the boundary between the Atlantic subtropical and subpolar gyres, as shown by the barotropic streamfunction anomaly (Fig. 14b). This may contribute to bringing more salt into the subpolar gyre, which may also act to intensify the AMOC in IPSL-CM5A2.

Tableau 3Mass fluxes through major ocean gateways in Sverdrups (Sv).

4.2.2 Fluxes in the major ocean gateways

We computed oceanic mass transport through selected longitudinal and latitudinal cross sections corresponding to the major gateways (Table 3) and compared them to IPSL-CM5A, estimates from observations and values simulated by CNRM-CM5.1, which use NEMO as well (Voldoire et al., 2013) . These diagnostics highlight that the ACC is underestimated by IPSL-CM5A2 by around 25 %, as for the other configuration considered here, whereas despite the absence of high resolution and explicit resolution of Indonesian gateways, the overall Indonesian Throughflow tends to be close to observation-based estimate (underestimation of 16 %). Compared to observations and CNRM-CM5.1, the flow in the Florida Straits is quite weak (weaker than observation by 37 %), in line with the simulated “sluggish” AMOC. The increase of the AMOC from IPSL-CM5A to IPSL-CM5A2 has not been enough to strengthen this current, also largely resulting from wind forcing. The absence of resolved eddies can also play a significant role in this underestimation.

4.2.3 Net primary production (NPP)

To illustrate some of the capabilities of IPSL-CM5A2, we also evaluate the simulated oceanic NPP (Fig. 15). The global integrated NPP over the historical period (here averaged over 1980–1999 from the historical simulation) is 47.5 PgC yr −1 , which is a strong increase when compared to 30.9 PgC yr −1 simulated for IPSL-CM5A (Bopp et al., 2013) , making IPSL-CM5A2 closer to the 52.1 PgC yr −1 global estimate based on SeaWiFS remote-sensing observations (Behrenfeld and Falkowski, 1997) . The representation of NPP at the spatial scale compares well to observation-based estimates for the tropical and Southern Hemisphere but depicts large biases in the Northern Hemisphere, especially in the North Atlantic where NPP is largely underestimated (Fig. 15c).

Figure 15Mean vertically integrated NPP retrieved from SeaWiFS observations (a) and simulated by IPSL-CM5A2 (b). (c) Latitudinal variations of mean vertically integrated NPP, zonally averaged, for SeaWiFS (black), IPSL-CM5A (orange) and IPSL-CM5A2 (blue).

4.2.4 Ocean variability

The main modes of variability of the AMOC are analyzed with an empirical orthogonal function (EOF) of the yearly Atlantic meridional overturning streamfunction (Fig. 16, top). The first EOF is a monopole in IPSL-CM5A and IPSL-CM5A2, but IPSL-CM5A2 shows less loading in the subpolar gyre between 40 and 60 ∘ N. The associated principal component shows a significant 20-year variability in the case of IPSL-CM5A. Such variability was previously linked to advection of surface salinity anomalies from the western boundary to the eastern Atlantic (Escudier et al., 2013) and westward-propagating planetary waves in subsurface (Ortega et al., 2015) . North Atlantic observations (Vianna and Menezes, 2013 Swingedouw et al., 2013) and proxy records indicate a 20-year preferential variability in this region in the atmosphere (Chylek et al., 2011) , sea ice (Divine and Dick, 2006) and the ocean (Sicre et al., 2008 Cronin et al., 2014) . However, the peak of variability at 20-year timescale is not significant any more in IPSL-CM5A2 (see spectra in Fig. 16c–d). This difference can be explained by the different tuning of the two model versions.

Figure 16(a, b) Spatial patterns of the leading EOF of the yearly AMOC computed from 2490 years of the IPSL-CM5A2 PREIND (model years 4510 to 6999) and from 1900 model years of the IPSL-CM5A PREIND (model years 1800 to 3699), respectively. The patterns are given in Sv for 1 standard deviation of the corresponding principal component, and the amount of variance explained by the pattern is given in the top right of each panel. Panels (c) et (d) show the variance spectra of the associated leading principal components, respectively. The dashed lines show the 95 % and 99 % confidence levels of the best-fit first-order Markov red noise spectrum, respectively. (e, f) Atlantic multidecadal variability (AMV) pattern, in K, in IPSL-CM5A2 PREIND and IPSL-CM5A PREIND, respectively, from the same model years as above. The AMV was calculated from the low-pass-filtered (61-month running mean) North Atlantic SST in 0–60 ∘ N, 80 ∘ W–0 ∘ E. The AMV pattern is given by the regression of the SST onto the AMV index.

Gastineau et al. (2018) used IPSL-CM5A-MR, a variant of IPSL-CM5A with an improved horizontal resolution in the atmosphere ( 2.5 ∘ × 1.25 ∘ vs. 3.75 ∘ × 1.87 ∘ ) and also found that a warmer mean state led to a reduction of the 20-year variability in IPSL-CM5A-MR. Such a warmer mean state modifies the subpolar gyre currents and the subsurface stratification in the eastern Atlantic Ocean where the mixed layer is deepest in IPSL-CM5A models. These changes were suggested to explain a smaller growth of baroclinic instabilities triggering the propagation of westward-propagating anomalies (Gastineau et al., 2018) . It is therefore likely that the different tuning of IPSL-CM5A2 led to similar changes. The SST associated with the first principal component of the AMOC also shows weaker SST anomalies in the subpolar gyre when compared to IPSL-CM5A (not shown). The AMV patterns are similar in IPSL-CM5A and IPSL-CM5A2, with a slightly more intense subpolar gyre SST (6.8 ∘ C vs. 6.2 ∘ C for the maximum value in the subpolar gyre) in IPSL-CM5A2. Larger positive SST anomalies in IPSL-CM5A2 are also simulated in the Nordic Seas and Irminger Sea associated with the AMV. The larger AMV in IPSL-CM5A2 is consistent with the smaller sea-ice cover in the North Atlantic and a more intense signature of the atmospheric forcing. Yet, the observed AMV pattern computed from the historical period (1870–2008) using a similar methodology does not show such an intense subpolar pole: the SST anomalies in the subpolar region are only twice as intense is the tropical ones (Deser et al., 2009) .

The Pacific variability in IPSL-CM5A2 is identical to that found in IPSL-CM5A. The El Niño–Southern Oscillation (ENSO) is characterized by the NINO3.4 time series. IPSL-CM5A and IPSL-CM5A2 show a similar power spectrum (Fig. B3a, c, e) which is comparable to observations (Bellenger et al., 2014) . Both versions have the same bias in the seasonal phase locking (Fig. B3b, d, f), as the monthly standard deviations are larger in May and June in CM5A and CM5A2, while the observed maximum is in January and December. The ENSO impacts are evaluated using spatial composites of the SST over ocean, 2 m air temperature over land and sea-level pressure. The composites are built using the NINO3.4 time series and calculating the difference of all years where the NINO3.4 exceeds 1 standard deviation, minus years less than 1 standard deviation. Figure B4 illustrates that the ENSO impacts are identical in both versions of the model, with a systematic bias in the position of the Pacific equatorial SLP anomalies which extend too far west toward the Pacific warm pool. However, the SLP anomalies display a realistic pattern in the Northern Hemisphere and Southern Hemisphere, with the associated Pacific North American and Pacific South American patterns, as in other CMIP5 models (Weare, 2013) . The Pacific Decadal Oscillation (PDO) was also calculated as the first EOF of the monthly Pacific SST anomalies north of 20 ∘ N (Fig. B5), which illustrate a pattern with positive SST anomalies over the equatorial Pacific, negative anomalies in the northwest Pacific and a horseshoe pattern of positive SST anomalies in the Northern Hemisphere. The IPSL-CM5A model generally simulates the characteristics of the observed PDO, as found by Fleming and Anchukaitis (2016) or Nidheesh et al. (2017) , as well as the associated anomalies in the Atlantic and ocean basins. The IPSL-CM5A2 version simulates a PDO nearly identical to that of IPSL-CM5A, so that the mean state changes have no impact on the PDO state.

This section depicts both the technical developments and the choices to be made regarding boundary conditions for a typical deep-time simulation with IPSL-CM5A2. We describe the generation of a new grid for the ocean model for deep-time applications and the generation of boundary conditions, component-wise. To illustrate our point, we run a 3000-year long numerical simulation of the Cretaceous as a case study. We present a very brief analysis of the model time series to illustrate the long adjustment required to reach equilibrium in deep-time simulations. As the focus of the paper is the description of IPSL-CM5A2, we only provide a very basic description of the simulated climate. We refer readers to Laugié et al. (2020) for a detailed description of a Cretaceous simulation run with IPSL-CM5A2.

Figure 17Comparisons of ORCA2 grid (a) and PALEORCA grid (b). Color shading shows spatial resolution (km 2 ). Grey-shaded areas on ORCA surround the refinements of the grid over the Mediterranean, Red, Black and Caspian seas. The centers of the blue areas show the two poles that have been rotated in PALEORCA.


Introduction

The world is experiencing a growing abandonment process of previously intensively managed agricultural lands (Baldock et al. 1996 Silver et al. 2000 Dunjó et al. 2003 Benayas et al. 2007 Bergen et al. 2008 Zhang et al. 2010a, 2010b Prishchepov et al. 2012 Alcantara et al. 2013 Hansen et al. 2013 Margono et al. 2014). Many investigations have been devoted to the dynamics of soil and vegetation on abandoned lands, features of the spatial structure of their vegetation, changes in their biodiversity, in carbon and nitrogen budgets, and to peculiarities of carbon sequestration at different stages of forest recovery (Gough and Marrs 1990 Silver et al. 2000 Baniya et al. 2009 Tokavchuk 2010 Zhang et al. 2010a De Frenne et al. 2011 Heikkinen et al. 2014 Hou and Fu 2014 Kurganova et al. 2014 Nyawira et al. 2016 Arévalo et al. 2017 Baeva et al. 2017 Telesnina et al. 2017 Kalinina et al. 2018).

The area and proportion of abandoned lands in the Russian Federation, especially in its European part, are really huge (Lyuri et al. 2010 Kurganova et al. 2014 Potapov et al. 2015). Lands were massively abandoned in the late 1980s—early 1990s due to socio-economic and institutional changes that occurred in the country after the collapse of the Soviet Union. Between 1990 and 2007, 45.5 million ha of agricultural lands were abandoned over entire Russia of which 32.6 million ha in its European part (Lyuri et al. 2010 Kurganova et al. 2014). The situation varies across regions: in the Yaroslavl region lands removed from agricultural usage account for 418 thousand ha (43% of the total area of agricultural lands in the region before the collapse of the Soviet Union Gulbe 2009) and in the Smolensk, Kaluga, Ryazan, Vladimir, and Tula regions such lands account for 46, 30, 28, 27, and 26%, respectively (altogether 1.7 million ha Prishchepov et al. 2013) in the Leningrad and Sverdlovsk regions, these values are 90 and 14% (632 and 660 thousand ha, respectively Novoselova et al. 2016). In European Russia, lands are more likely to be abandoned if they are situated further away from populated localities and market centers, or lie at forest edges or within forest tracts furthermore, a higher likelihood of agricultural land abandonment is found to be significantly correlated with lower average grain yields in the late 1980s (Prishchepov et al. 2013). The specific conditions of these abandoned lands, such as their spatial parameters, soil characteristics, soil seed banks, neighboring plant communities, the type of previous farming, external impacts, etc., are rather diverse (Lyuri et al. 2010). It has been shown that all these parameters, in various combinations, define the trajectories of vegetation succession and features of vegetation recovery on the abandoned lands (Baniya et al. 2009 Baeten et al. 2010 De Frenne et al. 2011 Munroe et al. 2013 Hou et al. 2014 Plieninger et al. 2014 Kou et al. 2016 Stuble et al. 2017).

For Central European Russia, it was shown that pioneer trees, such as European white birch (Betula pendula), gray alder (Alnus incana), or goat willow (Salix caprea), can settle on abandoned arable lands within the first 2 years, and in very high densities (Utkin et al. 2002, 2005). Intensive natural thinning of such stands occurs especially between 4 to 10 years of age while the density of the stands remains relatively high: up to 110,000 ind/ha were counted in 5-year-old Alnus incana stands (Gulbe 2012) and up to 66,000 ind/ha in 10-year-old Betula pendula stands (Gulbe 2009). Further, 30-year-old Betula pendula forest developed on formerly plowed fields located within an old-growth multi-species broad-laved forest in the Kaluzhskie zaseki Reserve held between 500 to 1725 ind/ha in the overstorey (Smirnova et al. 2017). In this 30-year-old birch forest, in a 100-m-wide zone along the old-growth forest margin, shade-tolerant trees predominated in the understory: the total number of tree individuals varied from 20,558 to 83,314 ind/ha European ash (Fraxinus excelsior) and Norway maple (Acer platanoides) dominated. European aspen (Populus tremula), Scots pine (Pinus sylvestris), and Norway spruce (Picea abies), as well as birch and goat willow, also occurred in former fields located in the middle and south taiga (Novoselova et al. 2016). Spontaneous regrowth of forest vegetation occurs even in the fields that have been in agricultural use for a long period of time (up to several centuries and longer) (Utkin et al. 2002, 2005). However, as many researchers have noted, the density of the undergrowth in the regenerating forest vegetation on former arable lands varies greatly within the same climatic conditions and sometimes there are no trees at all (Utkin et al. 2002 Prévosto et al. 2011 Ruskule et al. 2012 Prishchepov et al. 2013 Novoselova et al. 2016 Baeva et al. 2017 Jagodziński et al. 2017 Telesnina et al. 2017 Kalinina et al. 2018 Maslov et al. 2018). Reasons of such striking differences in the undergrowth volume are not well investigated (Prévosto et al. 2011 Ruskule et al. 2012 Novoselova et al. 2016). We propose that grass fires are the most important factors defining the successional trajectory on formerly plowed fields. The lack of research on this topic may be due to the fact that it is not easy to register grass fires, especially in remote fields their traces can disappear rather quickly and it can be difficult to identify the occurrence of spring grass fires in an area after just several weeks. Another possible reason for the lack of researches on this topic may be that abandoned plowed land without grazing is a rare phenomenon all over the world, whereas it is common in Russia and Eastern Europe. Even so, such abandoned areas are large and their input in the general biogeochemical cycles and regular ecological processes over the world is significant.

On the whole, effects of fire on vegetation and the whole ecosystems have been studied in a vast number of works. Usually, fire is considered a natural and inevitable hazard having a fundamental role in sustaining biodiversity and fire-prone ecosystems (Bowman et al. 2009 Moritz et al. 2014 Smith et al. 2016 Prichard et al. 2017). Nevertheless, large gaps of knowledge exist in understanding species-specific responses to fire regimes, in comprehending the spatiotemporal effects on biota at different scales, and in explaining the interactions of fire regimes with ecosystem functions that are related to the structural components of an ecosystem, such as soil, water, atmosphere, and biota (Driscoll et al. 2010 Haslem et al. 2011 Moritz et al. 2014 Kelly et al. 2015 Prichard et al. 2017 Pellegrini et al. 2018). In the Central Russian Upland, grass fires are common, but remain practically non-investigated. Researches on the overgrowing of abandoned lands do not take “the fire aspect” into account (Heikkinen et al. 2014 Baeva et al. 2017 Telesnina et al. 2017 Kalinina et al. 2018), while for other regions, fire risks were found to be positively linked to agricultural abandonment and agricultural landscape fragmentation (Martínez et al. 2009 Zhang et al. 2010a Pausas and Fernández-Muñoz 2012 Pausas and Keeley 2014 Glagolev and Kogan 2016 Pavleychik 2016). Therefore, the objective of our study was to analyze the overgrowing on abandoned lands in the Central Russian Upland in connection with the grass fire history and to perform this study at the landscape and local scale. At the landscape scale, we analyzed spatial characteristics of the area in relation to the 30-year history of spring fire events which we reconstructed from archival Landsat satellite images. At the local scale, we identified adjacent abandoned fields which had been or had not been affected by fire and we sampled soil and vegetation there. Plant species diversity, soil quality, and relationships between soil and vegetation were assessed for the former fields and for mature forests bordering on the abandoned fields.


(A1) (A2) (A3) (A4) where is the arithmetic mean of Xune and the RMSE is defined as (A5)