El Nino Southern Oscillation-Driven Variability in Vegetation Indices and Carbon Fluxes over Rajasthan, India: A Non-parametric District-level Analysis (2000-2024)

Technische Samenvatting: ENSO-gestuurde Variabiliteit in Vegetatie en Koolstoffluxen over Rajasthan (2000–2024)

Probleemstelling
Deze studie adresseert de noodzaak om te kwantificeren hoe El Niño Southern Oscillation (ENSO)-events en moessonregenval de vegetatiecondities tijdens het kharif-seizoen en de terrestrische koolstoffluxen over de diverse ariditeitsgradiënten van Rajasthan, India, beïnvloeden. Hoewel de dominantie van neerslag bij het aansturen van vegetatie gevestigd is, blijft de specifieke omvang van de ENSO-impact op de Bruto Primaire Productiviteit (GPP) en Netto Primaire Productiviteit (NPP) op districtniveau, onafhankelijk van de variabiliteit in neerslag, minder gekarakteriseerd. Bovendien is er een gat in het begrip van hoe deze klimatologische drijfveren de koolstofassimilatie beïnvloeden in verhouding tot het bladerdakgroen (NDVI), met name in hyper-aride en aride zones waar de interjaarlijkse variabiliteit hoog is.

Methodologie
Het onderzoek maakt gebruik van een volledig non-parametrisch statistisch kader dat 25 jaar aan gegevens (2000–2024) analyseert over alle 33 districten van Rajasthan.

• Databronnen: De studie integreert vier MODIS Collection 6-producten—MOD13Q1 (250 m NDVI/EVI), MOD17A2H (8-daagse GPP), MOD17A3HGF (jaarlijkse NPP), en MCD12Q1 (Landgebruik/Landbedekking)—met IMD 0.25° gegridde neerslaggegevens en NOAA ONI-indices.
• Preprocessing: Een dynamische landbouwmasker (IGBP klassen 12 en 14) afgeleid van MCD12Q1 wordt jaarlijs toegepast om landbouwpixels te isoleren, waardoor de attenuatie van ENSO-signalen door natuurlijke droge vegetatie wordt voorkomen.
• Statistisch Kader:
  • Trenddetectie: Mann-Kendall (MK) tests met Sen slope-schatters identificeren langetermijntrends.
  • Correlatieanalyse: Kendall tau en Spearman rho beoordelen bivariate associaties. Partiële Spearman-correlaties controleren voor neerslag (RF) om onafhankelijke ONI-effecten op GPP te isoleren.
  • Modellering: District-niveau voorspellende vergelijkingen worden afgeleid met behulp van een iteratieve Theil-Sen regressiebenadering. De modelstructuur is: $GPP = \alpha + \beta_{RF} \cdot (RF - RF_{med}) + \beta_{ONI} \cdot (ONI - ONI_{med})$.
  • Validatie: Modellsnelheid wordt gekwantificeerd via Leave-One-Out Cross-Validation (LOOCV), wat de Mean Absolute Percentage Error (MAPE), RMSE en systematische bias oplevert.
  • Voorspelling: 2026-vooruitzichten maken gebruik van 1000-replicate bootstrap resampling om 90% betrouwbaarheidsintervallen te genereren voor district-niveau projecties.

Belangrijkste Bijdragen

1. District-niveau Attributie: Dit is de eerste studie die een volledig non-parametrische, district-niveau attributie biedt van ENSO-signalen in MODIS vegetatie en koolstoffluxproducten voor het gehele Rajasthan.
2. Ontkoppeling van Neerslag en ENSO: De studie slaagt erin onafhankelijke ENSO-effecten op GPP te isoleren na controle voor neerslag, waarbij specifieke "ONI-gevoelige" districten in de aride en semi-aride westen worden geïdentificeerd.
3. GPP:NDVI Discrepantie: Het kwantificeert een ~2:1 onderdrukkingsratio van GPP ten opzichte van NDVI tijdens El Niño-events, wat benadrukt dat koolstofassimilatie sneller afneemt dan het bladerdakgroen door stomatale sluiting.
4. Operationele Voorspelling: De ontwikkeling van Theil-Sen voorspellingsmodellen met gekwantificeerde onzekerheid (LOO-MAPE) biedt een kader voor het genereren van actieven seizoensgebonden vroege waarschuwingen voor de landbouw.

Resultaten

• ENSO-impacten: El Niño-events onderdrukken de staat-gemiddelde kharif NDVI met 3,6% en GPP met 7,0% gemiddeld. De impact is het zwaarst in het hyper-aride Jaisalmer district, met tekorten die oplopen tot 14,3% voor NDVI en 21,6% voor GPP. La Niña-events produceren symmetrische overschotten van 3–18% in GPP.
• Correlaties: Neerslag-NDVI correlaties zijn universeel significant over alle 33 districten (gemiddelde $\rho$ = 0,935). Echter, onafhankelijke ONI-effecten op GPP zijn alleen significant in zes aride en semi-aride westelijke districten (Bikaner, Churu, Ganganagar, Hanumangarh, Jaisalmer en Jodhpur), met partiële correlaties variërend van -0,42 tot -0,62. In het sub-humide oosten wordt de ENSO-invloed primair gemedieerd door neerslag.
• Langetermijntrends: Significante positieve Mann-Kendall trends in NDVI en GPP worden gedetecteerd in 16 van de 33 districten. De hoogste vergroeningspercentages komen voor in het sub-humide zuidoosten (gemiddelde +5,4 g C m⁻² yr⁻¹ voor GPP), toegeschreven aan landbouwintensivering en CO₂-bemesting.
• Modelprestaties: De Theil-Sen modellen bereiken een gemiddelde LOO-MAPE van 6,2% voor NDVI en 17,4% voor GPP. De prestaties zijn het best in het sub-humide zuidoosten (<12% MAPE) en het slechtst in het hyper-aride Jaisalmer (31,5%) en arid Churu (41,4%) vanwege hoge interjaarlijkse ruis en detectievloerproblemen.
• 2026 Voorspelling: Gebaseerd op een ONI van -0,1 (FMA 2026), wordt de staat-gemiddelde kharif GPP voorspeld op 249,5 g C m⁻² (anomalie -3,2%). Dertig van de 33 districten worden geclassificeerd als NABIJ NORMAAL, terwijl Jaisalmer, Churu en Jhunjhunu als ONDER NORMAAL worden voorspeld.

Significantie en Claims
De paper claimt dat de bevindingen cruciale inzichten bieden voor satellietgebaseerde koolstofmonitoring en landbouwplanning. Specifiek stelt het dat NDVI-gebaseerde opbrengstmodellen, gekalibreerd in gemiddelde of natte jaren, de kharif-productie tijdens El Niño-events systematisch zullen overschatten als de disproportionele onderdrukking van de koolstofflux (GPP) ten opzichte van groenheid (NDVI) niet wordt meegewogen.

De studie positioneert de Theil-Sen vergelijkingen als een eenvoudig correctiekader. Door pre-seizoen ONI-voorspellingen te integreren met district-mediaan neerslagprojecties, kunnen planners de GPP-schattingen weken voor de oogst aanpassen. De auteurs concluderen dat de geïdentificeerde "ONI-gevoelige" districten een basis bieden voor gedifferentieerde gewasadviesstrategieën die Sea Surface Temperature (SST) outlooks integreren naast neerslagvoorspellingen. Het werk wordt gepresenteerd als operationeel gereed voor seizoensgebonden landbouwplanning, inputvoorraadbeheer en droogteverklaring op sub-district niveau, mits real-time neerslagvoorspellingen via de gevestigde vergelijkingen worden doorgegeven.