Fernerkundung für Globale Klima-Vegetationsmodelle - DGPF

Dreiländertagung der DGPF, der OVG und der SGPF in Wien, Österreich – Publikationen der DGPF, Band 28, 2019

 Fernerkundung für Globale Klima-Vegetationsmodelle

 MATTHIAS FORKEL1, WOUTER DORIGO1, NUNO CARVALHAIS2 & KIRSTEN THONICKE3

 Zusammenfassung: Vegetationsmodelle als Teil von Klimamodellen sind essentiell um
 mögliche Auswirkungen zukünftiger Klimaveränderungen auf Ökosysteme abzuschätzen. Die
 Evaluierung und Verbesserung dieser Modelle anhand von Beobachtungsdaten ist dabei
 essentiell für eine realistische Modellanwendung. Satelliten erlauben es zahlreiche Aspekte
 von Landökosystemen wie Vegetationsbedeckung, Pflanzenproduktivität, Biomasse oder
 Waldbrände weltweit flächendeckend zu quantifizieren und stellen damit essentielle
 Informationen für die Evaluierung und Verbesserung von Vegetationsmodellen bereit. Dieser
 Beitrag gibt einen kurzen Überblick über Fernerkundungsdaten und deren Anwendung in
 globalen Vegetationsmodellen. Weiterhin wird gezeigt, wie multiple Fernerkundungsdaten
 genutzt werden, um Parameter eines globalen Vegetationsmodells zu kalibrieren und damit
 Modellsimulationen zu verbessern.

1 Einleitung
Die Fernerkundung der Landoberfläche mittels Satelliten erlaubt es langfristige Veränderungen in
Ökosystemen zu beobachten, wie beispielsweise Phänologie, Vegetationsproduktivität,
Landbedeckung, Biomasse oder Waldbrände (DE BEURS & HENEBRY 2004; BOYD & DANSON
2005). Satellitendaten zeigen beispielsweise einen früheren Beginn der Vegetationsperiode in
vielen Regionen der gemäßigten Zone oder eine Zunahme der Vegetationsbedeckung und -
produktivität in den nördlichen Nadelwäldern (FORKEL et al. 2015; ZHU et al. 2016). Um jedoch
den Einfluss von zukünftigen Klimaänderungen auf Änderungen in Ökosystemen abzuschätzen,
müssen Klimamodelle mit Dynamischen Globalen Vegetationsmodellen (DGVM) (PRENTICE et
al. 2007) angewendet werden. DGVMs simulieren Ökosystemprozesse wie Photosynthese, die
Allokation von Biomasse, Kohlenstoffumsatz, Bodenkohlenstoff, Evapotranspiration,
Bodenfeuchte bis hin zu Waldbränden oder landwirtschaftlicher Produktivität.
Fernerkundungsdaten sind dabei eine wichtige Datengrundlage um die Plausibilität und Güte von
Modellsimulationen zu überprüfen und um schließlich Modelle zu verbessern. Dabei können
Fernerkundungsdaten für die Evaluierung von Modellergebnissen, für die Kalibrierung von
Modellparametern oder für die Abschätzung von Modellzuständen genutzt werden (DORIGO et al.
2007).
Ziel dieses Beitrages ist es einen Überblick zu geben, wie die Vielfalt von Fernerkundungsdaten
für die Evaluierung und Verbesserung von DGVMs genutzt wird. Es wird umrissen welche
Fernerkundungsdaten für die Evaluierung und Kalibrierung von DGVMs zur Verfügung stehen

1 Technische Universität Wien, Department für Geodäsie und Geoinformation, Gußhausstr. 27-29,
 A-1040 Wien, E-Mail: [matthias.forkel, wouter.dorigo]@geo.tuwien.ac.at
2 Max-Planck-Institut für Biogeochemie, Hans-Knöll-Str. 10, D-07745 Jena,
 E-Mail: ncarval@bgc-jena.mpg.de
3 Potsdam-Institut für Klimafolgenforschung, Telegraphenberg A31, D-14473 Potsdam,
 E-Mail: kirsten.thonicke@pik-potsdam.de

 203

M. Forkel, W. Dorigo, N. Carvalhais & K. Thonicke

und ein Überblick über relevante Arbeiten gegeben. Desweiteren wird anhand des LPJmL-
Modelles des Potsdam-Instituts für Klimafolgenforschung (PIK) (SCHAPHOFF et al. 2018a)
gezeigt, wie Modellparameter für verschiedene Ökosystemprozesse anhand von multiplen
Fernerkundungsdaten geschätzt werden können.

2 Fernerkundungsdaten für Globale Vegetationsmodelle
Zahlreiche satelliten-basierte Datensätze können für die Evaluierung und Kalibrierung von
DGVMs genutzt werden (SCHOLZE et al. 2017). Vegetationsindizies wie der Normalized
Difference Vegetation Index (NDVI) oder abgeleitete biophysikalische Parameter wie FAPAR
(fraction of absorbed photosynthetic radiation) und der Blattflächenindex (LAI, leaf area index)
werden genutzt um die simulierte saisonale Blattentwicklung zu evaluieren (BUERMANN et al.
2018; FORKEL et al. 2014). Dabei kommen oftmals Daten des MODIS-Sensors (Moderate
Resolution Imaging Spectroradiometer) zum Einsatz, da dieser Sensor homogene Zeitreihen seit
2001 auf einer für globale Modelle idealen räumlichen Auflösung (250-500 m) bereitstellt.
Desweiteren werden Vegetationsindizes auch genutzt um Modellparameter zu optimieren, welche
die Phänologie (saisonale Blattentwicklung) steuern (FORKEL et al. 2014; KNORR et al. 2010;
MACBEAN et al. 2015).
Landbedeckungskarten werden entweder als Eingangsdatensatz oder zur Evaluierung von
DGVMs verwendet (POULTER et al. 2011). Dabei müssen die satelliten-basierten
Landbedeckungsklassifikationen in die jeweiligen Vegetationstypen der Modelle (sogenannte
PFTs, plant functional types) übersetzt werden. Zur Übersetzung wurden Ansätze entwicklt, die
jeder Landbedeckungsklasse einen bestimmten Anteil von PFTs zuordnen (LI et al. 2018; POULTER
et al. 2015; POULTER et al. 2011). Diese Übersetzungsansätze beinhalten jedoch eine relativ große
Unsicherheit hinsichtlich der absoluten Bedeckung einer Gridzelle mit Wald-, Grasland- oder
landwirtschaftlicher Bedeckung die sich auf die Unsicherheit in Modellsimulationen auswirkt
(GEORGIEVSKI & HAGEMANN 2018).
Abschätzungen der Waldbiomasse aus Satellitenbeobachtungen wurden großräumig für die
Tropen (AVITABILE et al. 2016; BACCINI et al. 2012; SAATCHI et al. 2011) und für die nördlichen
temperierten und borealen Wälder (SANTORO et al. 2015; THURNER et al. 2014) entwickelt. Diese
Biomassekarten können zur Modellevaluierung von Kohlenstoffspeichern oder des
Kohlenstoffumsatzes verwendet werden (THURNER et al. 2017; THURNER et al. 2016). Bisher
wurden diese Daten aber noch nicht für die Kalibrierung von Modellen genutzt.
Seit einigen Jahren kann die sonnen-induzierte Fluoreszenz (SIF) von Vegetation aus
Fernerkundungssensoren abgeschätzt werden und zeigt einen proportionalen Zusammenhang zur
Bruttoprimärproduktion (GUANTER et al. 2014). Daher können SIF-Daten zur Evaluierung und
Kalibrierung von Photosynthese-Parametern in DGVMs verwendet werden (MACBEAN et al.
2018).
Aus mikrowellen-basierten Fernerkundungssensoren kann die oberflächennahe Bodenfeuchte
abgeleitet werden (DORIGO et al. 2017). Satelliten-basierte Bodenfeuchtedaten wurden schon
vielfach für die Evaluierung von hydrologischen Modellen verwendet, doch gelangen erst seit
kurzem Bedeutung für global Vegetationsmodelle (RAOULT et al. 2018).

 204

Dreiländertagung der DGPF, der OVG und der SGPF in Wien, Österreich – Publikationen der DGPF, Band 28, 2019

Satellitendatensätze der Brandfläche von Wald-, Grasland- oder Buschbränden sind seit vielen
Jahren verfügbar und werden u .a. für die Abschätzung von Kohlenstoffemissionen aus
Vegetationsfeuern verwendet (VAN DER WERF et al. 2006). Diese Datensätze werden auch für die
Evaluierung von Simulationen von Vegetationsfeuern in DGVMs verwendet (FORKEL et al. 2018;
LASSLOP et al. 2014; THONICKE et al. 2010).
Evaluierungen von DGVMs gegen einzelne Satellitendatensätze geben einen Einblick in die
Leistung eines Modells einzelne Ökosystemprozesse zu simulieren. Jedoch wird daraus die
Gesamtgüte des Modelles nicht ersichtlich. Daher wird versucht DGVMs gegen zahlreiche
Fernerkundungs- und in situ-Daten zu evaluieren um die Modellgüte umfassend zu beurteilen und
mögliche Schwachstellen aufzuzeigen (KELLEY et al. 2013; SCHAPHOFF et al. 2018b). Auch ist es
nicht ratsam DGVMs gegen einzelne Datensätze oder Variablen zu kalibrieren, da damit mögliche
Datenfehler die Modellsimulationen negativ beeinflussen können oder da einzelne Modellprozesse
so zu Lasten von anderen Prozessen überparametrisiert werden können (KAMINSKI et al. 2013;
MACBEAN et al. 2016). Daher wird zunehmend versucht Modelle gegen mehrere
Beobachtungsdatensätze zu kalibrieren (Tab. 1) (KEENAN et al. 2011).

 Tab. 1: Übersicht über Studien in denen Fernerkundungsdaten für die Optimierung von globalen
 Vegetationsmodellen verwendet wurden.

 Skala der Fern-
 Studie Modell In situ Daten
 Optimierung erkundungsdaten
 (Knorr et al. 2010) BETHY Global / grob FAPAR
 aufgelöst
 (Kaminski et al. 2012) BETHY Global / grob FAPAR CO2
 aufgelöst
 (Kuppel et al. 2012) ORCHIDEE Einzelne Nettokohlenstoff-
 Standorte austausch, Latente
 Wärme
 (Kato et al. 2013) BETHY Einzelne FAPAR Latente Wärme
 Standorte
 (Forkel et al. 2014) LPJmL Mehrere FAPAR, Albedo Bruttoprimär-
 Gridzellen produktion
 (Kuppel et al. 2014) ORCHIDEE Mehrere Nettokohlenstoff-
 Standorte austausch, Latente
 Wärme
 (MacBean et al. 2015) ORCHIDEE Mehrere NDVI
 Gridzellen
 (Bloom et al. 2016) DALEC Global / pro LAI, Biomasse
 Gridzelle
 (Scholze et al. 2016) BETHY Global / grob Bodenfeuchte CO2
 aufgelöst
 (Schürmann et al. 2016) JSBACH Global / grob FAPAR CO2
 aufgelöst
 (Norton et al. 2018) BETHY Global / grob SIF
 aufgelöst
 (MacBean et al. 2018) ORCHIDEE Mehrere SIF
 Gridzellen

 205

M. Forkel, W. Dorigo, N. Carvalhais & K. Thonicke

3 Integration multipler Fernerkundungsdaten in das LPJmL DGVM
Fernerkundungsdaten von multiplen Ökosystemparametern können helfen DGVMs umfassend zu
verbessern. Bisher wurden jedoch noch nicht mehr als drei Datensätze in einer globalen
Modelloptimierung zusammen verwendet (Tab. 1). Im Folgenden wird bewertet wie satelliten-
basierte Daten wie FAPAR, SIF, Biomasse und die Landbedeckung verschiedener PFTs
gemeinsam genutzt werden können um Simulationen von Vegetations- und
Kohlenstoffkreislaufdynamiken im LPJmL-Modell zu verbessern.

3.1 Modell-Daten Integration
LPJmL ist ein DGVM, dass Kohlenstoff- und Wasserflüsse in Landökosystemen und globale
Vegetationsdynamik simuliert (SCHAPHOFF et al. 2018a). LPJmL Version 4 berücksichtigt
außerdem die Simulation von landwirtschaftlichen Flächen (BONDEAU et al. 2007), Waldbrände
(THONICKE et al. 2010), Permafrost (SCHAPHOFF et al. 2013) und eine verbessertes Modul für
Phänologie (FORKEL et al. 2014). LPJmL simuliert die globale Vegetationsverteilung als die
anteilige Bedeckung von PFTs pro 0.5° x 0.5° Gridzellen. Veränderungen in PFTs sind abhängig
von simulierten Änderungen in Pflanzenproduktivität und Biomasse, Sukzession und
Pflanzenmortalität. Die simulierte Vegetationsverteilung beeinflusst wiederum FAPAR. Damit
stellen Pflanzenbedeckung, FAPAR, Photosynthese und Biomasse im Modell eine positive
Rückkopplung dar (Abb. 1).

Abb. 1: Überblick über den Ansatz wie multiple Fernerkundungsdaten mit dem LPJmL-Modell in einer
 gemeinsamen Kostenfunktion integriert werden um Modellparameter zu schätzen.

 206

Dreiländertagung der DGPF, der OVG und der SGPF in Wien, Österreich – Publikationen der DGPF, Band 28, 2019

Multiple Fernerkundungsdaten wurden genutzt um Modellparameter zu schätzen. FAPAR wurde
von MODIS für den Zeitraum 2000-2015 verwendet. SIF basiert auf Messungen von GOME-2 für
den Zeitraum 2007-2014. Satellitenbasierte Abschätzungen der Waldbiomasse wurden von einer
Karte für die Tropen (AVITABILE et al. 2016) und für die temperierten und borealen Wälder
(THURNER et al. 2014) verwendet. Landbedeckung für verschiedene PFTs wurde von der Climate
Change Initiative (CCI) der Europäischen Weltraumagentur (ESA) für den Zeitraum 1992-2015
verwendet (LI et al. 2018). Brandflächen stammen ebenfalls von einem ESA CCI-Produkt welches
auf MODIS-Daten beruht (CHUVIECO et al. 2018).
Die Satellitenbeobachtungen wurden mit den Modellsimulationen in einer multi-variaten
Kostenfunktion kombiniert, die auf dem Bias, der Varianz und der Korrelation zwischen
Simulationen s und Beobachtungen o basiert:
 ,
 1 1 , 1
 ,

 ̅ und ̅ sind die Mittelwerte über Raum und Zeit für Simulationen s und Beobachtungen o. und
 sind die Varianzen und r ist der Korrelationskoeffizient nach Bravais-Pearson. Es wurden
insgesamt 27 Modellparameter für jeweils vier PFTs in der borealen Zone, vier PFTs in der
temperierten Zone und drei PFTs in der tropischen Zone optimiert. Für die Optimierung von
Modellparametern wurde ein genetischer Algorithmus ähnlich wie in einer früheren Studie
verwendet (FORKEL et al. 2014).

3.2 Verbesserung von globalen Modellsimulationen mit Fernerkundungsdaten
Die Optimierung des LPJmL-Modells anhand von Fernerkundungsdaten verbessert die
Modellsimulationen. Das optimierte Modell repräsentiert besser die räumliche Verteilung von
Pflanzentypen (Abb. 2). Beispielsweise wurde die Verteilung von immergrünen Laubbäumen in
den Tropen stark unterschätzt und die Verteilung von sommergrünen Laubbäumen überschätzt;
diese Fehler wurden nach der Optimierung reduziert.

Abb. 2: Vergleich der prozentualen Bedeckung für zwei Baumtypen entlang der geographischen Breite
 für Satellitendaten (schwarz) und LPJmL Modellsimulation vor (blau) und nach (rot) der
 Optimierung.

 207

M. Forkel, W. Dorigo, N. Carvalhais & K. Thonicke

Weiterhin kann das optimierte Modell die räumliche Verteilung von Biomasse und
Gesamtbaumbedeckung besser weidergeben (Abb. 3). Insbesondere wurde die Überschätzung der
Biomasse in den Tropen und in den nördlichen Nadelwäldern deutlich reduziert (Abb. 3 a). Die
simulierte Baumbedeckung wurde insbesondere in einigen subtropischen (Australien, SW-USA)
und borealen Regionen (Sibirien) verbessert (Abb. 3 b). Simulationen der Bruttoprimärproduktion
verbesserten sich insbesondere in nördlichen Ökosystemen, wo eine Überschätzung reduziert
wurde (Abb. 3 c).
Simulierte Zeitreihen von FAPAR, SIF und Bruttoprimärproduktion von LPJmL sind weltweit
hoch korreliert (r > 0.6 in den meisten Regionen) mit den entsprechenden Satellitenbeobachtungen.
Die Modelloptimierung mit Fernerkundungsdaten hat nur geringe Veränderungen in der
Modellleistung bewirkt.

Abb. 3: Vergleich der Waldbiomasse, prozentualen Gesam-Baumbedeckung und
 Bruttoprimärproduktion für Satellitendaten (schwarz) und LPJmL Modellsimulation vor (blau)
 und nach (rot) der Optimierung.

4 Fazit
Fernerkundungsdaten sind zu einem unerlässlichen Datenstrom geworden um globale Klima-
Vegetationsmodelle zu evaluieren, zu kalibrieren und damit zu verbesserten. Zahlreiche
Fernerkundungsdaten erlauben es inzwischen Veränderungen der Vegetation umfassen zu
beschrieben und zu modellieren. Jedoch muss die Photogrammetrie und Fernerkundung in Zukunft
weitere Methoden entwickeln und Datensätze erzeugen um Klima-Vegetationsmodelle zu testen
und zu verbessern. Insbesondere bedarf es Zeitreihen, welche Veränderungen in der
Vegetationsstruktur (z. B. Baumhöhe, Unterwuchs, Biomasse), im Vegetationswassergehalt und

 208

Dreiländertagung der DGPF, der OVG und der SGPF in Wien, Österreich – Publikationen der DGPF, Band 28, 2019

der Biodiversität (z. B. Artenzusammensetzung) beschreiben. Damit leistet die Fernerkundung
nicht nur einen wesentlichen Beitrag zum Monitoring von Klimaänderungen sondern auch zu
verbesserten Prognosen von Vegetationsveränderungen über die nächsten Tage bis Jahrhunderte.

5 Literaturverzeichnis
AVITABILE, V., HEROLD, M., HEUVELINK, G.B.M., LEWIS, S.L., PHILLIPS, O.L., ASNER, G.P.,
 ARMSTON, J., ASHTON, P.S., BANIN, L., BAYOL, N., BERRY, N.J., BOECKX, P., JONG, D., J,
 B.H., DEVRIES, B., GIRARDIN, C.A.J., KEARSLEY, E., LINDSELL, J.A., LOPEZ-GONZALEZ,
 G., LUCAS, R., MALHI, Y., MOREL, A., MITCHARD, E.T.A., NAGY, L., QIE, L., QUINONES,
 M.J., RYAN, C.M., FERRY, S.J.W., SUNDERLAND, T., LAURIN, G.V., GATTI, R.C.,
 VALENTINI, R., VERBEECK, H., WIJAYA, A., & WILLCOCK, S., 2016: An integrated pan-
 tropical biomass map using multiple reference datasets. Global Change Biology, 22(4),
 1406-1420.
BACCINI, A., GOETZ, S.J., WALKER, W.S., LAPORTE, N.T., SUN, M., SULLA-MENASHE, D.,
 HACKLER, J., BECK, P.S.A., DUBAYAH, R., FRIEDL, M.A., SAMANTA, S., & HOUGHTON,
 R.A., 2012: Estimated carbon dioxide emissions from tropical deforestation improved by
 carbon-density maps. Nature Climate Change, 2(3), 182-185.
DE BEURS, K.M., & HENEBRY, G.M., 2004: Land surface phenology, climatic variation, and
 institutional change: Analyzing agricultural land cover change in Kazakhstan. Remote
 Sensing of Environment, 89(4), 497-509.
BLOOM, A.A., EXBRAYAT, J.-F., VELDE, I.R. van der, FENG, L., & WILLIAMS, M., 2016: The
 decadal state of the terrestrial carbon cycle: Global retrievals of terrestrial carbon
 allocation, pools, and residence times. Proceedings of the National Academy of Sciences,
 113(5), 1285-1290.
BONDEAU, A., SMITH, P.C., ZAEHLE, S., SCHAPHOFF, S., LUCHT, W., CRAMER, W., GERTEN, D.,
 LOTZE-CAMPEN, H., MÜLLER, C., REICHSTEIN, M., & SMITH, B., 2007: Modelling the role
 of agriculture for the 20th century global terrestrial carbon balance. Global Change
 Biology, (13), 679-706.
BOYD, D.S., & DANSON, F.M., 2005: Satellite remote sensing of forest resources: three decades of
 research development. Progress in Physical Geography 29(1), 1-26.
BUERMANN, W., FORKEL, M., O’SULLIVAN, M., SITCH, S., FRIEDLINGSTEIN, P., HAVERD, V., JAIN,
 A.K., KATO, E., KAUTZ, M., LIENERT, S., LOMBARDOZZI, D., NABEL, J.E.M.S., TIAN, H.,
 WILTSHIRE, A.J., ZHU, D., SMITH, W.K., & RICHARDSON, A.D., 2018: Widespread
 seasonal compensation effects of spring warming on northern plant productivity. Nature
 562(7725), 110-114.
CHUVIECO, E., LIZUNDIA-LOIOLA, J., PETTINARI, M.L., RAMO, R., PADILLA, M., TANSEY, K.,
 MOUILLOT, F., LAURENT, P., STORM, T., HEIL, A., & PLUMMER, S., 2018: Generation and
 analysis of a new global burned area product based on MODIS 250 m reflectance bands
 and thermal anomalies. Earth System Science Data, 10(4), 2015-2031.
DORIGO, W., WAGNER, W., ALBERGEL, C., ALBRECHT, F., BALSAMO, G., BROCCA, L., CHUNG,
 D., ERTL, M., FORKEL, M., GRUBER, A., HAAS, E., HAMER, P.D., HIRSCHI, M., IKONEN, J.,
 DE JEU, R., KIDD, R., LAHOZ, W., LIU, Y.Y., MIRALLES, D., MISTELBAUER, T., NICOLAI-
 SHAW, N., PARINUSSA, R., PRATOLA, C., REIMER, C., VAN DER SCHALIE, R., SENEVIRATNE,

 209

M. Forkel, W. Dorigo, N. Carvalhais & K. Thonicke

 S.I., SMOLANDER, T., & LECOMTE, P. , 2017: ESA CCI Soil Moisture for improved Earth
 system understanding: State-of-the art and future directions. Remote Sensing of
 Environment, 203, 185-215.
DORIGO, W.A., ZURITA-MILLA, R., WIT, A.J.W. de, BRAZILE, J., SINGH, R., & SCHAEPMAN, M.E.,
 2007: A review on reflective remote sensing and data assimilation techniques for enhanced
 agroecosystem modeling. International Journal of Applied Earth Observation and
 Geoinformation, 9(2), 165-193.
FORKEL, M., ANDELA, N., HARRISON, S.P., LASSLOP, G., MARLE, M. van, CHUVIECO, E., DORIGO,
 W., FORREST, M., HANTSON, S., HEIL, A., LI, F., MELTON, J., SITCH, S., YUE, C., &
 ARNETH, A., 2018: Emergent relationships on burned area in global satellite observations
 and fire-enabled vegetation models. Biogeosciences Discussions, 1-31.
FORKEL, M., CARVALHAIS, N., SCHAPHOFF, S., V. BLOH, W., MIGLIAVACCA, M., THURNER, M., &
 THONICKE, K., 2014: Identifying environmental controls on vegetation greenness
 phenology through model–data integration. Biogeosciences, 11(23), 7025-7050.
FORKEL, M., MIGLIAVACCA, M., THONICKE, K., REICHSTEIN, M., SCHAPHOFF, S., WEBER, U., &
 CARVALHAIS, N., 2015: Codominant water control on global interannual variability and
 trends in land surface phenology and greenness. Global Change Biology, 21(9), 3414-3435.
GEORGIEVSKI, G., & HAGEMANN, S., 2018: Characterizing uncertainties in the ESA-CCI land
 cover map of the epoch 2010 and their impacts on MPI-ESM climate simulations.
 Theoretical and Applied Climatology. Internet: https://doi.org/10.1007/s00704-018-2675-
 2 (19.12.2018).
GUANTER, L., ZHANG, Y., JUNG, M., JOINER, J., VOIGT, M., BERRY, J.A., FRANKENBERG, C.,
 HUETE, A.R., ZARCO-TEJADA, P., LEE, J.-E., MORAN, M.S., PONCE-CAMPOS, G., BEER, C.,
 CAMPS-VALLS, G., BUCHMANN, N., GIANELLE, D., KLUMPP, K., CESCATTI, A., BAKER,
 J.M., & GRIFFIS, T.J., 2014: Global and time-resolved monitoring of crop photosynthesis
 with chlorophyll fluorescence. Proceedings of the National Academy of Sciences, 111(14),
 E1327-E1333.
KAMINSKI, T., KNORR, W., SCHOLZE, M., GOBRON, N., PINTY, B., GIERING, R., & MATHIEU, P.-
 P., 2012: Consistent assimilation of MERIS FAPAR and atmospheric CO2 into a terrestrial
 vegetation model and interactive mission benefit analysis. Biogeosciences, 9(8), 3173-
 3184.
KAMINSKI, T., KNORR, W., SCHÜRMANN, G., SCHOLZE, M., RAYNER, P.J., ZAEHLE, S., BLESSING,
 S., DORIGO, W., GAYLER, V., GIERING, R., GOBRON, N., GRANT, J.P., HEIMANN, M.,
 HOOKER-STROUD, A., HOUWELING, S., KATO, T., KATTGE, J., KELLEY, D., KEMP, S.,
 KOFFI, E.N., KÖSTLER, C., MATHIEU, P.-P., PINTY, B., REICK, C.H., RÖDENBECK, C.,
 SCHNUR, R., SCIPAL, K., SEBALD, C., STACKE, T., VAN SCHELTINGA, A.T., VOSSBECK, M.,
 WIDMANN, H., & ZIEHN, T., 2013: The BETHY/JSBACH Carbon Cycle Data Assimilation
 System: experiences and challenges. Journal of Geophysical Research: Biogeosciences,
 118(4), 1414-1426.
KATO, T., KNORR, W., SCHOLZE, M., VEENENDAAL, E., KAMINSKI, T., KATTGE, J., & GOBRON,
 N., 2013: Simultaneous assimilation of satellite and eddy covariance data for improving
 terrestrial water and carbon simulations at a semi-arid woodland site in Botswana.
 Biogeosciences, 10(2), 789-802.

 210

Dreiländertagung der DGPF, der OVG und der SGPF in Wien, Österreich – Publikationen der DGPF, Band 28, 2019

KEENAN, T., CARBONE, M., REICHSTEIN, M., & RICHARDSON, A., 2011: The model–data fusion
 pitfall: assuming certainty in an uncertain world. Oecologia, 167(3), 587-597.
KELLEY, D.I., PRENTICE, I.C., HARRISON, S.P., WANG, H., SIMARD, M., FISHER, J.B., & WILLIS,
 K.O., 2013: A comprehensive benchmarking system for evaluating global vegetation
 models. Biogeosciences, 10(5), 3313-3340.
KNORR, W., KAMINSKI, T., SCHOLZE, M., GOBRON, N., PINTY, B., GIERING, R., & MATHIEU, P.-
 P., 2010: Carbon cycle data assimilation with a generic phenology model. Journal of
 Geophysical Research: Biogeosciences, 115(G4), G04017.
KUPPEL, S., PEYLIN, P., CHEVALLIER, F., BACOUR, C., MAIGNAN, F., & RICHARDSON, A.D., 2012:
 Constraining a global ecosystem model with multi-site eddy-covariance data.
 Biogeosciences, 9(10), 3757-3776.
KUPPEL, S., PEYLIN, P., MAIGNAN, F., CHEVALLIER, F., KIELY, G., MONTAGNANI, L., & CESCATTI,
 A., 2014: Model–data fusion across ecosystems: from multisite optimizations to global
 simulations. Geoscientific Model Development, 7(6), 2581-2597.
LASSLOP, G., THONICKE, K., & KLOSTER, S., 2014: SPITFIRE within the MPI Earth system model:
 Model development and evaluation. Journal of Advances in Modeling Earth Systems, 6(3),
 740-755.
LI, W., MACBEAN, N., CIAIS, P., DEFOURNY, P., LAMARCHE, C., BONTEMPS, S., HOUGHTON, R.A.,
 & PENG, S., 2018: Gross and net land cover changes in the main plant functional types
 derived from the annual ESA CCI land cover maps (1992–2015). Earth System Science
 Data, 10(1), 219-234.
MACBEAN, N., MAIGNAN, F., BACOUR, C., LEWIS, P., PEYLIN, P., GUANTER, L., KÖHLER, P.,
 GÓMEZ-DANS, J., & DISNEY, M., 2018: Strong constraint on modelled global carbon uptake
 using solar-induced chlorophyll fluorescence data. Scientific Reports, 8(1), 1973.
MACBEAN, N., MAIGNAN, F., PEYLIN, P., BACOUR, C., BRÉON, F.-M., & CIAIS, P., 2015: Using
 satellite data to improve the leaf phenology of a global terrestrial biosphere model.
 Biogeosciences, 12(23), 7185-7208.
MACBEAN, N., PEYLIN, P., CHEVALLIER, F., SCHOLZE, M., & SCHÜRMANN, G., 2016: Consistent
 assimilation of multiple data streams in a carbon cycle data assimilation system.
 Geoscientific Model Development, 9(10), 3569-3588.
NORTON, A.J., RAYNER, P.J., KOFFI, E.N., & SCHOLZE, M., 2018: Assimilating solar-induced
 chlorophyll fluorescence into the terrestrial biosphere model BETHY-SCOPE v1.0: model
 description and information content. Geoscientific Model Development, 11(4), 1517-1536.
POULTER, B., CIAIS, P., HODSON, E., LISCHKE, H., MAIGNAN, F., PLUMMER, S., & ZIMMERMANN,
 N.E., 2011: Plant functional type mapping for earth system models. Geoscientific Model
 Development, 4(4), 993-1010.
POULTER, B., MACBEAN, N., HARTLEY, A., KHLYSTOVA, I., ARINO, O., BETTS, R., BONTEMPS, S.,
 BOETTCHER, M., BROCKMANN, C., DEFOURNY, P., HAGEMANN, S., HEROLD, M., KIRCHES,
 G., LAMARCHE, C., LEDERER, D., OTTLÉ, C., PETERS, M., & PEYLIN, P., 2015: Plant
 functional type classification for earth system models: results from the European Space
 Agency’s Land Cover Climate Change Initiative. Geoscientific Model Development, 8(7),
 2315-2328.
PRENTICE, I.C., BONDEAU, A., CRAMER, W., HARRISON, S.P., HICKLER, T., LUCHT, W., SITCH, S.,
 SMITH, B., & SYKES, M.T., 2007: Dynamic Global Vegetation Modeling: Quantifying

 211

M. Forkel, W. Dorigo, N. Carvalhais & K. Thonicke

 Terrestrial Ecosystem Responses to Large-Scale Environmental Change. In: CANADELL,
 J.G., PATAKI, D.E., & PITELKA, L.F. (Hrsg.), 2007: Terrestrial Ecosystems in a Changing
 World, Global Change — The IGBP Series. 175-192.
RAOULT, N., DELORME, B., OTTLÉ, C., PEYLIN, P., BASTRIKOV, V., MAUGIS, P., & POLCHER, J.,
 2018: Confronting Soil Moisture Dynamics from the ORCHIDEE Land Surface Model
 With the ESA-CCI Product: Perspectives for Data Assimilation. Remote Sensing, 10(11),
 1786.
SAATCHI, S.S., HARRIS, N.L., BROWN, S., LEFSKY, M., MITCHARD, E.T.A., SALAS, W., ZUTTA,
 B.R., BUERMANN, W., LEWIS, S.L., HAGEN, S., PETROVA, S., WHITE, L., SILMAN, M., &
 MOREL, A., 2011: Benchmark map of forest carbon stocks in tropical regions across three
 continents. Proceedings of the National Academy of Sciences, 108(24), 9899–9904.
SANTORO, M., BEAUDOIN, A., BEER, C., CARTUS, O., FRANSSON, J.E.S., HALL, R.J., PATHE, C.,
 SCHMULLIUS, C., SCHEPASCHENKO, D., SHVIDENKO, A., THURNER, M., & WEGMÜLLER,
 U., 2015: Forest growing stock volume of the northern hemisphere: Spatially explicit
 estimates for 2010 derived from Envisat ASAR. Remote Sensing of Environment, 168,
 316–334.
SCHAPHOFF, S., VON BLOH, W., RAMMIG, A., THONICKE, K., BIEMANS, H., FORKEL, M., GERTEN,
 D., HEINKE, J., JÄGERMEYR, J., KNAUER, J., LANGERWISCH, F., LUCHT, W., MÜLLER, C.,
 ROLINSKI, S., & WAHA, K., 2018a: LPJmL4 – a dynamic global vegetation model with
 managed land – Part 1: Model description. Geoscientific Model Development, 11(4),
 1343–1375.
SCHAPHOFF, S., FORKEL, M., MÜLLER, C., KNAUER, J., VON BLOH, W., GERTEN, D., JÄGERMEYR,
 J., LUCHT, W., RAMMIG, A., THONICKE, K., & WAHA, K., 2018b: LPJmL4 – a dynamic
 global vegetation model with managed land – Part 2: Model evaluation. Geoscientific
 Model Development, 11(4), 1377-1403.
SCHAPHOFF, S., HEYDER, U., OSTBERG, S., GERTEN, D., HEINKE, J., & LUCHT, W., 2013:
 Contribution of permafrost soils to the global carbon budget. Environmental Research
 Letters, 8(1), 014026.
SCHOLZE, M., BUCHWITZ, M., DORIGO, W., GUANTER, L., & QUEGAN, S., 2017: Reviews and
 syntheses: Systematic Earth observations for use in terrestrial carbon cycle data
 assimilation systems. Biogeosciences, 14(14), 3401-3429.
SCHOLZE, M., KAMINSKI, T., KNORR, W., BLESSING, S., VOSSBECK, M., GRANT, J.P., & SCIPAL,
 K., 2016: Simultaneous assimilation of SMOS soil moisture and atmospheric CO2 in-situ
 observations to constrain the global terrestrial carbon cycle. Remote Sensing of
 Environment, 180, 334-345.
SCHÜRMANN, G.J., KAMINSKI, T., KÖSTLER, C., CARVALHAIS, N., VOßBECK, M., KATTGE, J.,
 GIERING, R., RÖDENBECK, C., HEIMANN, M., & ZAEHLE, S., 2016: Constraining a land-
 surface model with multiple observations by application of the MPI-Carbon Cycle Data
 Assimilation System V1.0. Geoscientific Model Development, 9(9), 2999-3026.
THONICKE, K., SPESSA, A., PRENTICE, I.C., HARRISON, S.P., DONG, L., & CARMONA-MORENO, C.,
 2010: The influence of vegetation, fire spread and fire behaviour on biomass burning and
 trace gas emissions: results from a process-based model. Biogeosciences, 7(6), 1991-2011.
THURNER, M., BEER, C., CARVALHAIS, N., FORKEL, M., SANTORO, M., TUM, M., & SCHMULLIUS,
 C., 2016: Large-scale variation in boreal and temperate forest carbon turnover rate is

 212

Dreiländertagung der DGPF, der OVG und der SGPF in Wien, Österreich – Publikationen der DGPF, Band 28, 2019

 related to climate. Geophysical Research Letters. Internet:
 http://onlinelibrary.wiley.com/doi/10.1002/2016GL068794/abstract (02.05.2016).
THURNER, M., BEER, C., CIAIS, P., FRIEND, A.D., ITO, A., KLEIDON, A., LOMAS, M.R., QUEGAN,
 S., RADEMACHER, T.T., SCHAPHOFF, S., TUM, M., WILTSHIRE, A., & CARVALHAIS, N.,
 2017: Evaluation of climate-related carbon turnover processes in global vegetation models
 for boreal and temperate forests. Global Change Biology, 23(8), 3076-3091.
THURNER, M., BEER, C., SANTORO, M., CARVALHAIS, N., WUTZLER, T., SCHEPASCHENKO, D.,
 SHVIDENKO, A., KOMPTER, E., AHRENS, B., LEVICK, S.R., & SCHMULLIUS, C., 2014:
 Carbon stock and density of northern boreal and temperate forests. Global Ecology and
 Biogeography, 23(3), 297-310.
VAN DER WERF, G.R., RANDERSON, J.T., GIGLIO, L., COLLATZ, G.J., KASIBHATLA, P.S., &
 ARELLANO JR, A.F., 2006: Interannual variability in global biomass burning emissions
 from 1997 to 2004. Atmospheric Chemistry and Physics, 6(11), 3423-3441.
ZHU, Z., PIAO, S., MYNENI, R.B., HUANG, M., ZENG, Z., CANADELL, J.G., CIAIS, P., SITCH, S.,
 FRIEDLINGSTEIN, P., ARNETH, A., CAO, C., CHENG, L., KATO, E., KOVEN, C., LI, Y., LIAN,
 X., LIU, Y., LIU, R., MAO, J., PAN, Y., PENG, S., PEÑUELAS, J., POULTER, B., PUGH, T.A.M.,
 STOCKER, B.D., VIOVY, N., WANG, X., WANG, Y., XIAO, Z., YANG, H., ZAEHLE, S., &
 ZENG, N., 2016: Greening of the Earth and its drivers. Nature Climate Change, 6(8), 791-
 795.

 213