Onderzoek toename plantenleven Himalaya

De bergsystemen van de Hindu Kush Himalaya (HKH) veranderen snel door de klimaatverandering, maar een over het hoofd geziene component is het subnivalente ecosysteem (tussen de boomgrens en de sneeuwgrens), dat wordt gekenmerkt door kortstondige planten en seizoensgebonden sneeuw. Basisinformatie over de verspreiding van subnivalente vegetatie en de snelheid waarmee ecosystemen veranderen is niet bekend, maar toch is dergelijke informatie nodig om de relaties tussen subnivalente ecologie en water/koolstofcycli te begrijpen. We laten zien dat de subnivale ecosystemen van HKH vijf tot vijftien keer het gebied van de permanente gletsjers en sneeuw bedekken, wat het eco-hydrologische belang van deze ecosystemen onderstreept. Met behulp van satellietgegevens van de Landsat 5, 7 en 8 missies hebben we de verandering in de ruimtelijke omvang van de subnivale vegetatie tussen 1993 en 2018 gemeten. De Landsat oppervlakte reflectie-afgeleide Genormaliseerde Verschil Vegetatie Index product werd gedrempeled op 0,1 om de aanwezigheid/afwezigheid van vegetatie aan te geven. Met behulp van dit product werden de sterkte en de richting van de tijdreeksentrends in de groene pixelfractie gemeten binnen drie aandachtsgebieden. We controleerden op bewolking en sneeuwbedekking en evalueerden de impact van sensorradiometrische verschillen tussen Landsat 7 en Landsat 8. Met behulp van Google Earth Engine om de gegevensverwerkingstaken te versnellen, laten we zien dat er sinds 1993 een zwak positieve toename van de omvang van de subnivalente vegetatie is geweest. De sterkste en meest significante trends werden gevonden in het hoogtegebied van 5.000-5.500 m a.s.l. over de gehele HKH-breedte: R2 = .302, Kendall’s τ = 0,424, p < .05, maar dit varieerde regionaal, met hoogte, en volgens de sensoren opgenomen in de tijdreeks. Positieve trends op lagere hoogtes deden zich voor op steilere hellingen, terwijl op hogere hoogtes vlakkere gebieden sterkere trends vertoonden. We hebben onze bevindingen gevalideerd met behulp van online foto’s. Subnivalente ecologische veranderingen hebben waarschijnlijk de HKH-koolstof- en watercycli beïnvloed, met gevolgen voor miljoenen mensen die stroomafwaarts wonen, maar de sterkte en de richting van de gevolgen van de uitbreiding van de vegetatie blijven onbekend.

Bergsystemen behoren tot de meest dynamische op aarde en zijn bijzonder gevoelig voor klimaatverandering (Dolezal et al., 2016). De Hindoe Kush Himalaya (HKH) regio (de ‘derde pool’) beslaat 4,2 miljoen km2 en voedt de 10 grootste riviersystemen in Azië (Bajracharya et al., 2015), die ~1,4 miljard mensen van water voorzien (Bolch et al., 2012; Immerzeel, Beek, & Bierkens, 2010). De opwarming van de HKH is hoger dan het wereldwijde gemiddelde (Pachauri et al., 2014; Peng, Piao, Ciais, Fang, & Wang, 2010) en het recente werk concludeert met een groot vertrouwen dat de sneeuwbedekte gebieden en de sneeuwvolumes in de meeste HKH-regio’s in de komende decennia zullen afnemen als gevolg van de klimaatverandering (Bolch et al., 2019). Om deze redenen is het meeste wetenschappelijke werk in de HKH-regio gericht op het begrijpen van de toestand en het lot van de gletsjers (Bolch et al., 2012; Brun, Berthier, Wagnon, Kääb, & Treichler, 2017; Shannon et al., 2019), veranderingen in de gletsjerbronnen (Immerzeel et al.., 2010; Kääb, Berthier, Nuth, Gardelle, & Arnaud, 2012; Kehrwald et al., 2008), hydrologische risico’s (Shrestha et al., 2010; Worni, Huggel, & Stoffel, 2013) of moesson-aangedreven run-off dynamiek (Armstrong et al., 2018; Thayyen, Gergan, & Dobhal, 2005). Ecologische veranderingen op grote hoogte zijn relatief gezien over het hoofd gezien, ondanks een wijdverbreid begrip van de koppeling van ecologie en hydrologie over ruimtelijke en temporele schalen heen (Fatichi, Pappas, & Ivanov, 2016). De urgentie waarmee deze kenniskloof moet worden gedicht, blijkt uit klimaatmodellen die laten zien hoe de ruimtelijke omvang van temperatuurbegrenzende ecosystemen in de HKH in de komende 50-100 jaar zal afnemen, waardoor er in de toekomst meer ruimte beschikbaar komt voor vegetatie-expansie (Keenan & Riley, 2018).

De subnivalente zone, die boven de boomgrens en onder de permanente sneeuwgrens ligt, is de slechtst bestudeerde vegetatiezone in de HKH vanwege de ontoegankelijkheid en de grote hoogte. In deze regio zijn de ecologische reacties op de klimaatverandering waarschijnlijk multidimensionaal, soortspecifiek en ruimtelijk variabel (Dolezal et al., 2016) met een sterk potentieel voor terugkoppelingen tussen plantendek, koolstof, sneeuw en hydrologische processen, zoals blijkt uit relatief geavanceerd werk van Arctische systemen (Myers-Smith et al., 2011, 2015; Myers-Smith & Hik, 2013). In de HKH is aangetoond dat er terugkoppelingen bestaan tussen klimaat en plantenfenologie (Chen, Zhu, Wu, Wang, & Peng, 2011) en tussen struikbedekking en sneeuwpakkendynamiek (Hu et al., 2009). Er zijn inmiddels aanwijzingen dat de struik op grote hoogte in het grasland van de Himalaya groeit (Brandt, Haynes, Kuemmerle, Waller, & Radeloff, 2013; Chophyel, 2009; Qiu, 2016; Wangchuk, Gyaltshen, Yonten, Nirola, & Tshering, 2013), en door de opwarming veroorzaakte verschuivingen in het geografische bereik van endemische plantensoorten (Dolezal et al.., 2016; Telwala, Brook, Manish, & Pandit, 2013). Ruimtelijke ecologische veranderingen in de volledige omvang van de HKH-subnivale zone hebben nu wetenschappelijke aandacht nodig als we de piek van niet-hernieuwbaar water naderen en passeren (Gleick & Palaniappan, 2010; Huss & Hock, 2018; Jones, Harrison, Anderson, & Whalley, 2019), en toch is er in de HKH-subnivale zone geen basiskennis van de huidige subnivale vegetatieverdeling, en is er geen informatie over de snelheid van de veranderingen in de afgelopen decennia.

Een uitgangspunt voor de evaluatie van de huidige status, de geografische spreiding en de historische trend in de vegetatieveranderingen in de HKH is het exploiteren van vrij beschikbare satellietgegevens met gemiddelde resolutie (30 m pixelgrootte). Hoewel dit in principe relatief eenvoudig lijkt, zijn er praktische uitdagingen die worden veroorzaakt door de enorme hoeveelheden gegevens die nodig zijn om veranderingen in de vegetatie over duizenden vierkante kilometers en over multi-decadale tijdschalen te evalueren. Klassieke remote sensing-workflows waarbij satellietgegevens worden gedownload van online opslagplaatsen en vervolgens lokaal worden verwerkt op computers, zijn rekenkundig en tijdrovend, waardoor analyses op een zo groot gebied niet mogelijk zijn. Om deze uitdaging aan te gaan, hebben we gebruik gemaakt van de unieke vrij toegankelijke cloud-processing mogelijkheden van het nieuwe Google Earth Engine (GEE) platform, dat openbare datacatalogi voor het hele Landsat archief huisvest (Gorelick et al., 2017). We richten ons op het beantwoorden van twee vragen:

Wat is de omvang van de subnivalente zone?
Is de ruimtelijke omvang van de subnivale vegetatie veranderd en zo ja, in welk tempo en waar?
Met betrekking tot de beantwoording van vraag 2 was ons werk gericht op het evalueren van bewijs voor subnivalente systeemovergang van kale grond of schaars begroeide grond naar begroeide grond; niet op verandering in de soortensamenstelling.

2 METHODOLOGIE
2.1 Studiesysteem: De subnivalente zone
Ecosystemen in de HKH-regio zijn divers door de verscheidenheid aan complexe klimatologische omstandigheden, naast grimmige hoogteverschillen (Dorji, Olesen, Bøcher, & Seidenkrantz, 2016) en het hellingsaspect (Anthwal, Bhatt, Nautiyal, & Anthwal, 2011). De boomgrens in de Himalaya wordt typisch gevonden op ongeveer 4.000 m boven zeeniveau (m a.s.l.; Gaire, Koirala, Bhuju, & Borgaonkar, 2014) hoewel bepaalde boomsoorten zijn aangetoond dat ze groeien op hoogtes tot 4.900 m a.s.l. (bijv. in Tibet; Miehe, Miehe, Vogel, Co, & La, 2007). De boomgrens van de Himalayaberk (Betula utilis), een bijzonder overvloedige soort, wordt gevonden tussen 3.900 en 4.150 m boven zeeniveau (Liang, Dawadi, Pederson, & Eckstein, 2014). Boven de boomgrens bestaat een hooggelegen gebied dat gekoloniseerd is door kruidachtige planten en dwergstruiken, waarvan de jaarlijkse groeifase synchroon loopt met de seizoensgebonden temperatuurstijging en het smelten van de sneeuw (Pangtey, Rawal, Bankoti, & Samant, 1990). Een nuttige beschrijving van de grote Himalaya plantenzones wordt gegeven door Ives en Messerli (1989), die de bovenste houtlijn beschrijven als zijnde tussen 4.000 en 4.500 m a.s.l., waarboven een rhododendron-struikengordel gradatie in alpenweiden, met een ‘subnivalente gordel van uitgestrekte kale grond en verspreide dwergplanten, mossen en korstmossen’. Ze beschrijven de 5.000-5.500 m. hoogtezone als gekenmerkt door permanent ijs en sneeuw met steile rotsen. In dit werk gebruiken we de bovenste hoogtelimiet van B. utilis (d.w.z. 4.150 m a.s.l.) om het begin van de subnivalente zone te definiëren, waar struiksoorten zoals Rhododendron anthopogon (een dwergstruik die plaatselijk in Nepal bekend staat als sunpaati, of in de volksmond als wierookrhododendron; E. Byers, persoonlijke communicatie, 2 mei 2017) overvloediger aanwezig worden. Typische Himalaya subnivalente ecosystemen worden weergegeven in Figuur 1, met behulp van foto’s genomen op meer dan 4.700 m a.s.l. in Nepal. Deze bewijzen de brede dekking van R. anthopogon struiken en andere dwerggrassen en struiken op grote hoogte.

Afbeelding
Figuur 1
Open in

Foto’s (van auteurs K. Anderson; D Jones) van typische subnivalente ecosystemen in het Sagarmatha National Park, Nepal. (a) Een uitzicht over de vallei met het dorp Dingboche (4.410 m a.s.l.) beneden, genomen vanaf een hoogte van ongeveer 4.900 m a.s.l. Uitzichtpunten (b) en (c) zijn over elkaar heen gelegd. (b) Het uitzicht in oostelijke richting, kijkend naar de basis van Ama Dablam, op ongeveer 4.700 m boven zeeniveau, terwijl (c) het uitzicht op de Cholagletsjer (onder de Cholatse piek) op 4.700 m boven zeeniveau is, kijkend naar het westen. Duidelijk zichtbaar zijn dwergstruiken, waaronder de soort Rhododendron anthopogon.
2.2 Satellietgegevensanalyse
We hebben gebruik gemaakt van gegevens van de NASA Landsat-satellietmissie, die lange tijdreeksen (1972-heden) van gemiddelde resolutie (~30 m pixels) beeldvormingsgegevens over de regio levert (Cohen & Goward, 2004; Roy et al., 2014). Dergelijke gegevens hebben een lange gebruiksgeschiedenis voor het monitoren van veranderingen in de landbedekking (Aplin, 2004), ook in bergachtige gebieden (Cingolani, Renison, Zak, & Cabido, 2004; Helmer, Brown, & Cohen, 2000; Levin, Shmida, Levanoni, Tamari, & Kark, 2007; White, Running, Nemani, Keane, & Ryan, 1997), in gebieden met een kortstondige vegetatie (Chopping et al.., 2008; Goslee, Havstad, Peters, Rango, & Schlesinger, 2003; Laliberte et al., 2004; Skowno et al., 2017; Tian, Brandt, Liu, Rasmussen, & Fensholt, 2017), en op locaties binnen de HKH (Brandt et al., 2013). Landsat missies bieden ook lange tijdreeksen gegevens met een vergelijkbare sensor, een belangrijk voordeel omdat sommige werkzaamheden het gebrek aan consistentie hebben aangetoond bij het vergelijken van vegetatiemetingen tussen verschillende sensoren (Abuzar, Sheffield, Whitfield, O’connell, & Mcallister, 2014). Een recente studie suggereerde inderdaad dat vrij beschikbare gegevens van satellieten zoals NASA’s Landsat ‘opmerkelijk congruent’ waren voor grootschalige monitoring van struikengroei op Afrikaanse savannes (Marston, Aplin, Wilkinson, Field, & O’regan, 2017), die een korte-status, fragmentarische vegetatie hebben die structureel vergelijkbaar is met die binnen de HKH-subnivale zone. Met een pixelresolutie van 30 m bieden de gegevens van Landsat aanzienlijke voordelen voor de analyse van vegetatietijdreeksen in bergachtige gebieden, met name in vergelijking met andere vegetatieproducten op basis van satellieten. Zo heeft het GIMMS 3g fAPAR-product dat door Keenan en Riley (2018) wordt gebruikt voor de evaluatie van de wereldwijde klimaatverandering, een ruimtelijke resolutie van 8 km, zodat men over de hele HKH aanzienlijke variaties in hoogte en ecologie zou aantreffen over de ruimte van één enkele pixel. Dit wordt bevestigd door recent werk van Fassnacht, Schiller, Kattenborn, Zhao en Qu (2019).

Onze studie analyseerde de gegevens van drie Landsat-missies (5, 7 en 8) om de dynamiek van de tijdreeksen te evalueren in de aanwezigheid/afwezigheid van subnivalente vegetatie over de periode van 26 jaar van 1993 tot 2018. Gegevens van de periode vóór 1993 werden niet opgenomen vanwege de fragmentarische tijdreeksdekking en vanwege de complexiteit van de vraagstukken in verband met de integratie van gegevens van eerdere missies (d.w.z. Landsat 1-4). Vervolgens hebben we de analyse opgesplitst om vegetatieveranderingen te bestuderen in drie regio’s met een verschillende ruimtelijke omvang: (a) Sagarmatha (Everest) National Park, Nepal; (b) de nationale omvang van Nepal; en (c) de gehele HKH-regio. Voor elk van deze regio’s hebben we vegetatietrends gemeten in vier hoogtebanden:

H1 (4.150-4.500 m a.s.l.);
H2 (4.500-5.000 m a.s.l.);
H3 (5.000-5.500 m a.s.l.);
H4 (5.500-6.000 m a.s.l.).
In de volgende paragrafen wordt uitgelegd hoe de GEE-methodologie voor elk van deze onderdelen is toegepast.

2.2.1 Sagarmatha Nationaal Parkgebied, Nepal (“P140-R40/41-regio”)
Het eerste deel van de analyse richtte zich op de analyse van de veranderingen in de tijdreeksen in twee tegels van Landsat-gegevens (pad 140, rijen 40 en 41; figuur 2), die een regio op de grens tussen Nepal en Tibet bestrijken, gecentreerd op de Mount Everest. Dit is om verschillende redenen gekozen voor een eerste verkenning. Deze regio bevat het grootste hoogtebereik in de Himalaya, en omvat gebieden met gletsjers (d.w.z. met ijs bedekt) en recentelijk gedegradeerd terrein (inclusief de Khumbu regio, ten zuiden van de Everest; Byers, 2007). In het noordelijkste deel van het beeld bevinden zich gebieden op het Tibetaanse plateau die meer dan 6.000 m a.s.l. groot zijn en waar eerdere berichten suggereren dat de vegetatie snel verandert (bijv. Qiu, 2016). Bovendien hebben deze gegevens ook betrekking op een breed scala aan klimatologische omstandigheden, waaronder neerslaggradiënten veroorzaakt door wind en orografische barrières (Bookhagen & Burbank, 2006). Het gebied biedt dus een goed uitgangspunt voor het onderzoeken van vegetatieveranderingen, omdat het een microkosmos is van het scala aan condities (met name hoogte en droogte) die in de gehele HKH worden ervaren. Figuur 2 toont de locatie van de twee tegels van Landsat gegevens geanalyseerd in deze eerste fase, en in de rest van dit document, verwijzen we naar dit gebied als P140-R40/41.

Afbeelding
Figuur 2
Open in figuurviewerPowerPoint
Locatie van de interessante regio P140-R40/41, die gebruik heeft gemaakt van gegevens van Landsat-pad 140, rij 41 en 42 op de grens tussen Nepal en Tibet.
2.2.2 Nationale omvang van Nepal
Het tweede deel van de analyse richtte zich op veranderingen in de tijdreeksen in het hele land van Nepal. Hiervoor werd een KMZ shapefile die de grens van Nepal afbakent geüpload in GEE en gebruikt om de analyse in te perken.

2.2.3 HKH-brede analyse
Google Earth Engine wijst gebruikers een vaste verwerkingscapaciteit toe, dus om veranderingen over de gehele HKH te kunnen meten was een willekeurige steekproefmethode met behulp van regio’s van belang (ROI’s) noodzakelijk. We hebben 100 cirkelvormige ROI’s met een straal van 5 km gedefinieerd en deze willekeurig ingezet binnen elk van de vier eerder beschreven hoogtebanden. Het totale gebied dat werd bestreken door de ROI’s die werden gebruikt om de satellietgegevens te bemonsteren was gelijk aan 31.416 km2 (overlapping van ROI’s en hoogtebanden waarmee geen rekening werd gehouden). Figuur 3 toont de ruimtelijke verdeling van de verschillende hoogtebanden over de bemonsterde HKH met behulp van de cirkelvormige ROI’s.

Afbeelding

Figuur 3
Open in figuurviewerPowerPoint
Het definiëren van de Hindoestaanse Kush Himalaya-brede steekproefregio, waarbij de hoogtebanden die in de rest van het papier worden onderzocht, worden benadrukt.

2.3 GEE-workflows
2.3.1 Berekeningen van permanente sneeuw tot seizoensgebonden sneeuwbedekking
Om vraag 1 (Wat is de omvang van de HKH-subnivale zone?) te beantwoorden, werd gebruik gemaakt van de vrij beschikbare MODIS-fractionele beeldvormingsspectrometer (Hall, Riggs, Salomonson, Digirolamo, & Bayr, 2002) en werden analyses uitgevoerd op twee schalen: ten eerste voor de P140/R40-41-regio, en ten tweede voor het land Nepal. We selecteerden de afgelopen jaren (2013-2017) om een product te genereren dat het mediane besneeuwde gebied beschrijft in de nazomer (augustus en september), wanneer de sneeuwbedekking minimaal is (bepaald met behulp van: http://geoapps.icimod.org/HKHSnowCover/), gemiddeld over een 1 km pixelschaal. Deze output werd gebruikt om de permanente besneeuwde gebieden voor de ROI weer te geven. Het permanent besneeuwde gebied werd gecombineerd met de Randolph Glacier Inventory (RGI; Pfeffer et al., 2014; die een fijnere ruimtelijke resolutie had) om de ruimtelijke omvang van de permanente sneeuw- en ijsbedekking in te schatten. Dit werd vergeleken met de omvang van de gehele subnivale zone, vertegenwoordigd door het totale gebied boven 4.150 m a.s.l. met behulp van de Shuttle Radar Topography Mission (SRTM) 30 m gerasterde data set als een meting van de hoogte boven het gemiddelde zeeniveau (Farr et al., 2007). Om de totale oppervlakte van de permanente sneeuw- en ijsoppervlakte te schatten, werd het sneeuwgebied op de gletsjers afgetrokken van de permanente sneeuwbedekking + permanente ijsbedekking. De uiteindelijke verhouding tussen het subnivalente habitatgebied dat seizoensgebonden sneeuw en ijs kan bevatten en permanente sneeuw en ijs werd berekend door eerst het totale oppervlak aan permanente sneeuw en ijs af te trekken van het totale landoppervlak boven 4.150 m a.s.l. en vervolgens de twee waarden te delen.

2.3.2. Procedure voor het bepalen van de oppervlaktereflectie van het oppervlak van het land voor de bepaling van het vegetatiedek
Om vraag 2 te beantwoorden (Is de ruimtelijke omvang van de subnivalente vegetatie veranderd; en zo ja, in welk tempo en waar?), is gebruik gemaakt van Landsat Tier 1 oppervlakte reflectie (SR) gegevens die door USGS zijn verwerkt. De SR-producten bevatten informatie over de pixelkwaliteit als gevolg van het atmosferische correctieproces. Waarschijnlijk worden wolk-, sneeuw- en schaduwpixels gemarkeerd en kunnen ze worden gebruikt om ongewenste gegevens te maskeren, terwijl de resterende SR-waarden naar verwachting consistenter zullen zijn dan de standaard top van de atmosferische bestralingsproducten, omdat er rekening wordt gehouden met verschillen in de atmosferische samenstelling. USGS waarschuwt echter dat SR-producten negatief kunnen worden beïnvloed door hyper-aride of sneeuwbedekte omstandigheden, die in bepaalde regio’s van het hier bestudeerde gebied bestaan (USGS, 2018). We hadden een eenvoudig vegetatieproduct nodig om vegetatiepixels te kunnen onderscheiden van niet-gegroeide pixels, maar een complexe analyse van de bodembedekking of het terugvinden van biofysische vegetatie-eigenschappen was niet nodig. Daarom werd gekozen voor een eenvoudige en veelgebruikte index, de Normalized Difference Vegetation Index (NDVI). Andere studies hebben aangetoond dat NDVI een relatief robuuste indicator is voor groene biomassa, zelfs in schaars begroeide systemen (Gamon et al., 1995), en dat met name Landsat TM en verbeterde TM (ETM+) NDVI consistente gegevens hebben geleverd aan oppervlakte gemeten NDVI in Arctische systemen (Pattison, Jorgenson, Raynolds, & Welker, 2015), die vergelijkbare laagwaardige planten hebben. Recent werk van Fassnacht et al. (2019) op het Tibetaanse plateau heeft ook de geschiktheid van Landsat NDVI-producten voor het meten van vegetatieveranderingen op grote hoogte aangetoond. Om deze redenen stellen we dat NDVI afgeleid van SR data een robuuste aanwezigheids-/afwezigheidsindicator voor vegetatie in subnivale HKH systemen zal opleveren. De beschrijving van de toegepaste workflow wordt gegeven in de onderstaande paragraaf met cursief gedrukte sleutelfactoren.

Eerst werden de gegevens van Landsat 5, 7 en 8 Tier 1 SR beeldverzamelingen gefilterd om gegevens van specifieke postmoessonmaanden (oktober en november) te extraheren. Deze periode in het postmoessonseizoen is wanneer de HKH geen noemenswaardige hoeveelheid neerslag ontvangt en wanneer er naar verwachting minimaal een jaarlijkse hoeveelheid wolken en sneeuw zal vallen (Bookhagen & Burbank, 2006). Door de analyse te beperken tot deze korte periode na de moesson, werden ook de fenologische verschillen tussen de afzonderlijke acquisities beperkt. Pixels die in de kwaliteitsbeoordeling (QA) per pixel als wolk, sneeuw of schaduw zijn gemarkeerd, zijn vervolgens in de individuele beelden gemaskeerd. Om na te gaan of er in de loop van de geanalyseerde jaren significante veranderingen in de sneeuwfractionele bedekking zijn opgetreden, werd ook een sneeuwbedekkingsproduct op basis van als sneeuw gemarkeerde pixels binnen de Landsat QA-vlaggen gegenereerd om een fractie van de met sneeuw bedekte pixels per jaar af te leiden voor de drie in aanmerking genomen ruimtelijke extenties in dit document.

Landsat 5, 7 en 8 collecties werden vervolgens samengevoegd en voor elk beeld in de collectie werd NDVI berekend. Om meerdere beelden voor de geobserveerde periode samen te stellen en regio’s met ontbrekende gegevens als gevolg van bewolking te vullen, werd een jaarlijks gemiddelde van de vegetatie-index gegenereerd aan de hand van de mediaan NDVI-waarde per pixel van de binnen één seizoen vastgelegde beeldsets. Tot slot werd een beeldmasker opgebouwd door middel van een rekenkundig aspect op basis van de SRTM global digital elevation model (DEM) met een resolutie van 30 m, maar de analyse werd tijdens de fase van het tellen van de pixels herschaald naar een resolutie van 90 m (om de groene fractie te berekenen, zoals hieronder beschreven). We maskeerden alle waarden <45° en >315° om naar het noorden gerichte hellingen te verwijderen die waarschijnlijk door de naburige topografie zouden worden overschaduwd (d.w.z. die de belangrijkste bidirectionele reflectie-verdelingsfunctie [BRDF] veroorzaken) en deze werden bij alle volgende analyses buiten beschouwing gelaten. De geanalyseerde aspecten en elevaties buiten de hoogteband (met behulp van SRTM DEM-gegevens) werden gemaskeerd voordat het totale aantal ontmaskerde pixels en het aantal ontmaskerde pixels met NDVI-waarden boven een drempel van 0,1 werden opgeteld en de ‘groene fractie’ per jaar werd afgeleid door het aantal pixels met een NDVI > 0,1 te delen door het totale aantal. Een NDVI > 0,1 drempelwaarde werd gekozen om de aanwezigheid van vegetatie aan te geven die op een laag niveau is ingesteld vanwege de mogelijke ruimtelijke schaarste van vegetatie op grote hoogte (figuur 1). Dezelfde procedure werd gebruikt voor het genereren van groene fracties per jaar voor zowel regionale analyses (P140-R40/41, nationale omvang Nepal) als voor ROI’s over de gehele HKH.

2.4 Overwegingen rond Landsat 8 OLI naar Landsat 7 ETM+ correctie
Landsat 5 en Landsat 7 maken beide gebruik van een ’thematic mapper’ type sensor met zeer vergelijkbare bandposities en -breedtes. Claverie, Vermote, Franch en Masek (2015) toonden aan dat de SR-producten van Landsat zoals die hier worden gebruikt vergelijkbaar zijn tussen missie 5 en 7, met uitzondering van de blauwe band (niet gebruikt in de NDVI-afleiding). De OLI-sensor aan boord van Landsat 8 verschilt daarentegen van deze eerdere missies: hij biedt nog steeds een ruimtelijke resolutie van 30 m, maar de banden zijn spectraal gezien smaller en bestrijken verschillende spectrale bereiken (Roy et al., 2016). Meer specifiek, de blauwe, groene en rode Landsat 8 OLI band spectrale respons functies kruisen met 82.76%, 71.08% en 60.63% van de corresponderende Landsat 7 ETM+ band spectrale respons functies (Roy et al., 2016). Kritisch voor de afleiding van NDVI, dat een bijna-infrarood (NIR) en rode band gebruikt, is dat de L8 OLI’s NIR-band (gecentreerd op 850 nm) een waterabsorptiefunctie mist die voorkomt in de corresponderende ETM+ NIR-band (Irons, Dwyer, & Barsi, 2012; Roy et al., 2016). Deze verschillen kunnen de kwaliteit van vergelijkingen tussen L7 en L8 beïnvloeden: Holden en Woodcock (2016) melden dat Landsat 8 ‘consistent donkerder is in de rode, groene en blauwe banden’ in vergelijking met Landsat 7, en Roy et al. (2016) melden dat OLI NDVI positief bevooroordeeld was ten opzichte van ETM+ NDVI. De door Roy et al. (2016) gerapporteerde vertekeningen waren het laagst met NDVI afgeleid van het product Landsat SR, zoals gebruikt in onze studie. Zij rapporteren een gemiddeld verschil van +0,0165 (4,86%) tussen OLI en ETM+ afgeleide NDVI, met minimale vertekeningen bij NDVI-waarden rond de hier gebruikte 0,1 drempelwaarde.

In GEE is een andere overweging dat de beschikbare Landsat 7 en 8 SR producten iets andere algoritmes gebruiken voor atmosferische correctie en kalibratie dan SR: Landsat 8 maakt gebruik van een schema dat ‘land oppervlakte reflectie code (LaSRC)’ heet (beschreven in Li, Roy, Zhang, Vermote, & Huang, 2019; Vermote, Justice, Claverie, & Franch, 2016) terwijl de Landsat 7 gegevens worden gekalibreerd met behulp van het ‘landsat ecosysteem verstoring adaptieve verwerkingssysteem (LEDAPS)’ schema (Masek et al., 2006). Zowel LaSRC als LEDAPS gebruiken dezelfde 6SV radiatieve overdrachtscode (Vermote, Tanre, Deuze, Herman, & Morcette, 1997) met als primair verschil de manier waarop het aerosolgehalte in de atmosfeer wordt opgehaald.

Voor de robuustheid hebben we de door Roy et al. (2016) beschreven L7/L8-correctiemethode toegepast op onze gegevens voorafgaand aan de statistische analyse. Deze kalibratie is robuust omdat deze is ontwikkeld met behulp van 59 miljoen overeenkomstige sensorwaarnemingen die zijn geëxtraheerd uit 6.317 Landsat-7 ETM+ en Landsat-8 OLI-beelden over de Verenigde Staten in het winter- en zomerseizoen (Roy et al., 2016). Alpen- en hooggebergtevegetatie met vergelijkbare eigenschappen als de planten in de HKH zullen in dit kalibratiemodel worden weergegeven vanwege de aanwezigheid van hooggebergte-systemen in de hele conterminus van de Verenigde Staten. Fassnacht et al. (2019) hebben ook de kalibratie van Roy et al. (2016) toegepast op de lange tijdreeksanalyse van de vegetatie op het Tibetaanse plateau, wat de geschiktheid ervan voor ons werk in de HKH nog meer benadrukt. Van Roy et al. (2016) hebben we de parameters van hun gewone kleinste kwadraten (OLS) model gebruikt, voor het omzetten van OLI naar ETM+ SR gegevens, (R2 = .926; p < .0001; Vergelijking 1):

urn:x-wiley:13541013:media:gcb14919:gcb14919-math-0001(1)
De resterende onzekerheden die niet door deze aanpak worden opgevangen, zijn BRDF en topografische effecten die niet worden weggenomen door de aspectmaskering (zie paragraaf 2.3.2), en aerosolverschillen die niet worden weggenomen door de SR-kwaliteitsmaskering. Ook zouden, als de pixels niet gegroeide droge terreinen bevatten, de aerosol retrieval voor LEDAPS en LaSRC heel anders kunnen zijn, wat zich zou uiten in blauwe, groene en rode bandverschillen tussen LEDAPS (Landsat 7) en LaSRC (Landsat 8) (D. Roy, persoonlijke communicatie, 2019). Om te testen in hoeverre dit laatste effect invloed had op onze gegevens, gebruikten we een gletsjermeeruitbarsting litteken in de buurt van Panboche Nepal, dat sinds de overstroming in 1977 (Buchroithner, Jentsch, & Wanivenhaus, 1982) onveranderd is gebleven en dus geschikt is voor het testen van kale grondgerelateerde vooroordelen. We hebben de trend in Roy et al. (2016)-gecorrigeerde, op SR gebaseerde NDVI door middel van de tijdreeks 1993-2018 gemeten. De resultaten lieten een niet-significante tijdreeks trend zien (zie figuren S1 en S2; Tabel S1), dus vanaf hier gingen we ervan uit dat kale grondgebonden vertekeningen minimaal zijn.

2.5 Statistische analyse
De trendanalyse van de tijdreeks is uitgevoerd met behulp van OLSregressie (tijd vs. groene fractie). Daarnaast is voor de robuustheid een Mann-Kendall trendtest, uitgevoerd in R (pakket: Kendall v2.2, R-versie: 3.4.3), toegepast. Deze aanvullende trendanalyse werd uitgevoerd omdat we in sommige gegevens van de satelliettijdreeksen de variabiliteit tussen de jaren hebben opgemerkt die de resultaten van de OLS-regressie had kunnen beïnvloeden. Mann-Kendall wordt aanvaard als een robuuste niet-parametrische methode om de aanwezigheid en de sterkte van monotone trends in tijdreeksen te testen, en het vertoont een lage gevoeligheid voor kortetermijnvariaties. De resultaten van zowel OLS als Mann-Kendall analyses worden in dit manuscript gepresenteerd omdat ze verschillende informatie bevatten. De τ parameter van de Kendall geeft informatie over het tijdreeksenpatroon, onafhankelijk van de grootte van de verandering, terwijl OLS coëfficiënten het mogelijk maken om trends te modelleren.

2.6 Validatie
Het gebrek aan ecologische studies over het hele subnivale HKH betekent dat er geen bestaande ruimtelijk verdeelde ecologische datasets beschikbaar waren voor validatie. Er is echter een relatief nieuwe, rijke bron van onaangeboorde ecologische informatie in de vorm van openbaar toegankelijke foto’s, beschikbaar via Google. Deze fotosfeer- en Streetview-foto’s bieden een middel om ecologische basisgegevens te verzamelen (d.w.z. aanwezigheid/afwezigheid van vegetatie; en brede categorische classificaties van het type vegetatie; bijv. gras/struik). Met de opkomst van het bergtoerisme worden nu bijvoorbeeld Streetview-gegevens verstrekt voor het volledige wandelpad van Lukla naar het Everest Base Camp in Nepal (een 62 km lang pad). Om een van de vegetatieproducten (2017) voor de P140-R40/41 regio te valideren, werden deze gedeelde, geolokaliseerde beelden die beschikbaar zijn via Google Maps, gebruikt als een bron van ecologische gegevens, in het bijzonder als een bron van informatie over de aanwezigheid/afwezigheid van vegetatie en de brede typologie ervan. Het digitaliseren van ecologische gegevens uit deze beelden is een tijdrovend proces omdat het handmatig visueel opvragen van foto’s vereist, dus hebben we een kleine crowdsourcing oefening gebruikt om een set van observaties te verzamelen voor validatie. Een groep studenten werd getraind in de methodologie en ze zochten de beschikbare beelden binnen vooraf gedefinieerde grenzen van de P140-R40/41 regio boven een hoogte van 4.150 m a.s.l. De locatie, de aanwezigheid, de dichtheid en het type van de vegetatie (ingedeeld in drie hoofdtypen: gras, struik, mos) werden vastgelegd, evenals de datum van de beeldregistratie. Als het beeld geen planten bevatte, konden de deelnemers een vermelding van ‘kale grond’ opnemen. Een online ‘Google sheets’ spreadsheet werd gebruikt om de gegevens van de menigte te verzamelen en waarnemingen werden gecontroleerd op kwaliteit en ruimtelijk gefilterd om replicaten te verwijderen door de auteurs. We vulden de observaties van de menigte aan met een selectie van onze eigen veldfoto’s die we in april/mei 2017 tijdens een veldtrip naar het Khumbu-gebied in Nepal hebben gemaakt. Waarnemingen van de vegetatie uit in situ fotografische gegevens werden vervolgens vergeleken met satellietafgeleide pixelattributen om de nauwkeurigheid van de Landsat-afgeleide vegetatieproducten te bepalen.

3 RESULTATEN
3.1 Wat is de omvang van de subnivalente zone?
Uit de resultaten blijkt dat een gemiddelde oppervlakte van 27.388,4 km2 van Nepal boven de 4.150 m a.s.l. ligt (Figuur 4; Tabel 1). Volgens de RGI (Pfeffer et al., 2014) en de MODIS-analyse is 4.520 km2 van Nepal bedekt met permanent ijs en sneeuw, wat resulteert in een verhouding van seizoenssneeuw tot permanente sneeuw/ijsdekking van 5,1:1. In de regio P140-R40/41 is de verhouding hoger, namelijk 15,1:1 (tabel 1).

Afbeelding

Figuur 4
Open in figuurviewerPowerPoint
Mediane besneeuwingsgraad in de periode 2013-2017 voor de periode januari-februari (verwachte maximale omvang) en de periode augustus-september (verwachte minimale omvang, permanente besneeuwing) voor Nepal.
Tabel 1. Statistieken die de ruimtelijke omvang van de subnivalente zone beschrijven in vergelijking met de permanente sneeuw- en ijsdekking afgeleid van de RGI- en MODIS-gegevens. We geven een op ratio gebaseerde berekening van de oppervlakte van de subnivale zone ten opzichte van de permanente sneeuw/ijsdekking.
Parameter (km2) P140-R40/41 regio Nepal
Oppervlakte van de permanente sneeuwbedekking van MODIS (mediaan van de minimale sneeuwbedekking in de nazomer [augustus en september]), fractie van de oppervlakte 1.078,1 2.207,1
Gletsjerdekkingsgebied (RGI) 1.953,3 3.340,5
Sneeuwgebied op gletsjers 643,6 1.027,6
Totale oppervlakte van permanente sneeuw en ijs 2.387,8 4.520,0
Oppervlakte met hoogte >4.150 m a.s.l. 38.513,4 27.388,4
Subnivalente oppervlakte zonder permanente sneeuw en ijs 36.125,6 22.868,4
Verhouding subnivalente oppervlakte (exclusief permanente sneeuw- en ijsbedekking) tot de permanente met sneeuw en ijs bedekte oppervlakte 15,1:1 5,1:1
Afkortingen: MODIS, beeldvormingsspectrometer met matige resolutie; RGI, Randolph Glacier Inventory.
3.2 Is de ruimtelijke omvang van de subnivalente vegetatie veranderd en zo ja, in welk tempo en waar?
3.2.1 P140-R40/41 regio
Figuur 5 toont de trends voor de groene fractie ten opzichte van de tijd voor de P140-R40/41-regio. Ter vergelijking delen we ook de resultaten van de trends voorafgaand aan de Roy et al. (2016) correctie van de Landsat gegevens in tabel S3. De hogere fractionele vegetatiebedekking in de H2-hoogteband ten opzichte van de H1-hoogteband (figuur 5) is enigszins contra-intuïtief, maar nader onderzoek heeft uitgewezen dat dit werd veroorzaakt door een lokaal kenmerk binnen H1 dat een grote meanderende rivierbedding met weinig vegetatie bevatte. Tabel 2 geeft de OLS en Mann-Kendall trendtestresultaten voor deze tijdreeksen. Op alle hoogtebanden voor de regio P140-R40/41 vonden we positieve, significante (p = .05) trends met behulp van gegevens gecorrigeerd volgens Roy et al. (2016), met de sterkste hellingen in H1 (OLS helling = 0,0066) en H3 (OLS helling = 0,0067). De trends op de hoogste hoogtes (H4) waren zeer zwak (OLS-helling = 0,002) in vergelijking met de sterkere trends in de lagere hoogtes. De niet-parametrische Mann-Kendall tests zijn gebaseerd op gerangschikte gegevens en leverden relatief uniforme statistieken op voor alle vier de hoogtebanden, die de sterkte van de relatie tussen de groene fractie en de tijd beschrijven (de τ van Kendall lag tussen 0,445 en 0,489 voor iedereen). De vergelijkbare waarden van de τ van Kendall suggereren dus proportionele veranderingssnelheden op verschillende hoogtes.

afbeelding

Figuur 5
Open in figuurviewerPowerPoint
Tijdreeks van de groene pixelfractie (1993-2018) voor de regio P140-R40/41 gecentreerd op P140-R40/41, op basis van L5 + L7 + L8 SR-collecties
Tabel 2. Helling, R2- en p-waarde van OLS-regressie en Kendall’s tau- en p-waarde van Mann-Kendall trendtest van groene fracties van 1993 tot 2018 voor de regio P140-R40/41
Parameter Hoogtebanden
H1 H2 H3 H4
OLS-helling 0,0066 0,0053 0,0067 0,0022
OLS R2 .475 .433 .515 .478
OLS p-waarde 6e-05 2e-04 2e-05 6e-05
Kendall’s τ 0,489 0,446 0,445 0,481
Mann-Kendall p waarde 5e-04 .0015 .0016 7e-04
Noot:
Significante resultaten zijn grijs gearceerd (p = .05).
Afkorting: OLS, gewone kleinste kwadraten.
3.2.2 Nepal
We herhaalden de analyse over de gehele ruimtelijke omvang van Nepal (figuur 6). De OLS-hellingscoëfficiënten waren kleiner dan die voor de P140-R40/41-regio, maar de trends in alle vier de hoogtebanden waren zwak positief. De enige significante, positieve trend werd gevonden in H1 en H2 met behulp van OLS (Tabel 3). De Mann-Kendall trendanalyse vond daarentegen significante positieve trends in H1, H2 en H4. De waarde voor de τ van Kendall was vrijwel gelijk voor H1, H2 en H4 (respectievelijk 0,355, 0,357 en 0,344), wat neerkomt op evenredige veranderingen voor deze hoogteregio’s (tabel 3). De in 1997 getoonde uitschieter (figuur 6) heeft waarschijnlijk invloed gehad op OLS-analyses voor H3 en H4. Deze uitschieter werd veroorzaakt door ontbrekende gegevens voor ongeveer een derde van het totale gebied als gevolg van ontbrekende scènes en bewolktheid/sneeuwbedekking, en heeft waarschijnlijk de berekening van de groene pixelfractie beïnvloed. Het heeft alleen invloed op de gegevens in de hogere hoogtebanden en is niet merkbaar in H2 en H1, wat verklaard wordt door meer sneeuw en wolken op grotere hoogte.

Afbeelding

Figuur 6
Open in figuurviewerPowerPoint
Tijdreeks van de groene pixelfractie (1993-2018) voor het gebied van Nepal op basis van de L5 + L7 + L8 SR-collecties
Tabel 3. Helling, R2 en p waarde van OLS regressie en Kendall’s τ en p waarde van Mann-Kendall trendtest van groene fracties van 1993 tot 2018 voor Nepal
Parameter H1 H2 H3 H4
OLS-helling 0,002 0,0041 0,0019 -2e-06
OLS R2 .124 .185 .008 -.042
OLS p-waarde .043 .016 .286 .9933
Kendall’s τ 0,355 0,357 0,242 0,344
Mann-Kendall p-waarde .012 .011 .089 .019
Noot:
Significante resultaten zijn grijs gearceerd (p = .05).
Afkorting: OLS, gewone kleinste kwadraten.

3.2.3 HKH-regio
Voor de bredere HKH-regio laat het algemene patroon van de gemiddelde groene fractie in de tijd een zwak positieve tijdreeksontwikkeling zien (figuur 7; tabel 4). Net als bij de meer gelokaliseerde onderzoeken vertonen deze trends verschillen met de hoogte met de hoogste OLS-hellingscoëfficiënten gemeten in H2 en H3 (respectievelijk 0,0061 en 0,008; Tabel 4), en de kleinste OLS-hellingscoëfficiënten in H4 (0,0035; Tabel 4). Mann-Kendall trendanalyse liet een meer genuanceerd patroon zien, met vergelijkbare Kendall’s τ waarden voor H1, H2 en H4, met de hoogste Kendall’s τ in H3 (0,424). De hoogteband H3 met de sterkste tijdreeks trend was dus consistent tussen OLS en Mann-Kendall trendanalyse. Deze gegevens werden verzameld uit 100 ROI’s (5 km radius), waardoor een ander soort statistische analyse nodig was om de significantie te bepalen. We evalueerden het percentage ROI’s dat significant verschilt van 0 (p < .05) en H3 toonde het hoogste percentage ROI’s dat significant positieve trends laat zien (76% voor zowel OLS als Mann-Kendall). H1 toont het laagste percentage significant positieve trends (OLS = 56%; Mann-Kendall = 58%). De trendanalyse van Mann-Kendall vond een hoger percentage significante trends in vergelijking met OLS in H1 en H2, maar minder in H4.

Afbeelding

Figuur 7
Open in figuurviewerPowerPoint
Boxplots van groene pixelfractiewaarden voor alle interessegebieden per jaar afgeleid van de L5 + L7 + L8 SR collecties (1993-2018). Plots worden gescheiden door hoogteband (a) H1, (b) H2, (c) H3 en (d) H4. De omvang van de vakken vertegenwoordigt de 25e en 75e percentiel (kwartielen), de vette middellijn is het 50e percentiel (mediaan), de snorharen zijn de minimum- en maximumwaarden die binnen 1,5 keer het interkwartielbereik vallen en de cirkels vertegenwoordigen waarden die buiten dit bereik liggen (uitschieters).

Tabel 4. Resultaten voor analyse voor de gehele HKH (1993-2018)
Parameter Hoogtebanden
H1 H2 H3 H4
OLS-helling 0,0052 0,0061 0,008 0,0035
OLS R2 .24 .239 .302 .243
OLS N sig. 56% 57% 76% 63%
Kendall’s τ 0,335 0,354 0,424 0,35
Mann-Kendall N sig. 58% 67% 76% 60%
Noot:
OLS-parameters en Mann-Kendall teststatistieken worden gegeven voor groene pixelfractie in de tijd per hoogteband berekend met behulp van 100 cirkelvormige ROI’s met een straal van 5 km over de gehele HKH, evenals het percentage ROI’s dat significant afwijkt van 0 (p < .05).
Afkortingen: HKH, Hindu Kush Himalaya; OLS, gewone kleinste kwadraten; ROI, gebied van belang.
Om een onafhankelijke test uit te voeren van trends in de tijdreeksen waarbij de sensorconfiguratie constant was, hebben we voor de HKH-brede dataset ook de trend in de tijdreeksen berekend met alleen SR-gegevens van Landsat 5 en 7 TM- en ETM+-sensoren (d.w.z. zonder L8 OLI-gegevens). De resultaten worden gedeeld in de aanvullende informatie (figuur S5; tabel S4). We vonden vergelijkbare positieve tijdreeksentrends als de volledige analyse in figuur 7, hoewel deze trends zwakker waren wanneer L8-gegevens werden uitgesloten (figuur S5) in vergelijking met toen ze werden opgenomen (figuur 7). OLS hellingscoëfficiënten waren positief, en Kendall’s τ toonde eveneens de hoogste waarde in H3 (Tabel S4), wat de resultaten van de volledige analyse bevestigt. Het uitsluiten van L8-gegevens resulteerde in minder ROI’s met positieve trends die significant verschilden van 0 (p < .05) in vergelijking met de volledige analyse, maar alle hoogtebanden bevatten nog steeds ROI’s met positieve trends. Net als in de volledige analyse had H3 het hoogste aantal ROI’s met significante positieve trends (45%; tabel S4).

3.3 Geografische effecten: Helling en aspect
In een laatste analyse werd bepaald of er verschillen waren in de helling of de richting van de vegetatierespons van de tijdreeksen gezien de verschillende onderliggende geografische omstandigheden – met name de helling en het aspect. Deze analyse is uitgevoerd met de HKH-brede dataset. Eerst werd de hellingshoek opgevraagd binnen de vier hoogtebanden (figuur 8). Terwijl er veel verstrooiing is, is de trend van de groene fractie positiever voor steilere terreinhellingen in H1 (Figuur 8a), terwijl voor H2-H4 de patronen met hellingstrend iets meer naar negatief gedrag neigen naarmate de hoogte toeneemt (Figuur 8a tot en met d). Analyse met aspect toonde geen visueel waarneembare of statistisch zinvolle patronen aan, dus we hebben geen plot opgenomen.

Afbeelding

Figuur 8
Open in figuurviewerPowerPoint
Groene fractie (1993-2018) uitgezet tegen de mediane terreinhellingswaarde per ROI voor de L5 + L7 + L8-verzameling over de HKH-brede omvang binnen vier hoogtebanden a) H1; b) H2; c) H3; d) H4
3.4 Verandering van de sneeuwfracties in de loop van de tijd
De tijdreeks van sneeuwfracties liet geen significante trend zien bij de analyse met de Mann-Kendall rank test voor de P140/R40-41 regio en de omvang van Nepal (zie figuur S3). Voor de 100 ROI’s die HKH-breed zijn verdeeld, vonden we een toenemend aantal ROI’s die een zwakke, maar toch significante, negatieve trend in de sneeuwfractie vertoonden, met toenemende hoogte. In H1 vertoonde 7% van de ROI’s een significante negatieve trend in de sneeuwfractie over de tijdreeks, oplopend tot 23% in H4 (zie figuur S4; tabel S2).

3.5 Validatie
We evalueerden het nut van fotografische gegevens voor het verstrekken van informatie over de aanwezigheid/afwezigheid van vegetatie in het subnivaal HKH. We melden dat de foto’s die beschikbaar zijn via Google’s ‘Streetview’ en ‘Photosphere’ producten, en onze eigen veldfoto’s, nuttige ecologische informatie bevatten over de aan- of afwezigheid van brede vegetatiegroepen (grassen, mossen, struiken en kale grond). Figuur 9 toont een kleine selectie van onze eigen foto’s, allemaal gemaakt in 2017 uit de Khumbu-regio van Nepal. Deze werden naast Google-beelden gebruikt om het van satellieten afgeleide vegetatieproduct uit 2017 voor de P140-R40/41-regio te valideren. De rode pixels in Figuur 9 tonen de vegetatiegraad in 2017, terwijl de blauwe pixels hetzelfde tonen voor 1993, het vroegste jaar in de eerder overwogen tijdreeksanalyse. De omvang van de blauwe pixels (1993) is aanzienlijk kleiner dan die van de rode pixels (2017), wat visueel bewijs is voor de expansietrends die eerder voor de P140/R40-41 zijn gerapporteerd.

Afbeelding

Figuur 9
Open in figuurviewerPowerPoint
Validatie van het vegetatieproduct vanaf 2017 binnen de P140/R40-41 regio (rode pixels). De getoonde veldfoto’s zijn in 2017 in de Khumbu-regio van Nepal gemaakt (van de auteurs zelf). Alle foto’s tonen de aanwezigheid van vegetatie in pixels die volgens de Google Earth Engine (GEE) analyse ook als begroeid werden gelabeld. Validatiepunten gemarkeerd zijn de locaties van de 98 punten waar onze eigen foto’s, plus die van Google Streetview en Photosphere werden verkregen voor validatie. Onderliggende kaarten van de omvang van de vegetatie geven de mediaan Landsat composieten weer, inclusief alle maskers voor oktober en november 2017 (rood), en voor 1993 (blauw), dat het vroegste jaar was dat in de GEE-tijdserie-analyse in aanmerking werd genomen.
In totaal werden 194 individuele observaties verzameld uit zowel Google als uit onze eigen fotocollecties. Uit de verzamelde waarnemingen zijn alle waarnemingen op basis van beelden van vóór 2014 uitgesloten (4%), terwijl de overige waarnemingen als recent genoeg werden beschouwd voor de validatie van het NDVI-drempelproduct van 2017 (rode pixels in figuur 9). De resterende waarnemingen werden ruimtelijk gefilterd met behulp van een afstandsdrempel van 100 m om duplicaten te verwijderen, en punten die samenvielen met sneeuw of noordelijk gerichte hellingen werden ook uitgesloten. Dit resulteerde in 98 unieke puntwaarnemingen voor validatie (punten in figuur 9), die op elk punt informatie over de aanwezigheid/afwezigheid van vegetatie bevatten. Validatie van het satellietproduct voor de P140-R40/41 regio boven een hoogte van 4.150 m a.s.l. bracht een totale nauwkeurigheid van 79,6% aan het licht (tabel 5). De weglatingsfouten en de commissiefouten voor de twee klassen zijn in tabel 6 weergegeven. In de pixels die ten onrechte zijn geclassificeerd als ongegroeid (n = 13), bevatte 53,8% struiken, 30,8% grassen en 38,5% mossen.

.

4 DISCUSSIE
Een schat aan wetenschappelijk werk heeft aangetoond dat de HKH-regio verandert als gevolg van het klimaat (Keenan & Riley, 2018; Pachauri et al., 2014; Schickhoff, 2011), en terwijl grote onderzoeksinspanningen zijn geïnvesteerd in cryosferisch en klimatologisch werk op grote hoogte (Bajracharya et al.., 2015; Gardner et al., 2013; Gautam, Hsu, Lau, Tsay, & Kafatos, 2009; Sano, Ramesh, Sheshshayee, & Sukumar, 2012; Shrestha, Wake, Mayewski, & Dibb, 1999), zijn studies die zich richten op ecologische reacties op grote hoogte in vergelijking met andere studies (Gaire et al., 2014). Ons werk heeft geleid tot een beter ecologisch begrip van het slecht bestudeerde HKH-subnivale systeem door als eerste de omvang van de veranderingen in de fractionele bedekking van de subnivale vegetatie in de HKH te meten (4.150-6.000 m a.s.l.). In het bijzonder hebben we aangetoond dat er sinds 1993 significante veranderingen zijn opgetreden in de vegetatieverdeling, gemeten door middel van ‘groene fractie’-analyses van Landsat 5, 7 en 8 gegevens. In onze analyses is een robuuste cross-sensor kalibratie opgenomen om te corrigeren voor sensor verschillen tussen de Landsat 7 ETM+ sensor en de Landsat 8 OLI, die verschillende radiometrische gevoeligheden hebben. Uit voorzorg en met uitsluiting van de gegevens van L8 OLI, over de gehele HKH-breedte, vonden we nog steeds significante positieve trends in de fractionele bedekking van de vegetatie in de loop van de tijd, hoewel die trends zwakker waren zonder, dan met de L8-gegevens die in de tijdreeksen zijn opgenomen (figuur S5; tabel S4). We hebben aangetoond dat het van de satelliet afkomstige product van de groene fractie met een goede nauwkeurigheid kan worden gevalideerd met behulp van vrij beschikbare fotografische gegevens (79,6%; tabel 5 en 6).

4.1 Wat is de omvang van de subnivalente zone?
De subnivalente habitat in de Nepalese en P140/R40-41 regio’s, die microkosmossen zijn van het bredere HKH-systeem, beslaat tussen de vijf en vijftien keer de oppervlakte van de permanente gletsjers en de sneeuw (tabel 1). Deze verhoudingen geven de omvang van de seizoensgebonden sneeuwbedekking aan die door toekomstige veranderingen in het vegetatiedek zou kunnen worden beïnvloed. Er is een veel groter aandeel van het hooggelegen Qinghai-Tibetaans plateau (QTP) in de regio van de P140-R40/41-scene (15,1:1) dan in Nepal, waar de verhouding kleiner is (5,1:1); en het QTP vertoont een grotere seizoenssneeuwopslag dan de steile bergachtige gebieden van Nepal. In de HKH-regio in het algemeen is het redelijk om aan te nemen dat subnivalente sneeuw en permanente sneeuw/ijsruimtelijke dekking waarschijnlijk zullen variëren tussen de regionale verhoudingen van Nepal en P140-R40/41: gebieden op het plateau vertonen hogere verhoudingen, terwijl gebieden met een steilere topografie lagere verhoudingen zullen hebben. Van belang is dat, afgezien van de territoriale schattingen, de sneeuwdiepte en de gelijkwaardigheid van sneeuwwater van invloed zijn op de hydrologische regimes: we konden die met de hier gebruikte satellietgegevens niet evalueren, maar verdere studies zouden moeten proberen om een dergelijk begrip te bevorderen. Ongeacht de geografische locatie geven deze resultaten aan dat de subnivalente zone moet worden erkend voor zijn waarschijnlijke rol in de beïnvloeding van de watervoorziening van niet-basisstromen, met gevolgen voor de gemeenschappen stroomafwaarts. Het gebrek aan wetenschap dat de rol van subnivalente vegetatie in de HKH ecohydrologie in twijfel trekt, met gevolgen die zich uitstrekken van het stroomgebied van de bovenloop tot aan de ‘derde pool’ (http://www.icimod.org/?q=3487), is een leemte die dringende wetenschappelijke aandacht vereist.

Hoewel snel veranderende Arctische ecosystemen aanzienlijke investeringen in ecologisch onderzoek hebben ontvangen, kan hetzelfde niet worden gezegd voor Himalaya ecosystemen (Gurung & Bajracharya, 2012), ondanks het veel grotere aantal mensen dat afhankelijk is van de watervoorziening in de bergen vanuit de HKH dan in het Noordpoolgebied (Immerzeel et al., 2010; Pritchard, 2019). Toch is er een potentieel verband van effecten (met name hydrologische effecten) die zouden kunnen ontstaan door de uitbreiding van de vegetatie op grote hoogte. Toekomstige studies moeten de impact van de vegetatie op en de terugkoppeling naar HKH vaststellen: snowpack (Brandt et al., 2013), permafrost (LaMadrid & Kelman, 2012), fenologie (Smith, Sconiers, Spasojevic, Ashton, & Suding, 2012), oppervlaktetemperaturen (Myers-Smith et al.., 2011) en sneeuwsmeltsnelheden (Blok et al., 2011; Pomeroy et al., 2006; Wookey et al., 2009), aangezien het Arctische werk heeft aangetoond dat vegetatieveranderingen deze processen diepgaand kunnen beïnvloeden. Lezers dienen op te merken dat het Arctische werk sterk gericht is op veranderingen in de soorten/functionele samenstelling in plaats van de omzetting van kale grond naar vegetatie zoals hier onderzocht, maar we stellen dat dit laatste naar verwachting meer diepgaande hydrologische effecten zal opleveren. Belangrijk is dat het werk dat uit Tibet naar voren komt een contrasterend beeld laat zien met Arctische planten/snow feedbacks, waarbij de door evapotranspiratie veroorzaakte koeling zwaarder weegt dan de door albedo’s veroorzaakte opwarming in door struiken gedomineerde systemen (Shen et al., 2015). Toekomstig in situ werk dat de functionele relaties tussen Himalaya-subnivalente planten en hydrologie blootlegt, zou tijdig antwoorden op deze vragen geven, terwijl modelleringsbenaderingen die de eco-hydrologische effecten van vegetatie-expansie testen, nieuwe inzichten zullen opleveren in de HKH (bv. na werk als Rasouli, Pomeroy, eenWhitfield (2019)). We suggereren ook dat toekomstig teledetectiewerk dat ruimtelijke informatie over planteneigenschappen (bijv. het in kaart brengen van gras- en struikbodembedekking) over grote gebieden levert, nieuw inzicht zou kunnen opleveren in de bredere mechanismen en effecten van vegetatie-expansie.

4.2 Is de ruimtelijke omvang van de subnivalente vegetatie veranderd en zo ja, in welk tempo en waar?
Met behulp van NDVI afgeleid van Landsat data records sinds 1993 om onderscheid te maken tussen vegetatieve en niet-vegetatieve pixels, hebben we een toename van de groene fractionele bedekking in de tijd laten zien. Bij het verkennen van deze trends over drie ruimtelijke extenties en binnen vier hoogtebanden, vonden we dat op alle schalen en hoogtes positieve trends in de vegetatie werden gevonden tussen 1993 en 2018, maar deze waren niet altijd statistisch significant. Samenvattend:

Een gebied gecentreerd op de Mount Everest (P140/R40-41) toonde significante positieve trends in alle vier de hoogtebanden (OLS en Kendall’s τ; Tabel 2);
Op de nationale schaal van Nepal lieten de vegetatietrends in H1 en H2 (OLS en Kendall’s τ) en H4 (alleen Kendall’s τ) significante positieve trends zien (Tabel 3);
Over de gehele HKH-omvang, met behulp van 100 willekeurig verdeelde ROI’s om tijdreeksen te bemonsteren alle hoogtebanden tussen 56% (H1; OLS) en 76% (H3; OLS en Kendall’s τ) van ROI’s lieten positieve trends zien die significant verschillen van 0 (p < .05; Tabel 4).
Uit dit werk concluderen we dat subnivalente vegetatie-expansie HKH-breed plaatsvindt, hoewel er duidelijk geografische verschillen zijn in de sterkte en betekenis van die trend. Dit is te verwachten gezien de topografische en klimatologische diversiteit van de HKH (Bookhagen & Burbank, 2006). De waargenomen trends komen overeen met het modelleringswerk dat een daling laat zien in de gebieden met een beperkte temperatuur als gevolg van de opwarming van de koude gebieden op aarde (Keenan & Riley, 2018), en deze resultaten bevestigen ook het werk van Gonzalez, Neilson, Lenihan en Drapek (2010), die verklaren dat de Himalaya ecosystemen zeer kwetsbaar zijn voor door het klimaat veroorzaakte verschuivingen in de vegetatie.

Onze analyse onthulde variaties in de snelheid van verandering met hoogteverschuivingen. Voor de hoogteband H2 (4.500-5.000 m) waren de trends positief en significant voor P140-R40/41 en voor Nepal met tussen 57% (OLS) en 67% (Kendall’s τ) van de trends over de gehele HKH die significante positieve trends lieten zien. Op de HKH-schaal werd echter een hoger percentage van de ROI’s met significante trends gevonden in H3 (76% van de ROI’s; OLS en Kendall’s τ) met een sterkere associatie met lagere terreinhellingen (Figuur 8c), wat waarschijnlijk duidt op een toename van groene pixels op de uitgebreide QTP naar het noorden van Nepal. Gecombineerd bestrijken de H2- en H3-hoogtebanden het grootste deel van het QTP-gebied waarvoor modellen een toename van de struikvegetatie voorspellen ten koste van alpenweide, steppe en woestijn (Zhao, Wu, Yin, & Yin, 2011). Het is mogelijk dat de waargenomen positieve trends verband houden met deze regimeverschuiving, ook gemeld door Brandt et al. (2013); het is echter onduidelijk of de op de NDVI-drempel gebaseerde analyse gevoelig is voor een verandering naar een ander vegetatietype.

De trends waren het zwakst in de hoogste hoogteband, H4 (5.500-6.000 m a.s.l.) op alle drie de schalen van onze analyse. We veronderstellen dat dit te wijten was aan temperatuurbeperking en aan de steilere hellingen die minder geschikt zijn voor de kolonisatie van de vegetatie als gevolg van regelmatige verstoring door peri- of paraglaciale activiteit (bv. rotsvallen en aardverschuivingen; Ives & Messerli, 1989). Waar in H4 toenames werden gevonden, werden deze geassocieerd met zachtere hellingen (Figuur 8d), omdat deze minder gevoelig zijn voor erosie en plantkolonisatie. Het tegenovergestelde bleek te gelden voor gebieden op lagere hoogtes (bijv. H1; Figuur 8a)-met hogere groene fractie modelhellingen op steilere terreinhellingen. We suggereren dat dit een functie is van lager gelegen gebieden met een hoge vegetatiebedekking aan het begin van de tijdreeks, en dat vegetatie-expansie dus waarschijnlijker is op steilere terreinen op lagere hoogtes.

De analyse van fractionele sneeuwbedekking door de tijd heen toonde geen onderliggende trend op de schaal van P140/R40-41 of Nepal, maar op de schaal van HKH vonden we een toenemend aantal ROI’s met significant zwakke negatieve trends, aangezien de hoogte steeg tot een maximum van 23% in H4 (Figuren S3 en S4; Tabel S2). Onder de klimaatverandering zou het gebied dat door sneeuw wordt bedekt, kunnen worden beïnvloed, met enig bewijs dat de hoogte van de sneeuwlijn in de loop van de tijd toeneemt in de HKH (Pandey, Kulkarni, & Venkataraman, 2013). Onze resultaten suggereren dat er enig bewijs is voor verhoogde sneeuwlijnhoogtes, en dit zou een mechanisme kunnen zijn waardoor een aanzienlijke uitbreiding van de vegetatie kan plaatsvinden (d.w.z. door vermindering van de temperatuurbeperking; Keenan & Riley, 2018 en een verhoogde beschikbaarheid van kale grond voor vermeerdering). Verdere verkenning van de ruimtelijk-temporele patronen op het raakvlak tussen sneeuw en vegetatie is in dit verband gerechtvaardigd.

4.3 Kritische evaluatie van Landsat-tijdreeksgegevens
De lineaire modelmatige Roy et al. (2016) correctie is een eenvoudige benadering om de L7-L8 sensorovergang op te lossen en is door anderen in vergelijkbare instellingen gebruikt (Fassnacht et al., 2019). Zoals weergegeven in tabel S3, heeft de toepassing van het Roy et al. (2016) model op de gegevens voor de P140-L40/41 ROI ervoor gezorgd dat de OLS-hellingen en R2-waarden iets zijn afgenomen, maar heeft dit geen invloed gehad op de betekenis van de relaties die zijn bepaald met OLS of de τ van Kendall. Bij het gebruik van lange tijdreeksgegevens van verschillende sensoren zijn er nog andere problemen die moeten worden overwogen. Voor Landsat zijn dit onder andere het falen van het Scan Line Corrector-mechanisme in L7, gedurende 2003 (Markham, Storey, Williams, & Irons, 2004), wat resulteerde in het verlies van ongeveer 22% van elke scène (USGS, 2017). We hebben ook rekening gehouden met de beperkingen van het NDVI product dat gevoelig kan zijn voor kale bodem-geïnduceerde achtergrondgeluiden, en de toegevoegde onzekerheid veroorzaakt door de enigszins verschillende atmosferische correctie benaderingen in Landsat 8 versus Landsat 7 en hun impact op niet-gegroeide pixels (die we vonden dat er geen significante tijdreeksen trend-see figuren S1 en S2; Tabel S1). Topografische effecten in de HKH kunnen nog meer onzekerheid hebben toegevoegd, maar we hebben dit beperkt door de sterk beschaduwde noordwaarts gerichte hellingen buiten beschouwing te laten. Hoewel NDVI een relatief eenvoudige index is, hebben nieuwe indices die zijn ontwikkeld om problemen met bodemachtergrond of atmosferische effecten te verlichten, de NDVI in door struikgewas gedomineerde landschappen niet kunnen verbeteren (Gaitán et al., 2013). Naast onze eigen studie zijn er tal van voorbeelden van ecologische studies die gebruik maken van NDVI-producten op Landsat-schaal in door struiken/gras gedomineerde of alpiene systemen (Carlson et al., 2017; Marston et al., 2017; Riihimäki, Heiskanen, & Luoto, 2017), dus we stellen dat onze NDVI-dorsingmethode geschikt is voor het afleiden van een betrouwbaar binair aanwezigheids-/afwezigheidsvegetatiediscriminatiesysteem voor de subnivale zone.

We suggereren voorzichtigheid, net als anderen (Holden & Woodcock, 2016; Roy et al., 2016), bij de toepassing van Landsat tijdreeksgegevens op vergelijkbare vragen, gezien de verschillende veranderingen in de sensorconfiguratie die door de Landsat-generaties zijn doorgevoerd. Ons werk heeft aangetoond dat bij het nemen van een voorzorgsmaatregel en het volledig uitsluiten van L8 OLI-sensorgegevens uit de HKH-brede analyse, de trends in de tijdreeksen L5 en L7 (TM en ETM+-sensorgegevens) nog steeds duidelijk waren: het meest duidelijk in H3, maar binnen minder ROI’s en het produceren van trends met zwakkere OLS-hellingen. De zwakkere hellingen / minder significante ROI’s kunnen het gevolg zijn van verschillende factoren, met name sensorproblemen met L7 nu deze het einde van zijn levensduur nadert, L8 OLI-bandset verschillen in vergelijking met L7 ETM+ en L5 TM (hoewel deze moeten worden verantwoord door ons gebruik van Roy et al., 2016’s coëfficiënten) of de vermindering van de steekproefgrootte toen de L8-data werden verwijderd. Op het moment van schrijven is de Roy et al. (2016) correctie de state-of-the-art methode voor het omgaan met de L7-L8 sensorovergang en deze is ontworpen voor gebruik met toepassingen als deze. In de toekomst moet er ook voor worden gezorgd dat er rekening wordt gehouden met sensorverschillen (zoals we hier hebben gedaan) en dat deze op de juiste manier worden gecorrigeerd met behulp van state-of-the-art benaderingen. Bovendien is het gebruik van een gekalibreerd SR-product geen garantie dat dergelijke kwesties volledig zijn afgehandeld door de gegevensverstrekkers; de validatie van producten van operationele Landsat-missies (bijv. L7 en L8) door het wetenschapsteam van Landsat is een doorlopend proces (zie-7 ).

4.4 Validatie
We hebben de wetenschappelijke waarde aangetoond van open source fotografische gegevens voor validatiedoeleinden in afgelegen gebieden waar geen in-situ validatiegegevens bestaan. In tegenstelling tot wetenschappelijke fotografische methoden voor in-situ vegetatie karakterisering (bijv. Phenocam network; Brown et al., 2016; Sonnentag et al., 2012), is het nut van Google Streetview en Photosphere beelden beperkt tot de identificatie van het brede type vegetatiebedekking, maar deze ecologische basisinformatie blijft zeer bruikbaar. Een probleem dat we vonden is dat, aangezien de beschikbaarheid van dergelijke beelden grotendeels afkomstig is van lagere hoogtes, er weinig voorbeelden waren van foto’s die geen vegetatie bevatten, dus het was een hele uitdaging om een grote steekproef te verkrijgen waarmee de nauwkeurigheid van Landsat producten voor het in kaart brengen van de kale grond kon worden beoordeeld. Ook is de positieonzekerheid van deze geotagged foto’s niet bekend, vandaar dat we een buffer van 100 m hebben gebruikt om potentiële replicatiewaarnemingen te elimineren. Bij het valideren van het 2017 NDVI-drempelproduct (dat waarnemingen van zowel L7 ETM+ als L8 OLI bevatte), vonden we dat 79,6% van de pixels nauwkeurig was geclassificeerd, wat in ieder geval voor de recente gegevens een aantal van de onzekerheden in de methode benadrukt. We beweren dat online fotoarchieven een rijke bron van archiefgegevens bevatten voor het beantwoorden van ecologische basisvragen of het uitvoeren van validatie in moeilijk bereikbare gebieden, en toch blijven ze bijna volledig onaangeboord als bron van gegevens voor slecht geïnstrumenteerde regio’s in de wereld.

4.5 Google Earth Engine
Dit werk bewijst de kracht van het gebruik van cloud-gebaseerde berekeningen van remote sensing analyses. Om de in dit manuscript beschreven analyses uit te voeren met behulp van traditionele remote sensing-workflows zou het gebruik van een zeer krachtige computer nodig zijn geweest en zouden duizenden afzonderlijke Landsat-scènes moeten worden gedownload. Voor ecologen die geïnteresseerd zijn in het bestuderen van grootschalige ecosysteemprocessen over uitgestrekte ruimtelijke gebieden en over multi-decadale tijdschalen, en voor degenen die werken op plaatsen zonder toegang tot supercomputers, zijn de mogelijkheden die GEE biedt ongeëvenaard. We hebben Earth Engine v0.1.201 en de Javascript Application Programme Interface gebruikt voor alle bewerkingen. We delen onze GEE-code openlijk in de geest van de wetenschap als een transparant streven. Een link naar de code is opgenomen in de Aanvullende Informatie.

5 SAMENVATTING
De HKH zijn de watertorens van Azië (Immerzeel et al., 2010). Er wordt aangenomen dat de watervoorziening in de HKH wordt bedreigd als gevolg van klimaatveranderingen (Bolch et al., 2019; Pritchard, 2019; Shannon et al., 2019), en dat planten en de hydrologische kringloop gekoppeld zijn (Fatichi et al., 2016). Desondanks heeft de wetenschap tot nu toe geen vraagtekens geplaatst bij de mate waarin ecologische hoogteverschuivingen of overgangsprocessen in de hele HKH van invloed zullen zijn op de processen van de water- of koolstofcyclus. Een eerste stap naar inzicht in de rol van de vegetatie in de HKH ecohydrologie is het meten van de omvang van het ecosysteem ten opzichte van de sneeuw- en ijsbedekking en het bepalen of het ecosysteem in de loop van de tijd is veranderd. Onze resultaten laten zien dat de vegetatie zich op grote hoogte (>4.150 m a.s.l.) over de HKH uitzet en dat subnivalente systemen tussen de vijf en vijftien keer de oppervlakte van het permanente ijs en de sneeuw bedekken. Ondersteund door dit bewijs, stellen we dat subnivale ecologische systemen een belangrijke rol spelen in de HKH hydrologie en dat hun rol zal toenemen als sneeuwlijnen opstijgen en gletsjers smelten. Er is een dringende behoefte aan nieuwe wetenschap om de status, de rol en het lot van ecosystemen op grote hoogte in de unieke setting van de HKH voor het moduleren van seizoensgebonden niet-basis stromingswatervoorraden en fietskoolstof bloot te leggen. Verder wetenschappelijk werk in deze ontoegankelijke regio zal ongetwijfeld sterk afhankelijk zijn van de analyse van aardobservatiegegevens, zoals we hier hebben gedaan, maar er is een begeleidende, dringende behoefte aan nieuwe in-situ studies. In het algemeen hebben we een beter functioneel begrip nodig van de toestand en het lot van subnivalente ecosystemen en hun ecohydrologie, en dergelijke gegevens zouden ook waardevol zijn voor het valideren van satellietanalyses.

DANKWOORD
We zijn de volgende mensen dankbaar die gegevens hebben bijgedragen aan onze crowdsourcingmethodologie om vegetatietypen uit Google Streetview en Photosphere datasets online te identificeren: Olivia Mason, Jack Barham, Jake Pyett, Eliot McCluskey, Jowan Nott, Jenny Watts, Jessica Thomas, Ben Reed, Simon Dzjurak, Imogen Salmon, Elliot McCluskey. Prof. Kevin Gaston en Prof. Ted Milton worden bedankt voor hun nuttig advies over de versies van het manuscript. Drs Jon Bennie en John Joseph Valletta gaven statistisch advies over Mann-Kendall trends, waarvoor wij dankbaar zijn. Professor David P. Roy, Dr. Jennifer Dungan, Dr. Fabian Fassnacht, Dr. Teja Kattenborn en Dr. David Frantz worden bedankt voor hun zeer nuttige discussies over de in dit werk toegepaste Landsat 7 tot Landsat 8 correctie. Wij danken ook professor Stephan Harrison voor nuttige discussies over de Himalaya-systemen en de milieuprocessen. Tot slot bedanken we het Google Earth Engine team dat uitstekende online tutorials en ondersteuning biedt, wat ons in staat stelde om dit werk uit te voeren.

BIJDRAGEN VAN DE AUTEUR
KA bedacht het originele idee voor het werk, na veldwerk met DJ in de Khumbu regio van Nepal. SB en AC ondernamen individuele onderzoeksprojecten om de centrale onderzoeksvragen over beperkte ruimtelijke gebieden in de HKH aan te pakken, met behulp van traditionele RS-workflows. KA en DF definieerden samen het experimentele ontwerp voor de analyse van satellietgegevens in GEE. DF voerde de codering uit binnen GEE en leidde de praktische uitvoering van het werk. KA leidde het schrijven van het manuscript, voornamelijk bijgestaan door DF. DJ leverde fotografische data en werkte samen met DF aan de validatie, en gaf feedback op manuscriptontwerpen. RL ondernam praktisch werk binnen GEE om de continuïteit van de Landsat-tijdseries te testen en werd ondersteund door DF en KA tijdens een bezoek aan het Verenigd Koninkrijk tijdens een onderzoeksuitwisselingsprogramma. AC en SB assisteerden bij vroege literatuuronderzoek en leverden input tijdens de schrijf- en redactiefase van het manuscript.