由国家大气研究中心开发的WRF模型是一种完全耦合的中尺度模型，广泛用于区域气候研究4,26,51。本研究中使用了WRF模型的高级研究版（WRF-ARW，V.4.3.3）。将水蒸气示踪剂工具25耦合到WRF模型（WRF-WVT）中，以通过复制预后方程式来跟踪降水的水分来源，以使总水分和为不同水分物种的示踪剂创建新变量。该方法被归类为在线欧拉方法，因为示踪剂水分的预测方程与型号16,25的管理方程式同时求解。
使用WRF-WVT工具，我们可以获得代表亚马逊盆地区域内蒸散量（ET）的沉淀量之类的新变量，例如Raint（降水）。我们考虑了2000年亚马逊雨林生物群落扩展的边界，不包括周围的热带稀树草原生物群落52，涵盖了由于森林砍伐，这涵盖了整个亚马逊雨林，这主要发生在2000年以来边缘的亚马逊雨林地区（扩展数据图1C）。在公式（1）中，总降水（Rahtotal）是WRF输出的原始变量；RAINT代表降水起源于局部蒸发水分（标记）；Rainnt代表亚马逊地区以外的水蒸气（未标记）形成的雨水，并由区域中尺度大气循环控制。沉淀回收比（ρ）计算为局部降水（Raint）与总降水量（Raintotal）的比率（公式（2）），指的是从局部蒸发水分与每个模型GRID18的降水比例。WRF-WVT的耦合需要参数化方案的特定设置（扩展数据表2中提供了更多详细信息）。
此外，为了使WRF中的亚网格植被覆盖部分与社区陆地模型（CLM）53结合使用了激活的亚网格植被覆盖范围代表方法（CLM倾斜）25到WRF模型中，以准确地表示土地和大气相互作用。CLM是一种最新的土地表面模型，最初与社区地球系统Model32,53相结合。与WRF Model51结合时，亚网格植被覆盖的表示功能将停用。Clm ting固定了WRF-CLM中亚网格植被覆盖方法的停用，考虑了亚网格尺度上四种植被覆盖类型的表面通量，并基于分数覆盖率的权重26。亚网格植被覆盖代表方法对于研究森林砍伐的气候反馈很重要，因为它为每个模型网格提供了更准确的土地性能51。
我们设计了一个单个域模拟，水平空间分辨率为20 km和350×285水平模型网格单元。该模型域涵盖了南美地区的大部分地区（补充图1），以说明源自海洋上的大规模季风的影响。根据南部亚马逊南部地区的气候，潮湿的季节是DJF（潮湿季节）和JJA（旱季），主要发生森林砍伐（补充图13）。在潮湿（DJF，11月15日至2月28日）和Dry（JJA，5月15日至8月31日）进行了两个配对的WRF模拟。这些模拟从2001年到2022年进行，涵盖了亚马逊上发生的森林砍伐期，并考虑了气候条件上年际变化的潜在影响。每个仿真的前16天称为旋转期，验证和分析中未包括。有关土壤水分（10个土壤层）和降水的进化和平衡的详细信息，请参见补充无花果。14–17。所有模拟均以30个垂直水平从表面延伸至100 HPA进行。初始边界条件和横向边界条件源自欧洲中心的中等范围天气预报中心，第五代重新分析（ERE5），空间分辨率为0.25°×0.25°，并且每小时的时间分辨率为0.25°×。每个模拟中的海面温度与ERA5数据每6小时动态更新一次。具体而言，使用MODIS LAI产品在2020年以0.05°分辨率（根据先前的研究51中使用的设置在扩展数据表1中详细详细介绍数据详细介绍），对亚马逊地区生态系统中不同土地覆盖类型的叶面积指数（LAI）参数进行了更新。
我们从全球土地分析和发现（Glad）森林范围和身高变化数据集22,23中使用了2000年和2020年的高分辨率（30 m）森林覆盖数据，以20公里的分辨率重新采样森林覆盖率变化信息（扩展数据图1C）。Glad Forest覆盖的数据是通过将森林高度≥5m的像素作为“森林”土地覆盖类别的归因于“森林”覆盖类别的映射，该类别与联合国食品和农业组织的“森林”定义一致。我们通过比较2000年和2020年来得出森林覆盖的变化，将“森林砍伐”定义为网格细胞，其中森林覆盖层以20公里的分辨率从2000年到2020年减少。
为该领域设计了两个森林覆盖方案：（1）一个控制场景（S2000）代表2000年MODIS土地覆盖的土地覆盖和土地利用分数（默认为WRF）；（2）通过覆盖Glad Forest覆盖的森林砍伐情况（S2020）从2000年到2020年的变化变化到2000年的MODIS土地覆盖物和土地利用分数。非森林类别的百分比（例如，裸露地面，草地，草地，舒布兰和农田）增加了从森林损失和森林损失百分比的范围降低的范围，并增加了森林损失百分比，并增加净森林增益的网格细胞，森林类别的百分比成比例增加，而非森林类别的百分比减少了。结果，S2020场景在五种MODIS森林覆盖类型中保持了相同的相对比例（例如，常绿的针线林，常绿的阔叶林，落叶叶林林，落叶阔叶林和混合森林）与2000年的相同相对比例的比例保持了相同的相对比例。在整个域上得出森林砍伐方案（S2020）之后，我们在2000年用MODIS土地覆盖了亚马逊地区的土地覆盖和土地利用部分，并获得了S2000场景。最后，如主文本所示，将亚马逊森林砍伐的生物物理气候效应量化为S2020减去S2000的结果。在较大的模型域（600×480个网格，20公里的分辨率）下，对湿季和干燥季节进行了另一个配对模拟，以评估模型边界的影响（扩展数据图4）。
2020年气候强迫下的S2020实验的模拟用于模型验证。模拟的前16天构成了旋转时间，其余时间（JJA，2020年6月1日至2020年8月31日； DJF，2020年12月1日至2021年2月28日）进行验证分析。通过将S2020的实验与每日的表面空气温度和降水数据进行比较，从天的全球表面摘要（GSOD）（GSOD）（GSOD）（GSOD）现场天气站进行了比较，可以评估模型性能。GSOD数据集是由国家环境信息中心生产的全球气象站的全面，实时，更新的日常天气摘要集合，该机构是国家海洋和大气管理局的一部分。GSOD数据集提供了有关来自9,000多个全球现场站的温度，降水，风和其他气象变量的历史观察。在南美，196 GSOD电台在2020年的潮湿季节记录了可用的表面空气温度，而195个车站在2020年的旱季中这样做。我们还使用了基于卫星的沉淀数据集（GPM55，Chirps56，Persiann-CCSCDR57和Persiann-Now58）（扩展数据表1）来验证模拟降水的空间模式。
首先，通过将表面空气温度和每日降水的GSOD记录与模型域中相应网格的模拟结果进行比较，对WRF模拟进行了验证。结果表明，我们的模型准确地表示每日表面空气温度和降水的时间变化。该模型代表近地表空气温度的历史变异性与GSOD天气站数据相比，在湿度（r = 0.62，p <0.01）和干燥（r = 0.95，p <0.01）季节（扩展数据图5）。与GSOD气象站数据相比，我们的模型成功捕获了时间变异性，显示了每日降水的良好一致性（DJF：r = 0.59，p <0.01; JJA：r = 0.59，p <0.01）。
为了验证表面空气温度和降水的空间变异性，将WRF模拟的每月累积降水与卫星记录的分辨率进行比较。我们重新采样了四个降雨数据集，该数据集的原始分辨率大于20公里，以20公里的分辨率进行验证。结果表明，我们的模型通常捕获了在潮湿和干燥季节期间每月降水的空间模式（扩展数据图6）。在潮湿的季节，亚马逊地区的降水很复杂。我们的模拟降水捕获了与卫星数据相比，与对角线线对准了空间模式，并显示了0.48至0.56的相关系数（P <0.01）（扩展数据图6A – D）。在干旱季节，结果表明模拟和卫星录制的降水（R值范围为0.80至0.87，p <0.01）之间存在牢固的空间关系（扩展数据图6E – H）。
在这项研究中，使用气候建模和移动窗口方法来量化亚马逊森林砍伐的降水影响。但是，这些方法的假设，优势和劣势有所不同（补充图8）。对于气候建模，我们可以获得森林砍伐的综合影响，并进一步探索对不同尺度缓冲液的局部和非局部影响。对于使用卫星观察到的数据集的移动窗口方法，可以量化森林砍伐对降水的现实影响。但是，此量化仅限于森林砍伐的像素，并且无法量化对相邻和远程像素的影响。此外，当将森林砍伐的像素与相邻像素进行比较时，固有效果被忽视的像素被忽略。在本节中，我们使用模型仿真和卫星观测来对这两种方法进行了全面比较。
在气候模型中，亚马逊森林砍伐的生物物理气候效应可以量化为S2020减去S2000的结果（例如，ΔP，ΔPT和ΔPNT）。为了研究亚马逊森林砍伐在不同尺度上的影响，分析了不同缓冲液的降水响应（ΔP）（距离砍伐园网的距离为0 km至1,000 km）的降水响应（补充图1）。0-km缓冲液代表模型模拟中的森林砍伐网格，表明森林砍伐的网格中的降水响应。20–1,000公里的缓冲液在距森林砍伐的网格（包括内部缓冲液和森林砍伐的网格）20–1,000公里内结束了所有网格，分析了从较小（20 km）到较大（1,000 km）尺度的降水响应。如ΔP所示，在不同缓冲液处的局部（ΔPT）和非局部（ΔPNT）沉淀效应显示（图2）。我们专注于从标记的亚马逊盆地地区蒸发的亚马逊森林砍伐和水蒸气。从带标记的亚马逊区域蒸发的水分可能会导致附近或远程模型网格的降水（ΔPT），这是由于风转运的。大气循环的非局部效应也可以容易地影响每个缓冲液中的非局部沉淀（ΔPNT）。
两侧学生的t检验用于从统计上评估平均降水效应的分布（例如ΔP，ΔPT和ΔPNT）是否与零有统计学差异。此外，我们使用Benjamini -Hochberg方法进行了更严格的现场显着性测试，以控制α= 0.05的错误发现率（FDR）。结果仅在结果中突出显示FDR校正后保持显着的局部显着的P值（P <0.05）的模型网格（ΔP）（图1C，D）。线性回归用于拟合森林损失分数与ΔP之间的关系，而不是森林砍伐的网格。P值是从WALD检验获得的，检验了斜率为零的无效假设（图1A，B）。
然后，我们采用移动窗口方法来研究是否可以通过卫星观察来检测到亚马逊森林砍伐的对比季节性降水影响。在参考文献中的框架之后，我们应用了空间移动窗口方法。1。广泛使用的移动窗口接近1,59,60量化了根据四个高分辨率卫星降雨数据集（扩展数据表1）在20 km的空间分辨率下观察到的森林砍伐效应（结果表1（补充图9中显示了结果）。在参考文献中使用的所有基于卫星的降雨数据集中，四个降水数据集（GPM，Chirps，Persiann-CCSCDR和Persiann-Now）具有最好的分辨率。1，其原始空间分辨率的全部比20公里（在扩展数据表1中详细介绍）和2000年至2020年的每月时间分辨率。2001年至2003年的平均每月降水代表了亚马逊地区森林砍伐之前的降水气候。从2018年到2020年的平均每月降水代表森林砍伐后的降水气候。移动的窗口方法比较了每个像素的森林损失部分和降水变化及其直接邻居（我们的分析中使用了3×3移动的窗户）。将平均每月降水变化的结果和5×5移动窗口作为灵敏度测试处理，显示了方法1中使用的不同参数之间的结果。
我们根据参考文献中的阈值参数应用了移动窗口方法。1：（1）被森林砍伐的像素必须比附近的对照像素经历的森林损失多0.1％，从而确保具有高强度森林砍伐的像素以影响气候；（2）森林砍伐像素和相邻控制像素的降水之间的差异必须低于10％，以保持像素之间的气候背景相似。我们更新了2000 - 2020年期间的森林覆盖变化和卫星记录降雨的数据，而不是前期2003 - 2017年（参考文献1）。这些阈值也用于限制我们在降水对森林砍伐敏感性时的结果（补充图12）。
此外，移动窗口框架中有两种不同的统计方法，即参考文献中使用的二进制方法。1,60和使用窗口中的所有样品的回归方法61,62。为了直接比较这两种方法之间的差异，我们将它们应用于WRF模拟的输出。S2000实验中从2001年到2003年的平均每月降水代表森林砍伐之前的降水气候，而S2020实验中的平均每月降水是森林砍伐后的降水气候。这两种方法也可以检测到季节性降水量（基于二进制：DJF的1.40±0.31 mm月1，JJA的-0.18±0.14 mm月;基于回归：2.60±0.24 mm mm mmm月份，DJF和-05.05±0.10 mm monter-ad Suble-ad Suppery in 1JA，示于JJA，以示例为JJA。
我们在共享的社会经济途径3-代表性浓度途径4.5方案39下，使用了从全球变化分析模型（GCAM）分辨率为2020–2100的0.05°分辨率的森林覆盖变化预测（GCAM）（补充图11）。GCAM模型纳入了对未来森林覆盖的气候和土地利用影响，森林砍伐率每年相对于2015年基线计算，数据重新采样至20 km。
