Application of machine learning to improve tree growth-climate assessments
Date issued
Authors
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
License
Abstract
Im späten 20. und frühen 21. Jahrhundert wurde ein rapider Klimawandel verzeichnet, welcher mit einem außergewöhnlich schnellen Temperaturanstieg einher geht und durch anthropogene Treibhausgasemissionen verursacht wird. Dies unterstreicht die Notwendigkeit, die Dynamik der Klimatreiber zu verstehen, die Auswirkungen auf Ökosysteme zu analysieren und die jüngsten Entwicklungen in den Kontext der natürlichen Klimavariabilität einzuordnen. Da meteorologische Messungen im Durchschnitt nur von 1850 bis heute zur Verfügung stehen, werden paläoklimatische Archive verwendet, um die Klimavariabilität der vergangenen Jahrhunderte bis Jahrtausende zu rekonstruieren. Dendrochronologische Studien bieten ein erhebliches Potenzial für die Entschlüsselung dieser Schwankungen durch Proxys wie der Jahrringbreite (TRW) oder der maximalen Spätholzdichte (MXD) und für die Bewertung der Auswirkungen des Klimawandels auf verschiedene Baumarten, Waldökosysteme und Stadtbäume. Neben diesen jährlich aufgelösten Parametern können Dendrometermessungen an Baumstämmen detaillierte Einblicke in die stündlichen bis monatlichen Auswirkungen von meteorologischen Größen auf den Wasserhaushalt und das Wachstum eines Baumes liefern. Seit kurzem haben Methoden des maschinellen Lernens (ML) zunehmend Einzug in klimatologische Disziplinen gehalten bieten das Potenzial, auch in der Dendroklimatologie eingesetzt zu werden.
Diese Dissertation untersucht die Integration von ML in die Dendroklimatologie und betont dessen Potenzial zur Verbesserung der Bewertung von Klima-Baumwachstums-Beziehungen. Die Studie konzentriert sich speziell auf die Anwendung von ML in zwei zentralen Bereichen der Dendroklimatologie: der Verfeinerung von Klimarekonstruktionen und der Verbesserung der Imputation von Lücken in Dendrometerdaten. Zunächst werden die Möglichkeiten zur Verbesserung dendroklimatologischer Analysen mittels ML hervorgehoben und in den nachfolgenden Kapiteln erkundet. In Kapitel 2 wird ein Extreme Gradient Boosting (XGB) Klassifikationsmodell angewendet, um den Ursprung historischer Holzproben basierend auf Jahrringparametern von Europäischen Lärchen (Larix decidua Mill.) aus dem Simplon-Tal in der Schweiz vorherzusagen. Die historischen Proben werden dabei erfolgreich den Attributen von sechs verschiedenen lebenden Baumstandorten entlang eines Höhentransekts zwischen 1400 und 2200 m ü. NN. zugeordnet. Diese Herkunftsanalyse wird anschließend in Kapitel 3 genutzt, um die Entwicklung einer neuen 1000-jährigen Temperaturrekonstruktion in den europäischen Alpen zu unterstützen. Die Methode wird dabei auf Datensätze von zwei Lärchenpopulationen (Larix decidua Mill.) im Simplon- und Matter-Tal in der Schweiz angewendet. Hohe Korrelationen zwischen der resultierenden Jahrringchronologie und instrumentellen Temperaturaufzeichnungen ermöglichten die Verwendung eines linearen Regressionsmodells zur Rekonstruktion der Sommertemperaturen von 881 bis 2017 n. Chr.. Die Studie bewertet die Auswirkungen der Nutzung historischer Serien aus hohen Lagen im Vergleich zu traditionellen Ansätzen und vergleicht die neue Rekonstruktion mit früheren Veröffentlichungen. In Kapitel 4 wird zudem die Anwendung von ML zum Füllen von Datenlücken bis zu 30 Tagen in intra-annualen Dendrometerdaten von Spitzahorn (Acer platanoides L.) und Ahornblättrigen Platanen (Platanus x hispanica Münchh.) in Mainz, Deutschland, untersucht. XGB wird erfolgreich eingesetzt, um Datenlücken einzelner Bäume zu schließen und zeichnet sich durch seine Unabhängigkeit von benachbarten Bäumen und klimatischen Variablen aus.
Die Ergebnisse dieser Dissertation betonen die Fähigkeit von ML, Baumringserien zu klassifizieren, Klimarekonstruktionen zu verfeinern und Imputation bei Datenlücken zu verbessern. Während ML vielversprechende Fortschritte in der Dendroklimatologie zeigt, ist fortlaufende Forschung unerlässlich, um Einschränkungen und methodische Unsicherheiten zu adressieren, die sich beispielsweise aus den Kosten der Datenerhebung, Problemen der Überanpassung oder nichtlinearen Beziehungen zwischen Baumwachstum und Klima ergeben. Die Ergebnisse dieser Dissertation tragen wesentlich zu einem besseren Verständnis der Klimavariabilität in der Vergangenheit bei und bieten eine Grundlage für die zukünftige Methodenentwicklung in der dendroklimatologischen und -ökologischen Forschung, um ML als integralen Bestandteil der Baumringforschung zu verankern.