Application of machine learning to improve tree growth-climate assessments

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.

The late 20th and early 21st centuries have witnessed rapid climate changes, which are marked by exceptional temperature increases and caused by anthropogenic greenhouse gas emissions. This reinforces the need to comprehend the dynamics of climate drivers, to analyze the impacts on ecosystems, and to place the recent developments into the context of natural climate variability. Since meteorological measurements have only been available from 1850 to present, paleoclimate archives are utilized to reconstruct climate variability of the past centuries to millennia. Dendrochronological studies offer significant potential for deciphering these fluctuations using proxies like tree-ring width (TRW) and maximum latewood density (MXD) and for assessing the impacts of recent climate change on different tree species, forest ecosystems and urban trees. Besides these annually resolved parameters, dendrometer measurements on tree stems can provide detailed insights into the hourly to monthly effects of meteorological variables on the water household and growth of a tree. Recently, machine learning (ML) methods have been increasingly applied in climatological disciplines, offering the potential to be utilized in dendroclimatology as well.

This dissertation investigates the integration of ML into dendroclimatology, emphasizing its potential to enhance the assessment of climate-growth relationships. The study focuses specifically on the application of ML in two pivotal areas of dendroclimatology: refining climate reconstructions and improving the imputation of gaps in dendrometer data. Initially, opportunities to improve dendroclimatological analyses using ML are introduced. In chapter 2, an extreme gradient boosting (XGB) classification model is applied to predict the elevational origin of historical construction timber based on different tree-ring parameters of European larch trees (Larix decidua Mill.) from the Simplon valley, Switzerland. Historical samples are successfully categorized into six distinct living-tree sites along an elevational transect ranging from 1400 to 2200 m asl. This approach is subsequently used in chapter 3 to support the development of a new millennium-length Alpine summer temperature reconstruction. The provenance method is applied to datasets from two European larch (Larix decidua Mill.) populations in the Simplon and Matter valleys, Switzerland. High correlations between the resulting tree-ring chronology and instrumental temperature records facilitate the use of a linear regression model to reconstruct summer temperatures from 881 to 2017 CE. The study evaluates the impact of utilizing high-elevation historical series versus traditional methods, comparing the new temperature reconstruction with previous efforts. Chapter 4 further investigates the application of ML to impute gaps of up to 30 days in intra-annual dendrometer data from maples (Acer platanoides L.) and plane trees (Platanus x hispanica Münchh.) in Mainz, Germany. XGB is successfully utilized to fill data gaps of individual trees. It is distinguished from other methods by its independence from neighbouring trees and climatic variables.

The results of this thesis emphasise the capacity of ML to classify tree-ring series, refine climate reconstructions and enhance data imputation. While ML presents promising advancements in dendroclimatology, ongoing research is crucial to address limitations and methodological uncertainties arising from, for example, the costs of data collection, overfitting problems or nonlinear relationships between tree growth and climate. The findings of this dissertation contribute significantly to enhance our understanding of past climate variability and provides a basis for future method development in dendroclimatological and -ecological research in order to embed ML as an integral component of tree-ring research.