Ширина годичных колец деревьев предсказывается с помощью машинного обучения
В новом исследовании учёные использовали машинное обучение, чтобы показать, что ширина годичного кольца дерева хорошо коррелирует с типами воздушных масс, которые дерево испытывало в течение предыдущего года.
Новый подход: Ранее учёные связывали изменчивость ширины колец с отдельными климатическими элементами, такими как температура, осадки и засуха. Однако погода воспринимается не как отдельные элементы, а как совокупность всех компонентов, действующих вместе. Это интегрированное состояние можно охарактеризовать как воздушную массу — атмосферное тело размером в тысячи километров.
Методология: В исследовании, опубликованном в Journal of Geophysical Research: Biogeosciences, были собраны данные по годичным кольцам для 130 видов деревьев на 904 наблюдательных площадках в Северном полушарии. Погодные данные о воздушных массах на каждой площадке за каждый день, начиная с 1979 года, взяли из общедоступного набора данных gridded weather typing classification, который сортирует погоду на 11 типов в основном по температуре и влажности.
- С помощью искусственных нейронных сетей ширина кольца коррелировалась с количеством дней, когда дерево испытывало каждый класс воздушной массы за предыдущие 12 месяцев.
- Для сравнения использовали тот же подход машинного обучения, но с традиционными данными о температуре и осадках.
Результаты: Подход с использованием воздушных масс превзошёл традиционный для 66% видов деревьев. Среди видов с наибольшим количеством доступных записей этот процент вырос до 83%.
- Анализ показал, что влажно-прохладные воздушные массы наиболее сильно коррелировали со значительным ростом деревьев, а сухо-тёплые — с плохим ростом.
Значение и перспективы:
- Модель использовали для понимания влияния прошлых климатических условий на рост деревьев, но направленность может быть и обратной: летопись годичных колец простирается почти на 14 000 лет, и её можно использовать для классификации древних воздушных масс.
- Результаты могут быть применены и для прогнозирования будущего. Охарактеризовав текущие и спрогнозировав будущие воздушные массы, модель может оценить стресс растений, риск гибели и уязвимость к лесным пожарам на предстоящий год.