Due secoli di variabilità della temperatura invernale dedotti dalla larghezza degli anelli di Betula ermanii nelle vicinanze dell’ecotono foresta/tundra nella Montagna Changbai, Cina

Abstract: In questo studio, abbiamo costruito una cronologia basata sulla larghezza degli anelli di Betula ermanii (BE) situata nella zona di transizione tra le foreste e la tundra all’interno della regione della Montagna Changbai (CBM). Tale cronologia è stata elaborata utilizzando 55 carote prelevate da 30 alberi. La nostra analisi delle risposte di crescita al clima sottolinea il ruolo cruciale della temperatura massima media invernale nell’influenzare la crescita radiale. Basandoci su queste associazioni crescita/clima, abbiamo ricostruito la serie delle temperature massime medie per il periodo da dicembre dell’anno precedente a gennaio dell’anno corrente, per gli anni compresi tra il 1787 e il 2005 d.C., utilizzando una cronologia standardizzata. Durante il periodo di calibrazione (1960–2005), la serie ricostruita ha mostrato una varianza spiegata del 36%. Questa ricostruzione offre spunti fondamentali sulle fluttuazioni storiche delle temperature nell’area di studio. I nostri risultati indicano che le variazioni di temperatura annuale non si sono manifestate in modo sincrono lungo il gradiente altitudinale della Montagna Changbai. Notabilmente, la risposta al riscaldamento invernale recente ha mostrato discrepanze in funzione dell’altitudine sulla Montagna Changbai. In particolare, il range di altitudine più elevato (1950–2000 m s.l.m.) ha mostrato una risposta al riscaldamento intorno al 1960, il range di altitudine medio (765–1188 m s.l.m.) ha risposto intorno al 1975, e l’altitudine più bassa (650 m s.l.m.) ha mostrato una risposta entro il 1977. Di conseguenza, i risultati della ricerca paleoclimatica provenienti unicamente dalla Montagna Changbai potrebbero non rappresentare adeguatamente il cambiamento climatico in questa regione. Raccomandiamo che in futuro vengano acquisiti registri di temperatura ad alta risoluzione mediante campionamenti effettuati a diverse altitudini, per arricchire la nostra comprensione complessiva.

1. Introduzione

Il riscaldamento globale sta esercitando un’importante influenza sugli ecosistemi montani ad alta quota nelle latitudini medie-alte dell’Emisfero Settentrionale. Questo fenomeno ha indotto significative modifiche nella distribuzione [2-5], abbondanza [6-9] e biomassa [10] delle specie, con un’attenzione particolare verso le trasformazioni che si verificano alla linea degli alberi in quest’area geografica [11-13]. In modo notevole, la zona di transizione alpina che funge da ponte tra i domini della foresta e della tundra si distingue come una delle regioni più sensibili per il monitoraggio dei cambiamenti ambientali [11,12].

La Riserva Naturale Nazionale della Montagna di Changbai (CBM) (127°90′–128°55′ E, 41°31′–42°28′ N) si trova nella regione centrale delle foreste temperate nel nord-est della Cina e rappresenta una delle aree più sensibili all’interno dell’ecosistema forestale cinese, particolarmente in risposta ai cambiamenti climatici [9,14]. Datando all’istituzione della Dinastia Qing nel 1636 d.C., una politica di protezione della montagna fu imposta in CBM, considerandola il luogo di nascita ancestrale della dinastia. Negli anni ’80, CBM ha acquisito lo status di riserva naturale, consolidando la sua posizione come una delle aree per la vegetazione forestale più rigorosamente protette in Cina. La foresta di Betula ermanii (BE), situata ad altitudini tra i 1700 e i 2000 metri sul livello del mare, demarca il limite degli alberi, fungendo da zona di transizione che collega le aree forestali con la tundra alpina [15]. Sebbene privi di significativo valore economico, gli alberi di BE svolgono un ruolo cruciale nel mitigare l’impatto dei forti venti invernali sull’ecosistema della CBM. Precedenti studi hanno evidenziato cambiamenti nel clima alpino della CBM attribuiti all’aumento globale delle temperature, con l’incremento più marcato della temperatura riscontrato nei mesi invernali [16]. Jia et al. hanno segnalato una tendenza al rialzo nella temperatura media annuale della Montagna Changbai, evidenziando un incremento di 0,39 °C per decennio negli anni recenti, con l’inverno che ha registrato l’aumento più rapido di 0,57 °C per decennio [17].

Questa tendenza al riscaldamento invernale è correlata a una riduzione dello strato nevoso alle alte elevazioni. Per discernere l’unicità di questo riscaldamento climatico e prevedere le potenziali ripercussioni sugli alberi della regione di fronte ai futuri cambiamenti di temperatura, diventa imperativo ottenere una comprensione dettagliata delle variazioni e tendenze della temperatura che si estendono nei secoli passati. Questa necessità sorge dal fatto che la maggior parte dei registri meteorologici archiviati si estende solo fino al 1949, e l’assenza di registri storici più estesi ha ostacolato uno studio completo e la comprensione dei processi e meccanismi che governano i cambiamenti climatici passati nella regione del limite degli alberi della CBM.

La capacità delle larghezze degli anelli degli alberi di documentare accuratamente le condizioni climatiche è ben consolidata, in particolare negli ambienti limitati da fattori di temperatura. Sfruttando la loro risoluzione annuale e la datazione precisa, campioni di anelli degli alberi provenienti da località dove la temperatura funge da principale fattore limitante della crescita sono stati ampiamente impiegati per ricostruire la variabilità storica della temperatura a livello globale. Questi registri degli anelli degli alberi si sono dimostrati fondamentali nell’avanzare la nostra comprensione delle fluttuazioni della temperatura, spaziando da scale locali a emisferiche.

Questo studio ha ricostruito le temperature massime del precedente dicembre (T12) al gennaio corrente (T1) (1787–2005). Gli obiettivi principali di questo studio sono duplice: (1) ricostruire e analizzare la variabilità della temperatura nell’area del limite degli alberi della regione della Montagna Changbai e (2) indagare le potenziali connessioni tra la serie di temperature ricostruite e i cambiamenti climatici su larga scala.

2. Materiali e Metodi
3. 2.1. Area di Studio e Raccolta dei Campioni

L’area di studio è situata all’interno della Riserva Naturale della Montagna di Changbai, nel nord-est della Cina (Figura 1). Il clima locale è influenzato dal monsone continentale temperato, caratterizzato da condizioni calde e umide durante l’estate e freddo ventoso in inverno. Le temperature medie mensili variano annualmente, oscillando da -7°C in gennaio fino a 3°C in luglio, con una precipitazione annuale che va da 700 mm a 1400 mm (Figura 2). Quasi il 90% delle precipitazioni annuali si concentra tra aprile e settembre, nel periodo che va dal 1960 al 2005.

Per minimizzare l’influenza di fattori non climatici sulla crescita radiale degli alberi, la raccolta dei campioni si è concentrata su foreste naturali non disturbate, non affette da incendi o interventi umani. I criteri di selezione hanno incluso la scelta degli alberi più sani, dai quali è stato estratto un nucleo di accrescimento (nel caso di alberi parzialmente marci, è stato prelevato solo un nucleo) o due nuclei di accrescimento dalle direzioni sud e nord, a circa 1,3 metri dal suolo. Nel mese di ottobre 2005, sono stati raccolti in totale 55 nuclei (diametro di 5,15 mm) da 30 alberi di Betula ermanii nell’area di studio, situata ad altitudini tra i 1950 e i 2000 metri s.l.m., alle coordinate 42°12′ N e 128°03′ E (Figura 1). La pendenza dell’area campionata variava tra 0 e 15 gradi.

La Figura 1 è composta da due mappe (a) e (b) che illustrano la regione del Monte Changbai (Changbai Mountain, CBM) e i siti rilevanti per uno studio di campionamento.

analizziamo la Figura 1 con un approccio più scientifico e dettagliato:

(a) Mappa generale dell’area di studio:

• Localizzazione geografica: La mappa mostra la localizzazione del sito di campionamento nella regione del Monte Changbai (CBM), situato nell’estremo nordest della Cina, al confine con la Corea del Nord e vicino al confine russo.
• Siti di rilevanza scientifica: Il triangolo rosso segnala il sito di campionamento principale. I cerchi neri indicano le stazioni meteorologiche di Erdao e Fanchun, che sono probabilmente utilizzate per raccogliere dati meteorologici quali temperatura, umidità, precipitazioni e altri parametri climatici rilevanti per lo studio.
• Corpi idrici e confini amministrativi: I corsi d’acqua sono segnalati in blu, e i confini provinciali sono delineati da linee nere tratteggiate. Queste informazioni sono utili per comprendere la geografia fisica dell’area e i potenziali influssi dei corpi idrici sul clima locale e sulla biodiversità.

(b) Mappa dettagliata con dati di temperatura:

• Approfondimento su un’area specifica: Questa mappa si concentra sul Monte Changbai, indicando il sito specifico del campionamento e la città di Yichun (YC). La menzione dei dati di temperatura di febbraio-marzo suggerisce che la mappa possa essere correlata a uno studio sulle variazioni climatiche o stagionali nell’area.
• Riferimento bibliografico: La citazione di Zhu et al., 2015 [33] implica che i dati di temperatura o le metodologie riportati in questa carta siano basati su ricerche precedentemente pubblicate, il che potrebbe fornire un contesto importante per l’interpretazione dei risultati attuali o per il confronto di dati storici con quelli recenti.

Significato scientifico: La presenza di entrambe le mappe in una figura suggerisce che lo studio sta probabilmente indagando le interazioni tra i fattori ambientali misurati nelle stazioni meteorologiche e le condizioni osservate nel sito di campionamento. Il posizionamento geografico dettagliato aiuta gli scienziati a correlare le osservazioni sul campo con i dati macroscopici regionali, come le condizioni meteorologiche, che possono avere un impatto significativo sulla ricerca ecologica, biologica o climatica condotta nell’area del Monte Changbai.

In sintesi, la Figura 1 serve a fornire un quadro geografico dettagliato per lo studio del Monte Changbai, sottolineando la posizione dei siti di raccolta dati e di rilevanza per la ricerca. Le informazioni climatiche e geografiche combinate consentono ai ricercatori e ai lettori di comprendere meglio il contesto ambientale in cui sono stati raccolti e analizzati i dati di campionamento.

La Figura 2 presenta quattro grafici distinti che illustrano i dati climatologici storici relativi alla precipitazione e alla temperatura in una regione non specificata dal 1960 al 2005. Vediamo ora un’analisi dettagliata di ogni pannello:

(a) Precipitazioni mensili totali (in mm):

• Il grafico mostra la distribuzione delle precipitazioni mensili misurate in millimetri.
• Le barre verticali rappresentano la quantità totale di precipitazioni cadute in ogni mese, in media, durante il periodo di 45 anni.
• Si può osservare una stagionalità evidente, con i mesi estivi che mostrano un aumento significativo delle precipitazioni, presumibilmente a causa dei monsoni o di altri schemi climatici stagionali.

(b) Temperatura media minima mensile (Tmin in °C):

• Questo grafico rappresenta la temperatura media minima registrata per ogni mese.
• Le barre indicano il valore medio delle temperature più basse di ciascun mese. Le temperature più basse si hanno nei mesi invernali, mentre le più alte nei mesi estivi.
• La conoscenza della Tmin è fondamentale per le applicazioni agricole, la sopravvivenza della flora e della fauna, e per la salute umana.

(c) Temperatura media mensile (Tm in °C):

• Il grafico indica la media mensile delle temperature, calcolata come la media aritmetica delle temperature massime e minime giornaliere.
• La Tm offre una comprensione globale del clima di un’area, importante per la pianificazione in diversi settori come l’agricoltura, l’edilizia, e la gestione delle risorse idriche.
• Si nota una variazione stagionale, con temperature medie più alte in estate e più basse in inverno.

(d) Temperatura media massima mensile (Tmax in °C):

• Il grafico mostra la media delle temperature massime mensili.
• Le barre indicano il livello medio delle temperature più alte registrate in ciascun mese.
• La Tmax è critica per valutare i rischi legati al calore, come ondate di calore o stress termico per le piante e gli animali.

Analisi scientifica:

• Variazioni stagionali: Tutti e quattro i grafici evidenziano le fluttuazioni stagionali delle variabili climatiche. Questi modelli sono essenziali per comprendere i ritmi ecologici, come la migrazione degli animali, la fioritura delle piante, e i cicli di crescita delle colture.
• Tendenze climatiche: L’analisi di queste medie su un lungo periodo può rivelare tendenze climatiche come il riscaldamento globale o cambiamenti nei modelli di precipitazione.
• Implicazioni ecologiche e agricole: La comprensione di questi dati è fondamentale per la gestione ambientale e per le pratiche agricole, poiché le piante e gli animali sono influenzati da temperature estreme e disponibilità di acqua.
• Interpretazione statistica: La rappresentazione grafica delle medie su un periodo lungo può mascherare variazioni annuali e estremi. È quindi possibile che si faccia affidamento anche su altre analisi statistiche per valutare varianze e anomalie.

In conclusione, questa figura fornisce un quadro sintetico ma comprensivo delle condizioni meteorologiche su base mensile, offrendo una visione di come il clima varia stagionalmente e contribuendo a una comprensione più ricca dei modelli climatici regionali nel periodo considerato.

Sviluppo delle Cronologie della Larghezza degli Anelli

Nel laboratorio, i nuclei hanno subito una serie di procedure che includono essiccazione all’aria, montaggio, levigatura e datazione incrociata utilizzando metodi dendrocronologici consolidati [19,34,35]. Successivamente a questi processi, ogni larghezza d’anello è stata misurata meticolosamente con un sistema di misurazione Velmex, raggiungendo una precisione di risoluzione di 0.001 mm. Il software COFECHA (versione 6.06P) è stato impiegato per valutare la qualità della datazione incrociata e delle misure [34]. Dato il predominio di BE nell’area di studio e l’impatto trascurabile dei fattori competitivi sugli alberi campionati, è stata applicata una curva esponenziale negativa per standardizzare i dati grezzi degli anelli degli alberi [35]. Le serie indice standardizzate individuali ottenute sono state poi combinate in una cronologia unificata del sito utilizzando il metodo della media robusta bi-peso [35].

Dopo tutti questi processi, sono state ottenute tre tipi di cronologie: cronologia autoregressiva (ARS), residuale (RES) e standard (STD). La cronologia STD con detrending EXP è risultata la migliore poiché conteneva più segnali a bassa frequenza. Per le analisi successive, è stata selezionata la cronologia Standard (STD) (Figura 3a). Per assicurare l’affidabilità della cronologia, le analisi sono state limitate al periodo con una forza del segnale del sottocampione (SSS) superiore a 0,85. Questo criterio era cruciale per preservare la massima lunghezza della cronologia mantenendo al contempo una profondità del campione rappresentativa. La soglia scelta corrisponde a una dimensione del campione di sette nuclei, permettendo la ricostruzione del periodo che va dal 1787 al 2005 (Figura 3). Le caratteristiche statistiche della cronologia STD sono dettagliate nella Tabella 1.

la Figura 3 mostra due serie temporali dendrocronologiche relative alla cronologia standardizzata degli anelli di accrescimento di alberi (STD) dal 1767 al 2005.

(a) Cronologia dell’indice di larghezza degli anelli:

• Il grafico in alto (a) rappresenta una serie temporale della cronologia dell’indice di larghezza degli anelli degli alberi.
• L’indice di larghezza degli anelli è una misura standardizzata che riflette le variazioni annuali nella crescita degli alberi. Gli anelli più larghi indicano anni di crescita più vigorosa, generalmente associati a condizioni ambientali favorevoli, come temperature ottimali, sufficiente disponibilità di acqua e luce.
• Il termine “SSS > 0.85” indica che questa cronologia è stata elaborata includendo solo serie di anelli con un Signal-to-Noise Ratio (rapporto segnale-rumore) elevato, superiore a 0.85, garantendo così che solo i dati più affidabili siano considerati. Questa è una pratica comune in dendrocronologia per migliorare la qualità delle interpretazioni climatiche.
• La linea orizzontale a un indice di 1.0 funge da riferimento per le variazioni: valori sopra l’1.0 indicano anni con crescita superiore alla media; valori sotto l’1.0 indicano anni con crescita inferiore alla media.

(b) Profondità del campione della cronologia STD:

• Il grafico inferiore (b) illustra la profondità del campione o la densità del campionamento della cronologia STD.
• La densità del campionamento si riferisce al numero di campioni di alberi (carote) disponibili per ogni anno analizzato. Questo è un indicatore importante della robustezza statistica della cronologia: un maggior numero di carote può aumentare la precisione delle interpretazioni climatiche dedotte dalla larghezza degli anelli.
• Si osserva un aumento progressivo del numero di carote nel tempo, indicando che la base di dati per la ricostruzione dendrocronologica si è ampliata nel corso degli anni. Questo può derivare da un aumento degli sforzi di campionamento o dalla disponibilità di nuovi campioni.
• Le discontinuità nella profondità del campione possono influenzare la variazione dell’indice di larghezza degli anelli, poiché periodi con meno campioni possono essere meno rappresentativi.

Implicazioni scientifiche:

• La combinazione di queste due misure fornisce non solo informazioni sulla variabilità climatica e ambientale in passato, ma anche sulla confidenza che si può avere nella cronologia costruita, essendo basata su un numero variabile di dati di input.
• Questa analisi è fondamentale in dendroclimatologia, dove gli anelli degli alberi sono utilizzati per ricostruire le condizioni climatiche pregresse, particolarmente temperature e precipitazioni.
• Infine,

queste analisi sono cruciali per comprendere le risposte degli ecosistemi forestali alle variazioni climatiche e possono contribuire a modellare le previsioni sul cambiamento climatico futuro basandosi su dati storici.

In conclusione, la Figura 3 fornisce un’analisi dendrocronologica di lungo periodo, dove l’indice di larghezza degli anelli serve come proxy per le condizioni ambientali annue e la profondità del campione riflette la robustezza della cronologia. La metodologia statistica rigorosa applicata assicura che la cronologia sia basata su dati attendibili e rappresentativi.

La Tabella 1 elenca le caratteristiche statistiche quantitative che descrivono la qualità e l’interpretazione di una cronologia dendrocronologica standardizzata (STD) di Betula ermanii (BE). Queste caratteristiche sono calcolate per valutare la sensibilità e affidabilità della cronologia degli anelli di accrescimento nella registrazione delle variazioni ambientali e climatiche. Ecco i dettagli:

• Mean sensitivity: Misura la sensibilità media degli anelli annuali alla variabilità ambientale, con un valore di 0.33. Indica una sensibilità moderata, che implica una variazione interannuale moderata nella larghezza degli anelli. Questo valore è calcolato come la media delle differenze relative tra larghezze consecutive di anelli di accrescimento.
• First-order autocorrelation: Valore di 0.68, rappresenta il grado di correlazione tra la larghezza di un anello di un dato anno e quella dell’anno precedente. Questa autocorrelazione di primo ordine elevata suggerisce che le condizioni di crescita che influenzano la larghezza degli anelli tendono a persistere per periodi consecutivi di due anni.
• Standard deviation: Con un valore di 0.21 mm, quantifica la variabilità nella larghezza degli anelli rispetto alla media. Una deviazione standard maggiore indica una maggiore variabilità interannuale, che può essere indicativa di fluttuazioni più ampie delle condizioni di crescita.
• Mean ring width (mm): La media calcolata della larghezza degli anelli di 0.67 mm fornisce una misura di centralità per la larghezza degli anelli nell’intero periodo di studio.
• Number of trees/cores: Rappresenta il numero totale di alberi (30) e di carote (55) usati nella costruzione della cronologia. Un numero maggiore di campioni tende ad aumentare la forza statistica e la rappresentatività della cronologia.
• % Missing rings: Indica che lo 0.25% degli anelli previsti manca nei campioni. Percentuali basse sono indicative di una cronologia completa con poche lacune nei dati.
• Mean correlation within trees: Un valore medio di 0.70 indica una forte correlazione media delle larghezze degli anelli all’interno di ciascun albero, suggerendo una buona consistenza nella risposta dell’albero alle variazioni ambientali.
• Signal-to-noise ratio (SNR): Un valore di 10.3 è una misura della robustezza del segnale dendrocronologico estratto rispetto al rumore di fondo. Un SNR alto indica che il segnale (in questo caso, il potenziale segnale climatico) è distinto e non sovrastato da variazioni casuali o non sistematiche.
• First year where SSS > 0.85 (number of trees): Indica l’anno più remoto (1787) in cui la cronologia raggiunge un livello di coerenza (SSS, Signal Strength Statistic) superiore a 0.85 su un campione di 7 alberi. Questo è un indicatore di quando la cronologia diventa sufficientemente affidabile per essere utilizzata nell’interpretazione delle variazioni climatiche.

Questi indicatori quantitativi sono essenziali per valutare la precisione e l’affidabilità delle informazioni ambientali storiche dedotte dalla cronologia degli anelli degli alberi.

2.3. Dati Climatici

I dati climatologici sono stati acquisiti da stazioni meteorologiche posizionate a Erdao (42°24′ N, 128°16′ E, 591 m s.l.m.) e Tianchi (42°10′ N, 128°50′ E, 2623 m s.l.m.) all’interno della regione CBM (Figura 1a). Quattro parametri climatici fondamentali sono stati selezionati per le analisi dendroclimatologiche: temperatura media minima mensile (Tmin), temperatura media mensile (Tm), temperatura media massima mensile (Tmax) e precipitazione totale mensile (Prec) (Figura 2). Per indagare la presenza di un segnale di siccità nel CBM, l’Indice di Severità della Siccità di Palmer (PDSI) è stato confrontato con le serie di larghezza degli anelli. I dati per il periodo 1960-2005 sono stati reperiti utilizzando un box griglia di scPDSI (PDSI auto-calibrato) da 0,5° × 0,5° del Climatic Research Unit (CRU).

2.4. Analisi Statistiche

La stazionarietà o non-stazionarietà dei dati è stata valutata mediante i test di radice unitaria, inclusi il test Augmented Dickey–Fuller (ADF) e il test di Kwiatkowski–Phillips–Schmidt–Shin (KPSS) [37]. Le serie temporali climatiche e le sequenze degli anelli arborei hanno dimostrato di essere stazionarie, come confermato dai risultati del test KPSS (p = 0,1) e del test ADF (p = 0,01). Un test di radice unitaria è stato effettuato impiegando il pacchetto “t series” nell’ambiente R. A seguito della conferma della stazionarietà, le relazioni tra crescita e clima sono state esaminate mediante funzioni di risposta e analisi di correlazione al fine di identificare modelli potenziali per la ricostruzione climatica [38]. Per valutare la stabilità dei coefficienti di correlazione è stata condotta un’analisi di correlazione mobile. In seguito, è stata formulata un’equazione di regressione lineare tra la cronologia degli indici degli anelli arborei e i dati climatici per il periodo di calibrazione 1960-2005. La valutazione del modello è stata realizzata utilizzando il metodo di suddivisione del campione [39], calcolando varie statistiche quali il coefficiente di correlazione di Pearson (r), la varianza spiegata (r^2), il test del segno (ST), il coefficiente di efficienza (CE), la riduzione dell’errore (RE), il test dei prodotti medi (PMT), l’errore quadratico medio (RMSE) e il test di Durbin-Watson (DW). Per esplorare i meccanismi potenzialmente influenti sulla variabilità climatica nella regione, è stata impiegata l’analisi spettrale Multi-Taper Method (MTM) per indagare il dominio delle frequenze nella serie degli anelli arborei. Il software e le procedure utilizzate per questa analisi sono disponibili su http://www.ldeo.columbia.edu/res/fac/trl/ (consultato il 13 ottobre 2020) [40]. Inoltre, sono state stimate le correlazioni spaziali tra i pattern di temperatura ricostruiti da dicembre a gennaio nel presente studio e la media di dicembre-gennaio della SST HadlSST11° del KNMI nel periodo 1870-2005 (http://climexp.knmi.nl, accesso il 4 marzo 2021)).

3. Risultati 3.1. Relazione tra Clima e Larghezza degli Anelli di Accrescimento degli Alberi L’indice di larghezza degli anelli di accrescimento ha mostrato una significativa correlazione negativa con determinati fattori climatici dell’anno precedente, inclusi la temperatura minima (Tmin) in giugno, la temperatura massima (Tmax) in luglio e tutti i dati di temperatura (Tm, Tmin, Tmax) in dicembre. In aggiunta, l’indice di larghezza degli anelli di accrescimento ha esibito una significativa correlazione negativa con tutti i dati di temperatura in gennaio e marzo dell’anno corrente (p < 0,05) (Figura 4a). In contrasto, la crescita radiale degli alberi di tipo BE ha dimostrato una significativa correlazione positiva con tutti i dati di temperatura in giugno (p < 0,05) e con Tmax e Tmin in agosto dell’anno corrente (p < 0,05), così come con le precipitazioni in settembre, novembre e dicembre dell’anno precedente (p < 0,05) (Figura 4a). Inoltre, la crescita degli alberi BE ha mostrato una significativa correlazione positiva con l’Indice di Severità della Siccità di Palmer (PDSI) in settembre e dicembre dell’anno precedente e in agosto dell’anno corrente (Figura 4b). Analizzando diverse combinazioni di mesi, si è determinato che la correlazione tra l’indice di larghezza degli anelli e la Tmax media da dicembre dell’anno precedente a gennaio dell’anno corrente era la più forte (r = -0,60; Tabella 2). L’analisi di correlazione mobile ha rivelato un coefficiente di correlazione relativamente stabile nel tempo, con tutte le correlazioni risultate statisticamente significative (p < 0,05) (Figura 4c). Di conseguenza, la ricostruzione si è focalizzata sulla Tmax media dei mesi di dicembre e gennaio.

La Figura 4 rappresenta le correlazioni statistiche tra l’indice di larghezza degli anelli di accrescimento degli alberi e vari fattori climatici nel periodo 1960-2005. È divisa in tre parti:

4a: Questo grafico mostra la correlazione tra l’indice di larghezza degli anelli e i dati mensili della temperatura media massima, della temperatura media, della temperatura media minima e del totale delle precipitazioni. Ogni barra rappresenta un mese differente, con quelli dell’anno precedente sul lato sinistro della linea verticale e quelli dell’anno corrente sul lato destro. La linea tratteggiata orizzontale rappresenta il limite di confidenza del 95%, il che significa che i valori di correlazione che superano questa linea (sia in alto che in basso) sono statisticamente significativi con una probabilità di errore inferiore al 5%. Le barre nere indicano una correlazione negativa significativa, mentre le barre grigie rappresentano una correlazione non significativa. Ad esempio, possiamo vedere che c’è una correlazione negativa significativa tra la temperatura massima in luglio dell’anno precedente e l’indice di larghezza degli anelli.

4b: Questo grafico illustra la correlazione tra l’indice di larghezza degli anelli e l’Indice di Gravità della Siccità di Palmer (PDSI) per ciascun mese. Ancora una volta, la linea tratteggiata rappresenta il limite di confidenza del 95%. I valori di correlazione al di sopra di questa linea sono considerati significativi. Ad esempio, vi è una correlazione positiva significativa in settembre e dicembre dell’anno precedente, indicando che periodi di siccità minori (valori PDSI più alti) sono associati ad anelli di accrescimento più larghi.

4c: Il terzo grafico presenta i coefficienti di correlazione mobile calcolati tra l’indice di larghezza degli anelli e la temperatura media massima da dicembre dell’anno precedente a gennaio dell’anno corrente (t 12-1). Questi dati sono rappresentati da cerchi che fluttuano attorno alla linea di zero. Quando i cerchi si trovano sotto la linea orizzontale tratteggiata, indicano una correlazione negativa significativa in quel particolare anno. Questa parte del grafico serve per visualizzare come la forza e la direzione della correlazione cambiano nel tempo.

In sintesi, la Figura 4 mostra come la crescita degli alberi (misurata tramite la larghezza degli anelli) sia influenzata da variazioni climatiche quali temperatura e precipitazioni, nonché dall’indice di siccità PDSI, e come queste correlazioni siano cambiate nel corso del periodo di studio.

La Tabella 2 presenta un insieme di coefficienti di correlazione (r) tra i dati cronologici standardizzati degli anelli di accrescimento degli alberi e le variabili climatiche registrate in diversi intervalli mensili durante il periodo comune dal 1960 al 2005. I mesi sono indicati con il prefisso “p” per quelli dell’anno precedente (previous) e “c” per quelli dell’anno corrente (current).

• Tmax, Tmean, Tmin: Queste sono le temperature massima, media e minima, rispettivamente.
• Pre: Questo sta per precipitazione totale registrata.
• PDSI: L’Indice di Gravità della Siccità di Palmer, un indice climatico che stima periodi di siccità o umidità relativa basandosi su temperature e precipitazioni.

Ogni valore nella tabella rappresenta il coefficiente di correlazione per il confronto tra l’ampiezza degli anelli di accrescimento degli alberi e la variabile climatica corrispondente durante i periodi specificati. I coefficienti variano tra -1 e +1, dove +1 indica una correlazione diretta perfetta, 0 nessuna correlazione, e -1 una correlazione inversa perfetta.

Un asterisco (*) indica che la correlazione è statisticamente significativa al livello di p < 0,05, suggerendo che vi è meno del 5% di probabilità che tale correlazione sia avvenuta per caso. In termini scientifici, questo significa che esiste una forte evidenza che la relazione osservata sia reale e sistematica, non un prodotto del caso.

Analizzando la tabella:

• p12-c1 (dicembre-gennaio): Qui vediamo una forte correlazione negativa con Tmax (-0.60), Tmean (-0.52) e Tmin (-0.40), suggerendo che temperature più elevate in questo intervallo di tempo sono consistentemente associate a una ridotta larghezza degli anelli degli alberi, il che potrebbe indicare condizioni meno favorevoli per la crescita degli alberi durante questi mesi.
• p11-p12 (novembre-dicembre): Mostra una correlazione negativa significativa con Tmax (-0.31), Tmean (-0.36), e Tmin (-0.37), e una correlazione positiva significativa con le precipitazioni (0.41) e con il PDSI (0.53), indicando che in questo periodo, condizioni più fresche e umide possono favorire la crescita degli alberi.

In tutti gli altri intervalli mensili indicati, dove le correlazioni non sono marcate con un asterisco, non ci sono evidenze statistiche sufficienti per affermare una relazione significativa con la crescita degli anelli di accrescimento.

Questa tabella è utile per identificare quali mesi e quali condizioni climatiche sono più strettamente correlate con la crescita degli anelli degli alberi, permettendo di comprendere meglio come le variazioni stagionali e le anomalie climatiche possano influenzare la fisiologia e il tasso di crescita degli alberi in questo particolare ambiente di studio.

3.2. Sviluppo del Modello di Regressione

Basandosi sull’analisi della risposta di crescita al clima, il pattern della temperatura massima media mensile da dicembre dell’anno precedente a gennaio dell’anno corrente è stato ricostruito utilizzando il seguente modello di regressione lineare: Y = -3.19 × Xt – 8.6 (dove N = 46; r = -0.60; R² = 0.36; R²_adj = 0.35; F = 32.07; p < 0.0001)

In questo modello, Y rappresenta la temperatura e X gli indici di larghezza degli anelli della cronologia BE per l’anno t. Per il periodo di calibrazione nel presente studio (1960–2005), la ricostruzione ha rappresentato il 36% delle effettive temperature di dicembre-gennaio (T12-1). Dopo l’aggiustamento per la perdita di gradi di libertà, la varianza spiegata dalla ricostruzione era del 35%. La calibrazione e la verifica sono state esposte nella Tabella 3, dove tutti i parametri erano statisticamente significativi (p < 0.05). Inoltre, i residui della ricostruzione sono stati analizzati utilizzando il test di Durbin-Watson (DW), dove l’intervallo era tra 1.82 e 1.90, indicando l’assenza di autocorrelazione significativa o tendenza lineare nei residui (Figure 5b,c; Tabella 3). Inoltre, i valori positivi di riduzione dell’errore (RE) e del coefficiente di efficienza (CE) (Tabella 3) indicavano che il modello di regressione era stabile e adatto per ulteriori ricostruzioni della temperatura. Risultati significativi per il test dei segni (ST) e il test del prodotto medio (PMT) (Tabella 3) indicavano un buon accordo tra i dati ricostruiti e quelli reali. Queste analisi dimostravano che il modello di regressione era stabile e affidabile per la ricostruzione della temperatura. Basandosi sul modello, T12-1 poteva essere ricostruito per la regione CBM dal 1787 al 2005 (Figura 5d). La ricostruzione presentava una media di -11.7 °C e variava da -14.2 °C a -9.1 °C con una deviazione standard di 1.0 °C (α).

la Tabella 3 presenta i risultati dei test statistici effettuati per valutare la precisione e l’affidabilità del modello di regressione utilizzato per ricostruire la temperatura media massima mensile per il periodo compreso tra dicembre e gennaio (T12-1) nella regione di interesse.

La tabella è divisa in due parti principali: “Calibrazione” e “Verifica”.

Calibrazione:

• Time Span: Indica i periodi di tempo utilizzati per calibrare il modello di regressione. Tre intervalli sono elencati: 1960–1982, 1983–2005 e 1960–2005.
• r: Il coefficiente di correlazione di Pearson per ciascun periodo di calibrazione, che quantifica il grado di associazione lineare tra le temperature ricostruite e quelle osservate.
• R²: Il coefficiente di determinazione, che rappresenta la proporzione di varianza nelle variabili dipendenti che è prevedibile dalle variabili indipendenti.

Verifica:

• Time Span: Indica gli intervalli temporali usati per la verifica del modello, in modo da testare la sua efficacia su dati non utilizzati nella fase di calibrazione.
• r: Il coefficiente di correlazione di Pearson, come per la calibrazione, ma applicato ai dati di verifica.
• RE: La riduzione dell’errore (Reduction of Error), un indicatore di quanto il modello sia migliore di un modello di riferimento naive (ad esempio, un modello che predice sempre la media).
• CE: Il coefficiente di efficienza, un altro indicatore di performance del modello che penalizza gli errori di previsione più di RE e può assumere valori negativi se le previsioni sono peggiori della media.
• ST (Sign Test): Il test dei segni, una misura non parametrica di quante volte il modello prevede correttamente la direzione del cambiamento.
• PMT (Product Mean Test): Un test statistico che valuta l’accuratezza della magnitudine delle previsioni del modello.
• DW (Durbin-Watson): Una statistica utilizzata per rilevare la presenza di autocorrelazione di primo ordine nelle residui di una regressione.
• RMSE (Root Mean Square Error): Misura la deviazione standard dei residui (errori di previsione).

Ogni riga della tabella fornisce queste statistiche per diversi periodi di calibrazione e verifica. Gli asterischi indicano dove i risultati sono statistici significativi (p < 0.05), confermando che i risultati sono altamente improbabili da attribuire al caso. I valori di r e R² sono tutti significativamente non nulli, indicando una relazione affidabile tra gli indici di larghezza degli anelli e la temperatura ricostruita dal modello. I test di verifica, come RE, CE, ST e PMT, confermano che il modello fa previsioni accurate e significative rispetto ai dati osservati, con un RMSE ragionevolmente basso che indica una buona aderenza del modello ai dati. Inoltre, i valori di DW sono prossimi al valore ottimale di 2, suggerendo che non c’è autocorrelazione nei residui del modello, un’ulteriore conferma dell’adeguatezza del modello.

La Figura 5 rappresenta diversi aspetti legati alla ricostruzione e all’analisi della temperatura mensile media massima del periodo da dicembre a gennaio (T12-1) per la regione CBM dal 1960 al 2005, e fornisce un contesto storico più lungo.

5a: Mostra due serie temporali: la linea continua nera rappresenta le temperature osservate, mentre la linea tratteggiata blu indica le temperature ricostruite dal modello di regressione. Questa parte della figura serve a confrontare le temperature effettive con quelle previste dal modello per valutare la precisione della ricostruzione.

5b: Presenta i risultati del test di Shapiro-Wilk (SW) per valutare la distribuzione dei residui, cioè le deviazioni tra i dati osservati e quelli ricostruiti dal modello. Un valore SW prossimo a 1 suggerisce che i residui seguono una distribuzione normale, condizione desiderabile per molti test statistici. Qui si ha SW=0.905, con un valore p di 0.08, suggerendo che non vi sono motivi sufficienti per rifiutare l’ipotesi di normalità dei residui.

5c: Illustra il valore del test di Durbin-Watson (DW), usato per rilevare l’autocorrelazione dei residui. Valori di DW intorno a 2 indicano l’assenza di autocorrelazione. Il valore di DW=1.81 suggerisce una minima o nulla autocorrelazione, implicando che i residui sono indipendenti l’uno dall’altro, un’ipotesi importante nei modelli di regressione.

5d: Mostra la ricostruzione della temperatura su un arco temporale di 219 anni, con la linea rossa che rappresenta la media mobile su 11 anni, aiutando a visualizzare le tendenze di lungo periodo e riducendo l’effetto delle fluttuazioni annuali. I punti blu indicano gli anni ritenuti particolarmente freddi come registrati negli archivi storici delle province di Jilin e della Mongolia Interna, secondo quanto riportato da Wen (2008) [41]. Questi dati storici forniscono una conferma indipendente degli anni con temperature anormalmente basse.

Insieme, queste visualizzazioni evidenziano l’accuratezza della ricostruzione della temperatura, la qualità dei residui (in termini di distribuzione e indipendenza) e la capacità del modello di riflettere le variazioni di temperatura storiche confermate da registrazioni indipendenti.

3.3. Risultato delle Analisi di Periodicità

L’analisi spettrale Multi-Taper Method (MTM) ha mostrato che la ricostruzione annuale T12-1 aveva cicli quasi-periodici di 73, 12.9, 6.8, 4.6, 3.7 e 2.6 anni negli ultimi 219 anni, tutti significativi al livello di confidenza del 99% (Figura 6).

La Figura 6 presenta l’analisi del power spectrum (o spettro di potenza) delle temperature medie massime ricostruite per i mesi di dicembre e gennaio. Lo spettro di potenza è una rappresentazione grafica che identifica le frequenze alle quali componenti periodiche di un segnale (in questo caso la serie temporale della temperatura) sono particolarmente forti o prevalenti.

L’asse orizzontale (ascisse) rappresenta la frequenza, misurata in cicli per unità di tempo, qui specificata come frazione di un anno (indicato dalla lettera “a”). L’asse verticale (ordinate) mostra la densità spettrale di potenza, che indica quanto della varianza della serie temporale è attribuibile a ogni frequenza.

Le linee tratteggiate orizzontali definiscono il limite di confidenza al 99%, suggerendo che ogni picco che supera questo limite è statisticamente significativo con un livello di confidenza del 99%. In altre parole, esiste meno dell’1% di probabilità che tali picchi siano il risultato di fluttuazioni casuali nei dati.

Nel grafico, i picchi al di sopra della linea tratteggiata sono etichettati con periodi di tempo quali 73 anni, 12.9 anni, 6.8 anni, 4.6 anni, 3.7 anni e 2.6 anni. Questi picchi indicano che ci sono stati cicli quasi-periodici o variazioni nella temperatura che si sono ripetuti con questi intervalli di tempo durante gli ultimi 219 anni. Ad esempio, il picco più alto indica una quasi-periodicità di 73 anni, il che significa che un pattern simile di temperature si è verificato approssimativamente ogni 73 anni.

L’identificazione di questi cicli può fornire intuizioni significative sui processi climatici e forze naturali che influenzano il clima regionale, come la variabilità solare, le oscillazioni oceaniche, o altri fattori naturali o antropogenici.

4. Discussione
5. 4.1. Relazioni tra Clima e Crescita

Lo studio ha constatato che le temperature invernali influenzano significativamente la crescita radiale della Betula ermanii (BE). Si è osservato che le temperature del dicembre precedente e del gennaio corrente sono i fattori chiave che limitano la crescita radiale, le quali presentano una correlazione negativa significativa con l’incremento della crescita radiale di BE nell’area del Monte Changbai (CBM). Anche altri autori hanno riportato effetti negativi di temperature più elevate durante la stagione di dormienza ad alte altitudini [42-44]. La spiegazione comunemente accettata per questo fenomeno è che la crescita radiale degli anelli degli alberi è influenzata dalla quantità di nutrienti accumulati [45]. Un aumento delle temperature durante l’inverno precedente causerebbe un incremento dell’evapotraspirazione e della respirazione, risultando in una perdita di carboidrati che non viene compensata dalla fotosintesi e dall’assorbimento di acqua, il che conduce a un aumento della perdita di carboidrati accumulati per la crescita durante l’estate successiva [46]. In aggiunta, Buma e colleghi hanno evidenziato come, con lo scioglimento anticipato delle nevi o il passaggio da neve a pioggia, alcune specie arboree diventano vulnerabili al gelo nelle loro zone radicali che non sono più protette dalla neve [47]. La correlazione negativa tra la temperatura invernale nel registro del Changbai è coerente con questa osservazione, così come la correlazione positiva con l’indice PDSI invernale e la precipitazione, e la correlazione negativa più marcata negli ultimi decenni (che si intensifica con il riscaldamento globale). La dinamica degli effetti dell’aumento delle temperature invernali dell’anno precedente sulla crescita radiale degli alberi necessita di ulteriori indagini dettagliate per comprendere più approfonditamente il rapporto tra la crescita radiale e i cambiamenti climatici.

4.2. Variabilità della Temperatura nel Corso del Tempo e Confronto con i Record Storici Documentali Contrariamente agli anni singoli, generalmente temperature alte o basse che persistono per molti anni influenzano in modo più significativo la crescita degli alberi. Quando abbiamo definito gli anni con t₁₂₋₁ ≥ −10,73 °C (Media + 1σ) e t₁₂₋₁ ≤ −12,61 °C (Media − 1σ) come anni estremamente caldi e freddi, rispettivamente, la ricostruzione per il periodo 1787–2005 ha incluso 31 anni freddi e 36 anni caldi (Tabella 4). Gli eventi di freddo/caldo estremi che duravano tre o più anni consecutivi sono stati identificati nei periodi 1965–1967 e 1976–1978/1791–1798, 1844–1849 e 1889–1891. Un lisciamento della serie ricostruita di t₁₂₋₁ con una media mobile di 11 anni è stato eseguito per evidenziare le variazioni pluriennali e interdecennali e per identificare diversi periodi prolungati di freddo e caldo (Figura 5d). Dopo il lisciamento con una media mobile di 11 anni, i periodi freddi si sono verificati nel 1822–1830 (t₁₂₋₁ medio = −12,7 °C) e nel 1957–1970 (t₁₂₋₁ medio = −12,7 °C), mentre un periodo caldo si è verificato nel 1787–1793 (t₁₂₋₁ medio = −10,4 °C) (Figura 5d). Un raffreddamento rapido e sostenuto è stato osservato nella serie ricostruita negli anni 1790–1826 (intervallo di t₁₂₋₁ da −10,3 °C a −12,8 °C, media = −12,0 °C) e 1939–1969 (intervallo di t₁₂₋₁ da −11,6 °C a −12,7 °C, media = −12,1 °C), con tassi di raffreddamento di circa 0,067 °C/anno e 0,035 °C/anno, rispettivamente (Figura 5d). I due eventi di raffreddamento potrebbero essere dovuti alla diminuzione dell’attività solare. Utilizzando una scala temporale di 50 anni, la temperatura più elevata nel periodo 1787–2005 è stata registrata dal 1844 al 1893 (intervallo di t₁₂₋₁ da −12,79 °C a −9,41 °C, media = −11,15 °C), risultati simili sono stati ottenuti anche da Zhu et al. e Jiang et al., mentre la temperatura più bassa è stata registrata dal 1940 al 1993 (intervallo di t₁₂₋₁ da −13,57 °C a −10,26 °C, media = −12,13 °C) (Figura 5d). Ciò è in linea con i risultati di diversi studi. Inoltre, è stato riscontrato un rapido riscaldamento a partire dal 1960 d.C. nella nostra serie di temperature invernali (altitudine da 1950 a 2000 m s.l.m.; intervallo di t₁₂₋₁ da −12,52 °C a −11,05 °C) (Figura 5d).

La Tabella 4 presenta un elenco di anni classificati in base alla temperatura media massima ricostruita, misurata tra dicembre dell’anno precedente e gennaio dell’anno corrente (T12-1) per la provincia di Jilin e la regione della Mongolia Interna, dal 1787.

La tabella è divisa in due parti principali:

1. Colonna delle temperature fredde: Mostra gli anni riconosciuti come estremamente freddi, con la temperatura media massima ricostruita che cade al di sotto di −12,61 °C (che è la media meno uno scarto tipo, o Media − 1σ). Questi anni sono elencati in ordine dall’anno con la temperatura più bassa all’anno con la temperatura meno estrema (meno fredda), con la temperatura specifica indicata accanto all’anno corrispondente.
2. Colonna delle temperature calde: Elenca gli anni identificati come estremamente caldi, con temperature medie massime ricostruite superiori a −10,73 °C (che è la media più uno scarto tipo, o Media + 1σ). Anche in questo caso, gli anni sono ordinati dal più caldo al meno caldo, con la temperatura specifica riportata accanto all’anno.

Sotto l’elenco degli anni e delle temperature, ci sono note che descrivono eventi di danno da freddo registrati nei documenti storici, che corrispondono ad alcuni degli anni elencati nelle colonne. Questi eventi includono gravi condizioni meteorologiche come nevicate pesanti o temperature molto basse che si sono verificate in momenti specifici, fornendo una conferma indipendente degli estremi termici registrati.

La tabella serve a correlare i dati temperature ricostruite con eventi documentati storicamente, fornendo così una verifica incrociata tra le osservazioni climatiche indirette (ricavate da proxy come anelli degli alberi, sedimenti, ecc.) e le evidenze dirette storiche. Questo tipo di analisi è vitale per comprendere i cambiamenti climatici passati e per migliorare i modelli che cercano di prevedere le variazioni future.

4.3. Confronto con i Registri Storici e Confronto Regionale I documenti storici forniscono evidenze convincenti che indicano numerose occorrenze di catastrofi legate alla neve o temperature eccezionalmente basse nella provincia di Jilin a partire dal 1787 [41]. Le occorrenze di nevicate estreme o eventi di intense ondate di freddo si allineano in modo notevole con sette anni caratterizzati da temperature eccezionalmente basse (1911, 1940, 1954, 1965, 1969, 1970, 1972) nella serie ricostruita di t ₁ ₂ ₋ ₁ (Tabella 4) [41].

Per ulteriormente confermare l’affidabilità della nostra ricostruzione, abbiamo condotto un’analisi comparativa con la serie di temperature invernali basata su dendrocronologia proveniente da Yichun (YC) nel nord-est della Cina (Figura 7), come illustrato in Figura 1. Questo confronto ha rivelato che la nostra serie ricostruita di t ₁ ₂ ₋ ₁ (Figura 7) presentava variazioni simili alla ricostruzione della temperatura minima media di febbraio-marzo effettuata da Zhu et al. (Figura 7) [33]. È da notare che le tendenze termiche durante specifici intervalli temporali (1787–1810, 1836–1854, 1878–1903, 1908–1918, 1924–1931, 1939–1960, 1967–2005) in entrambe le serie mostravano un modello coerente (Figura 7), suggerendo un cambiamento climatico coerente su scala regionale.

La Figura 7 presenta un confronto tra due serie di ricostruzioni delle temperature per la regione del nord-est della Cina:

1. (a) Questo studio: Mostra la ricostruzione della temperatura massima per i mesi di dicembre-gennaio (t ₁ ₂ ₋ ₁) come dedotta dallo studio attuale. L’asse delle ordinate a sinistra indica la scala delle temperature, che varia tra circa -10 °C e -16 °C.
2. (b) Zhu et al., 2015 [33]: Questo grafico rappresenta la ricostruzione della temperatura minima media per i mesi di febbraio-marzo come determinata da Zhu e colleghi. L’asse delle ordinate a destra indica la scala delle temperature per questa serie di dati, con valori che variano da circa -18 °C a -22 °C.

Le aree sfumate in grigio chiaro e scuro segnano gli anni in cui le due serie di ricostruzione delle temperature mostrano tendenze simili. Questo significa che, nonostante le due serie di dati rappresentino mesi e metriche di temperatura differenti (t ₁ ₂ ₋ ₁ per questo studio e la temperatura media minima di febbraio-marzo per Zhu et al.), vi è una corrispondenza nel modello delle variazioni termiche riscontrate, indicando la coerenza tra le due ricostruzioni e sostenendo l’idea di cambiamenti climatici regionali coerenti durante questi periodi.

La linea rossa evidenzia il periodo del Minimo di Dalton, un intervallo temporale di bassa attività solare tra il 1790 e il 1830 che corrisponde alle temperature medie più fredde registrate in entrambe le serie di dati. Questo è coerente con l’idea che le riduzioni dell’attività solare possano avere un impatto significativo sul clima terrestre.

In conclusione, la Figura 7 è un confronto visivo che mostra come le due serie di ricostruzione delle temperature (t ₁ ₂ ₋ ₁ di questo studio e la serie di Zhu et al.) confermano tendenze di temperature simili su scale temporali selezionate, corroborando l’affidabilità delle ricostruzioni e sottolineando eventi climatici regionali storici come il Minimo di Dalton.

4.4. Associazione con l’Attività Solare e l’Oscillazione Australe El Niño Recenti studi hanno evidenziato una forte correlazione tra i cambiamenti del clima terrestre e l’attività solare. Il consenso prevalente è che durante i periodi di minore attività solare, come durante il Minimo di Dalton (circa 1790-1830 d.C.) [51-53], si prevede una diminuzione delle temperature terrestri. La nostra ricostruzione riflette queste aspettative, mostrando valori bassi corrispondenti al periodo del Minimo di Dalton, con attività solare diminuita (Figura 7a). Al contrario, durante periodi di attività solare intensificata, il clima tende a riscaldarsi, come osservato durante il periodo caldo romano (400-10 a.C.) e il periodo caldo medievale (900-1200 d.C.) [53]. È stato riscontrato che la temperatura superiore della troposfera e della stratosfera era in sincronia con il ciclo solare di 10-12 anni [54]. Il ciclo di 12,9 anni corrisponde al ciclo delle macchie solari [55-58]. Analisi di correlazione hanno rivelato una correlazione positiva significativa tra la T12-1 annuale ricostruita e il numero di macchie solari (http://www.sidc.be/silso/datafiles (accessato l’8 settembre 2021)) da dicembre dell’anno precedente a gennaio dell’anno in corso, con un coefficiente di correlazione r = 0,22 (N = 188 anni, 1818-2005, p = 0,011). Il ciclo di 73 anni potrebbe essere connesso al ciclo di Gleissberg inferiore di 50-80 anni [31], che riflette variazioni nell’intensità della radiazione solare [57]. Un’associazione notevole tra la serie ricostruita e il numero di macchie solari è stata identificata durante periodi specifici, inclusi i decenni 1790-1840, 1850-1870, 1920-1930 e 1950-2000 (Figura 8B). Ulteriori studi nel nord della Cina hanno rilevato cicli di circa 10 anni [25,58,59] e di circa 70 anni [45], suggerendo un possibile impatto dell’attività solare sulla regione.

La Figura 8 mostra due grafici di trasformazione wavelet incrociata che analizzano le interazioni tra le serie temporali delle temperature ricostruite della regione del Monte Changbai e due diversi indicatori climatici: l’indice SOI (Southern Oscillation Index) e il numero di macchie solari, che rappresentano rispettivamente l’influenza dell’Oscillazione Meridionale El Niño e l’attività solare.

Analisi dei grafici:

• (A) Interazione con l’indice SOI: Questa parte del grafico esplora la relazione tra le variazioni di temperatura e le oscillazioni periodiche di El Niño, come rappresentato dall’indice SOI.
• (B) Interazione con il numero di macchie solari: Questa parte esamina come le temperature sono collegate al ciclo delle macchie solari, un indicatore di variazioni nell’attività solare.

Dettagli chiave:

• Contorni di confidenza al 95%: La linea spessa del contorno delimita le aree di significatività statistica, dove si può dire con una confidenza del 95% che la coerenza tra le serie non è dovuta al caso.
• Relazione di fase: Le frecce indicano se le serie di temperature e l’indice SOI o il numero di macchie solari sono sincronizzate (frecce puntate a destra) o sfasate (frecce puntate a sinistra). In fase significa che un aumento del valore in una serie corrisponde a un aumento nell’altra serie e viceversa per l’antifase.
• Potenza wavelet: L’intensità del colore mostra la forza della correlazione (o potenza) tra le serie temporali. I colori più caldi (rosso e arancione) indicano una correlazione più forte, mentre i colori più freddi (blu) indicano una correlazione più debole.
• Assi di periodo e tempo: L’asse verticale mostra i periodi ciclici (in anni), mentre l’asse orizzontale rappresenta la linea temporale (dal 1880 al 2000). I cicli più brevi si trovano in alto, mentre i cicli più lunghi si trovano in basso.
• Cono di influenza: L’area curveggiante in basso su ogni grafico, chiamata “cono di influenza”, segnala dove i risultati dell’analisi sono potenzialmente influenzati dal bordo delle serie temporali, rendendo meno affidabili i risultati.

La Figura 8 è quindi uno strumento per visualizzare e analizzare le relazioni dinamiche e complesse tra le variazioni climatiche regionali e fattori di forzatura climatica a larga scala come l’ENSO e l’attività solare. Queste analisi aiutano a comprendere se e come i fenomeni climatici naturali globali possano avere influenze dirette e cicliche sul clima regionale.

I cicli identificati a 6,8, 4,6, 3,7 e 2,6 anni (Figura 6) si inseriscono all’interno dell’intervallo di 2-7 anni delle fluttuazioni di El Niño Southern Oscillation (ENSO), che spaziano da brevi cicli biennali fino agli eventi ENSO quinquennali. Le variazioni delle temperature della superficie marina (SSTs) nella regione equatoriale meridionale del Pacifico e le ricostruzioni di t ₁ ₂ ₋ ₁ (Figura 9) hanno evidenziato una potenziale connessione tra questi cambiamenti e ENSO. Inoltre, la nostra ricostruzione di t ₁ ₂ ₋ ₁ ha esibito una significativa correlazione negativa con l’Indice dell’Oscillazione Meridionale (Southern Oscillation Index, SOI) (http://www.cru.uea.ac.uk/cru/data/soi (consultato l’11 Settembre 2021)) da dicembre precedente a gennaio corrente, con r = -0,24 (1866–2005 AD, p < 0,05). L’analisi della coerenza delle onde e il SOI hanno rivelato un’antifase relazione tra le variazioni di temperatura ricostruite e l’SOI durante gli anni 1870-1890, 1910, 1940-1960 e 2000 (Figura 8A). El Niño esercita un impatto indiretto sulle temperature invernali in Asia influenzando i cambiamenti monsonici post-estivi indotti dall’ENSO nell’Asia orientale [63,64]. Studi precedenti hanno mostrato una connessione tra gli eventi El Niño e temperature invernali più calde in Cina [65-67]. Secondo i dati dell’Amministrazione Meteorologica della Cina, negli ultimi 50 anni, l’80% degli anni El Niño in Cina ha avuto inverni caldi [68]. In inverno, il continente asiatico è controllato da un forte sistema di alta pressione siberiano, mentre la temperatura dell’aria sull’oceano è relativamente calda e la pressione dell’aria è relativamente bassa [69]. L’aria fluisce da una zona di alta pressione a una di bassa pressione quando si sposta dalla terraferma al mare. Di conseguenza, il vento freddo di direzione nord-ovest proveniente dalle alte latitudini copre la maggior parte della Cina, ed è spesso accompagnato da basse temperature e aria asciutta, risultando in un clima freddo e asciutto. È stato dimostrato che durante gli inverni El Niño, la posizione del fronte polare est asiatico, che di solito si sposta verso sud, e l’attività della bassa pressione norvegese, sono meno pronunciate del solito, e la massa d’aria calda e umida meridionale è particolarmente forte.

Emergono prove che t ₁ ₂ ₋ ₁ nella regione del Monte Changbai può essere influenzata sia dall’attività solare sia dalle ampie interazioni atmosfera-mare.

La Figura 9 è una rappresentazione visiva delle correlazioni spaziali tra la serie di temperature ricostruite della regione del Monte Changbai (CBM, indicato dall’asterisco rosso) e le temperature medie della superficie del mare (Sea Surface Temperature, SST) di dicembre e gennaio, come documentato dal dataset Hadley Centre Sea Ice and Sea Surface Temperature (HadISST) 1°, per il periodo che va dal 1870 al 2005.

I punti chiave per interpretare questa mappa di correlazione spaziale includono:

• Posizione del campionamento (CBM): Indicata dall’asterisco rosso, si riferisce al luogo specifico da cui provengono i dati di temperatura usati per la ricostruzione.
• Scala dei colori: La scala dei colori che va dal blu al rosso rappresenta i valori di correlazione da -0.6 a +0.6. Le tonalità blu mostrano aree dove esiste una correlazione negativa, il che significa che, in quelle aree, un aumento delle SST è associato a una diminuzione delle temperature nel sito di campionamento del Monte Changbai, e viceversa. Le tonalità rosso-arancioni indicano una correlazione positiva, dove un aumento delle SST corrisponde a un aumento delle temperature nel sito di campionamento.
• Distribuzione geografica delle correlazioni: Le regioni colorate sulla mappa mostrano dove le variazioni delle SST sono correlate significativamente con le temperature ricostruite del Monte Changbai. Le aree arancioni e rosse indicano regioni oceaniche con una forte correlazione positiva, suggerendo che i cambiamenti delle SST in queste aree hanno un legame diretto e forte con le temperature nel Monte Changbai. Le aree blu, d’altra parte, indicano una correlazione negativa.
• Significato scientifico: Questa mappa è utile per identificare le relazioni a distanza nel sistema climatico, note come teleconnessioni. Le forti correlazioni in specifiche parti degli oceani possono essere associate con fenomeni climatici come El Niño o La Niña, che hanno noti effetti a larga scala sul clima globale e regionale.

La mappa fornisce quindi indicazioni importanti su come le variazioni delle temperature oceaniche influenzino il clima in località remote come il Monte Changbai, contribuendo alla comprensione delle complesse dinamiche del sistema climatico terrestre.

4.5. Le Differenze di Altitudine nell’Inizio del Riscaldamento Recente sul Monte Changbai

Due studi sulla variabilità termica invernale sono stati condotti nell’area del Monte Changbai (CBM) utilizzando la dendrocronologia del pino coreano per le ricostruzioni, effettuate rispettivamente da Shao e Wu (gennaio-aprile; 650 m s.l.m.) e Zhu et al. (febbraio-aprile; 765–1188 m s.l.m.). Tuttavia, confrontando le due citate serie di ricostruzioni termiche con la serie ricostruita T_12-1​, si è osservato che il momento di inizio del recente riscaldamento del Monte Changbai varia in funzione dell’altitudine, evidenziando un chiaro ritardo da altitudini basse ad altitudini alte. Tale fenomeno è iniziato circa nel 1977 a un’altitudine di 650 m s.l.m. (Figura 10c). Ad un’altitudine di 765–1188 m s.l.m., l’inizio è stato registrato intorno al 1975 d.C. (Figura 10b). Invece, a un’altitudine di 1950–2000 m s.l.m., il riscaldamento ha avuto inizio relativamente più presto, intorno al 1960 d.C. (Figura 10a). I nostri risultati suggeriscono che le differenze in altitudine possono influenzare la sensibilità al riscaldamento globale. Una constatazione simile è stata riportata da Cai et al., i quali hanno rilevato che l’inizio del riscaldamento recente mostra un ritardo sistematico spostandosi da nord a sud nell’est della Cina. Come precedentemente menzionato, le variazioni spaziali nelle modifiche termiche annuali rimangono poco chiare, necessitando di ulteriori investigazioni scientifiche per decifrare i meccanismi sottostanti. In aggiunta, studi pregressi sui cambiamenti della paleotemperatura hanno prevalentemente focalizzato la loro attenzione sulla costruzione di variazioni termiche su larga scala, presupponendo che tali variazioni fossero rappresentative a livello regionale. Questo approccio ha tuttavia trascurato le sfumature spaziali nei cambiamenti termici, portando a una comprensione insufficiente della dinamica climatica sia a livello regionale che globale.

La Figura 10 è una rappresentazione grafica che mette a confronto la ricostruzione delle temperature massime di dicembre e gennaio (T12-1) di tre diversi studi, ciascuno a diverse altitudini. L’obiettivo è probabilmente valutare come le temperature massime invernali si sono evolute nel tempo in diversi ambienti altitudinali.

1. (a) Questo studio: Mostra la variazione delle temperature massime di dicembre e gennaio (T12-1) nel periodo dal 1780 al 2000 per un’altitudine compresa tra 1950 e 2000 metri sul livello del mare (a.s.l.). La linea nera mostra le variazioni di temperatura nel tempo, con una risoluzione annuale. Verso la fine del grafico, la linea diventa rossa, segnalando un cambiamento significativo o un punto di attenzione specifico. Questo cambiamento di colore suggerisce un aumento delle temperature massime, specialmente dopo il 1960, con una tendenza molto più marcata verso il riscaldamento negli ultimi decenni del grafico.
2. (b) Studio di Zhu et al., 2009: Questa linea mostra la ricostruzione delle temperature medie di febbraio-aprile dal 1780 al 2000 circa a un’altitudine più bassa, tra 765 e 1188 metri a.s.l. Le variazioni di temperatura sono meno pronunciate rispetto a quelle del punto (a) e non mostrano la stessa tendenza al riscaldamento evidente nella parte rossa del grafico (a).
3. (c) Studio di Shao e Wu, 1997: Questo grafico illustra la ricostruzione delle temperature medie di gennaio-aprile dal 1780 al 2000 a un’altitudine ancora più bassa, di 650 metri a.s.l. Anche qui, la variabilità di temperatura appare ciclica con oscillazioni regolari e senza una tendenza netta al riscaldamento negli anni più recenti, almeno non nella stessa misura di quanto mostrato nel grafico (a).

In una prospettiva scientifica, la differenza tra i grafici potrebbe essere attribuita a fattori diversi. Per esempio, variazioni locali nel clima possono avere effetti diversi a seconda dell’altitudine, oppure possono esserci differenze metodologiche tra gli studi nel modo in cui è stata ricostruita la temperatura. È anche possibile che le variazioni di temperatura siano influenzate da fattori quali la copertura forestale, le correnti atmosferiche, e l’influenza umana, che possono avere effetti diversi a seconda dell’elevazione.

I grafici mostrano anche l’importanza di comparare i dati climatici da diversi studi per ottenere un’immagine più completa e comprensiva delle tendenze climatiche e delle loro implicazioni ecologiche e ambientali. La tendenza al riscaldamento più marcata nel grafico (a) potrebbe essere motivo di preoccupazione, poiché può indicare un riscaldamento più intenso ad altitudini maggiori, un fenomeno spesso osservato nei cambiamenti climatici.

5. Conclusioni

Le temperature massime medie mensili del precedente dicembre a gennaio, che coprono il periodo dal 1787 al 2005 d.C., sono state ricostruite utilizzando dati dendrocronologici ottenuti dal Monte Changbai (CBM) nel nordest della Cina. La serie di temperature ricostruite ha dimostrato una notevole coesione con i dati di temperatura strumentali dei periodi sovrapposti. Il confronto con i record storici ha evidenziato che i periodi caldi e freddi nel record ricostruito generalmente corrispondono con le variazioni di temperatura documentate. Inoltre, la ricostruzione è stata coerente con altre serie di temperature ricostruite nell’area ecologicamente sensibile del nordest della Cina e con i dati di temperature grigliate a livello regionale. Tale allineamento suggerisce che la serie di temperature ricostruite cattura sia la variabilità delle temperature locali che quelle su larga scala regionale. L’analisi spettrale di potenza ha rivelato cicli significativi nella variabilità della temperatura, indicando potenziali connessioni tra le variazioni di temperatura regionali e fenomeni come l’ENSO e l’attività solare. I nostri risultati hanno evidenziato che i cambiamenti di temperatura non sono stati sincroni lungo un gradiente di latitudine. Il confronto delle temperature ha rilevato che vi era una differenza di altitudine nell’inizio del riscaldamento invernale recente sul Monte Changbai. Esso ha avuto inizio intorno al 1977 d.C. a un’altitudine di 650 m s.l.m., intorno al 1975 d.C. a un’altitudine di 765-1188 m s.l.m., e circa nel 1960 d.C. a un’altitudine di 1950-2000 m s.l.m. Pertanto, per ottenere dati di variazione della temperatura ad alta risoluzione, i risultati delle ricerche sulla paleotemperatura ottenuti fino ad ora sul Monte Changbai non sono sufficienti, poiché sono lontani dall’essere in grado di chiarire in modo esauriente le caratteristiche dei cambiamenti climatici in questa regione. Sarà necessario integrare un ampio volume di dati sul cambiamento delle temperature a diverse altitudini in futuro.