《Ecohydrology & Hydrobiology》：Modelling the impacts of streamflow reduction on the radial growth of bald cypress (
Taxodium mucronatum Ten.) in northwestern Mexico
编辑推荐：
在墨西哥杜兰戈州San Quintín河畔森林，通过树轮学方法比较传统ARIMA模型与机器学习模型（如支持向量机、梯度提升树、随机森林）对美洲白千层径向生长的预测效果，发现机器学习模型更优。方差分析显示水坝和灌溉渠道建设对树木径向生长无显著影响，但早期生长率略高后趋于稳定，为确定河流流量生态阈值提供依据。
古斯塔沃·佩雷斯-韦尔丁（Gustavo Perez-Verdin）| 卡拉·瓦列斯-阿里亚加（Karla Valles-Arriaga）| 玛莎·加布里埃拉·佩雷斯-马丁内斯（Martha Gabriela Perez-Martinez）| 何塞·比利亚努埃瓦-迪亚兹（Jose Villanueva-Diaz）| 克里斯蒂安·韦亨克尔（Christian Wehenkel）
墨西哥杜兰戈州国家理工学院（Instituto Politecnico Nacional, CIIDIR Durango），地址：Sigma 119, Fracc. 20 Nov. II, 34220, Durango, Dgo, Mexico
摘要
河岸森林在陆地和水生生态系统之间建立了连接，并提供了多种生态系统服务，包括供水和生物地球化学循环的调节。然而，各种人为因素影响了这些生态系统的健康状况。为了农业和畜牧业而修建的大坝和运河减少了水流，导致河岸附近的水位和土壤湿度下降。本研究在墨西哥杜兰戈州的一片河岸森林中，评估了水资源抽取对秃柏（bald cypress）种群径向生长的影响。在大坝和灌溉渠道建设前后，研究人员使用了树木年轮学技术对样本进行了分析，这些样本包括了受到水流减少影响的个体以及未受影响的个体。为了模拟当前年径向生长量，应用了三种统计方法：1）传统的自回归积分滑动平均模型（ARIMA），2）机器学习模型，3）方差分析来评估不同组之间的差异。结果表明，机器学习模型的预测效果优于传统的自回归模型。灌溉渠道对这种植物的径向生长没有显著影响，而大坝建设也没有产生实质性影响。虽然建设前生长率略有上升，但在随后几年逐渐趋于稳定。这项研究有助于确定避免对树木生长产生不利影响所需的河流流量生态阈值。
引言
河岸森林是由沿河流和其他水体边缘生长的树木、灌木和非木质植物组成的群落（Tolkkinen等人，2021年）。这些多样化的生态系统在营养物质浓度高和靠近水源的湿润条件下繁茂生长（Broadmeadow和Nisbet，2004年；Meli等人，2017年）。它们提供了多种生态系统服务，如水文调节、生物地球化学循环、为动植物提供栖息地、滞留和过滤农业工业物质及农药、控制土壤侵蚀、促进休闲活动以及提升景观美观度。此外，河岸森林还连接了陆地和水生生态系统，使得一些特有物种得以繁衍（Meli等人，2017年）。然而，多种因素威胁着这些生态系统的健康，包括地表径流污染、植被破坏和丧失、外来物种入侵、过度放牧、砍伐树木、野火以及气候变化（Dybala等人，2019年；Tolkkinen等人，2021年）。为农业和畜牧业而修建的大坝和灌溉渠道导致水流减少，进而影响了河岸树木的栖息地。受影响的树木之一是秃柏（Taxodium mucronatum），它是墨西哥许多地区河岸森林中的优势物种。此外，大坝和灌溉渠道的修建减少了下游的水流量，从而降低了上述生态系统服务的供应。同时，水资源短缺也导致了树木和灌木的生长压力，甚至可能导致某些物种的消失（Do Vale等人，2018年）。
Do Vale等人（2015年）记录了巴西东南部一座大坝建成后的河岸森林变化情况。水资源抽取减少了树木密度（以单位面积的基部面积计算），进而降低了二氧化碳储存量和土壤湿度，并导致下层植被的死亡率上升。他们得出结论，水资源减少的负面影响远大于其带来的好处，后者仅限于对耐阴性物种的轻微影响。
水流减少的另一个较少被研究的效应是它对树木生长速率的干扰。年径向生长量与短期（月度和季节性）水位波动密切相关，尤其是在高度依赖水分的物种中（Villanueva Díaz等人，2013b年；Maza等人，2020年）。因此，河岸森林的树木年轮分析是研究水资源抽取对径向生长影响的有效方法。年轮数据还被用于研究河流中的地貌过程、模拟流域的水文变化以及重建地表径流水平（Gomes Marques等人，2018年；Netsvetov等人，2019年；Villanueva-Díaz等人，2023年）。
圣佩德罗-埃尔梅斯基塔尔河（San Pedro-El Mezquital River）的一条支流是圣金廷河（San Quintín River），该河流发源于杜兰戈州，最终流入纳亚里特州（Nayarit）海岸。圣金廷河所在的区域属于干旱生态区（xeric ecoregion），河岸森林主要由秃柏（Taxodium mucronatum）组成，其次还有Populus fremontii ssp. mesetae和Fraxinus spp.（Villanueva Díaz等人，2013a年）。这片河岸森林为当地居民提供了多种生态系统服务，如生活用水、温室和季节性作物用水、牲畜饲料以及娱乐用途。20世纪60年代左右，人们在圣金廷河上游修建了一座大坝，并安装了灌溉渠道，将河水引向温室。这些工程使河流流量减少了约60%。
这条河流依靠降水和多个泉水补给，由于火成岩的存在和土壤成分，形成了常年流淌的水流。河流两侧是陡峭的山坡，形成了深邃的峡谷（因此被称为“Barranca de San Quintín”），为多种候鸟和耐阴树种提供了栖息地，包括秃柏。由于其长寿特性和对气候的敏感性，秃柏的年轮被用于古气候和水文重建研究，其中一些数据可追溯到一千多年前（Stahle等人，2011年；Martínez-Sifuentes等人，2021年；Villanueva-Díaz等人，2021年）。然而，这种树木对水资源非常敏感，因为它的许多根系分布在河岸附近（Villanueva-Díaz等人，2020年）。
树木的年径向生长量可以通过多种技术进行建模。传统的自回归积分滑动平均（ARIMA）模型基于时间序列遵循随机模式且具有平稳性的假设。这些模型包含三个关键组成部分：自回归项的数量、差分阶数和滑动平均次数（Box等人，2015年）。近年来，随着计算能力的提升，机器学习模型成为自回归模型的替代方案，例如支持向量机（Support Vector Machines）、极端梯度提升（eXtreme Gradient Boosting）、随机森林（Random Forest）以及基于深度学习的算法，如人工神经网络（Artificial Neural Network）和长短期记忆网络（Long Short-Term Memory），这些技术在经济学、汽车工业、机器人技术、医疗保健、气候科学等领域有广泛应用（Bojarski等人，2016年；Siami-Namini等人，2018年；Stokes等人，2020年）。
本研究的目的是通过分析秃柏的年轮，评估水资源抽取（用于农业和畜牧业）是否扰乱了其径向生长速率并威胁了该物种的生存。研究人员在大坝建设前后，分别对受到水流减少影响的样本和未受影响的样本进行了树木年轮学分析。同时，使用Dickey-Fuller检验评估数据平稳性，并结合自回归积分滑动平均模型预测生长趋势。此外，还应用了三种机器学习方法来寻找预测该物种当前年径向生长的最佳模型。考虑到该物种对水资源的高度依赖性，研究假设大坝建设和灌溉渠道对径向生长没有显著影响。
材料与方法
圣金廷河岸森林位于杜兰戈州的Nombre de Dios市，属于圣佩德罗-埃尔梅斯基塔尔河流域（图1）。该森林占地77.6公顷，其中一半被秃柏覆盖。该区域包括多个私人地产和公共用地，如Rancho Zamora、Rancho San Quintín以及Ejidos：Nombre de Dios、Damián Carmona和Ignacio Zaragoza。该地区气候干燥，降雨主要发生在7月和9月。
结果
样本树木的平均直径为98.2厘米（标准差46.1厘米），平均年龄为151年（标准差122.2年）。其中一棵树木的年龄接近600年，表明该物种具有极长的寿命（Villanueva-Díaz等人，2020年）。平均坡度为12.1%（标准差10.5%），树木到河流的平均距离为10.1米（标准差11.3米）（图3）。
讨论
树木年轮分析显示，秃柏树木的年径向生长量时间序列具有恒定的方差（即平稳性）。残差数据不存在自相关性，可以使用自回归模型进行模拟。样本树木显示，在1820–1840年、1920–1930年和1950–1960年期间出现了三个生长高峰期。从1970年开始，生长趋于稳定，但增长速度有所减缓。
结论
本研究评估了水资源抽取对墨西哥杜兰戈州Nombre de Dios市圣金廷河岸森林中秃柏径向生长的影响。自回归积分滑动平均（ARIMA）模型表现出较高的准确性，因为年径向生长量时间序列具有平稳性和恒定方差。然而，机器学习模型在预测生长转折点方面表现更好。
分析发现，近期的人类活动并未对秃柏的径向生长产生显著影响。
生成式AI的应用
在撰写本文过程中，作者使用Anyword工具将部分西班牙语段落翻译成英语。使用该工具后，作者对内容进行了必要的审查和编辑，并对最终发表的文章内容负全责。作者贡献声明
古斯塔沃·佩雷斯-韦尔丁（Gustavo Perez-Verdin）：负责撰写、审稿与编辑、初稿撰写、项目监督、资源协调、方法论设计、研究实施、资金申请、数据分析以及概念框架构建。卡拉·瓦列斯-阿里亚加（Karla Valles-Arriaga）：负责撰写、审稿与编辑、初稿撰写、数据管理及概念框架构建。玛莎·加布里埃拉·佩雷斯-马丁内斯（Martha Gabriela Perez-Martinez）：负责撰写、审稿与编辑、初稿撰写、方法论设计及研究实施。何塞·比利亚努埃瓦-迪亚兹（Jose Villanueva-Diaz）：
