1

 

INFLUENCE OF WINTER TEMPERATURES ON ANNUAL GROWTH OF CONIFERS IN 

GREAT SMOKY MOUNTAINS NATIONAL PARK, TENNESSEE, U.S.A. 

 Henri D. Grissino‐Mayer University of Tennessee 

 William H. Brenton Denver University 

 Peter W. Clark 

Hampshire College  

Susan G. Mortenson University of Nevada‐Reno 

 Mark D. Spond 

University of Arkansas  

A. Park Williams University of California‐Santa Barbara 

 

ABSTRACT 

Great Smoky Mountains National Park represents one of the most biologically diverse 

landscapes anywhere in the world, and contains the largest concentration of different tree 

species anywhere in the United States.  We analyzed tree‐ring data from shortleaf pine (Pinus 

echinata P. Miller) and Table Mountain pine (Pinus pungens Lamb.) to evaluate the strength and 

clarity of the climate response, then reconstructed climate from the shortleaf pine tree‐ring 

chronology.  The climate response was found to be highest when using the standard negative 

exponential/linear detrending option available in ARSTAN, when compared to detrending 

using various spline lengths.  We found that both pines are most responsive to inter‐annual 

2

fluctuations in winter (January‐February) temperature (shortleaf pine, Jan r = 0.50, p < 0.001,  

Feb r = 0.42, p < 0.001; Table Mountain pine, Jan r = 0.42, p < 0.001, Feb r = 0.37, p < 0.01).  

Narrow rings were found to be produced when the Bermuda High pressure area over the 

northern Atlantic was especially pronounced and extended over the eastern U.S., causing drier 

conditions.  Wide rings were likely when temperatures were well above average along the 

eastern seaboard, while narrow rings were produced when conditions were cooler.  Analyses of 

long‐term teleconnections revealed that both Atlantic and Pacific sea surface temperatures have 

strong, statistically significant relationships, especially with shortleaf pine tree growth.  The 

reconstruction revealed a major change to longer‐term inter‐annual scale oscillations beginning 

ca. 1880, consistent with the changes observed in the tree‐ring data via wavelet analysis. 

 

Keywords: shortleaf pine, Table Mountain pine, climate response, temperature, ocean‐atmosphere 

teleconnections, wavelet analysis, sea‐level pressure 

 

INTRODUCTION 

  Climate reconstructions that use a high‐resolution proxy such as tree rings are 

advantageous because of an ability to identify both short‐term (interannual, annual, and sub‐

annual) and long‐term (decadal, centennial, and millennial) climate trends.  In the Southeastern 

United States, tree rings have been successfully used to reconstruct climate over hundreds of 

years.  For example, Stahle and Cleaveland (1992) reconstructed spring rainfall for the 

Southeastern U.S. well before A.D. 1000 using a network of bald cypress (Taxodium distichum 

(L.) Rich.) tree‐ring chronologies.  Our study examined a shortleaf pine (Pinus echinata P. Miller) 

3

chronology from the Gold Mine Trail study area in the western portion of Great Smoky 

Mountain National Park (GSMNP) in eastern Tennessee, and compared the climate information 

from this chronology to that from Table Mountain pine (Pinus pungens Lamb.) collected nearby 

in the park. 

Our first objective was to first isolate climate drivers of tree growth using temperature, 

precipitation, and the Palmer Drought Severity Index (PDSI; Palmer 1965) from NOAA’s 

Eastern Tennessee division 1 climate data.  The response to climate by shortleaf chronology was 

also compared to the response found in a nearby chronology developed from Table Mountain 

pine to examine interspecific, spatial, and topoedaphic factors that may cause differential 

responses to climate.  We hypothesize that precipitation would be the environmental factor 

most limiting to tree growth at the Gold Mine Trail site because this location in the park is 

considered the drier portion of the park. 

A second objective of this research was to examine the effects of different 

standardization techniques on the strength of the climate signal retained in the final tree‐ring 

chronology that resulted.   Few studies have attempted to quantify how the detrending process 

may affect the climate signal found in tree‐ring data (see, however, Speer 2001).  Often, 

detrending of individual tree‐ring series does not consider that the maximum climate signal 

may not be obtained unless testing of standardization techniques is first conducted.  Some 

detrending techniques may actually remove part of the climate signal.  Because no studies have 

examined the climate response in trees growing in Great Smoky Mountains National Park, we 

believe it necessary to first isolate that detrending method that ensures maximum climate 

signal. 

4

A third objective was to examine more closely the larger oceanic and atmospheric 

drivers of the climate system that dominates this portion of the Southeastern United States to 

explain the dominant climate factor that drives growth of pines.  This analysis could then place 

our study in a more global context.  These drivers included the presence and synchrony of 

pressure patterns in both the Atlantic and Pacific Oceans.  We also examined the strength of the 

association between our shortleaf pine tree‐ring chronology with a network of tree‐ring 

chronologies throughout the United States to (1) ensure the correctness of the crossdating, and 

(2) examine the spatial influence of climate. 

A fourth objective involved an in‐depth analysis of climate indices commonly used to 

detect oscillatory patterns in atmospheric‐oceanic teleconnections. We used correlation analysis 

between the shortleaf pine and Table Mountain pine chronoloies and three long‐term climate 

oscillations known to influence weather in the United States: the Atlantic Multidecadal 

Oscillation (AMO), the Pacific Decadal Oscillation (PDO), and the North Atlantic Oscillation 

(NAO). 

Finally, our fifth objective was to develop a reconstruction of past climate using the 

shortleaf pine tree‐ring chronology from the Gold Mine Trail area of the western portion of 

Great Smoky Mountains National Park.  The climate variable reconstructed would be chosen 

based on the results from the climate response analysis that tested monthly temperature, 

precipitation, and PDSI divisional data against the shortleaf pine tree‐ring indices.  Seasonal 

variables were also possible candidate variables to be reconstructed and were created based on 

continuity of significant correlations observed in sequential months.  Seasonal variables are 

often better correlated with tree growth than individual monthly variables because trees 

5

integrate climate into their growth patterns over periods of weeks that are almost never 

synchronous with the beginning and ending of calendar months. 

 

SITE DESCRIPTIONS 

The distribution of forest communities at Great Smoky Mountains National Park 

(GSMNP) is largely influenced by individual site characteristics.  Our project utilizes ring‐width 

based time series from two dissimilar locations within the park.  Shortleaf pine trees were 

sampled during 2005 and 2006 near the Gold Mine Trail in the lower elevations of the extreme 

western section of the national park (LaForest 2007), and Table Mountain pine specimens were 

collected at five middle to higher elevation sites located on the Tennessee side of GSMNP in fall 

of 2001 (Armbrister 2002).  The two habitats display considerable variations in certain physical 

properties that may affect radial growth of the resident trees. 

Gold Mine Trail is a short (1.3 km) spur trail off the Cooper Road Trail on the western 

side of the park, extending to the edge of the park near Top of the World Estates and Look Rock 

Campground.  The north end of the trail lies outside of the GSMNP boundaries.  Starting from 

the outside end of the trail going deeper into the park, the trail decreases in elevation.  The 

elevation range of the sampling area is approximately 460 m to 600 m above mean sea level. 

The understory at the Gold Mine Trail site contains eastern white pine (Pinus strobus L.) 

and red maple (Acer rubrum L.), species indicative of several years of effective fire suppression 

because they are intolerant of fire.  Large rosebay rhododendrons (Rhododendron maximum L., 

common in lower elevation moist areas of  the park) and mountain laurel (Kalmia latifolia L.) are 

also present, both forming often impenetrable thickets that considerably impede any attempts at 

6

searching for suitable tree‐ring samples.  These plants can readily re‐sprout from their roots 

following a major disturbance and fill in the understory, effectively out‐competing seedlings 

produced by other tree species.  The majority of shortleaf pine trees near the trail have been 

killed by southern pine beetle (Dendroctonus frontalis Zimmerman) within the last few years.  A 

large proportion of the trees killed by the beetles are quite large and many remain standing.  

Mature Virginia (Pinus virginiana L.) and pitch (Pinus rigida P. Miller) pine trees are also present 

along the Gold Mine Trail.  Eastern hemlocks (Tsuga canadensis (L.) Carr.) are common along the 

trail, usually in shady, moist areas.  Unfortunately, many of these trees show signs of infestation 

by the hemlock woolly adelgid (Adelges tsugae Annand) (Roberts 2006).  This non‐native insect 

invader has been killing the hemlock trees throughout the southern Appalachians since its 

accidental introduction to the region in the 1950s (Eschtruth et al. 2006).  More recently, 

exclusion of fire has precluded establishment of P. echinata and favored fire sensitive species 

(e.g. P. strobus). 

The area of Gold Mine Trail may have been impacted by farming and livestock grazing 

during the late 1920s.  It was not designated as an area containing old growth when the park 

was established in 1935 (Pierce 2000).  Most of this property was owned by the Morton Butler 

Lumber Company with a few private holdings inside the lumber tract and around its edges 

(Harmon 1982).  Pierce (2000) does mention the Morton Butler tract as having escaped pre‐park 

logged operations.  The advanced ages of some of the trees sampled along Goldmine Trail 

indicate that this area was not completely cleared for timber extraction or agricultural purposes. 

Table Mountain pine specimens were collected from five middle elevation sites (from 

790 to 1190 meters) located in the Little River drainage system on the Tennessee side of GSMNP.   

7

The Table Mountain pine specimens were sampled as part of a study to examine the 

successional status of Table Mountain pine and were not necessarily collected because they 

exhibited evidence of exceptional age (Armbrister 2002).  The species is endemic to the 

Appalachian Mountains and most commonly grows on dry south‐facing slopes and ridges.  

Table Mountain pine ecosystems are heavily dependant on surface fires which have been locally 

suppressed since the establishment of GSMNP.  Along with Table Mountain Pine, the sample 

sites are populated with other tree species such as pitch pine, red maple, black gum (Nyssa 

sylvatica Marsh.), and chestnut oak (Quercus montana L.).  

 

METHODS 

Field Methods  

Two cores were collected from each living tree sampled.  The cores were taken at 

opposing lateral transects using an increment borer as close to the base of the tree as possible, 

but above the root zone or any signs of basal flaring to prevent erratic ring sequences that might 

mask the climate signal (Case and MacDonald 2003).  When available, cross‐sectional disks 

were collected from dead logs, snags, and stumps using a chain saw.  Disks were also cut as 

close to the base as possible, but above the basal flare (Case and MacDonald 2003). 

 

Laboratory Methods 

  Standard procedures were followed to prepare cores and disks for analysis (Stokes and 

Smiley 1968). Core samples were fastened with glue on individual, pre‐fabricated wooden 

mounts, while cross sections were mounted on plyboard when necessary to improve stability.  

8

Each sample was systematically sanded with successively finer grades of sandpaper to attain 

maximum ring visibility, first beginning with ISO P40‐grit (425–500 μm) and ending with ANSI 

400‐grit (20.6–36.0 μm) (Orvis and Grissino‐Mayer 2002). 

 

Crossdating 

  Tree‐ring patterns were first crossdated visually under a stereozoom boom‐arm 

microscope employing the skeleton plot method (Stokes and Smiley 1968; Fritts 1976; Swetnam 

et al. 1985) and the list method (Yamaguchi 1991) to ensure that specific marker rings were 

identified that would aid the crossdating process.  After crossdating, ring‐widths on each radius 

were measured to the nearest 0.001 mm using a Velmex Unislide measuring stage and 

QuickChek digital counter, interfaces with Measure J2X Java‐based measurement software 

running on a Pentium personal computer.  The computer program COFECHA was used to 

verify crossdating and measuring accuracy (Holmes 1983; Grissino‐Mayer 2001).   COFECHA 

tested 40‐year segments overlapped by 20 years in each series against the same segment for a 

master chronology created from all remaining series.  Segments that were flagged by 

COFECHA as possibly being misdated were carefully re‐inspected to ensure that the segments 

were accurately placed in time.  Series that could not be confidently crossdated necessarily had 

to be excluded from further analyses because these would have added significant noise that 

could have hidden or reduced the strength of the climate signal. 

 

9

Standardization Trials 

  Standardization techniques were utilized to ensure that the variance present in the tree‐

ring chronologies did not dampen the desired climate signal. The computer program ARSTAN 

was used to detrend ring‐width series, which involved fitting a detrending line or curve to each 

ring‐width series to eliminate the biological growth trend caused by the aging of the sampled 

trees (Cook et al. 1990).  Indices of tree growth for each year for each series were next generated 

by dividing the actual ring value for that year by that predicted from the detrending.  We 

evaluated the effectiveness of 12 different detrending techniques to ensure we chose the one 

that maximized the climate signal: 10‐, 15‐, 25‐, 50‐, 100‐, 200‐, 300‐, 400‐year spline curves, 

straight line, horizontal line through the mean, 50% frequency response of 67% series of the 

series length, and a combination negative exponential curve/straight line. The latter is used 

most often by dendrochronologists when detrending.    

 

Climate Response 

  Instrumental climatic data taken from Tennessee Climate Division One were compared 

against a subset (1930–2006) of the two pine chronologies using SAS. These data include 

monthly average temperature, monthly total precipitation, monthly Palmer Drought Severity 

Index, and monthly Sea Surface Temperature Anomalies (SSTA; Kaplan et al. 1998) for the north 

Atlantic Ocean.  Seasonal relationships were also examined between tree growth and climatic 

variables by comparing Pearson’s correlation coefficients during a 20‐month period (current 

year of growth and preceding eight months).  Consecutive months that showed statistically 

10

significant (p < 0.05) or near significant relationships with climate were combined by totaling 

(precipitation) or averaging (temperature, PDSI, SSTA) the values for these consecutive months. 

The relationship between tree growth and temperature may change throughout the day.  

For example, trees may be sensitive to nighttime minimum temperature during winter due to 

freezing and/or may be sensitive to daytime maximum temperature during summer due to 

drought.  Long‐term hourly temperature data therefore would be ideal in determining during 

any given month the time of the day that temperature significantly correlated with ring‐width 

indices.  Unfortunately, long‐term hourly data were not available locally.  We instead used 

average monthly records of daily mean, minimum, and maximum temperature from Newport, 

Tennessee, approximately 60 km to the north of the study site (USHCN 2007).  To specifically 

define the portion of the year when any of these three records may relate to tree growth, we 

tested the correlation between ring‐width indices and each temperature record averaged over 

the 300 combinations of consecutive months in a 24 month span.  The 24‐month period begins in 

January prior to the growth‐ring year and ends in December of the growth‐ring year. 

 

Climate Reconstruction 

We chose the climate variable to be reconstructed based on the highest correlation 

coefficient between shortleaf pine tree growth and the monthly or seasonal climate variables.  

We used SAS to regress climate as a function of tree growth to generate predicted values of 

climate for the full length of the tree‐ring chronology.  We assessed the efficacy of the model by 

inspection of the r‐squared (i.e., variance in the predictand explained by the predictor) and the 

F‐value, which had to be statistically significant (p < 0.05), thus indicating a model where model 

11

variance was much higher than error variance.  Although outliers were present in our data set 

over the historical period, we chose to include all observations in this initial analysis.  A future 

analysis may wish to exclude those observations that adversely affect the regression model (i.e., 

reduce the model variance significantly).  Such observations are almost always associated with 

anomalous weather events during a particular year that are not captured by tree growth (e.g., 

an anomalously wet 24‐hour period during the growing season). 

 

Wavelet Analysis 

  Wavelet analysis (Torrence and Compo 1998; Percival and Walden 2000) has been 

effectively used by dendrochronologists to model temporal patterns of cyclical and quasi‐

periodic weather events that may not otherwise be discernible in tree‐ring time series data 

(Rigozo et al. 2003; Larocque and Smith 2005).   The technique relies on Fourier analysis to break 

up a time series signal into sine waves of various frequencies.  Wavelet analysis decomposes the 

original (or mother) wavelet into shifted and scaled shorter versions.  We analyzed wavelets to 

evaluate significant but effectively limited waveforms within the tree‐ring data at various 

wavelengths, to assess their persistence over time, and compare the frequencies of significant 

waveforms with those known to be associated with any climatic oscillations that are related 

with either of the ring‐width chronologies. 

 

Relationships between Tree‐Ring Data and Long‐Term Teleconnections 

  Instrumental climatic data taken from Tennessee Climate Division One (e.g., Palmer 

Drought Severity Index PDSI, temperature, precipitation) (NCDC 2007) were correlated with 

12

multiple hemispherical and global climate teleconnection processes.  Teleconnection processes 

related to both the Atlantic and Pacific Oceans (e.g., AMO, PDO, and ENSO) were included in 

this analysis.  Additional analysis was conducted to test possible relationships between ring‐

width data collected at our sample sites and these same teleconnection processes.  This 

methodology allowed for Pearson’s correlation coefficients to be used when evaluating 

relationships between our selected tree‐ring chronologies and large‐scale climate phenomena 

driven by oceanic/atmospheric interactions. 

 

Analyzing Relationships between Tree Growth and Global Climate 

We preliminarily compared the shortleaf pine and Table Mountain pine chronologies to 

several well‐established monthly climate indices that describe large‐scale atmospheric and 

ocean oscillations that are known to affect climate on global or hemispheric scales.  These 

indices were the ENSO, PDO, NAO, and SSTA (the latter used to derive the AMO).  We 

analyzed the relationships with monthly climate indices (20 months) because climate in any 

given season may be associated with several months or more of atmospheric and/or oceanic 

activity.  For comparison, we repeated these analyses for the Table Mountain pine chronology. 

To visualize how shortleaf pine growth may relate to global climate systems, we 

compared ring‐width indices to global gridded datasets of reanalyzed monthly sea‐level 

pressure (2.5° resolution) and sea surface temperature (2° resolution) from 1949 through 2006 

(NOAA 2007).  These spatially continuous datasets were created using global circulation models 

to estimate conditions at locations where station observations did not exist.  We also compared 

ring‐width indices to monthly mean temperature recorded at 344 stations in the United States 

13

from 1930 to 2006 (NOAA 2007).  For each of these three datasets, we created monthly 

correlation maps by determining the degree to which the tree‐ring indices correlate with the 

monthly climate record for each individual grid cell (or weather station in the case of U.S. 

temperature). 

While correlation maps can show where on the globe a given climate parameter tends to 

be associated with shortleaf pine growth at our study site, they do not indicate true magnitudes 

of difference in climate between high and low growth years.  To evaluate how strongly sea level 

pressure and sea surface temperature vary at any given location, we produced climate‐anomaly 

maps that compared high and low growth years by using the 15 narrowest and 15 widest ring 

years for analysis. 

 

RESULTS 

Responses of Shortleaf Pine and Table Mountain Pine to Monthly Climate 

  Eastern Tennessee monthly average temperatures in January and February were 

significantly correlated with both the shortleaf pine tree‐ring chronology (r = 0.50, p < 0.001; r = 

0.42, p < 0.001, respectively) (Figure 2) and the Table Mountain pine tree‐ring chronology (r = 

0.42, p < 0.01; r = 0.37, p < 0.01, respectively) (Figure 3).  We found significant though statistically 

weak relationships between precipitation and shortleaf pine growth, indicating that rainfall on 

the drier west side of GSMNP is not growth‐limiting factor.  The only month during which 

precipitation appears significant to tree growth is February of the growth year (r = 0.23, p < 0.05) 

(Figure 2).  We also found no significant relationship between shortleaf pine growth and PDSI, 

with again a possible exception occurring during February of the growth year (r = 0.22, p < 0.05). 

14

When multiple consecutive months of temperature data were combined and compared 

to the shortleaf pine chronology, ring‐width indices correlated with temperatures from January 

through February more strongly than they did when monthly temperature data were not 

combined. At Newport, Tennessee, the correlation was strongest for January through February 

average temperature (r = 0.53, p < 0.0001), but minimum daily temperatures averaged over 

multiple months more strongly related to ring‐width indices than did maximum daily 

temperature. 

Relationships between Table Mountain pine growth and precipitation were stronger, 

especially during January of the current growth year (r = 0.34, p < 0.01) (Figure 3).  The Table 

Mountain chronology also showed a strong and persistent month‐to‐month relationship with 

PDSI beginning in the previous December and lasting until current year’s August.  The 

strongest correlations occurred during February and May of the growth year (r = 0.38, p < 0.001 

for each) (Figure 3).  We found no indication of sensitivity to minimum winter temperatures in 

shortleaf pine trees (Figure 4), and, therefore, freeze damage does not appear to play a role in 

the positive effects of warm winter temperatures. 

Our shortleaf pine chronology showed positive, but low correlations with other 

chronologies throughout the eastern U.S. (Figure 5).  Pines in the western region of GSMNP 

appear to be unique in their positive temperature response in January and February.  Trees in 

other areas of the Southeastern U.S. are more sensitive to precipitation which may dampen any 

winter temperature signal.  On a larger spatial scale, we found that trees in the eastern U.S. 

produce narrow rings during years with colder than average winter (January and February) 

temperature anomalies (Figure 6, left). Trees in the western U.S. appear to have a weaker 

15

response to colder than average winter temperature.  Warmer than average winter 

temperatures appear to enhance tree growth in the eastern U.S. (Figure 6, right), while wide tree 

rings in the western U.S. (especially in the Pacific Northwest) are more likely to be formed 

during years of colder than average winter temperatures. 

 

Responses of Shortleaf Pine and Table Mountain Pine to Ocean–Atmosphere Teleconnections 

  The shortleaf pine chronology was significantly and positively correlated with NAO 

during both January (r = 0.30, p < 0.05) and February (r = 0.28, p < 0.05) (Figure 7).  The Table 

Mountain pine data also showed statistically significant correlations with the NAO index 

during January and February, and the correlations were much stronger (January r = 0.46, p < 

0.001; February r = 0.48, p < 0.001) (Figure 8).  Only shortleaf pine correlated strongly with 

monthly PDO.  The highest correlations were found for January PDO (r = –0.42, p < 0.001), 

February PDO (r = –0.39, p < 0.01), and March PDO (r = –0.31, p < 0.05) (Figure 7).  Interestingly, 

the Table Mountain pine chronology correlated positively with PDO from late spring through 

summer (Figure 8). These relationships were significant at the 95% level in May and June (May r 

= .28, p < 0.05; June r = 0.27, p < 0.05). Monthly Atlantic sea surface temperature anomalies 

(SSTA) correlated positively with the shortleaf (Figure 7) and Table Mountain (Figure 8) pine 

chronologies.  These relationships were consistently stronger with short leaf pine growth, 

peaking during fall of the previous and current growth years.  A similar pattern in SSTA signal 

appeared in the Table Mountain pine chronology. 

 

16

Standardization Trials 

We found increasingly stronger relationships between both January and February 

temperature and the shortleaf pine chronologies as the length of the spline used for detrending 

increased.  The strongest relationships using spline detrending occurred with the 200‐year 

spline during January (r = 0.47, p < 0.001) and the 100‐year spline during February (r = 0.42, p < 

0.001) (Figure 9).  We found lower correlations with splines of longer lengths and the linear, 

horizontal line, and 67% series length detrending, suggesting that these higher‐order 

detrending methods were removing some of the climate signal.  The negative exponential/linear 

standardization technique was most appropriate for depicting the temperature response in 

shortleaf pine.  We found the highest correlations between the tree‐ring chronologies and 

climate using this detrending technique (January r = 0.50, p < 0.001; February r = 0.42, p < 0.001).  

These results confirm that the use of negative exponential/linear detrending technique best 

preserves the climate signal contained in tree‐ring data for certain species, and that it is wise to 

explore other detrending models before choosing a single detrending technique a priori. 

 

Reconstruction of Winter Temperature 

The reconstruction showed that the 18th and 19th centuries to approximately 1890 did 

not show obvious decadal scale trends in winter temperature fluctuations (Figure 10).  In 

general, average winter temperatures fluctuated consistently between about 32 °F and 45 °F, 

with exceptionally cold winters in the early to middle 1770s.  Extended cold periods were also 

observed between 1795 and 1815, and again between 1825 and 1840.  Beginning about 1890, the 

17

western section of Great Smoky Mountains National Park experienced its coldest period of 

winter temperatures which lasted until about 1920. 

 

Wavelet Analyses 

The shortleaf pine tree‐ring chronology showed two distinctive spectral properties in the 

wavelet analyses. First, the tree‐ring data appear to show longer‐term, multidecadal trends 

because the strength of the periodicities lies between 64 and 128 years, at approximately 80–100 

years (Figure 11).  These longer‐term trends are apparent in the tree‐ring chronology itself 

(Figure 11, upper graph), especially in the 20th century.  Second, this 100 year periodicity faded 

between 1800 and 1850, perhaps marking a change in climate and, therefore, the climate 

response by shortleaf pines.  The majority of the variance in the spectra for this tree‐ring 

chronology clearly lies in the longer wavelengths (Figure 11, lower right). 

The Table Mountain pine chronology showed a shorter decadal scale trend than did the 

shortleaf pine chronology, but this may be due to the short length of the table Mountain pine 

chronology.  This chronology also has a weak sample depth beginning ca. 1875 and we expect 

not to see much evidence of long‐term periodicity.  Nonetheless, the data do show the majority 

of power lying between 32 and 64 years, at approximately 40 to 60 years (Figure 12).  The 

wavelet decomposition also shows that this strong periodicity begins effectively in the 20th 

century and this may be an artifact of sample depth rather than marking a transition in the 

climate state (Figure 12, upper graph). 

 

 

18

Relationships between Tree Growth and Global Climate 

Consistent with the correlations with large‐scale climate indices (NAO, PDO, and SSTA) 

(Figures 7 and 8), we observed large differences in the global organization of atmospheric 

pressure among years associated with narrow versus wide shortleaf pine growth rings.  

Relationships between atmospheric pressure and ring‐width indices were especially apparent 

during January and February (Figure 13, left).  The most noticeable of these differences occurs 

in the northern Pacific and northern Atlantic Oceans. During narrow ring years, the northern 

Pacific Ocean near the Aleutian Islands and the Bermuda High pressure area in the north‐

central Atlantic Ocean are typified by abnormally low sea level pressures.  These decreases are 

on the order of 300 hPa and are consistent with positive PDO and negative NAO phases.  Sea 

level pressure in the Icelandic Low also increases by about 400 hPa during these years, 

significantly decreasing the pressure gradient between the Bermuda High and Icelandic Low, 

and undoubtedly decreasing westerly winds across the northern Atlantic.  During years of 

enhanced shortleaf pine growth, we found abnormally high pressure in the northern Pacific, 

low pressure over the western United States, and low pressure in the northern Atlantic 

associated with the Icelandic Low (Figure 13, right). 

  The largest differences in global distributions of sea surface temperature were also 

associated with PDO and NAO.  During years when narrow rings are formed, temperature is 

low in the northern Pacific Ocean (the region of abnormally low pressure), high along the 

western coast of Canada, and low in the Gulf Stream area of the southeastern United States and 

along the northern Atlantic  coast (Figure 14, left).  Sea surface temperatures show the opposite 

anomaly patterns during years when wide tree rings are formed (Figure 14, right):  winter sea 

19

surface temperatures are cool off the western coast of Canada, while temperatures are warm in 

the Gulf of Mexico and along the Atlantic seaboard. 

  Shortleaf pine growth was also very associated with land surface temperatures 

throughout the eastern United States. Especially throughout the region between 85° and 95° W, 

temperatures during wide‐ring years were between 2 °C and 3.6 °C warmer than they were 

during narrow ring years. This difference is substantial considering the average temperature in 

eastern Tennessee during January and February is 3.9 °C. 

 

DISCUSSION 

Both chronologies correlated with average temperatures occurring during January and 

February.  Based on other studies of climatic responses of trees in the southeastern U.S., we did 

not expect to find a high correlation of annual growth with winter temperatures.  Cleaveland 

(1975) found that temperature in the previous October and November and current July through 

October positively influenced growth of shortleaf pines in South Carolina.   Shortleaf pines in 

northern Georgia showed a positive influence of temperature in October of the previous year 

and a negative temperature relationship during the growing season (Grissino‐Mayer et al. 1989).  

In both of these studies, precipitation was also correlated with growth.  Surprisingly, 

precipitation does not appear to be limiting the growth of shortleaf pines in even the driest 

region of Great Smoky Mountains National Park (GSMNP).  The climate at this location may 

render it ideal for depicting this winter temperature signal.  Mild temperatures early in the year 

may incite the trees to break dormancy sooner.  Other tree species in this region (e.g., tulip 

poplar) have an inverse temperature response during the growing season which is probably 

20

related to a reduction in photosynthetic ability during extreme high temperatures.  Not 

surprisingly, PDSI proved to be a stronger predictor of growth for Table Mountain pine than for 

shortleaf pine.  The higher elevation, shallower soils, and steeper slopes of the Table Mountain 

pine sites likely make these trees more sensitive to precipitation through an interaction with soil 

type. 

Sea level pressure of the Atlantic Ocean influences the source of air currents, and 

therefore air temperature, that eventually reaches trees in the Great Smoky Mountains.  The 

patterns of sea level pressure change in the Atlantic Ocean appear to be coarse‐scale 

determinants of annual ring‐widths in shortleaf pine.  The Gold Mine Trail chronology was 

consistently related to at least one oscillation (AMO, PDO, or NAO) in every month that we 

analyzed, and these strong correlations represent teleconnections where global‐scale air 

currents affect local weather patterns in GSMNP.  During January and February, the shortleaf 

pine and Table mountain pine chronologies show a strong relationship with NAO.  When NAO 

is positive, the eastern U.S. experiences mild winters, and during negative NAO years cold, 

arctic air masses move south and cause cold winters.  NAO drives the winter temperature 

patterns that influence annual growth in these species.  Both chronologies are negatively related 

to the PDO and positively related to the NAO.  These opposing relationships represent the 

intrinsic relationship of these two oscillations.  The wavelet analysis of Gold Mine shortleaf pine 

growth exhibits long‐term periodicity (60–100 years) during the 20th Century.  This time 

coincides with the AMO which cycles through cool and warm phases approximately every 80 

years.  Amazingly, these trees are responding to hemispheric‐scale circulations.   

 

21

ACKNOWLEDGEMENTS 

We wish to thank the organizer of the 17th annual North American Dendroecological 

Fieldweek, James H. Speer, for helping bring together such dynamic groups from which all 

participants can learn new and stimulating techniques.  The other  group leaders of the 

fieldweek (Peter Brown, Neil Pederson, Jodi Axelson, Christopher Gentry, and Saskia van de 

Gevel) helped considerably by sharing their knowledge on the history and techniques of 

dendrochronology.  The Gold Mine Trail data set was developed by Lisa LaForest who was 

assisted in the field and laboratory by Jessica Slayton.  Michael Armbrister developed the Table 

Mountain pine data sets used in this study, and was assisted in the field by Daniel Lewis, David 

Mann, Jake Cseke, and Kevin Anchukaitis.  This work would not have been possible without 

the very accommodating facilities and personnel at the Great Smoky Mountains Institute at 

Tremont. 

 

REFERENCES 

Armbrister, M.R.  2002.  Changes in fire regimes and the successional status of Table Mountain 

pine (Pinus pungens Lamb.) in the southern Appalachians, USA.  M.S. thesis, University 

of Tennessee, Knoxville.  151 pp. 

Case, R.A., and G.M. MacDonald.  2003.  Dendrochronological analysis of the response of 

tamarack (Larix laricina) to climate and larch sawfly (Pristiphora erichsonii) infestations in 

central Saskatchewan.  Ecoscience 10(3): 380–388. 

22

Cleaveland, M.K.  1975.  Dendroclimatic relationships of shortleaf pine (Pinus echinata Mill.) in 

the South Carolina piedmont.  M.S. thesis, Clemson University, Clemson, South 

Carolina.  189 pp. 

Cook, E.R., K.R. Briffa, S. Shiyatov, and V. Mazepa.  1990.  Tree‐ring standardization and 

growth‐trend estimation.  In: E.R. Cook and L.A. Kairiukstis, eds., Methods of 

Dendrochronology: Applications in the Environmental Sciences. International Institute for 

Applied Systems Analysis, Kluwer Academic Publishers, Boston, MA: 104–123. 

Eschtruth, A.K., N.L. Cleavitt, J.J. Battles, R.A. Evans, and T.J. Fahey.  2006.  Vegetation 

dynamics in declining eastern hemlock stands: 9 years of forest response to hemlock 

woolly adelgid infestation.  Canadian Journal of Forest Research 36: 1435–1450. 

Fritts, H.C.  1976.  Tree Rings and Climate.  Academic Press, London. 554 pp. 

Grissino‐Mayer, H.D.  2001.  Evaluating crossdating accuracy: A manual and tutorial for the 

computer program COFECHA.  Tree‐Ring Research 57(2): 205–221. 

Grissino‐Mayer, H.D. and D.R. Butler.  1993.  Effects of climate on growth of shortleaf pine 

(Pinus echinata Mill.) in northern Georgia: A dendroclimatic study.  Southeastern 

Geographer 33(1): 65–81. 

Holmes, R.L.  1983.  Computer‐assisted quality control in tree‐ring dating and measurement.  

Tree‐Ring Bulletin 43: 69–78. 

Kaplan, A., M. Cane, Y. Kushnir, A. Clement, M. Blumenthal, and B. Rajagopalan.  1998.  

Analyses of global sea surface temperature 1856–1991.  Journal of Geophysical Research 

103: 18567–18589. 

23

LaForest, L.B.  2007.  Fire regimes as affected by climate and the relation to yellow pine (Pinus 

spp.) and pine/oak (Quercus spp.) stand dynamics in the Great Smoky Mountains 

National Park, Tennessee.  Final Report, Great Smoky Mountains National Park. 

Larocque, S.J., and D.J. Smith.  2005.  ʹLittle Ice Ageʹ proxy glacier mass balance records 

reconstructed from tree rings in the Mt Waddington area, British Columbia Coast 

Mountains, Canada.  The Holocene 15(5): 748–757. 

NCDC (National Climate Data Center).  2007.  Data archived in the Climate Visualization 

(CLIMVIS) system.  National Climate Data Center, National Oceanic and Atmospheric 

Administration. http://www7.ncdc.noaa.gov/CDO/CDODivisionalSelect.jsp. 

Orvis, K.H., and H.D. Grissino‐Mayer.  2002.  Standardizing the reporting of abrasive papers 

used to surface tree‐ring samples.  Tree‐Ring Research 58(1/2): 47–50. 

Palmer, W.C.  1965.  Meteorological drought.  Washington, DC: U.S. Weather Bureau. Research 

Paper No. 45. 

Percival, D.B., and A.T. Walden.  2000.  Wavelet Methods for Time Series Analysis.  Cambridge 

University Press, Cambridge.  620 pp. 

Rigozo, N.R., L.E.A. Vieira, E. Echer, and D.J.R. Nordemann.  2003.  Wavelet analysis of solar‐

ENSO imprints in tree ring data from Southern Brazil in the last century.  Climatic 

Change 60(3): 329–340. 

Roberts, S.W.  2006.  Preparing for the onset of hemlock mortality in Great Smoky Mountains 

National Park: An assessment of potential impacts to riparian ecosystems.  M. S. thesis, 

The University of Tennessee, Knoxville.  99 pp. 

24

Speer, J.H.  2001.  Oak mast history from dendrochronology: a new technique demonstrated in 

the southern Appalachian region.  Ph.D. dissertation, University of Tennessee, 

Knoxville.  241 pp. 

Stahle, D.W., and M.K. Cleaveland, 1992.  Reconstruction and analysis of spring rainfall over 

the southeastern U.S. for the past 1000 years.  Bulletin of the American Meteorological 

Society 73(12): 1947–1961. 

Stokes, M.A., and T.L. Smiley.  1968.  An Introduction to Tree‐Ring Dating. University of Chicago 

Press, Chicago.  73 pp. 

Swetnam, T.W., M.A. Thompson, and E.K. Sutherland. 1985.  Using dendrochronology to 

measure radial growth of defoliated trees.  USDA Forest Service Agricultural Handbook 

639.  39 pp. 

Torrence, C., and G.P. Campo.  1998. A practical guide to wavelet analysis. Bulletin of the 

American Meteorological Society 79: 61–78. 

Yamaguchi, D.K. 1991.  A simple method for cross‐dating increment cores from living trees. 

Canadian Journal of Forest Research 21: 414–416. 

25

Figure 1. Climograph for the western portion of Great Smoky Mountains National Park. Figure 2. Correlation coefficients between the shortleaf pine standard chronology and precipitation, temperature, and PDSI (* p < 0.05, ** p < 0.01, *** p < 0.001).

-0.3

-0.2

-0.1

0

0.1

0.2

0.3

0.4

0.5

0.6

Pre

v. M

ay

Pre

v. J

une

Pre

v. J

uly

Prev

. Aug

Prev

. Sep

t

Prev

. Oct

Prev

. Nov

Prev

. Dec Jan

Feb

Mar

ch

Apr

il

May

June July

Aug

Sep

t

Oct

Nov

Dec

PrecipTempPDSI

*

**

*

*

** * * *

*

* * * *

****

******

0.50

0.42

0

10

20

30

40

50

60

70

80

Tem

pera

ture

0

1

2

3

4

5

6

Prec

ipita

tion

Precip 4.36 4.36 5.15 4.14 4.29 4.14 5.06 3.96 3.36 2.72 3.59 4.30Temp 37.6 39.9 47.8 56.6 65.2 72.8 76.0 75.2 69.6 58.0 47.0 39.0

1 2 3 4 5 6 7 8 9 10 11 12

26

Figure 3. Correlation coefficients between the Table Mountain pine standard chronology and precipitation, temperature, and PDSI (* p < 0.05, ** p < 0.01, *** p < 0.001).

-0.2

-0.1

0

0.1

0.2

0.3

0.4

0.5

Prev

. May

Pre

v. J

une

Pre

v. J

uly

Pre

v. A

ug

Prev

. Sep

t

Pre

v. O

ct

Pre

v. N

ov

Pre

v. D

ec Jan

Feb

Mar

ch

Apr

il

May

June

July

Aug

Sep

t

Oct

Nov

Dec

PrecipTempPDSI** **

*****

*

*

* *

*

* * **

*

R V

alue

s

Months

0.420.37

27

Figure 4. Monthly combinations of temperature influence on the shortleaf pine chronology from Gold Mine Trail (“Tave” = Average Temperature, “Tmax” = Maximum Temperature, and “Tmin” = Minimum Temperature).

28

Figure 5. Correlation strength between 152 ITRDB tree-ring chronologies and the shortleaf pine chronology used in this study.

= 0.46243

= -0.099411

95oW 90oW 85oW 80oW 75oW 70oW 25oN

30oN

35oN

40oN

45oN

50oN

29

Figure 6. The effects of winter temperature (January and February) anomalies on pine growth (narrow versus wide rings).

=1.2037=-3.2443

Low Ring Width:Temperature Anomaly

120oW 108oW 96oW 84oW 72oW

24oN

30oN

36oN

42oN

48oN

=3.3558=-2.3374

High Ring Width:Temperature Anomaly

120oW 108oW 96oW 84oW 72oW

24oN

30oN

36oN

42oN

48oN

30

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

Last

May

Last

June

Last

July

Last

Aug

Last

Sept

Last

Oct

Last

Nov

Last

Dec Jan

FebMarc

hApri

lMay

June Ju

lyAug

Sept

OctNov Dec

PDONAOSSTA

* *

** * * * ***

** **

*

*** ** *****

**

** *****

*

Figure 7. Correlation coefficients between the shortleaf pine standard chronology and PDO, NAO, and SSTA (* p < 0.05, ** p < 0.01, *** p < 0.001).

31

-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3

0.4

0.5

0.6

Last

May

Last

June

Last

July

Last

Aug

Last

Sept

Last

Oct

Last

Nov

Last

Dec Jan

FebMarc

hApri

lMay

June Ju

lyAug

Sept

OctNov Dec

PDONAOSSTA

*** ***

*

* ** * * * * *

Figure 8. Correlation coefficients for the Table Mountain pine standard chronology with select teleconnections, PDO, NAO, and SSTA (* p < 0.05, ** p < 0.01, *** p < 0.001).

32

Figure 9. Correlation coefficients for the different shortleaf pine standardization trials.

0.47

0.42 0.42

0.5

0

0.1

0.2

0.3

0.4

0.5

0.6

10 15 25 5010

0200 30

040

0LIN

HOR LIN67

%

NEG EXP LIN 10 15 25 50

100

200 300

400 LIN

HOR LIN67

%

NEG EXP LIN

Pear

son

Coe

ffici

ent

January February

33

Figure 10. A tree-ring based reconstruction of average January and February temperature.

25

30

35

40

45

50

1725 1750 1775 1800 1825 1850 1875 1900 1925 1950 1975 2000 2025

Reconstruction for Winter Temperature (Jan + Feb)Actual Winter Temperatures (Jan + Feb)Average Winter Temperatures

34

Figure 11. Wavelet analysis for the Gold Mine Trail shortleaf pine chronology.

35

Figure 12. Wavelet analysis for the Table Mountain pine chronology.

36

Figure 13. Effects of winter sea level pressure (January + February) anomalies on pine tree growth. Figure 14. Effects of winter sea surface temperature (January + February) anomalies on pine tree growth.

180oW 120oW 60oW 0o 60oE 120oE 180oW

80oS

40oS

0o

40oN

80oN

180oW 120oW 60oW 0o 60oE 120oE 180oW

80oS

40oS

0o

40oN

80oN

-300

-200

-100

0

100

200

300

400

180oW 120oW 60oW 0o 60oE 120oE 180oW

80oS

40oS

0o

40oN

80oN

180oW 120oW 60oW 0o 60oE 120oE 180oW

80oS

40oS

0o

40oN

80oN

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

Narrow Ring Widths Wide Ring Widths

Narrow Ring Widths Wide Ring Widths