Количественный анализ факторов, влияющих на повреждение старовозрастного южнотаежного древостоя в результате катастрофического ветровала, на основе дистанционных и объединенных данных

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Исследованы последствия массового (катастрофического) ветровала в малонарушенном массиве южнотаежных ельников заповедника “Кологривский лес”. Степень повреждения древостоев была оценена путем дешифрирования космических снимков Sentinel-2. Для количественного анализа факторов, влияющих на наличие ветровальных повреждений, использовали данные портала GBIF, глобальные модели высот местности SRTM и высот древостоев. Выявлено, что ветровалами повреждены древостои на площади 277.9 га (40.5% всего массива). Результаты анализа моделей высот и регрессионных моделей показали, что более подвержены ветровалу еловые древостои, а также древостои большей высоты или произрастающие на бóльших высотах на местности.

Об авторах

Н. В. Иванова

ИПМ им. М.В. Келдыша РАН

Email: Natalya.dryomys@gmail.com

Институт математических проблем биологии РАН

Россия, 142290 Пущино, ул. проф. Виткевича, 1

М. П. Шашков

Карагандинский университет им. акад. Е.А. Букетова

Email: Natalya.dryomys@gmail.com
Казахстан, 100028 Караганда, ул. Университетская, 28, к. 3

А. В. Лебедев

Российский государственный аграрный университет – МСХА им. К.А. Тимирязева; Государственный заповедник “Кологривский лес”

Email: Natalya.dryomys@gmail.com
Россия, 127434 Москва, ул. Тимирязевская, 49; 157440 Кологрив, ул. Некрасова, 48

В. Н. Шанин

ФИЦ “Пущинский научный центр биологических исследований РАН”

Автор, ответственный за переписку.
Email: Natalya.dryomys@gmail.com

Институт физико-химических и биологических проблем почвоведения РАН

Россия, 142290 Пущино, ул. Институтская, 2, к. 2

Список литературы

  1. Ulanova N.G. The effects of windthrow on forests at different spatial scales: a review // Forest Ecology and Management. 2000. V. 135. P. 155–167. https://dx.doi.org/10.1016/S0378-1127(00)00307-8
  2. Gardiner B. Wind damage to forests and trees: a review with an emphasis on planted and managed forests // Journal of Forest Research. 2021. V. 26. № 4. P. 248–266. https://doi.org/10.1080/13416979.2021.1940665
  3. Seidl R., Schelhaas M.-J., Lexer M.J. Unraveling the drivers of intensifying forest disturbance regimes in Europe // Global Change Biology. 2011. V. 17. P. 2842–2852. https://dx.doi.org/10.1111/j.1365-2486.2011.02452.x
  4. Baumann M., Ozdogan M., Wolter P.T. et al. Landsat remote sensing of forest windfall disturbance // Remote Sensing of Environment. 2014. V. 143. P. 171–179. https://doi.org/10.1016/j.rse.2013.12.020
  5. Kislov D.E., Korznikov K.A. Automatic windthrow detection using very-high-resolution satellite imagery and deep learning // Remote Sensing. 2020. V. 12. № 7. Art. 1145. https://doi.org/10.3390/rs12071145
  6. Lazecky M., Wadhwa S., Mlcousek M. et al. Simple method for identification of forest windthrows from Sentinel-1 SAR data incorporating PCA // Procedia Computer Science. 2021. V. 181. P. 1154–1161. https://doi.org/10.1016/j.procs.2021.01.312
  7. Olmo V., Tordoni E., Petruzzellis F. et al. Use of Sentinel-2 satellite data for windthrows monitoring and delimiting: the case of “Vaia” storm in Friuli Venezia Giulia region (North-Eastern Italy) // Remote sensing. 2021. V. 13. Art. 1530. https://dx.doi.org/10.3390/rs13081530
  8. Phillips S.J., Anderson R.P., Schapire R.E. Maximum entropy modeling of species geographic distributions // Ecological Modelling. 2006. V. 190. P. 231–259. https://doi.org/10.1016/j.ecolmodel.2005.03.026
  9. Poggio L., de Sousa L.M., Batjes N.H. et al. SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty // SOIL. 2021. V. 7. P. 217–240. https://doi.org/10.5194/soil-7-217-2021
  10. Nature Map Explorer 2021. https://explorer.naturemap.earth/ (1.11.2022).
  11. Santoro M., Cartus O., Carvalhais N. et al. The global forest above-ground biomass pool for 2010 estimated from high-resolution satellite observations // Earth System Science Data. 2021. V. 13. P. 3927–3950. https://doi.org/10.5194/essd-13-3927-2021
  12. Farr T.G., Rosen P.A., Caro E. et al. The shuttle radar topography mission // Reviews of Geophysics. 2007. V. 45. Art. RG2004. https://doi.org/10.1029/2005RG000183
  13. Lang N., Jetz W., Schindler K. et al. A high-resolution canopy height model of the Earth 2022. https://langnico.github.io/globalcanopyheight/
  14. Potapov P., Hansen M.C., Pickens A. et al. The global 2000–2020 land cover and land use change dataset derived from the Landsat archive: first results // Frontiers in Remote Sensing. 2022. V. 3. Art. 856903. https://doi.org/10.3389/frsen.2022.856903
  15. Heberling J.M., Miller J.T., Noesgaard D. et al. Data integration enables global biodiversity synthesis // Proceedings of the National Academy of Sciences of the United States of America. 2021. V. 118. № 6. Art. e2018093118. https://doi.org/10.1073/pnas.2018093118
  16. Кологривский лес: Экологические исследования. М: Наука, 1986. 128 с.
  17. Хорошев А.В., Немчинова А.В., Кощеева А.С. и др. Ландшафтные и сукцессионные факторы соотношения неморальных и бореальных свойств травяного яруса в заповеднике “Кологривский лес” // Вестник Московского гос. ун-та. Серия 5: География. 2013. № 5. С. 11–18.
  18. Иванов А.Н., Буторина Е.А., Балдина Е.А. Многолетняя динамика коренных южно-таежных ельников в заповеднике “Кологривский лес” // Вестник Московского гос. ун-та. Серия 5: География. 2012. № 3. С. 74–79.
  19. Ivanova N.V., Shashkov M.P. Tree stand assessment before and after windthrow based on open-access biodiversity data and aerial photography // Nature Conservation Research. 2022. V. 7. Suppl. 1. P. 52–63. https://dx.doi.org/10.24189/ncr.2022.018
  20. Chen D., Huang J., Jackson T.J. Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near- and short-wave infrared bands // Remote Sensing of Environment. 2005. V. 98. P. 225–236. https://doi.org/10.1016/j.rse.2005.07.008
  21. Абатуров Ю.Д., Письмеров А.В., Орлов А.Я. и др. Коренные темнохвойные леса южной тайги (резерват “Кологривский лес”). М.: Наука, 1988. 220 с.
  22. Лебедев А.В., Чистяков С.А. Долговременные наблюдения на пробных площадях в древостоях ядра заповедника “Кологривский лес” // Вклад ООПТ в экологическую устойчивость регионов. Современное состояние и перспективы: Мат-лы конф. Кологрив: ГПЗ “Кологривский лес”, 2021. С. 31–43.
  23. Ivanova N.V. Factors limiting distribution of the rare lichen species Lobaria pulmonaria (in forests of the Kologriv Forest Nature Reserve) // Biology Bulletin. 2015. V. 42. № 2. P. 145–153. https://doi.org/10.1134/S1062359015020041
  24. Иванова Н.В., Терентьева Е.В. Состояние популяций охраняемого лишайника Lobaria pulmonaria в лесах северо-востока Костромской области // Вестник Томского гос. ун-та. Биология. 2017. № 38. C. 149–166. https://doi.org/10.17223/19988591/38/9
  25. GBIF.org (16 April 2022) GBIF Occurrence Download. https://doi.org/10.15468/dl.qzgpn2 (1.11.2022)
  26. Jarvis A., Reuter H.I., Nelson A. et al. Hole-filled seamless SRTM data V4, International Centre for Tropical Agriculture (CIAT). 2008. http://srtm.csi.cgiar.org (29.12.2022).
  27. Potapov P., Li X., Hernandez-Serna A. et al. Mapping global forest canopy height through integration of GEDI and Landsat data // Remote Sensing of Environment. 2020. V. 253. Art. 112165. https://doi.org/10.1016/j.rse.2020.112165
  28. R Core Team (2022). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.
  29. Ribeiro P.J. Jr., Diggle P.J. A package for geostatistical analysis // R-NEWS. 2001. V. 1. № 2. P. 15–18.
  30. QGIS Development Team, 2022. QGIS Geographic Information System. Open Source Geospatial Foundation Project. http://qgis.osgeo.org.
  31. Taylor R.A., Dracup E., MacLean D.A. et al. Forest structure more important than topography in determining windthrow during Hurricane Juan in Canada’s Acadian Forest // Forest Ecology and Management. 2019. V. 434. P. 255–263. https://dx.doi.org/10.1016/j.foreco.2018.12.026
  32. Ruel J.-C. Understanding windthrow: silvicultural implications // The Forestry Chronicle. 1995. V. 71. № 4. P. 434–445. https://dx.doi.org/10.5558/tfc71434-4
  33. Бобровский М.В., Стаменов М.Н. Влияние катастрофического ветровала 2006 года на структуру и состав лесной растительности заповедника “Калужские засеки” // Лесоведение. 2020. № 6. С. 523–236. https://doi.org/10.31857/S0024114820050022
  34. Богачев А.В. Лесотаксационные исследования. М.: ВНИИЛМ, 2007. 344 с.
  35. Pretzsch H. The effect of tree crown allometry on community dynamics in mixed-species stands versus monocultures. A review and perspectives for modeling and silvicultural regulation // Forests. 2019. V. 10. № 9. Art. 810. https://doi.org/10.3390/f10090810
  36. Ovaskainen O., Meyke E., Lo K. et al. Chronicles of nature calendar, a long-term and large-scale multitaxon database on phenology // Scientific Data. 2020. V. 7. Art. 47. https://doi.org/10.1038/s41597-020-0376-z
  37. Буйволов Ю.А., Минин А.А., Черногаева Г.М. Летопись природы – вызовы и возможности // Использование и охрана природных ресурсов в России. 2022. № 1. С. 46–55.
  38. Roslin T., Antão L., Hällfors M. et al. Phenological shifts of abiotic events, producers and consumers across a continent // Nature Climate Change. 2021. V. 11. P. 241–248. https://doi.org/10.1038/s41558-020-00967-7
  39. Shashkov M.P., Bobrovsky M.V., Shanin V.N. et al. Data on 30-year stand dynamics in an old-growth broad-leaved forest in the Kaluzhskie Zaseki State Nature Reserve, Russia // Nature Conservation Research. 2022. V. 7. Suppl. 1. P. 24–37. https://dx.doi.org/10.24189/ncr.2022.013

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2024