Original Russian Text © 2023 D. V. Gichan, D. N. Tebenkova published in Forest Science Issues Vol. 6, No 3, Article 131. 

© 2024                                                    D. V. Gichan^*, D. N. Tebenkova

Centre for Forest Ecology and Productivity of the RAS

Profsoyuznaya st. 84/32 bldg. 14, Moscow, 117997, Russia

^*E-mail: DmitriiGichan@yandex.ru

Received: 11.08.2023

Revised: 15.09.2023

Accepted: 18.09.2023

The article presents an overview of Russian and foreign papers on the subject of quantitative assessment of woody plants growth on abandoned agricultural lands and possible ways to utilize them. Particular attention is paid to analysing the causes for the abandonment of such lands and the legislation issues that limit the provision of such areas for commercial forest growing in Russia. According to various estimates, the area of abandoned agricultural land in the world varies from 150 to 472 million hectares, with 33 to 100 million hectares being in Russia. At the same time, there is a trend towards an increase in the area of such lands. The rate at which the area of abandoned agricultural lands is increasing is about 1% per year on average. It may vary over time and depend on the region. The main groups of factors that contribute to the agricultural lands falling into disuse are social, economic, environmental, landscape and historical. The most promising is the involvement of such lands in climate-smart forestry activities, especially for agroforestry. This is due to the multiplier effect from, on the one hand, obtaining forest goods, including bioenergy, and on the other hand, services, including the use in crop or livestock farming activities. Currently in Russia there is no legislative framework permitting commercial forest growing on agricultural lands, with the exception of planting shelterbelts and other protective structures, despite the active position of organizations and government structures involved, so its development proves to be a necessity.

Keywords: agricultural land, woody plants growth, woody plants growth factors, climate-smart forestry

The generally recognized problem of climate change instigates interest in studying the potential of forest ecosystems for absorption and storage of greenhouse gases, including the search for ways to compensate for emissions using woody plants. For example, the new EU forest strategy for 2030 aims to plant an additional three billion trees on non-forest lands to achieve the goals of the European Union in biodiversity and reduce greenhouse gas emissions by at least 55% by 2030 (Novaja lesnaja strategija…, 2021). Russia has also committed to a 70% reduction in greenhouse gas emissions as compared to 1990 levels (Paris Agreement, 2015). In accordance with the Low-Carbon Development Strategy of the Russian Federation (Novaja lesnaja strategija…, 2021), Russia must compensate for 1.1 billion tons of CO₂ emissions to become carbon neutral by 2060.

Climate-smart forestry projects are recognized as one of the most important ways to achieve the goals of adaptation to climate change. In addition to climatic benefits, proper organization of such projects can support biodiversity, improve the protective functions of forests, increase the economic efficiency of the forest sector, and develop the local economy (Lesoklimaticheskie proekty…, 2021). The scientific community recognizes the use of abandoned agricultural lands for forest cultivation as one of the promising types of climate-smart forestry projects. The grounds underlying the use of such territories include a low baseline, significantly large areas of these territories, and their multiplier effect, which can bring benefits to the economy and environmental conservation (Rezoliutsiia…, 2021). The signing of the Glasgow Declaration on Forests and Land Use has also contributed to the relevancy of involving abandoned agricultural lands in forest climatic activities (Iurgens, Turbina, 2022). The countries that joined the Declaration, including Russia, identified the transition to sustainable land use as a key area for conservation and restoration of forests, for which national agricultural strategies and programs should be adjusted if necessary. Nevertheless, the contribution of woody plants of such forests to the national and global carbon budget remains unaccounted for, which poses a huge problem (Zomer et al., 2016). Therefore, it is vital to assess areas covered with woody plants on abandoned agricultural lands and analyse the factors of their formation to understand the carbon-depositing potential of such areas and possible ways of their involvement in climate-smart forestry activities.

Currently, it may be challenging to estimate the areas of abandoned agricultural lands, the composition and structure of vegetation on them on a global scale due to the differences in measurement methods creating complications (Subedi et al., 2021); their formation factors may differ significantly, therefore they must be considered individually. Estimation may also be difficult because of different groups of researchers suggesting different interpretations of the term of abandoned agricultural lands (Haddaway et al., 2013). The classic definition of abandonment is termination of agricultural activity in a given area (Pointereau et al., 2008). The abandonment of agricultural lands can be final, incomplete, hidden or repetitive, and it represents a decrease in the intensity of agricultural activity over time (Prishchepov et al., 2021). The Food and Agriculture Organization of the United Nations (FAO) defines abandonment of agricultural land as termination of agricultural activities on agricultural land for a short or long period of time, as well as passive use of such land and evolvement of succession processes (Land Abandonment…, 2011; Terres et al., 2013; Analysis of land…, 2023). Decree of the Government of the Russian Federation No. 1482 dated 18/09/2020 About Signs of Non-Use of Land Plots from Agricultural Lands defines abandoned agricultural land as an area where at least 50% is covered with weeds and the remaining part is not operated, or the area is utilized by no more than 25%. In accordance with Federal Law No. 101-FZ dated 24/07/2002 On the Turnover of Agricultural Land, agricultural lands are recognized as non-utilized and withdrawn if the area has not been utilized for three or more consecutive years.

When analysing the potential use of such areas in climate-smart forestry projects, an integrated approach is needed taking into account alternative uses of abandoned agricultural lands to select the most rational ones. This approach serves as a basis to organize smart forestry, both for careful attitude to natural resources and for creating synergies with other fields of the forest-related economy (Kauppi et al., 2018).

This article is intended to discuss estimates of woody plants growth of abandoned agricultural lands, reasons for termination of agricultural activities, and existing areas of involvement of such lands in climate-smart forestry activities.

World Estimates of Woody Plants Growth on Abandoned Agricultural Lands

The current trend towards reducing agricultural land areas with their subsequent woody plants growth is global. The amount of abandoned agricultural lands worldwide in the period from 1700 to 1992 is estimated at 150 million hectares (Ramankutty, Foley, 1999). In the paper by J. Campbell et al., the area of abandoned agricultural lands is estimated at 385–472 million hectares (Campbell et al., 2008). During the 20^th century, the largest number of agricultural lands were abandoned in North America, the former Soviet Union and South Asia, followed by Europe, South America and China (Cramer et al., 2007).

In the paper by M. Gvein et al. (Gvein et al., 2023), a global assessment of the area of abandoned agricultural lands from 1992 to 2018 was made based on Earth’s remote sensing (ERS). The total area of abandoned agricultural lands is estimated at 98 million hectares (fig. 1, a). There is an increase in the rate of abandonment of arable land from 3.6 million hectares a year^-1 in the period from 1992 to 2015 to 4.8 million hectares a year^-1 in the period from 2015 to 2018. According to the authors’ forecast, by 2050 the area of such lands may increase to 168 million hectares (fig. 1, b).

Figure 1. Dynamics of forest areas on abandoned agricultural lands (Gvein et al., 2023)

The reduction of agricultural land area is not always accompanied by abandonment. In some situations, agricultural land is seized for the needs of industry, and subsequently infrastructure facilities arise in these areas. However, D. I. Ljuri et al. (2010) emphasize in their paper that the impact of agricultural land seizure for construction in the period from 1961 to 2000 is significant for a small number of countries, such as Japan, India, the Netherlands, Belgium, and Germany.

In the mountainous regions of China, about 28% of arable land was abandoned during the first decade of the 21^st century (Subedi et al., 2021). In particular, from 2000 to 2003, the area of abandoned agricultural lands covered with woody plants throughout China increased by 1.41 million hectares (Liu et al., 2010). In the abandoned agricultural lands of northern China with a total area of 72.48 thousand hectares in the period from 2003 to 2013, 20% of the territory underwent the processes of forest formation at different succession stages. During the same period, closed forests formed on an area of 7.92 thousand hectares (Wang et al., 2015).

According to estimates based on ERS data, in the period from 2002 to 2017, the share of abandoned agricultural lands within the area cultivated in 2000 throughout China averaged 5% (8.47 million hectares). Herewith, the smallest share of 3.7% was in 2002, and the largest share of 6.8% — in 2015 (Zhu et al., 2021). For about twenty of the thirty-four main agricultural regions of China, there is a declining trend in utilization of lands, including some of the main grain production areas, such as the North China Plain, the middle and lower reaches of the Yangtze River (Zhu et al., 2021).

It should be noted that, in China, the process of forest formation on abandoned agricultural lands is often not spontaneous, but is an agroforestry phenomenon. This is supported by a number of government programs. For example, in the period from 2000 to 2020, in Inner Mongolia, one of the regions with the most severe desertification and land degradation in China, land restoration projects were launched, such as the Beijing-Tianjin Sand Source Control Program, the Three-North Shelter Forest Program, the Program for Soil and Water Conservation, the Nature Reserves Program and the Grain for Green Program, which is by far the largest environmental restoration plan and rural development program in the world (Wuyun et al., 2022). The Grain for Green program is aimed at converting low-yielding arable lands on slopes, lands with severe desertification, erosion, or salinization of soil into forest lands by planting trees. As a result of this conversion, from 2000 to 2018, about 700 thousand hectares of forest lands were restored in the agro-pastoral ecotone of northern China, and Shaanxi Province showed the best results in restoring vegetation. Here, the vegetation cover in the areas covered by this project increased from 29.7% in 1998 to 42.2% in 2005 (Cao et al., 2009) and to 45% in 2018 (almost 660,000 hectares) (Pei et al., 2021). The vegetation coverage area of the Loess Plateau increased significantly, from 31.6% to 59.6%, in the period from 1999 to 2013 (Zhao et al., 2023). According to estimates, the involvement of 1% of lands intended for increasing the area of forests and reducing the share of marginal agricultural lands in this program will lead to an 0.26% increase in gross primary production (Qiu, Peng, 2022).

In tropical countries, such as Brazil, Peru, and Puerto Rico, significant areas of intact forests have been reduced using a slash-and-burn farming system. Logging in combination with the diverse land utilization cases, different land management methods and different biophysical characteristics of ecosystems (for example, soil fertility) creates a dynamic landscape mosaic consisting of remnants of mature and secondary forest plots of different ages and disruption history (Kammesheidt, 2002; Rozendaal et al., 2019). The share of secondary forests in tropical countries reaches 40% of the total forest area, and their formation rate amounts to about 9 million hectares per year^-1 (Brown, Lugo, 1990). In the mountainous regions of southern Costa Rica, the proportion of forests of various successional stages on abandoned agricultural lands is 32%, or 13,440 hectares (Helmer et al., 2000). In Puerto Rico, during the decade starting in 1980, the area of abandoned agricultural lands covered with forest vegetation increased by 25,000 hectares and reached a total of 143,000 hectares. Most of these areas are abandoned coffee plantations (Lugo and Helmer, 2004). In Colombia, 71.8% of the area of primary mature forests has been cut down in the last 30–60 years in six landscapes, including the central (Magdalena) and eastern (Orinoco, Amazon and Catatumbo) regions of Colombia (Etter et al., 2005). Logging is required to obtain new agricultural lands, since the condition of the existing lands deteriorates over time due to overgrazing and soil compaction, which subsequently leads to the abandonment of lands and forest restoration on them. A mosaic of forests has formed in this area at various restoration stages.

Remote sensing data showed that the total area of abandoned agricultural lands in Europe is 128.7 million hectares, most of them associated with the dissolution of the USSR (Estel et al., 2015). Between 2001 and 2012, about 7.6 million hectares were abandoned, mainly in Eastern Europe, Southern Scandinavia and the mountainous regions of Europe (Estel et al., 2015). In the period from 1962 to 2019, the largest areas of abandoned agricultural land among the countries of the European Union were noted for Italy (7.53 million hectares), Spain (7.03 million hectares), and France (5.78 million hectares) (Barsukova et al., 2021). In France and Spain, over the past 100 years, the annual losses of utilized agricultural land amount to 0.17% and 0.8%, respectively (Keenleyside et al., 2010). In the Nordic countries, such as Denmark, Estonia, Finland, Latvia, Lithuania, Sweden, up to 1.8–2.6 million hectares of agricultural land are forested (Rytter et al., 2016). The maximum increase in the area of abandoned agricultural lands in Europe was observed in 1990–2000, which is again associated with the USSR dissolution. For instance, over the period from 1990 to 2000, the increase in the area of abandoned agricultural lands was 42% in Latvia, 31.1% in Russia, 28.4% in Lithuania, 14.0% in Poland, and 13.5% in Belarus (Perepechina et al., 2016). In Latvia, the area of agricultural lands with woody plants may exceed 300,000 hectares. Timber reserves in these areas are estimated at 4.82 million m³ (Liepins et al., 2008). In the Polish Carpathians, the area of abandoned agricultural lands grown over with woody plants is 13.9% (107,000 hectares); depending on the location, the areas vary from 1.7% to 38.4% of the region (Kolecka et al., 2017). In the border triangle in the Carpathians, which includes the territories of Poland, Slovakia and Ukraine, from 1998 to 2000, the area of secondary woody plants on abandoned agricultural lands increased by 161 thousand hectares (12.5%) (Kuemmerle et al., 2008).

Figure 2. Predicted areas of abandoned agricultural lands by 2030 for European countries (according to Castillo et al., 2018).

The largest increase in such areas is characteristic of Slovakia, amounting to 119,000 hectares (20.2%) (Kuemmerle et al., 2008; Prishchepov et al., 2012). In western Ukraine, the area of abandoned agricultural lands reached 660,000 hectares in 2008 (Baumann et al., 2011). In their paper, D. I. Ljuri et al. (2010) note that, in the former USSR, the area of agricultural lands has been declining since 1970, mainly in the non-chernozem zone of the European Russia, Western Siberia and the Urals. The area of agricultural lands in these regions fell down from 1970 to 1990 and amounted to 8.6 million hectares, which was mainly caused by the reduction in the rural population in the post-war years and unfavourable soil and climatic conditions.

The regions posing the highest risk to become abandoned are the mountainous regions of Finland, Sweden, the Pyrenees, north-western Spain, Portugal, the central massif of France, the Apennines in Italy, the Alps, the mountainous regions of Germany, and the border region of the Czech Republic (Keenleyside et al., 2010). According to some forecasts, by 2030 the amount of abandoned agricultural land in European countries will reach 4.8–5.6 million hectares (fig. 2) (Castillo et al., 2018, European Commission…, 2021), while according to others, by 2040 the area of abandoned agricultural lands in Europe will amount to 7.1–21.2 million hectares (Janus, Bozek, 2019).

Since mid-19^th century, agricultural lands in the north-eastern regions of the United States have ceased to be utilized due to competition with agriculture in the Midwest and the Great Plains. About 75% of agricultural land was abandoned between 1880 and 1997 (Lana-Renault et al., 2020). For example, in Tompkins County, with an area of 125,000 hectares, forests were actively cleared during the 18–19^th centuries, which reached its peak by 1900. By early 20^th century, many farmers began to abandon the fields in search of better farms or more profitable jobs elsewhere. Since then, forests have continued to recover, occupying 54% of the county’s land area by 1995. By 2005, the local landscape consisted of mature secondary forests, in which the native beech forests were replaced by pine, maple and ash (Flinn et al., 2005). According to some estimates (Zumkehr, Campbell, 2013), the area of abandoned agricultural land in the United States by 2000 was 68 million hectares, which is consistent with another study (Yu et al., 2019), in which the area of abandoned arable land in the period from 1980 to 2016 is estimated at 38.1–48.1 million hectares.

Woody Plants Growth on Abandoned Agricultural Lands in Russia

The socio-economic crisis that hit domestic agriculture in the early 1990s resulted in a situation where many arable lands, hay fields and pastures ceased to be utilized (Maslov et al., 2016). Thus, the area of agricultural lands of the Russian Federation in 1990 was estimated at 639.1 million hectares (Barsukova et al., 2021). According to official data, it amounted to 400 million hectares in 2010 and 381.7 million hectares in 2020 (Doklad o sostojanii i ispol’zovanii zemel’…, 2021).

Forest communities have formed on many abandoned areas in 25–30 years. However, there is currently no unified accounting system for woody plants growth of abandoned agricultural lands, which is why the estimates of such growth by different authors are ambiguous. According to various estimates, the area of abandoned agricultural lands in Russia where woody plants have grown ranges from 33 million hectares (Bartalev, 2023) to 100 million hectares (Greenpeace[1]…, 2018). Estimates based on Greenpeace¹ models are constructed without taking into account Siberia and the Far East, therefore, the area of woody plants growth on abandoned agricultural lands may be significantly higher (Karta neispol’zuemykh sel’khoz zemel’…, 2018). Regional estimates of woody plants growth are also ambiguous. For example, the area of forested agricultural lands in Altai Krai is 2.65 million hectares according to Greenpeace¹ (Karta neispol’zuemykh sel’khoz zemel’…, 2018), and 1.1 million hectares according to Roslesinforg estimates (Roslesinforg: ploshchad zarosshikh…, 2022). The area of forested agricultural land is 2.04 million hectares in Perm Krai according to Greenpeace¹ (Karta neispol’zuemykh sel’khoz zemel’…, 2018) and 1.38 million hectares according to A. P. Belousova and I. V. Bryzhko (2021). Nevertheless, researchers agree that the most intensive processes of woody plants growth on abandoned agricultural lands occur in the Non-Chernozem zone of the European part of Russia (Ljuri et al., 2010; Medvedev et al., 2019).

One of the most extensive databases on the areas of woody plants growth on abandoned agricultural lands is the Greenpeace¹ map published in 2018 (Karta neispol’zuemykh sel’khoz zemel’…, 2018). The largest areas of woody plants growth since 2015 are observed in Novosibirsk Oblast (4.04 million hectares), the Republic of Bashkortostan (3.24 million hectares), Kirov (1.45 million hectares), Tver (0.81 million hectares) and Smolensk (0.79 million hectares) Oblasts (fig. 3). In most cases, agricultural activities are ceased due to remoteness of these territories from the central regions, low transport development, and outflow of population from rural areas. At the same time, the largest share of woody plants growth within the area of the region is typical for Smolensk Oblast, which is 35% (0.7 million hectares). The total reserves of timber in the abandoned agricultural lands of Russia are estimated at 300 million m³. Its use can significantly reduce the anthropogenic load on newly cultivated boreal forests (Karta neispol’zuemykh sel’khoz zemel’…, 2018).

Figure 3. Woody plants growth area in abandoned agricultural lands of the Republic of Bashkortostan, Novosibirsk, Tver, Smolensk and Kirov Oblasts (Karta neispol’zuemykh sel’khoz zemel’…, 2018)

According to the estimates of the Space Research Institute of the Russian Academy of Sciences (Bartalev, 2023), the area of forests on abandoned agricultural lands increased by 5.8 million hectares from 2001 to 2021 and amounts to 32.9 million hectares. The average rate of increase in the area of forests on abandoned agricultural lands is about 125,000 hectares per year^-1 (fig. 4). Accordingly, the carbon stock on such lands has increased by 0.3 billion tons since 2001 and amounts to 1.9 billion tons by 2020. The predominant species on abandoned agricultural lands is birch, growing on an area of 14.97 million hectares. Pine and larch grow on an area of 5.35 and 4.69 million hectares of abandoned agricultural lands, respectively (Bartalev, 2023). It is noteworthy that such forests are more productive than forests growing on forest lands. Thus, the distribution of forests on forest lands by bonus classes is 5.4%, 6.2%, 11.4%, 16.6% and 60.3%, starting from the first and ending with the fifth, while the distribution by bonus classes for woody plants growth on abandoned agricultural lands is 17.5%, 15.0%, 20.6, 20.3, and 26.7%, respectively (Bartalev, 2023). The average annual rate of increase in carbon stocks on abandoned agricultural lands is 26×106 Mt C per year^-1 (fig. 5) (Bartalev et al., 2021; Bartalev, 2023).

Figure 4. Dynamics of forest areas on abandoned agricultural lands (according to Bartalev, 2023)

Figure 5. Carbon stock in the forest phytomass outside the forest lands
(according to Bartalev, 2023)

According to some estimates (Kurganova et al., 2014), the area of abandoned agricultural lands in Russia is estimated at 45.5 million hectares, the average rate of carbon accumulation in the upper 20-centimeter soil layer is 0.96±0.08 mg CO₂ ha^-1 year^-1 during the first 20 years after agricultural activities are terminated, and 0.19±0.10 mg of CO₂ ha^-1 year^-1 during the next 30 years. Consequently, the amount of carbon accumulated from 1990 to 2009 is 811.4 million tons. Said amount includes 267.9 million tons, 294.5 million tons and 249 million tons in the Northern European, Southern European and Asian parts of the country, respectively. Most carbon is accumulated in the Volga region (191.9 million tons), Western (108.3 million tons) and Eastern Siberia (106.4 million tons), as well as in the Urals (106.4 million tons) (fig. 6). In their papers (Kurganova et al., 2014, 2015), the authors emphasize that factors such as soil type, forest-forming rock and the age of abandonment of the site have a significant impact on carbon deposition.

Figure 6. Carbon deposition in the twenty-centimetre soil layer of abandoned agricultural lands in the period from 1990 to 2009 (according to Kurganova et al., 2014)

In their subsequent paper (Kurganova et al., 2015), the authors note that the amount of abandoned arable land after 2005 remains constant and is 45.5 million hectares for Russia and 12.9 million hectares for Kazakhstan. For these territories, the net ecosystem production (NEP) is 106 Mt C per year^-1 and 125 Mt C per year^-1, respectively. The authors emphasize that the European part of Russia (ecoregions of taiga, coniferous-deciduous forests and forest-steppe) accounts for 44% of the total carbon stock provided by the termination of agricultural activities on arable lands.

Generalized data on the areas of abandoned agricultural lands are shown in Table 1.

Table 1. Estimated areas of abandoned agricultural lands in different countries

Reasons for Abandonment of Agricultural Lands

There are a significant number of publications analysing the causes of abandonment of agricultural lands and formation of forests on them for European countries where this phenomenon has been widespread since mid-20^th century (Cramer et al., 2007; Prishchepov et al., 2013; Goga et al., 2019; Heider et al., 2021). The main reason for abandonment is unprofitability of agricultural activities on such lands, the limiting factors for which and their significance can vary significantly and should be considered individually on a case-by-case basis. The main groups of factors determining the abandonment of agricultural lands include social, economic, environmental, landscape and historical factors, or combinations thereof (Estel et al., 2015; Lasanta et al., 2017).

Environmental and landscape factors are closely related. These include unfavourable climatic conditions, negative land forms, low soil fertility, and a large number of erosion-prone areas (slopes, hills). The reason for ecosystem deterioration may be non-rational soil management and treatment systems, which lead to its degradation. Environmental and landscape factors are more fundamental in the abandonment of agricultural lands. In areas with an unfavourable climate and poor soils, urbanized territories are fewer and transport development is lower. Due to no infrastructure in such areas, there is an outflow of population, so farming becomes almost impossible, farmers do not cultivate such areas, and as a result, woody plant growth starts (Keenleyside et al., 2010; Peña-Angulo et al., 2019).

Social and economic factors are also closely linked. Socio-economic factors include low transport accessibility, distance from large market centres, outflow of rural population to cities, average size of cultivated areas, low economic importance of agribusiness, as well as lack of younger generation capable of supporting this industry, population decline, low life expectancy, etc. (Mottet, 2005). In socially marginal areas with a poorly developed economic component and a less demographically active population, the probability of abandonment of agricultural lands is higher than in areas with favourable socio-economic conditions. For instance, A. V. Prishchepov et al. (2021) as part of their study conducted a survey of agricultural producers from the Republic of Buryatia and found a rising interest in using abandoned lands among agricultural producers living in areas with a relatively high population density.

Economic factors include the government’s pricing policy, which can lead to changes in the cost of raw materials, equipment, purchase prices for agricultural products, etc. Using the example of Perm Oblast (Zheljazkov et al., 2017), the authors show that the high cadastral and market value of abandoned agricultural land plots, combined with the population having no funds, can constitute important reasons for abandoning such lands. The authors propose that systems be introduced for calculating the economic efficiency and expediency of involving non-utilized agricultural lands. If it is impractical to use these territories in agriculture, a rational intersectoral redistribution of these lands is required to support their use with the help of state programs, for example, the Digital Economy Program of the Government of the Russian Federation (Zheljazkov et al., 2017).

The examples of historical factors include the dissolution of the USSR and the Second World War. These events had a significant impact on the economic and social stability of the Eastern Europe and Russia, thereby acting as determinants of the increased area of abandoned agricultural lands (Prishchepov et al., 2013). The first section of this article describes how the USSR dissolution caused an increase in the area of abandoned agricultural lands.

Scientific and technological progress (intensive farming model) also contributes to the termination of agricultural activities. Due to increased labour productivity and crop yields, farmers use less area to grow agricultural products. The remaining non-utilized areas are abandoned and grown over with woody and shrubby plants (Heider et al., 2021). Using the example of 190 countries from 1961 to 2003, D. I. Ljuri et al. (2010) showed that intensification can become one of the fundamental factors in reducing the area of agricultural land. After reaching a certain critical level of yield, agricultural land is reduced. According to the author, this phenomenon is due to the fact that expanding agricultural areas simultaneously with increasing their productivity is an expensive undertaking. With intensification, farmers tend to use the most productive lands to obtain greater efficiency from the intensification costs and, as a result, abandon less profitable lands. Also, intensification is usually associated with land degradation and its subsequent abandonment due to the environmental unsuitability thereof for agriculture (Ljuri et al., 2010). In addition, the study notes that attention should be paid not to the abandonment, but to the reduction in the rate of increase in the area under crops, since abandonment of plots in one region may be offset by an increase in agricultural areas in another. For instance, in the period from 1961 to 1965, the rate of increase in the area under crops was 10 times higher than in the period from 1995 to 2003. One example of this is the analysis of FAO data from 1970 to 2005 showing that the most common model of agricultural intensification was a simultaneous increase in the yield of agricultural crops and cultivated areas (Rudel et al., 2009).

It is apparent that a country’s state policy directly affects its land utilization. In addition to the above-mentioned programs to combat desertification and land degradation in China, there are programs to support afforestation on marginal soils in African countries, such as the Great Green Wall (Good news for Africa’s…, 2021); in European Union countries, such as the RURIS-AAL program in Portugal (Tomaz et al., 2013) and in other European countries, the Common Agricultural Policy Program in Italy (A greener and fairer cap, 2022); in Central America and in other countries, such as the Payments for Environmental Services Program in Costa Rica (Pagiola, 2008). An example of a major international project on utilization of marginal agricultural areas is the Bonn Challenge program (About The Challenge, 2017). The Bonn Challenge is a global effort to restore 350 million hectares of deforested and degraded land by 2030. Payment for ecosystem services programs are also in place in the Mediterranean. On the island of Sicily, with the abandonment of agriculture in favour of forest cultivation in marginal areas and agricultural reclamation, the organic carbon content in the 30-centimeter soil layer increased by an average of 9.03 mg C ha^-1. Considering that the area of abandoned land is 14,300 hectares, CO2 emissions as a whole decreased by 15.3 mg of CO2 ha^-1 year^-1. Over 20 years, farmers participating in these programs have received compensation payments from 9,100 euro at an absorption level of 5.2 mg C ha^-1 to 46,600 euro at an absorption level of 26.7 mg C ha ^-1 (Novara et al., 2017).

Restitution processes, no market incentives, and changes in agricultural policy also contribute to the increase in the number of abandoned agricultural lands. A good example is the Eastern Europe, where, after the USSR collapse and transition to a market economy, significant changes took place in the political, socio-economic and demographic spheres, while state support and markets for agriculture disappeared, which led to the mass transfer of property rights. In fact, many landowners obtained their property by returning ownership rights to former owners or their successors during the land reform of the 1990s. They do not live on their property, but work in other sectors of the national economy and have neither the skills nor the knowledge or desire to work in the agricultural sector. This led to a large number of agricultural lands being abandoned. Most of these areas is currently covered with woody plants (Baumann et al., 2011; Prishchepov et al., 2013). One of the studies (Tomaz et al., 2013) highlights the leading role of political relationships and the availability of sales markets as the main factors in the reduction of agricultural land. As an example, the authors cite Cuba, where the sugar cane cultivation area decreased by 23% due to the loss of the sales market as a result of the Soviet Union collapse. The papers by A. P. Prishchepov (Prishchepov et al., 2012) show a close relationship between the extent of abandoned agricultural lands and the ability of states to adapt to institutional changes. The largest areas are typical of countries where the adaptation mechanism for handling abandoned agricultural lands has been shelved (the Baltic States and Russia) (Prishchepov et al., 2012).

Obviously, all the reasons are interrelated and must be analysed together. In this case, the «syndrome approach» developed by the Potsdam Institute for Climate Impact Research (Downing et al., 2002) can be used for a comprehensive analysis of the causes and consequences of abandonment of agricultural lands. It defines woody plant growth as a syndrome or a sign of certain social, economic, political or other environmental impacts. At the same time, the biophysical characteristics of the environment are a matrix that determines the extent of the syndrome. The area of land abandonment in this case is a measure of the syndrome manifestation. Using this approach, C. Weissteiner (Weissteiner et al., 2011) used meta-analysis to create a map showing the impact of socio-political processes on land utilization change in the period from 1990 to 2005 in the countries of the Mediterranean basin, taking into account the natural characteristics of each area. The authors used the integral indicator RLA (rural land abandonment), which varies from 0 to 1, 0 being the minimum abandonment of agricultural land and 1 being the maximum abandonment (fig. 7). The authors conclude that the abandonment of agricultural lands is a problem prevalent mainly in European countries, including Turkey. There is no apparent abandonment in the countries of North Africa and the Middle East. The countries of the Southern and Eastern Mediterranean show a trend towards abandonment, but at the time of the study, agricultural utilization prevails in these territories. In the countries of the Northern Mediterranean and some countries of the Middle East, land utilization changes are mainly determined by physical and environmental conditions, while for the rest of the countries both physical and environmental and individual socio-economic conditions play a role.

Figure 7. RLA assessment for the Mediterranean basin countries (Weissteiner et al., 2011)

Possible Utilizations of Abandoned Agricultural Lands

As compared to cultivated lands, abandoned agricultural lands are often low in fertility and require huge investments to clear them, especially ones in the non-chernozem zone of Russia; therefore, it is impractical to return such lands into agriculture (Pravitel’stvo zapretilo…, 2022). The use of forests on abandoned agricultural lands can become a significant and low-cost strategy for carbon sequestration and mitigation of anthropogenic CO₂ emissions (Post, Kwon, 2000; Novara et al. 2017; Rezoliutsiia…, 2021). The scientific community recognizes the significant role of the development of climate-smart forestry projects on abandoned agricultural lands (Rezoliutsiia…, 2021). This is also consistent with the objectives of the European Union’s Forest Strategy for 2030 (European Commission…, 2021) and Russia’s commitments to reduce greenhouse gas emissions to 70% compared to the 1990 level (Paris Agreement, 2015).

Forests grown on abandoned agricultural lands absorb CO₂ from the atmosphere, accumulating carbon in plant biomass and soil. As of 2010, 43% of all agricultural lands in the world had at least 10% of trees, the carbon content in the terrestrial phytomass of trees on agricultural lands is 47 billion tons, not including the carbon content of soils (Zomer et al., 2016); the same in Russia is 1.9 billion tons (Bartalev, 2023). The involvement of abandoned agricultural lands in climate-smart forestry activities in Russia will allow for an additional volume of greenhouse gas absorption of about 400 million tons of CO₂ year^-1 (Rezoliutsiia…, 2021). Assessing the efficiency of using different types of tree species on abandoned agricultural lands in Sweden for the implementation of climatic scenarios showed that larch has the greatest climatic benefit (1.63 g CO₂ eq. ha^–1). Larch is followed by Norwegian spruce, poplar, hybrid aspen and birch in terms of carbon dioxide absorption efficiency, which demonstrate climatic advantages approximately 40–50% lower than that of larch. The climatic benefits were estimated based on the average annual increase using correction factors for carbon deposition in biomass, subsequent use of wood products and the turnover rate of growing stands (Lutter et al., 2021). A number of studies for the south-eastern region of Ontario, Abitibi and eastern Quebec compare the potential of using abandoned agricultural lands to adapt to climate change by assessing carbon reserves in soil and vegetation pools during natural succession and creation of forest crops (Foote, Grogan, 2010; Tremblay, Ouimet, 2013; Thibault et al., 2022). Thus, the following soil chronosequences were placed on the agricultural lands of Quebec with woody plants growth: 54 plantations (aged from 0 to 55 years) and 27 natural succession plots (aged from 0 to 45 years). Over 50 years, plantations deposited 31% more carbon than natural succession plots on average. The estimated rate of carbon accumulation by plantations is 1.7±0.7 mg C ha^-1 year^-1 higher than that in natural succession areas (Tremblay, Ouimet, 2013).

Forest communities both of natural or artificial origin formed on abandoned agricultural lands have a high level of productivity (Melekhov et al., 2011). According to experts, the annual growth in such territories in Russia is about 50 million m³ per year^-1 (Rezoliutsiia…, 2021). From the point of view of achieving climatic goals, the resulting wood biomass can be used for the production of long-lived materials and wood products or for bioenergy purposes.

The period of carbon conservation in timber is determined by the semi-decomposition period, i.e., the length of time within which half of the carbon contained in timber is returned to the atmosphere. The semi-decomposition period of cellulose and paper products is 1–2 years, while that of construction wood can be from decades to several hundred years (Zeng, Hausmann, 2022). Thus, the use of wood can represent a neutral carbon transfer to the products and contribute to the reduction of carbon emissions by providing a significant delay in emissions (Härtl et al., 2017). The study on the forest sector in Thuringia (eastern Germany) showed that long-lived hardwood products include furniture, parquet board, wood-based panels — for example, fibreboard and particle board — and coniferous construction wood. Herewith, about 53% of the total volume of wood harvested in the state forests of Thuringia is processed into wood products with an average service life of more than 25 years (Profft et al., 2009).

Wood grown on abandoned agricultural lands can be used to replace materials that use fossil fuels, such as plastics, steel and concrete (Kauppi et al., 2018). Studies in Sweden have shown that replacing a concrete frame in the construction of houses with long-lived building materials made of wood gives a greater climatic effect than when replacing fossil fuels with biofuels made of wood chips. Thus, the use of 1 ton of wood in a closed cycle of timber use with restoration of forest resources prevents the emission of 1.04 tons per day, which is an effective measure for carbon conservation and adaptation to change (Olsson, 2013). The Russian Federation can tap into the huge resource potential for the development of its own closed-cycle forest bioeconomy and cascading use of biomass, including wooden house construction, production of wood-based textiles, bioplastics, lignin, in addition to bioenergy (Forests of Russia…, 2020).

The use of forests on abandoned agricultural lands for bioenergy purposes can make a significant contribution to mitigating the climate change effects. One of the main ways to obtain biofuels may be using short rotation coppices (Aylott et al., 2008). There are up to 470 million hectares of abandoned or degraded agricultural lands worldwide that can be available for growing energy crops, based on dry biomass from 1.6 to 2.1 billion tons per year^-1, which is equivalent to 32 to 41 EJ of energy. This potential can provide up to 8% of global primary energy demand (Campbell et al., 2008).

In many countries of the world, abandoned agricultural lands are already being used to create energy plantations. For example, in Estonia, on abandoned agricultural lands, the energy productivity of 8-year-old birch plantations ranges from 70 to 80 GJ ha^-1 year^-1, the energy potential of similar alder plantations averages at 145 GJ ha^-1 year^-1 (Uri et al., 2007). In Belgium, short rotation coppices of birch, maple, poplar and willow had, in the fourth year of cultivation, a biomass increase of 2.6; 1.2; 3.5 and 3.4 tons of dry matter ha^-1 year^-1, respectively (Walle et al., 2007). In Italy and Albania, the average yield of dry biomass from short rotation coppices of Robinia pseudoacácia on abandoned agricultural lands was 1.96 t ha^-1 year^-1 (Kellezi et al., 2012). In the southern, central and northern agroclimatic zones of the Republic of Belarus, the average yield of willow plantations is 9.2 tons hectare^-1 year^-1, with biofuels obtained in the third to fourth year after planting (Rodkin et al., 2016; Rodkin, Timoti, 2017). For willow plantations in Ireland, the yield varies from 10 to 14.5 t ha^-1 year^-1 depending on the climate, soil type, clone, growing conditions, etc. (Styles, 2007, 2008).

The study of A. R. Rodin and S. A. Rodin (2008) provides recommendations for the selection of breeds in the forest-growing zones of Russia for energy plantations. The authors recommend a thirty-year felling rotation for soft-wooded broadleaved species, since, for example, birch crops in Voronezh Oblast have the highest productivity in the first two to three decades, after which growth decreases sharply. The authors also show that creating energy plantations using soft-wooded broadleaved species makes it possible to conserve about 2 tons C ha^-1 year^-1. Such data can be effectively used to assess the bioenergetic potential of abandoned agricultural lands (Rodin, Rodin, 2008).

The organization of energy plantations is of great importance. If mismanaged, the cultivation of energy crops can increase greenhouse gas emissions, adversely affect the environment and threaten biodiversity (Beringer et al., 2011; Langeveld et al., 2012; Pedroli et al., 2013). Such measures as continuous logging, harvesting of felling residues, low species diversity, and damage to the ground cover have a negative impact on the soil carbon accumulation. On the contrary, selective logging and low-intensity logging, abandonment of felling residues, and creating mixed forest plantations are promising forestry measures to conserve soil carbon (Tebenkova et al., 2022).

A significant part of the CO₂ absorbed by plants eventually accumulates in the soil, where it can be stored for a long time (Kuznecova, 2021). On average, the soil contains from 30% to 60% of the carbon reserves of forest communities (Nair et al., 2009; Framstad et al., 2013); the total carbon content in the 1-meter soil layer in the world is estimated at 1,500 Gt (Nair et al., 2009). Therefore, when developing climate-smart forestry projects on abandoned agricultural lands, carbon accumulation by soils may be of key importance. There are great differences in the rates of carbon intake and accumulation in soils, which are related to the productivity of regenerating vegetation, physical and biological soil conditions, as well as the past history of land utilization (Post, Kwon, 2000; Telesnina et al., 2017; Kuznecova, 2021). According to the meta-analysis (Post, Kwon, 2000), the rate of change in soil organic carbon during the woody plants formation on abandoned agricultural lands varies from small losses in the early stages of succession with a predominance of pine in the cool temperate zone to an increase of 300 g per m² year-1 in subtropical countries. The average rate of organic carbon input into the soil for forest communities on abandoned agricultural lands is 33.8 g/m² year-1 (Post, Kwon, 2000). Currently, the transformation and conservation of carbon in soils on abandoned agricultural lands of Russia are understudied. The existing studies mainly take into account only the arable horizon of soils (Vladychenskijj et al., 2013; Telesnina et al., 2017; Kurganova et al., 2018).

Experts are divided on the matter of achieving the greatest climatic effect from forest communities on abandoned lands to mitigate the effects of climate change. Some believe that the accumulation of carbon in forest biomass and soils is most efficient in the natural postagrogenic development of the ecosystem (Holtsmark, 2012). For example, the study by S. Lewis (Lewis et al., 2019) compares the formation of natural forests, creation of forest plantations and agricultural reclamation to assess the climatic benefits of the state Bonn Challenge program. If forests are formed naturally (natural reforestation), by 2100 they will store an additional 42 billion tons of C; if energy plantations are created, 1 billion tons; if agricultural reclamation is provided, 7 billion tons. Thus, it is shown that natural forests are 6 times more efficient at storing carbon than agricultural reclamation and 42 times better than plantations. The authors agree that plantations play a significant role in bioeconomics, and carbon reserves in plantations can be increased through more frequent harvesting of biomass, the use of diverse species or processing of wood into products with a longer service life (Lewis et al., 2019). On the other hand, the absence of forest management and no control over forests can contribute to more fires, foci of insects and fungal diseases. In conditions of increased demand for wood, reducing its production by climatically rational methods will contribute to an increase in imports from other regions where harvesting is done illegally or with environmental negligence. Therefore, the rejection of forestry measures may reduce carbon stocks in the forest stand and soils (Kauppi et al., 2018; Seidl et al., 2017) or breach the principle of no leakage (The Greenhouse Gas Protocol…, 2006).

The implementation of climate-smart forestry projects on abandoned agricultural lands, in addition to yielding climatic benefits, can contribute to the provision of other ecosystem services, for example, water regime control, soil ecological functions, and conservation of biodiversity. The multiplier effect of such areas can also be associated with economic benefits by providing additional jobs in rural areas, ensuring food security by obtaining additional forest resources, such as wood and non-wood forest products, without harming the environment (Rezoliutsiia…, 2021). In his work, A. N. Krivoshein (2016), proposes that an assessment be made of the environmental impact on forest systems when organizing energy plantations, taking into account the numerous ecosystem services that may be threatened. The author suggests that the sites be evaluated from the point of view of providing (commercial wood, wood biomass, non-wood and food resources, oxygen), regulating (cycles of nutrients, climate, water regime), supporting (soil formation, biodiversity maintenance) and recreational ecosystem services (Krivoshein, 2016).

Introducing sustainable and resource-saving methods for wood processing and consumption, while promoting carbon uptake by forests and improving forest growth, is the basis of the climate smart forestry concept (CSF) (Kauppi et al., 2018; Nabuurs et al., 2018). However, when implementing the CSF concept, specific measures and methods may differ significantly depending on national characteristics of forestry management and landscape and climatic factors. For example, the study of Czech forests showed that the optimal measure for long-term planning is to replace unstable spruce stands susceptible to loss under the influence of insects with stands of broad-leaved species (Nabuurs et al., 2018). In Spain, the key to increasing the uptake of CO₂ in forests is selective logging aimed at accelerating the growth of plantations and increasing their resistance to fires (Nabuurs et al., 2018). The authors emphasize the need for careful selective logging while keeping significant areas of high forest in order to maintain biodiversity. For the forests of Ireland, it is proposed to introduce additional efforts leading to investments in forestry as a way to mitigate CO₂ emissions (Nabuurs et al., 2018). Specific measures proposed by the authors include forming forest plantations consisting of 70% coniferous and 30% broad-leaved species, planting forests on soils with an underdeveloped organic horizon, and increasing the production of roundwood as a way of long-term carbon conservation. Under such scenarios, CO₂ uptake will increase in Spain by 0.6 million tons CO₂ year^-1, in Ireland by 1.4 million tons CO₂ year^-1 within 50 years of modelling, and in the Czech Republic the amount of CO₂ emissions will increase by 1.3 million tons CO₂ year^-1, but in the long term, plantations will absorb more as compared to the baseline scenario.

One of the CSF options that appears to be the most promising when involving abandoned agricultural lands in climate-smart forestry projects is agroforestry (Rezoliutsiia…, 2021). Agroforestry is a system and methods of land utilization in which specially cultivated tree plantations are intentionally combined with agricultural crops and/or animals within the same agricultural landscape (Sanchez, 1995). From another point of view, agroforestry can be considered as stages in the development of an agroecosystem similar to the normal dynamics of natural ecosystems, i.e., an environmentally sound natural resource management system that diversifies and supports small-scale farming to increase social, economic and environmental benefits (Leakey, 1996). There are global practices for organizing agroforestry systems in marginal areas and on abandoned agricultural lands. Examples of such systems are socio-ecological industrial landscapes and seascapes, such as the manuel landscapes in Korea, dehesa landscapes in Spain, terroirs in France, satoyama landscapes in Japan, and infield/outland landscapes in Scandinavian countries (Berglund et al., 2014).

Legal Support for Utilization of Woody Plant Growth on Abandoned Agricultural Lands

A relevant problem of woody plant growth on abandoned agricultural lands in Russia is the legislative restrictions that almost completely prevent the use of such lands for forest cultivation, despite the fact that the risk of large fines or land withdrawal for the presence of woody and shrubby vegetation on it makes the involvement of such territories in forestry unprofitable (Les na sel’khozzemljakh…, 2022).

The current political situation around the issue of abandoned agricultural lands can be described as a «tug of war». On the one hand, there are legislative prerequisites allowing the conservation and cultivation of forests on agricultural lands, as evidenced by Federal Law No. 538 of 27 December 2018 On amendments to the Forest Code of the Russian Federation and Certain Legislative Acts of the Russian Federation in Terms of Improving the Legal Regulation of Relations Related to Ensuring the Conservation of Forests on Forest Fund Lands and Lands of Other Categories, which, from the point of view of the Forest Code of the Russian Federation, provides for the presence of forests on agricultural lands. Also, on 10 December 2019, the President of the Russian Federation instructed the Government to take measures aimed at establishing the specific features for the use, protection and reproduction of forests located on agricultural lands, which should enable all types of forest utilization on such lands without the need to change the form of land ownership and the category of land (Vladimir Putin poruchil pravitel’stvu…, 2022).

On the other hand, on 21 September 2020, the Decree of the Government of the Russian Federation No. 1509 About the Peculiarities of the Use, Protection, Protection, Reproduction of Forests Located on Agricultural Lands was issued, regulating the specifics of the use, protection, and reproduction of forests, which, despite the fact that it implies the existence of forests on abandoned agricultural lands, is not consistent with Articles 77 and 78 of the Land Code of the Russian Federation. The resolution provides for the existence of exclusively protective and reclamation forest plantations on agricultural lands, thereby limiting the development of agroforestry. To resolve the current situation, the Scientific Council of the Russian Academy of Sciences on Forests sent a letter (Lesa, raspolozhennye…, 2022) to the Government of the Russian Federation with proposals to amend Resolution No. 1509 regarding the coordination of legislative acts for the cultivation of forests on abandoned agricultural lands. The Ministry of Agriculture of Russia does not agree with the proposals of the Scientific Council of the Russian Academy of Sciences on Forests because these lands should be utilized in accordance with their intended purpose (Lesa, raspolozhennye…, 2022).

Furthermore, on 8 June 2022, the Decree of the Government of the Russian Federation No. 1043 On Amendments to the Regulation on the Specifics of the Use, Protection, Protection, Reproduction of Forests Located on Agricultural Lands was formed, which makes forest cultivation on abandoned agricultural lands practically impossible. In particular, this provision introduces restrictions on the suitability of abandoned agricultural lands for forest cultivation, sets very strict limits on what constitutes a forest on abandoned agricultural lands, and does not allow the use of such lands for creating and exploiting forest plantations.

There are prerequisites to transferring such lands to the category of forest lands, as indicated by Roslesinforg’s assessment of the areas of abandoned agricultural lands and land taxation on them (Roslesinforg: ploshchad zarosshikh…, 2022). In addition, amendments to Federal Law No. 101-FZ dated 24 July 2002 On the Turnover of Agricultural Land, which entered into force on 05 December 2022, significantly facilitate the process of seizing agricultural lands and transferring them to state ownership. Now, agricultural lands can be seized a year after signs of abandonment are detected (Les na sel’khozzemljakh…, 2022).

To overcome these bureaucratic barriers, Greenpeace¹ and the Scientific Council of the Russian Academy of Sciences on Forests propose that appropriate changes be made to Articles 77 and 78 of the Land Code of the Russian Federation (Rezoliutsiia…, 2021; Lesa, raspolozhennye…, 2022), and that a subsection «Forestry» be added in the classifier of types of permitted use of land plots and the presence of typical species of forest plants in forests and on lands used for forestry be excluded from the list of features defining abandoned agricultural lands (Vladimir Putin poruchil pravitel’stvu…, 2022). M. E. Rodina (2020) in her paper raises a number of important institutional and regulatory questions concerning the formation of a model of private forest management on abandoned agricultural lands with woody plant growth. In particular, when introducing private ownership of forest plots on abandoned agricultural lands, she proposes that the preservation of forests bordering rural settlements, garden associations, and small towns that are most important for preserving a favourable environment, be ensured, free and no-charge access be retained for the population to the collection, harvesting and use of non-wood products (mushrooms, berries, etc.), as well as their recreational use, and subsidies be introduced for using forests on abandoned agricultural lands. The author also emphasizes the need to form regulatory legal acts that clearly define who is the owner of wood grown for commercial purposes on agricultural lands.

CONCLUSION

The reduction in the area of cultivated agricultural land is a global phenomenon that manifests itself not only in developing countries, but also in the countries with advanced economies. Over the past decade, extensive scientific research has been published on the extent of agricultural land abandonment at different spatial levels. The reasons for the termination of agricultural activities may be different: social, economic, environmental, landscape, and historical, but the most common one is a combination of ecological-landscape and socio-economic factors. Most often, abandoned lands are low-profitable due to the depletion of the fertile soil layer that often results in complete degradation of the landscape, and the great distance to large settlements where labour, production resources or points of sale of agricultural products are localized.

The abandoned areas show woody plants growth. This process is partially stimulated by government programs and is not spontaneous. The main motivation in this case is the fight against desertification and land degradation through forest cultivation. However, most often a young forest appears in an abandoned area during the natural succession of biogeocenoses. Returning the areas where forests have already been practically restored to the agricultural sector will have a notable effect both on the environment and on the landowner’s budget. Therefore, it is necessary to focus on the rational use of such areas in economic activities.

Our research has shown that the involvement of overgrown abandoned agricultural lands in climate-smart forestry activities is very promising. In such areas, highly productive forest plantations can be grown, the woody biomass of which can be used in carbon-intensive industries such as plastics, concrete, and textile production, and for bioenergy purposes. The rational organization of forest plantations on abandoned agricultural lands subject to sustainable and resource-saving methods of processing and consumption of wood meets the principles of smart forestry. One of the options for this area of development, which was recognized as potentially effective for Russia, is agroforestry, in which specially cultivated tree plantations are intentionally combined with agricultural crops and/or animals within the same agricultural landscape.

The first step in returning abandoned agricultural lands on which forest ecosystems have been formed into active utilization is forming a regulatory framework and overcoming existing legislative restrictions. Currently, there is no legislative framework permitting commercial forest growing on agricultural lands, with the exception of planting shelterbelts and other protective structures, despite the active position of organizations and government structures involved.

FUNDING

This work is part of the youth laboratory of the Centre for Forest Ecology and Productivity in the Russian Academy of Science «Climate-Regulating Functions and Forest Biodiversity» (registration number 122111500023-6).

REFERENCES

А greener and fairer cap, 2022, available at: https://kurl.ru/kxXbn (December 01, 2022).

About The Challenge, 2017, available at: https://www.bonnchallenge.org/about (February 07, 2023).

Analysis of land abandonment and development of agricultural land markets in the Republic of North Macedonia – Conclusions and policy recommendations, FAO, 2023, available at: clck.ru/37GHd2 (December 01, 2022).

Aylott M. J., Casella E., Tubby I., Street N. R., Smith P., Taylor G., Yield and spatial supply of bioenergy poplar and willow short‐rotation coppice in the UK, New Phytologist, 2008, Vol. 178, No 2, pp. 358–370.

Barsukova G. N., Sheudzhen Z. R., Derevenec D. K., Sokrashhenie ploshhadi sel’skokhozjajjstvennykh ugodijj i pashni kak obshhemirovaja tendencija umen’shenija chasti resursnogo potenciala agrarnogo proizvodstva (Reduction of the area of agricultural land and arable land as a global trend of reducing part of the resource potential of agricultural production), International agricultural journal, 2021, Vol. 64, No 6, pp. 524–544.

Bartalev S. A., Primenenie metodov distancionnogo zondirovanija iz kosmosa dlja monitoringa bjudzheta ugleroda v nazemnykh ehkosistemakh Rossii (Application of remote sensing methods from space for monitoring the carbon budget in terrestrial ecosystems of Russia), Vserossijjskijj festival’ Nauka 0+, Moscow, 7 oktjabrja 2023.

Bartalev S. A., Vorushilov I. I., Egorov V. A., Zharko V. O., Lupjan E. A., Sajjgin I. A., Stycenko E. A., Stycenko F. V., Khvostikov S. A., Ocenka vklada drevesno-kustarnikovojj rastitel’nosti zabroshennykh s.-kh. zemel’ v bjudzhet ugleroda lesov Rossii (Assessment of the contribution of woody and shrubby vegetation of abandoned agricultural lands to the carbon budget of Russian forests), Nauchnye debaty “Lesnye klimaticheskie proekty v Rossii”, Nauchnyjj sovet RAN po lesu, 19 oktjabrja 2021, available at: https://rbf-ras.ru/wp-content/uploads/2021/12/AD_20211019_Bartalev.pdf (September 01, 2022).

Baumann M., Kuemmerle T., Elbakidze M., Ozdogan M., Radeloff V. C., Keuler N. S., Hostert P., Patterns and drivers of post-socialist farmland abandonment in Western Ukraine, Land use policy, 2011, Vol. 28, No 3, pp. 552–562.

Belousova A. P., Bryzhko I. V., Analiz zarastanija sel’skokhozjajjstvennykh ugodijj na territorii Permskogo kraja po sputnikovym snimkam Landsat (Analysis of overgrowth of agricultural lands in the Perm Territory using Landsat satellite images), InterKarto. InterGIS. Geoinformacionnoe obespechenie ustojjchivogo razvitija territorijj: Mat. mezhd. Konf, 2021, Vol. 27, No 4, p. 150.

Berglund B. E., Kitagawa J., Lagerås P., Nakamura K., Sasaki N., Yasuda Y., Traditional farming landscapes for sustainable living in Scandinavia and Japan: Global revival through the Satoyama Initiative, Ambio, 2014, Vol. 43, pp. 559–578.

Beringer T. I. M., Lucht W., Schaphoff S., Bioenergy production potential of global biomass plantations under environmental and agricultural constraints, GCB Bioenergy, 2011, Vol. 3, No 4, pp. 299–312.

Brown S., Lugo A. E., Tropical secondary forests, Journal of tropical ecology, 1990, Vol. 6, No 1, pp. 1–32.

Campbell J. E., Lobell D. B., Genova R. C., Field C. B., The global potential of bioenergy on abandoned agriculture lands, Environmental science & technology, 2008, Vol. 42, No 15, pp. 5791–5794.

Cao S., Chen L., Yu X., Impact of China’s Grain for Green Project on the landscape of vulnerable arid and semi‐arid agricultural regions: A case study in northern Shaanxi Province, Journal of Applied Ecology, 2009, Vol. 46, No 3, pp. 536–543.

Castillo C. P., Kavalov B., Diogo V., Jacobs-Crisioni C., e Silva F. B., Lavalle C., Agricultural land abandonment in the EU within 2015-2030. Research Reports: JRC113718, Joint Research Centre, 2018, pp. 1–7.

Cramer V. A., Hobbs R. J., Old fields: dynamics and restoration of abandoned farmland. Washington, DC: Island Press, 2007, Vol. 101, p. 334

Doklad o sostojanii i ispol’zovanii zemel’ sel’skokhozjajjstvennogo naznachenija Rossijjskojj Federacii v 2019 godu (Report on the state and use of agricultural lands of the Russian Federation in 2019), 2021, available at: https://kurl.ru/sRcfs (April 01, 2023).

Downing T. E., Lüdeke M., Social geographies of vulnerability and adaptation [in:] Global Desertification: Do Humans cause Deserts? J. F. Reynolds, D. M. Stafford Smith (Eds.), Berlin: Dahlem University Press, 2002, pp. 232–252.

Estel S., Kuemmerle T., Alcántara C., Levers C., Prishchepov A., Hostert P., Mapping farmland abandonment and recultivation across Europe using MODIS NDVI time series, Remote Sensing of Environment, 2015, Vol. 163, pp. 312–325.

Etter A., McAlpine C., Pullar D., Possingham H., Modeling the age of tropical moist forest fragments in heavily-cleared lowland landscapes of Colombia, Forest Ecology and Management, 2005, Vol. 208, No 1-3, pp. 249–260.

European Commission, The 3 Billion Tree Planting Pledge for 2030, 2021, available at: https://kurl.ru/ofRGn (September 01, 2023).

Federalnyi zakon «O vnesenii izmenenii v Lesnoi kodeks Rossiiskoi Federatsii i otdelnye zakonodatelnye akty Rossiiskoi Federatsii v chasti sovershenstvovaniia pravovogo regulirovaniia otnoshenii, sviazannykh s obespecheniem sokhraneniia lesov na zemliakh lesnogo fonda i zemliakh inykh kategorii» (On amendments to the Forest Code of the Russian Federation and certain legislative acts of the Russian Federation in terms of improving the legal regulation of relations related to ensuring the conservation of forests on forest fund lands and lands of other categories), 27.12.2018 N 538-FZ, available at: https://www.consultant.ru/document/cons_doc_LAW_314666 (September 01, 2023).

Federalnyi zakon «Ob oborote zemel selskokhozyaystvennogo naznacheniya» (On the turnover of agricultural land) 24.07.2002 N 101-FZ, available at: https://www.consultant.ru/document/cons_doc_LAW_37816/ (September 01, 2023).

Flinn K. M., Vellend M., Marks P. L., Environmental causes and consequences of forest clearance and agricultural abandonment in central New York, USA, Journal of Biogeography, 2005, Vol. 32, No 3, pp. 439–452.

Foote R. L., Grogan P., Soil carbon accumulation during temperate forest succession on abandoned low productivity agricultural lands, Ecosystems, 2010, Vol. 13, pp. 795–812.

Framstad E., de Wit H., Mäkipää R., Larjavaara M., Vesterdal L., Karltun E., Biodiversity, carbon storage and dynamics of old northern forest, Copenhagen: Nordic Council of Ministers, 2013, p. 130.

Goga T., Feranec J., Bucha T., Rusnák M., Sačkov I., Barka I., Vladovič J., A review of the application of remote sensing data for abandoned agricultural land identification with focus on Central and Eastern Europe, Remote sensing, 2019, Vol. 11, No 23, pp. 2759.

Good news for Africa’s Great Green Wall, 2021, available at: https://www.unep.org/news-and-stories/story/good-news-africas-great-green-wall (September 01, 2023).

Greenpeace¹ i WWF[2] prizyvayut pridat’ lesam na zabroshennyh sel’hozzemlyah yasnyj pravovoj status (Greenpeas¹ and WWF² call for clear legal status for forests on abandoned farmland), 2018, available at: clck.ru/37GJAb (February 07, 2022).

Gvein M. H., Hu X., Næss J. S., Watanabe M. D., Cavalett O., Malbranque M., Cherubini F., Potential of land-based climate change mitigation strategies on abandoned cropland, Communications Earth & Environment, 2023, Vol. 4, No 1, Article 39.

Haddaway N. R., Styles D., Pullin A. S., Environmental impacts of farm land abandonment in high altitude/mountain regions: a systematic map of the evidence, Environmental Evidence, 2013, Vol. 2, pp. 1–7.

Härtl F. H., Höllerl S., Knoke T., A new way of carbon accounting emphasises the crucial role of sustainable timber use for successful carbon mitigation strategies, Mitigation and Adaptation Strategies for Global Change, 2017, Vol. 22, pp. 1163–1192.

Heider K., Rodriguez Lopez J. M., Balbo A. L., Scheffran J., The state of agricultural landscapes in the Mediterranean: Smallholder agriculture and land abandonment in terraced landscapes of the Ricote Valley, southeast Spain, Regional Environmental Change, 2021, Vol. 21, pp. 1–12.

Helmer E. H., Brown S., Cohen W. B., Mapping montane tropical forest successional stage and land use with multi-date Landsat imagery, International journal of remote sensing, 2000, Vol. 21, No 11, pp. 2163–2183.

Holtsmark B., Harvesting in boreal forests and the biofuel carbon debt, Climatic change, 2012, Vol. 112, pp. 415–428.

Iurgens I. Iu., Turbina K. E. Klimaticheskii sammit v Glazgo: obnovlenie miroustroistva i zadachi Rossii (The Climate Summit in Glasgow: updating the world order and Russia’s tasks), Vlast, 2022, Vol. 30, No 2, pp. 9–30.

Janus J., Bozek P., Land abandonment in Poland after the collapse of socialism: Over a quarter of a century of increasing tree cover on agricultural land, Ecological Engineering, 2019, Vol. 138, pp. 106–117.

Kammesheidt L., Perspectives on secondary forest management in tropical humid lowland America, AMBIO: A Journal of the Human Environment, 2002, Vol. 31, No 3, pp. 243–250.

Karta neispol’zuemykh sel’khoz zemel’ (Map of unused agricultural lands), 2018, available at: https://kurl.ru/bwzKW (September 01, 2023).

Kauppi P., Hanewinkel M., Lundmark T., Nabuurs G. J., Peltola H., Trasobares A., Hetemäki L., Climate smart forestry in Europe. European Forest Institute, 2018, p.20.

Keenleyside C., Tucker G., McConville A., Farmland Abandonment in the EU: an Assessment of Trends and Prospects, London: Institute for European Environmental Policy, 2010, р. 98.

Kellezi M., Stafasani M., Kortoci Y., Evaluation of biomass supply chain from Robiniapseudoacacia L. SRF plantations on abandoned lands, Journal of Life Sciences, 2012, Vol. 6, No 2, pp. 243–250.

Kolecka N., Kozak J., Kaim D., Dobosz M., Ostafin K., Ostapowicz K., Price B., Understanding farmland abandonment in the Polish Carpathians, Applied Geography, 2017, Vol. 88, pp. 62–72.

Krivoshein A. N., Proizvodstvo biotopliva v Evropejjskom Sojuze: politika, sertifikacija, kriterii ustojjchivosti (Biofuel production in the European Union: policy, certification, sustainability criteria), pod red. N. M. Shmatkova, WWF² Rossii i A. I. Voropaeva, Associacija ehkologicheski otvetstvennykh lesopromyshlennikov Rossii, 2016, p. 39.

Kuemmerle T., Hostert P., Radeloff V. C., Van der Linden S., Perzanowski K., Kruhlov I., Cross-border comparison of post-socialist farmland abandonment in the Carpathians, Ecosystems, 2008, Vol. 11, No 2, pp. 614–628.

Kurganova I. N., Lopes de gerenju V. O., Mostovaja A. S., Ovsepjan L. A., Telesnina V. M., Lichko V. I., Baeva Ju. I., Vlijanie processov estestvennogo lesovosstanovlenija na mikrobiologicheskuju aktivnost’ postagrogennykh pochv Evropejjskojj chasti Rossii (The influence of natural reforestation processes on the microbiological activity of postagrogenic soils of the European part of Russia), Lesovedenie, 2018, No 1, pp. 3–23.

Kurganova I., De Gerenyu V. L., Kuzyakov Y., Large-scale carbon sequestration in post-agrogenic ecosystems in Russia and Kazakhstan, Catena, 2015, Vol. 133, pp. 461–466.

Kurganova I., Lopes de Gerenyu V., Six J., Kuzyakov Y., Carbon cost of collective farming collapse in Russia, Global Change Biology, 2014, Vol. 20, No 3, pp. 938–947.

Kuznecova A. I., Vlijanie rastitel’nosti na zapasy pochvennogo ugleroda v lesakh (obzor) (The effect of vegetation on soil carbon stocks in forests (review)), Voprosy lesnojj nauki, 2021, Vol. 4, No 4, pp. 41–95.

Lana-Renault N., Nadal-Romero E., Cammeraat E., Llorente J. Á., Critical environmental issues confirm the relevance of abandoned agricultural land, Water, 2020, Vol. 12, No 4, Article: 1119.

Land Abandonment in Lithuania, Giedre Leimontaite, National Land Service under the Ministry of Agriculture Grain, Budapest, 2011, available at: https://kurl.ru/PqEYN (September 01, 2023).

Langeveld H., Quist-Wessel F., Dimitriou I., Aronsson P., Baum C., Schulz U., Berndes G., Assessing environmental impacts of short rotation coppice (SRC) expansion: model definition and preliminary results, Bioenergy Research, 2012, Vol. 5, pp. 621–635.

Lasanta T., Arnáez J., Pascual N., Ruiz-Flaño P., Errea M. P., Lana-Renault N. Space–time process and drivers of land abandonment in Europe, Catena, 2017, Vol. 149, pp. 810–823.

Leakey R., Definition of agroforestry revisited, Agroforestry today, 1996, Vol. 8, pp. 5–7.

Les na sel’khozzemljakh: zaprety i itogi goda (Forest on agricultural lands: prohibitions and results of the year), 20.12.2022, available at: clck.ru/37GHMW (September 01, 2023).

Lesa, raspolozhennye na zemljakh sel’skokhozjajjstvennogo naznachenija: pozicija Nauchnogo soveta RAN po lesu (Forests located on agricultural lands: the position of the Scientific Council of the Russian Academy of Sciences on forests), 12.09.2022, available at: http://rbf-ras.ru/news-2022-09-12/ (September 01, 2023).

 Leskinen P., Lindner M., Verkerk P. J., Nabuurs G. J., Van Brusselen J., Kulikova E., Hassegawa M. Lerink B., Lesa Rossii i izmenenie klimata. Chto nam mozhet skazat’ nauka 11 (Forests of Russia and climate change. What can science tell us 11), Evropejjskijj institut lesa, 2020, available at: https://doi.org/10.36333/wsctu11 (September 01, 2023).

Lesoklimaticheskie proekty (Forest-climatic projects), 2021, available at: clck.ru/37GHJ9 (September 01, 2023).

Lewis S. L., Wheeler C. E., Mitchard E. T., Koch A. Restoring natural forests is the best way to remove atmospheric carbon, Nature, 2019, Vol. 568, No 7750, pp. 25–28.

Liepins K., Lazdins A., Lazdina D., Daugaviete M., Miezite O., Naturally afforested agricultural lands in Latvia–assessment of available timber resources and potential productivity, Environmental engineering. Proceedings of the 7th international conference, 2008, pp. 194–199.

Liu J., Zhang Z., Xu X., Kuang W., Zhou W., Zhang S., Jiang N., Spatial patterns and driving forces of land use change in China during the early 21st century, Journal of Geographical Sciences, 2010, Vol. 20, pp. 483–494.

Ljuri D. I., Gorjachkin S. V., Karavaeva N. A., Denisenko E. A., Nefedova T. G., Dinamika sel’skokhozjajjstvennykh zemel’ Rossii v XX veke i postagrogennoe vosstanovlenie rastitel’nosti i pochv (Dynamics of agricultural lands in Russia in the XX century and post-agrogenic restoration of vegetation and soils), Moscow: GEOS, 2010, 416 p.

Lugo A. E., Helmer E., Emerging forests on abandoned land: Puerto Rico’s new forests, Forest Ecology and Management, 2004, Vol. 190, No 2, pp. 145–161.

Lutter R., Stal G., Arnesson Ceder L., Lim H., Padari A., Tullus H., Lundmark T., Climate benefit of different tree species on former agricultural land in northern Europe, Forests, 2021, Vol. 12, No 12, Article: 1810.

Maslov A., Gul’be A., Gul’be Ja., Medvedeva M., Sirin A., Ocenka situacii s zarastaniem sel’skokhozjajjstvennykh zemel’ lesnojj rastitel’nost’ju na primere Uglichskogo rajjona Jaroslavskojj oblasti (Assessment of the situation with overgrowth of agricultural lands by forest vegetation on the example of the Uglich district of the Yaroslavl region), Ustojjchivoe lesopol’zovanie, 2016, No 4, pp. 6–14.

Medvedev A. A., Tel’nova N. O., Kudikov A. V., Distancionnyĭ vysokodetal’nyĭ monitoring dinamiki zarastanija zabroshennykh sel’skokhozjaĭstvennykh zemel’ lesnoĭ rastitel’nost’ju (Remote high-detail monitoring of the dynamics of overgrowth of abandoned agricultural lands with forest vegetation), Voprosy lesnojj nauki, 2019, Vol. 2, No 3, pp. 1–12.

Melekhov V. I., Antonov A. M., Lokhov D. V., Lesovodstvennyjj potencial neispol’zuemykh sel’khozjajjstvennykh ugodijj (Forestry potential of unused agricultural land), Arctic Environmental Research, 2011, No 3, pp. 62–66.

Mottet A., Transformations des systèmes d’élevage depuis 1950 et conséquences pour la dynamique des paysages dans les Pyrénées. Contribution à l’étude du phénomène d’abandon de terres agricoles en montagne à partir de l’exemple de quatre communes des Hautes-Pyrénées Diss, 2005, available at: https://www.researchgate.net/publication/342009670 (September 01, 2023).

Nabuurs G. J., Verkerk P. J., Schelhaas M., González-Olabarria J. R., Trasobares A., Cienciala E., Climate-Smart Forestry: mitigation implact in three European regions, European Forest Institute, 2018, Vol. 6, p. 32.

Nair P. R., Nair V. D., Kumar B. M., Haile S. G., Soil carbon sequestration in tropical agroforestry systems: a feasibility appraisal, Environmental Science & Policy, 2009, Vol. 12, No 8, pp. 1099–1111.

Novaja lesnaja strategija ES na 2030 god (The new EU Forest Strategy for 2030), 16.07.2021, available at: https://kurl.ru/UJTOm (September 01, 2023).

Novara A., Gristina L., Sala G., Galati A., Crescimanno M., Cerdà A., La Mantia T., Agricultural land abandonment in Mediterranean environment provides ecosystem services via soil carbon sequestration, Science of the Total Environment, 2017, Vol. 576, pp. 420–429.

Olsson R., Ispol’zovat’ ili okhranjat’? Boreal’nye lesa i izmenenie klimata (To use or to protect? Boreal forests and climate change.), Ustojjchivoe lesopol’zovanie, 2013, No 2, pp. 36–45.

Pagiola S., Payments for environmental services in Costa Rica, Ecological economics, 2008, Vol. 65, No 4, pp. 712–724.

Parizhskoe soglashenie (The Paris Agreement), 2015, available at: clck.ru/Tvr74 (September 01, 2023).

Pedroli B., Elbersen B., Frederiksen P., Grandin U., Heikkilä R., Krogh P. H., Spijker J., Is energy cropping in Europe compatible with biodiversity? – Opportunities and threats to biodiversity from land-based production of biomass for bioenergy purposes, Biomass and Bioenergy, 2013, Vol. 55, pp. 73–86.

Pei H., Liu M., Jia Y., Zhang H., Li Y., Xiao Y., The trend of vegetation greening and its drivers in the Agro-pastoral ecotone of northern China, 2000–2020, Ecological Indicators, 2021, Vol. 129, Article: 108004.

Peña-Angulo D., Khorchani M., Errea P., Lasanta T., Martínez-Arnáiz M., Nadal-Romero E., Factors explaining the diversity of land cover in abandoned fields in a Mediterranean mountain area, Catena, 2019, Vol. 181, p. 104064.

Perepechina Ju. I., Glushenkov O. I., Korsikov R. S., Uchet i ocenka lesov, voznikshikh na sel’skokhozjajjstvennykh zemljakh, s ispol’zovaniem dannykh distancionnogo zondirovanija zemli (Accounting and assessment of forests that have arisen on agricultural lands using remote sensing data), Lesnojj zhurnal, 2016, No 4, pp. 71–80.

Plieninger T., Gaertner M., Hui C., Huntsinger L., Does land abandonment decrease species richness and abundance of plants and animals in Mediterranean pastures, arable lands and permanent croplands?, Environmental Evidence, 2013, Vol. 2, P. 1–7.

Pointereau P., Coulon F., Girard P., Lambotte M., Stuczynski T., Sanchez O. V., Del Rio A., Anguiano E., Bamps C., Terres J., Analysis of farmland abandonment and the extent and location of agricultural areas that are actually abandoned or are in risk to be abandoned. European Commission Joint Research Centre, Institute for Environment and Sustainability, 2008, p. 204.

Post W. M., Kwon K. C., Soil carbon sequestration and land‐use change: processes and potential, Global change biology, 2000, Vol. 6, No 3, pp. 317–327.

Postanovlenie Pravitel’stva RF 08.06.2022 N 1043 «O vnesenii izmenenijj v Polozhenie ob osobennostjakh ispol’zovanija, okhrany, zashhity, vosproizvodstva lesov, raspolozhennykh na zemljakh sel’skokhozjajjstvennogo naznachenija» (On amendments to the Regulation on the specifics of the Use, Protection, Protection, Reproduction of forests located on agricultural Lands), available at: clck.ru/37GHYF (September 01, 2023).

Postanovlenie Pravitel’stva RF 18.09.2020 N 1482 «O priznakakh neispol’zovanija zemel’nykh uchastkov iz zemel’ sel’skokhozjajjstvennogo naznachenija po celevomu naznacheniju ili ispol’zovanija s narusheniem zakonodatel’stva Rossijjskojj Federacii» (About signs of non-use of land plots from agricultural lands for their intended purpose or use in violation of the legislation of the Russian Federation), available at: http://government.ru/docs/all/129924/ (September 01, 2023).

Postanovlenie Pravitel’stva RF 21.09.2020 N 1509 (red. 08.06.2022) «Ob osobennostjakh ispol’zovanija, okhrany, zashhity, vosproizvodstva lesov, raspolozhennykh na zemljakh sel’skokhozjajjstvennogo naznachenija» (About the peculiarities of the use, protection, protection, reproduction of forests located on agricultural lands), available at: clck.ru/37GHVa (01.07.2023).

Pravitel’stvo zapretilo rossijanam vyrashhivat’ lesa na sel’khozzemljakh (The government has banned Russians from growing forests on agricultural land), 2022, available at: clck.ru/37GHa3 (September 01, 2023).

Prishchepov A. V., Ponkina E. V., Sun Zh., Bavorova M., Ekimovskaia O. A., Issledovanie povedencheskikh faktorov selkhozproizvoditelei po vovlecheniiu v oborot zabroshennykh selskokhoziaistvennykh zemel: Primer Respubliki Buriatiia (The study of behavioral factors of agricultural producers on the involvement of abandoned agricultural lands in the turnover: The example of the Republic of Buryatia), Prostranstvennaia ekonomika, 2021, Vol. 17, No 3, pp. 59–102.

Prishchepov A. V., Radeloff V. C., Baumann M., Kuemmerle T., Müller D., Effects of institutional changes on land use: agricultural land abandonment during the transition from state-command to market-driven economies in post-Soviet Eastern Europe, Environmental Research Letters, 2012, Vol. 7, No 2, p. 024021.

Prishchepov A. V., Schierhorn F., Löw F., Unraveling the diversity of trajectories and drivers of global agricultural land abandonment, Land, 2021, Vol. 10, No 2, pp. 97.

Prishhepov A. V., Mjuller D., Dubinin M. Ju., Baumann. M., Radeloff V. K., Determinanty prostranstvennogo raspredelenija zabroshennykh sel’skokhozjajjstvennykh zemel’ v evropejjskojj chasti Rossii (Determinants of spatial distribution of abandoned agricultural lands in the European part of Russia), Prostranstvennaja ehkonomika, 2013, No 3, pp. 30–62.

Profft I., Mund M., Weber G. E., Weller E., Schulze E. D., Forest management and carbon sequestration in wood products, European journal of forest research, 2009, Vol. 128, pp. 399–413.

Pueyo Y., Beguería S., Modelling the rate of secondary succession after farmland abandonment in a Mediterranean mountain area, Landscape and Urban Planning, 2007, Vol. 83, No. 4, pp. 245–254.

Qiu S., Peng J., Distinguishing ecological outcomes of pathways in the Grain for Green Program in the subtropical areas of China, Environmental Research Letters, 2022, Vol. 17, No 2, Article: 024021.

Ramankutty N., Foley J. A., Estimating historical changes in global land cover: Croplands from 1700 to 1992, Global biogeochemical cycles, 1999, Vol. 13, No 4, pp. 997–1027.

Rezoliutsiia po itogam nauchnykh debatov “Lesnye klimaticheskie proekty v Rossii” (Forest climate projects in Russia), Moscow, 2021, available at: http://rbf-ras.ru/academic-dispute/2021-10-19, (September 01, 2023).

Rodin A. R., Rodin S. A., Sozdanie lesnykh energeticheskikh plantatsii (Creation of forest energy plantations), Lesnoi vestnik, 2008, No 1, pp. 178–182.

Rodina M. E., Chastnaia sobstvennost na les na zemliakh selskokhoziaistvennogo naznacheniia v rossiiskoi federatsii-tendentsii razvitiia grazhdanskogo, zemelnogo i lesnogo zakonodatelstva (Private ownership of forests on agricultural lands in the Russian Federation -trends in the development of civil, land and forest legislation), Severo-Kavkazskii iuridicheskii vestnik, 2020, No 3, pp. 90–102.

Rodkin O. I., Shabanov A. A., Rodkin A. O., Otsenka effektivnosti vozdelyvaniia energeticheskikh kultur kak istochnikov biotopliva (Assessment of the efficiency of cultivation of energy crops as sources of biofuels), Nauchnyi zhurnal NIU ITMO. Seriia “Ekonomika i ekologicheskii menedzhment”, 2016, No 4, pp. 102–110.

Rodkin O., Timoti V., Bioenergeticheskie plantatsii ivy: opyt SShA dlia Belarusi (Bioenergy willow plantations: the US experience for Belarus), Nauka i innovatsii, 2017, Vol. 11, No 177, pp. 64–68.

Roslesinforg: ploshchad zarosshikh lesom selkhozugodii mozhet v piat raz prevyshat statistiku (Roslesinforg: the area of forested farmland can be five times higher than the statistics), 2022, available at: https://roslesinforg.ru/news/in-the-media/6770, (September 01, 2023).

Rozendaal D. M., Bongers F., Aide T. M., Alvarez-Dávila E., Ascarrunz N., Balvanera P., Poorter L., Biodiversity recovery of Neotropical secondary forests, Science advances, 2019, Vol. 5, No 3, Article: eaau3114.

Rudel T. K., Schneider L., Uriarte M., Turner B. L., DeFries R., Lawrence D., Grau R., Agricultural intensification and changes in cultivated areas, 1970–2005, Proceedings of the National Academy of Sciences, 2009, Vol. 106, No 49, pp. 20675–20680.

Rytter L., Ingerslev M., Kilpeläinen A., Torssonen P., Lazdina D., Löf M., Madsen P., Muiste P., Stener L.-G., Increased forest biomass production in the Nordic and Baltic countries, A review on current and future opportunities, Silva Fennica, 2009, Vol. 50, No 5, Article: 1660.

Sanchez P. A., Science in agroforestry, Agroforestry systems, 1995, Vol. 30, pp. 5–55.

Seidl R., Thom D., Kautz M., Martin-Benito D., Peltoniemi M., Vacchiano G., Reyer C. P., Forest disturbances under climate change, Nature climate change, 2017, Vol. 7, No. 6, pp. 395–402.

Styles D., Jones M. B., Current and future financial competitiveness of electricity and heat from energy crops: A case study from Ireland, Energy Policy, 2007, Vol. 35, No 8, pp. 4355–4367.

Styles D., Thorne F., Jones M. B., Energy crops in Ireland: an economic comparison of willow and Miscanthus production with conventional farming systems, Biomass and bioenergy, 2008, Vol. 32, No 5, pp. 407–421.

Su G., Okahashi H., Chen L., Spatial pattern of farmland abandonment in Japan: Identification and determinants, Sustainability, 2018, Vol. 10, No 10, Article: 3676.

Subedi Y. R., Kristiansen P., Cacho O., Ojha R. B., Agricultural land abandonment in the hill agro-ecological region of Nepal: Analysis of extent, drivers and impact of change, Environmental Management, 2021, Vol. 67, pp. 1100–1118.

Tebenkova D. N., Gichan D. V., Gagarin Iu. N., Vliianie lesovodstvennykh meropriiatii na pochvennyi uglerod: obzor (The impact of forestry activities on soil carbon: an overview), Voprosy lesnoi nauki, 2022, Vol. 5, No 4, pp. 21-58.

Telesnina V. M., Kurganova I. N., Lopes de gereniu V. O., Ovsepian L. A., Lichko V. I., Ermolaev A. M., Mirin D. M., Dinamika svoistv pochv i sostava rastitelnosti v khode postagrogennogo razvitiia v raznykh bioklimaticheskikh zonakh (Dynamics of soil properties and vegetation composition during postagrogenic development in different bioclimatic zones), Pochvovedenie, 2017, No 12, pp. 1514–1534.

Terres J. M., Nisini L., Anguiano E., Assessing the risk of farmland abandonment in the EU. Final report. Luxembourg: Publications Office of the European Union, 2013, p.134.

The greenhouse gas protocol. The land use, land-use change, and forestry guidance for GHG project accounting, Word Resource Institute. Washington, 2006, pp. 97, available at: ttps://ghgprotocol.org/standards/project-protocol (September 01, 2023).

Thibault M., Thiffault E., Bergeron Y., Ouimet R., Tremblay S., Afforestation of abandoned agricultural lands for carbon sequestration: how does it compare with natural succession?, Plant and Soil, 2022, Vol. 475, No 1-2, pp. 605–621.

Tomaz C., Alegria C., Monteiro J. M., Teixeira M. C., Land cover change and afforestation of marginal and abandoned agricultural land: A 10 year analysis in a Mediterranean region, Forest Ecology and Management, 2013, Vol. 308, pp. 40–49.

Tremblay S., Ouimet R., White spruce plantations on abandoned agricultural land: are they more effective as C sinks than natural succession?, Forests, 2013, Vol. 4, No. 4, pp. 1141–1157.

Uri V., Vares A., Tullus H., Kanal A., Above-ground biomass production and nutrient accumulation in young stands of silver birch on abandoned agricultural land, Biomass and Bioenergy, 2007, Vol. 31, No. 4, pp. 195–204.

Uzun V., «Belye piatna» i neispolzuemye selkhozugodia: chto pokazala selskokhoziaistvennaia perepis 2016 g («White spots» and unused farmland: what the 2016 agricultural census showed), Ekonomicheskoe razvitie Rossii, 2017, Vol. 24, No 12, pp. 36–43.

Vladimir Putin poruchil pravitel’stvu ispol’zovat’ zabroshennye sel’khozzemli dlja lesoklimaticheskikh proektov (Vladimir Putin instructed the government to use abandoned agricultural lands for forest-climatic projects), 2022, available at: https://kurl.ru/kkyzV (February 01, 2023).

Vladychenskijj A. S., Telesnina V. M., Rumjanceva K. A., Chalaja T. A., Organicheskoe veshhestvo i biologicheskaja aktivnost’ postagrogennykh pochv juzhnojj tajjgi (na primere Kostromskojj oblasti) (Organic matter and biological activity of postagrogenic soils of the southern taiga (on the example of the Kostroma region)), Pochvovedenie, 2013, No 5, pp. 570–570.

Waisanen P. J., Bliss N. B., Changes in population and agricultural land in conterminous United States counties, 1790 to 1997, Global Biogeochemical Cycles, 2002, Vol. 16, No 4, pp. 1–19.

Walle I. V., Van Camp N., Van de Casteele L., Verheyen K., Lemeur R., Short-rotation forestry of birch, maple, poplar and willow in Flanders (Belgium) I–Biomass production after 4 years of tree growth, Biomass and bioenergy, 2007, Vol. 31, No 5, pp. 267–275.

Wang C., Gao Q., Wang X., Yu M., Decadal trend in agricultural abandonment and woodland expansion in an agro-pastoral transition band in Northern China, Plos One, 2015, Vol. 10, No 11, p. e0142113.

Weissteiner C. J., Boschetti M., Böttcher K., Carrara P., Bordogna G., Brivio P. A., Spatial explicit assessment of rural land abandonment in the Mediterranean area, Global and Planetary Change, 2011, Vol. 79, No 1-2, pp. 20–36.

Wuyun D., Sun L., Chen Z., Hou A., Crusiol L. G. T., Yu L., Sun Z., The spatiotemporal change of cropland and its impact on vegetation dynamics in the farming-pastoral ecotone of northern China, Science of the Total Environment, 2022, Vol. 805, Article: 150286.

Yu Z., Lu C., Tian H., Canadell J. G., Largely underestimated carbon emission from land use and land cover change in the conterminous United States, Global change biology, 2019, Vol. 25, No 11., pp. 3741–3752.

Zemel’nyjj kodeks Rossijjskojj Federacii 25.10.2001 N 136-FZ (red. 06.02.2023), 2023, available at: https://www.consultant.ru/document/cons_doc_LAW_33773/ (May 01, 2023).

Zeng N., Hausmann H., Wood Vault: remove atmospheric CO₂ with trees, store wood for carbon sequestration for now and as biomass, bioenergy and carbon reserve for the future, Carbon Balance and Management, 2011, Vol. 17, No 1, p. 2.

Zhao L., Jia K., Liu X., Li J., Xia M., Assessment of land degradation in Inner Mongolia between 2000 and 2020 based on remote sensing data, Geography and Sustainability, 2023, Vol. 4, No 2, pp. 100–111.

Zheljazkov A. L., Latysheva A. I., Seturidze D. Eh., Vlijanie stoimosti sel’skokhozjajjstvennykh ugodijj na ehffektivnoe vovlechenie v oborot nevostrebovanykh zemel’ (The impact of the value of agricultural land on the effective involvement of unclaimed land in circulation), Agrarnyjj vestnik Urala, 2017, No 10 (164), pp. 69–76.

Zhu X., Xiao G., Zhang D., Guo L., Mapping abandoned farmland in China using time series MODIS NDVI, Science of The Total Environment, 2021, Vol. 755, No 1, Article: 142651.

Zomer R. J., Neufeldt H., Xu J., Ahrends A., Bossio D., Trabucco A., Wang M., Global Tree Cover and Biomass Carbon on Agricultural Land: The contribution of agroforestry to global and national carbon budgets, Scientific reports, 2016, Vol. 6, No 1, Article: 29987.

Zumkehr A., Campbell J. E., Historical US cropland areas and the potential for bioenergy production on abandoned croplands, Environmental science & technology, 2013, Vol. 47, No 8, pp. 3840–3847.

Reviewer: Doctor of Biological Sciences I. N. Kurganova

[1] Since 19 May 2023, the Prosecutor General’s Office of the Russian Federation has recognized the activities of this organization as undesirable in the Russian Federation

[2] С 10 марта 2023 года Минюстом РФ организация объявлена иностранным агентом

]]> https://jfsi.ru/7-2-2024-bancheva_et_al/ Tue, 01 Oct 2024 10:57:49 +0000 https://jfsi.ru/?p=6745

© 2024            А. И. Банчева^*, Н. Н. Алексеева, Д. А. Третьяченко, Ю. С. Гринфельдт

МГУ имени М. В. Ломоносова, Россия, 119991, Москва, Ленинские горы, 1

^*E-mail: ban-sai@mail.ru

Поступила в редакцию: 07.02.2024 г.

После рецензирования: 28.04.2024

Принята к печати: 03.05.2024

Трансформация форм землепользования – важный фактор, который необходимо учитывать в оценках выбросов углекислого газа, при этом количественные оценки изменений потоков и запасов углерода в секторе «Землепользование, изменения землепользования и лесное хозяйство» в значительной степени менее достоверны, чем оценки выбросов от стационарных источников и транспорта. Цель работы – апробация методики региональной оценки запасов углерода экосистем и их изменений в связи с трансформацией землепользования/наземного покрова (на примере Ярославской области). Использовались общедоступные пространственные данные о наземном покрове Европейского космического агентства и литературные данные по плотности углерода в основных резервуарах наземных экосистем. Расчеты проводились в программах InVEST, ArcGIS, MS Excel. Установлено, что в 2019 г. общие запасы углерода в экосистемах Ярославской области составили около 337.4 млн тонн. Около 73% общих запасов углерода аккумулировано в лесных экосистемах, в пашнях, пастбищах и лугах – около 20%, в болотах – 5%. Динамика запасов за период 1992-2019 гг. положительная, что объясняется увеличением площадей залесенных и заболоченных территорий. В целом, за 1992–2019 гг. изменения в наземном покрове затронули 6.8% территории области, что привело к росту запасов углерода в наземных экосистемах на 5.66 млн тонн. Тенденции изменения землепользования и динамики запасов углерода в разных классах наземного покрова/типах экосистем могут учитываться при разработке рекомендаций на уровне регионов по управлению экосистемами для сокращения выбросов и увеличения поглощения углекислого газа.

 Ключевые слова: бюджет углерода, парниковые газы, изменение климата, InVEST, наземный покров, депонирование углерода, европейская территория России, углекислый газ, климатическая политика, низкоуглеродное развитие

Выбросы углерода в результате землепользования – второй после сжигания горючего топлива источник поступления углекислого газа в атмосферу. С доиндустриального периода прямые эмиссии углерода от изменения использования земель составили около трети всех антропогенных выбросов (Han et al., 2016). Трансформация форм землепользования (например, перевод сельскохозяйственных или лесных земель в др. категории), интенсификация или снижение антропогенных нагрузок, изменение режимов хозяйственного функционирования земель – важные факторы, которые необходимо учитывать в оценках выбросов парниковых газов, особенно углекислого газа, метана и оксида азота. Изучение структуры и динамики изменений выбросов от землепользования важно для понимания углеродного цикла и разработки механизмов углеродной нейтральности, которая является целью многих стран в соответствии с Парижским соглашением в рамках Рамочной конвенции ООН по изменению климата (2015).

В Российской Федерации значимый вклад в выбросы диоксида углерода от землепользования вносят в основном пахотные земли, лесозаготовки и лесные пожары, относительно меньший – постоянные сенокосы и пастбища, перевод пахотных земель в поселения и прочие земли, осушение органических почв и торфоразработки. По данным (Национальный доклад…, 2023) в 2021 г. в секторе «Землепользование, изменения землепользования и лесное хозяйство» происходило нетто-поглощение парниковых газов (–484.8 млн т СО2-экв.), обусловленное в целом большим объемом поглощения лесами. Количественные оценки изменений потоков и запасов углерода в этом секторе в значительной степени менее достоверны, чем оценки выбросов от стационарных источников углекислого газа (энергетика, промышленные процессы и использование продукции, отходы) и транспорта (Fryer, Williams, 2021).

 Региональные оценки баланса углерода приобретают особую актуальность в связи с реализацией «Стратегии социально-экономического развития Российской Федерации с низким уровнем выбросов парниковых газов до 2050 года» (принята 29 октября 2021 г. № 3052-р), а также в рамках отчетности по определяемым на национальном уровне вкладам по Парижскому соглашению. Исследованиями баланса углерода суши занимаются научные группы ряда институтов и университетов, накопившие существенный опыт и задел, в т.ч. по оценкам запасов и потоков углерода в почвах и фитомассе разных природных зон и типов экосистем (в т.ч. хвойных, смешанных и широколиственных лесов, степей, болот).

В региональных масштабах все оценки выбросов и поглощения углерода выполняются расчетным путем (Малышева и др., 2017). В соответствии с методологией МГЭИК расчеты и моделирование потоков углерода проводят на основе двух подходов – расчета баланса потоков углерода (разница между поглощением при увеличении углеродных пулов и потерями в результате природных процессов и хозяйственных нагрузок, пожаров, межгодовой изменчивости и проч.) и по разности запасов (между оценками запасов углерода для двух моментов времени) (Руководящие принципы…, 2016). Для этого используются разнообразные информационные источники: данные дистанционного зондирования, геопространственные данные по наземному покрову, географические базы данных (например, Информационная система «Почвенно-географическая база данных» (Информационная…, 2023)), сведения Государственного лесного реестра, почвенные карты, официальные статистические данные и др.  Оценки баланса углерода в основном проводятся с использованием нескольких подходов: количественной оценки потоков с использованием математических моделей (например, Century, CO2Fix, CEVSA-ES, LPJ-GUESS, РОБУЛ и др.) и расчетов изменения запасов по разности запасов на основе геопространственных данных.

В нашей стране выполнен большой объем исследований по оценке углеродного баланса лесов на основе экспериментально-полевых, информационно-аналитических, геоинформационных, дистанционных и модельных работ (например, Швиденко, Щепащенко, 2014; Малышева и др., 2017; Замолодчиков и др., 2018; Коломыц, 2020). Методика региональной оценки бюджета углерода лесов (РОБУЛ) разработана в ЦЭПЛ РАН (Замолодчиков и др., 2011). Сравнение различных систем оценки углеродного баланса лесными экосистемами России рассмотрены в работе (Сорокина и др., 2023).  Значительное число исследований имеется по расчетам запасов и динамики органического углерода в почвах в природных экосистемах и под влиянием хозяйственной деятельности (например, Щепащенко и др., 2013; Чернова и др., 2020; Иванов и др., 2021). 

  Однако работ по комплексному исследованию динамики баланса углерода в связи с трансформацией систем землепользования и наземного покрова, выполненных в региональном масштабе для российских территорий, не так много. Так, в исследовании (Чернова и др., 2018) проводится оценка запасов углерода в исторической перспективе для южной тайги и лесостепи Европейской России, сравниваются потенциальные запасы в зональных (восстановленных) и в современных экосистемах. О влиянии изменений землепользования в Чеченской республике на динамику углерода сообщают А. Н. Гуня и соавторы (Гуня и др., 2021), обращая внимание на важность ландшафтного подхода. Вклад землепользования в антропогенную эмиссию парниковых газов на территории России за период 2000–2011 гг. охарактеризован в работе А. А. Романовской с соавторами (Романовская и др., 2014). Частично российские территории рассматриваются и в работе (Winkler et al., 2023), где авторы делают вывод о снижении запасов углерода в Восточной Европе на 52% из-за изменений в землепользовании в период 2010–2019 гг. (оценивается только пул наземной фитомассы).

Для количественных оценок экосистемных услуг регионов, в том числе поглощения углерода в результате изменений землепользования, используются разнообразные инструменты и модели. Это инструмент InVEST^®, основанный на пространственно определенных данных, ARIES – на статистических данных, процессная модель CEVSA-ES, использующая индексы листовой поверхности на основе ДДЗ (Niu et al., 2021), модель BLUE (Winkler et al., 2023) и др. Так, модель  InVEST была применена (в разных масштабах) во множестве исследований по оценке баланса углерода под влиянием землепользования: для регионов Китая (Zhang et al., 2020), Индии (Ghosh et al., 2022), Ирана (Lahiji et al., 2020), Бразилии (Fernandes et al., 2021), Гамбии (Dampha, 2021) и др. Однако работ по России, использующих для таких целей данный инструментарий, практически нет. Несколько работ опубликовано китайскими учеными, в которых представлены результаты по балансу углерода для трансграничных районов – бассейна реки Туманная (Xiang et al., 2018) и для экономического коридора Китай-Монголия-Россия (Li et al., 2022), а также работа коллектива авторов для территории Китая и России (г. Йошкар-Ола) (Lai et al., 2022).

Как правило, такие исследования проводятся либо на основе дешифрирования космических снимков для оценки динамики наземного покрова, либо с использованием готовых баз геопространственных данных по изменению землепользования, имеющих свои преимущества и недостатки. Возможности их использования для геоэкологических исследований рассмотрены в статье Алексеевой с соавторами (Алексеева и др., 2017). Число таких баз данных постоянно увеличивается, в настоящее время в открытом доступе представлено около 60 глобальных и региональных баз по землепользованию и наземному покрову и около 50 тематических продуктов (Wang et al., 2023). Поскольку в оценках баланса углерода каждому классу земельного покрова присваивается собственное (уникальное) значение плотности углерода, особенно важны точность классификации землепользования, разрешение используемых геопространственных данных, а также учет развития природно-хозяйственных систем во времени (Zeng et al., 2022).

Цель работы заключается в апробации методики региональной оценки поглощения и выбросов углерода на основе открытых геопространственных данных по динамике наземного покрова и данных по удельному содержанию (плотности) углерода для разных категорий земель.  Работа выполнена в программе InVEST на примере одного из субъектов Российской Федерации – Ярославской области. В задачи входила отработка алгоритма исследования, включая выбор оптимальной базы геопространственных данных по наземному покрову, выявление изменений, произошедших в землепользовании за период исследования, поиск данных по плотности углерода по классам наземного покрова/экосистем, расчеты в модели InVEST запасов углерода по пулам по классам наземного покрова, а также определение причинно-следственных связей выявленных изменений с привлечением статистических данных, официальных материалов, научных публикаций. 

Основные зональные типы ландшафтов Ярославской области – южнотаежные и подтаежные леса, представленные хвойными (ель, сосна), мелколиственными (береза, осина) и смешанными лесами. Практически все леса производные и представляют собой массивы с преобладанием березы, осины, серой ольхи, с примесью хвойных деревьев (ель, сосна) или отдельными участками хвойных лесов (Леса высокой…, 2023).

Земельные ресурсы Ярославской области представлены преимущественно землями лесного фонда, занимающими около 1.68 млн га, или 46.4% территории. Общая площадь земель сельскохозяйственного назначения в 2019 г. составила 1.21 млн га., или 33.5% территории области. Сельскохозяйственные угодья представлены в основном пашнями (722.1 тыс. га). Под земли населенных пунктов отведено 203.1 тыс. га (5.6%) (Государственный доклад…, 2019; Доклад…, 2020).

МАТЕРИАЛЫ И МЕТОДЫ

Расчеты общих запасов углерода проводились в программе InVEST, разработанной в Стэнфордском университете (Natural Capital Project, 2024) для моделирования пространственно-временных изменений объемов (потоков) и стоимости экосистемных услуг при различных траекториях землепользования. Наряду с возможностью оценок прочих экосистемных услуг, заложенной в данной программе, для оценки услуги по поддержанию глобального цикла углерода разработан углеродный модуль, который позволяет провести оценку баланса углерода по методу разности запасов в соответствии с методологией (Руководящие принципы…, 2016). Для расчетов необходимы пространственные данные о наземном покрове изучаемой территории и данные об удельных запасах углерода (содержание на единицу площади) по четырем пулам (резервуарам) для каждого класса земельного покрова. Углеродный модуль модели InVEST оценивает в каждой ячейке сетки суммарные запасы углерода в четырех пулах за определенный год.

Оценка динамики землепользования осуществлялась в программе ArcGIS. Также ArcGIS и MS Excel были использованы для углубленных и более детальных расчетов запасов углерода (по классам наземного покрова и по каждому из выявленных переходов классов наземного покрова, отражающих его динамику) и для анализа связи трансформации землепользования и запасов углерода.

Для выбора баз геопространственных данных по наземному покрову были проанализированы несколько источников. Условием отбора было соответствие следующим критериям – длинный гармонизированный ряд данных (с начала 1990-х гг.), наличие в открытом доступе, проведенная валидация, развернутая легенда. Кроме того, авторы посчитали целесообразным использовать среднее разрешение (100–500 м) геопространственных данных по наземному покрову, которые легче соотнести с фрагментарными данными по плотности углерода, чем данные высокого разрешения (10 м, 30 м). Среднее пространственное разрешение (230 м) также используется для картографирования типов экосистем/растительности России ИКИ РАН за 2000–2018 гг. (легенда близка к категориям наземного покрова) (Барталев и др., 2011). Значительная часть ранних баз данных (например, UMD Land Cover Classification, полученных в результате обработки данных AVHRR за 1981–1994 гг. (разрешение 1100 м) и DISCover land cover (AVHRR) за 1992–1993 гг. (1000 м)) не обновляется. Наиболее детальные классификации Global Landcover 2000 (SPOT4 Vegetation) и GlobCover 2009 (ENVISAT MERIS) (300 м), MODIS Land Cover, 2001–2012 (MODIS Terra/Aqua) (500 м) включали 21, 18 и 16 классов соответственно. Они также охватывают ограниченный временной интервал.  Более поздний продукт Land Cover Type (MCD12Q1) Ver. 6 (500 м) предоставляет типы земного покрова с ежегодными интервалами за 2001–2020 гг.

Задаче выделения ареалов однотипных изменений землепользования за 30-летний период наиболее соответствовали данные по наземному покрову Европейского космического агентства (ESA) (The European Space.., 2023), предоставляющего согласованные карты, начиная с 1992 г. в системе классификации наземного покрова (LCCS, Land Cover Classification System),  принятой ФАО ООН.  Классификация земельного покрова ФАО обеспечивает единообразную основу для картирования наземного покрова суши, позволяющую отнести каждый пиксел к одному из заранее определенных классов. Преимуществом этих данных является достаточно дробный уровень дифференциации наземного покрова (21 категория), в то время как другие базы данных, даже с большим пространственным разрешением, имеют вдвое меньшее число генерализованных категорий (Wang et al., 2023). Геопространственные данные ESA включают такие классы наземного покрова как хвойные и широколиственные леса, а также водно-болотные угодья, что принципиально важно для оценки запасов углерода. Разрешение пиксела в исходных растрах составляет 300 м. Благодаря наличию длинного временного ряда данных, для анализа динамики земельного покрова Ярославской области выбраны данные 1992 и 2019 гг.

В начале исследования была проведена первичная обработка исходных данных: из мирового растра вырезана Ярославская область, выполнено перепроецирование растра в проекцию WGS 1984 UTM Zone 37N с разрешением 100×100 м (для удобства дальнейших расчетов и анализа результатов в единицах измерения «гектар»).

Для уточнения сущности классов (определение преобладающих групп древесных пород, характера заболоченных территорий), там где это было возможно, использовались данные портала лесов высокой природоохранной ценности (Леса высокой.., 2023) и сайта «Космическая обсерватория: Леса России из космоса» (Космическая обсерватория…, 2024), Open Street Map, атлас Ярославской области (Атлас Ярославской области, 1999) и космические снимки открытого доступа Google Earth для проведения визуального дешифрирования. На основании схожести географических и биологических (продукционных) характеристик некоторых классов и ввиду ограниченности данных о плотности углерода в научных публикациях (см. ниже), исходные 21 категория были сгруппированы в 12 обобщенных классов (табл. 1).  

Так, в один класс наземного покрова были объединены все виды пахотных земель: неорошаемые пашни, мозаики пахотных земель с природной растительностью (с долей пашни более 50%) и сеяные луга. В класс лугов включены собственно травяный покров, который занимает наибольшие площади в данном классе, а также мозаики травяного и древесно-кустарникового покрова и закустаренные земли (возможно, залежи), занимающие крайне небольшую площадь. Объединены в один класс территории с разреженной растительностью и лишенные растительности. Переувлажненные земли (т.н. «затапливаемые» в оригинале легенды) с древесной и луговой растительностью объединены в один класс ввиду отсутствия детальных данных по углероду и названы «Водно-болотные угодья». Разделение мелколиственных лесов на сомкнутые (как правило, это полновозрастные леса) и разреженные оставлено для возможности максимально дифференцировать типы лесных экосистем по запасам углерода (по легенде ФАО сомкнутость полога деревьев в разреженных лесах составляет 15–40%, в сомкнутых – более 40%). Селитебные зоны и водные объекты исключены из расчетов из-за недостатка данных по запасам углерода.

Необходимые данные по запасам углерода в различных классах земельного покрова по четырем пулам (резервуарам): надземная фитомасса (Cabove), подземная фитомасса (Cbelow), почва (Csoil, 0-100см) и мертвое органическое вещество (Cdead) – были получены из литературных источников (табл. 1). Пул лесной подстилки как отдельный резервуар в расчеты не включался ввиду ограничений программы InVEST, однако в ряде случаев был включен в другие пулы.

Таблица 1. Классы земельного покрова и литературные данные плотности углерода по пулам, т/га

Примечание: «нд» – нет данных, в расчетах заменено на «0»; «-» – исключены из расчетов; для водно-болотных угодий, перешедших в данных класс за период 1992-2019 гг., принято значение 265 т/га (73.5 т/га в Cabove, 191 т/га в Csoil (Чернова и др., 2018)).

Поскольку систематизированных данных по средним удельным запасам углерода по типам ландшафтов и/или категориям землепользования для Европейской территории России нет, мы использовали сведения из научной литературы и методических разработок. Основными источниками данных по плотности углерода послужили статьи О. В. Черновой с соавторами, посвященные исследованиям в Костромской области (Чернова и др., 2018, 2020). Ввиду отсутствия подобных исследований по Ярославской области и с учетом схожести природно-зональных условий Костромской и Ярославской областей, было принято допущение о возможности использования для нашего исследования данных по Костромской области. Некоторые исследования (Уфимцев и др., 2022; Карелин и др., 2017) выполнены для отличных от южнотаежной природных зон, однако их результаты были все же использованы нами в качестве ориентировочных значений ввиду отсутствия более точных данных.

Для основных типов экосистем использованы следующие данные. Для хвойных лесов данные по пулам фитомассы и почв заимствованы из результатов исследования О. В. Черновой с соавторами, проведенных в сосново-еловом лесу Костромской области (Чернова и др., 2018). Данные по пулу мертвого органического вещества – из результатов работы Д. Г. Замолодчикова с соавторами, полученным для хвойных лесов Костромской области (усредненные данные по участкам с еловыми и сосновыми древостоями) (Замолодчиков и др., 2013).

Для мелколиственных лесов взяты значения, полученные для 50-летнего березово-елового леса Костромской области (пулы наземной и подземной фитомассы и почвы) (Рыжова и др., 2014). Данные по пулу мертвого органического вещества – также из результатов работы, полученным для участков осиново-березового леса (Замолодчиков и др., 2013). Дифференциация лесов по сомкнутости полога древостоя в используемом растре наземного покрова ESA позволила использовать в расчетах более точные результаты и по запасам углерода. На основании выводов в работе Уфимцева В. И. и Андроханова В. А. для разреженных лесов к значениям по сомкнутым лесам был принят коэффициент 0.5 (Уфимцев и др., 2022).

В смешанных лесах запасы углерода в фитомассе посчитаны как средние значения запасов в хвойных и мелколиственных лесах, а запасы углерода в почвах взяты из работы О. В. Честных с соавторами, проведенной в хвойно-широколиственных лесах (Честных, 2022).

Данные по пашням и лугам заимствованы из работ И. М. Рыжовой (пулы фитомассы и почвы) (Рыжова и др., 2014) и Д. В. Карелина (пул мертвого органического вещества) (Карелин и др., 2017).

Ячейкам класса «Водно-болотные угодья» присвоены значения запасов углерода, полученных О. В. Черновой с соавторами, (2018) для верховых, переходных и низинных болот – 478 т/га. При последующих расчетах, обработке и анализе результатов в MS Excel для уточнения выводов ячейкам класса «Водно-болотные угодья» в растре 2019 г. были присвоены дифференцированные значения запасов углерода: землям, не поменявшим свой класс с 1992 г., присвоено то же значение, что и в 1992 г. (478 т/га), а землям, которые перешли в данный класс за последние 27 лет (т.е. поменявшим свой класс с любого другого на «Водно-болотные угодья») – более низкое значение (265 т/га), с целью избежать завышенных значений для молодых водно-болотных угодий. Анализ вклада различных классов наземного покрова в баланс углерода области выполнен на основе именно уточненных результатов.

Наиболее сложной для интерпретации природных характеристик и запасов углерода оказалась категория земельного покрова «Мозаики природной растительности (доля >50 %) и пашни». В итоге для нее было рассчитано среднее арифметическое между запасами углерода на пахотных землях, в лугах и в залежи с 25-летним лесом (по данным (Рыжова и др., 2014)).

Данные по Ярославской области частично были проверены по таблице «Средние величины запасов углерода в различных пулах, используемые в расчетах потерь при обезлесении по субъектам в Российской Федерации» (Методические указания…, 2017). На покрытых лесом землях начальные запасы углерода (т/га) составляли в пуле наземной фитомассы 52.53, подземной фитомассы – 13.55, мертвого органического вещества – 14.41, органического углерода почвы – 76.65. Данные по Костромской области по всем пулам, кроме почвенного углерода немного ниже, но в целом очень близки: 48.89, 12.7, 13.9 и 77.01 соответственно.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

 Согласно данным ESA для Ярославской области характерна следующая структура наземного покрова (2019 г.): 60% территории занято лесами (где абсолютно преобладают разреженные мелколиственные леса) и 22% – пашнями. Остальные классы занимают существенно меньшую площадь (хвойные леса – 7%, водно-болотные угодья – 6% и др.).

Анализ данных в ГИС показал, что за период 1992-2019 гг. изменения наземного покрова произошли на площади 2.4 тыс. км², или 6.8% территории области. Это преимущественно процессы зарастания древесной растительностью (т.е. в широком смысле, залесения) и наоборот – ее сокращения (обезлесения), расширения и уменьшение площадей заболоченных территорий.

Каждый процесс отражает несколько типов переходов одного класса наземного покрова в другой, причины которых могут быть различны. Например, залесение включает в себя 16 типов переходов, из которых преобладают по площади те, что связаны с зарастанием разреженными мелколиственными лесами участков с мозаичной структурой наземного покрова – такие изменения произошли за исследуемый период на площади 773 км². Другие переходы – это зарастание мелколиственными лесами пашен и лугов, увеличение сомкнутости леса (смена разреженных лесов на сомкнутые), зарастание лесом территории, лишенной растительности в прошлом и др. Всего процессы залесения (сумма всех 16 типов переходов) отмечены на площади 1.5 тыс. км².

Сокращение древесного покрова наблюдалось на втрое меньшей территории (537 км²). В результате этого к 2019 г. залесенная площадь в Ярославской области (точнее, площадь территории с древостоем) увеличилась примерно на 960 км² по сравнению с 1992 г.

Расширение и сокращение водно-болотных угодий отмечено в гораздо меньших масштабах (98 км² и 12 км² соответственно), однако эти процессы существенны с точки зрения изменения баланса углерода, поэтому ниже они будут рассмотрены подробнее.

В результате расчетов, проведенных в InVEST, получено, что в 1992 г. общие запасы углерода в наземных экосистемах Ярославской области составляли около 331.72 млн т. В результате трансформации наземного покрова за 27 лет запасы углерода выросли на 5.66 млн тонн и составили в 2019 г. 337.39 млн тонн (рис. 1 и 2).

В целом, пространственная характеристика запасов углерода повторяет рисунок природно-ландшафтных зон: наибольшие удельные запасы углерода (тонн в пикселе) приурочены к заболоченным территориям в Некоузском, Мышкинском и Первомайском районах и смешанным лесам Пошехонского, Первоймайского, Рыбинского, Угличского и Переславль-Залесского районов (рис. 1). Большими удельными запасами выделяется также Дарвинский природный заповедник в подзоне южнотаежных лесов (Брейтовский район). Меньшие запасы характерны для лугов и пашен, расположенных преимущественно в Ярославском, Тутаевском, Даниловском и Ростовском районах.

Рисунок 1. Расчетные запасы углерода в Ярославской области, 2019 г., т/га
(рассчитано в InVEST, визуализировано в ArcGIS)

Рисунок 2. Изменение запасов углерода в Ярославской области за период 1992-2019 гг. (рассчитано в InVEST, визуализировано в ArcGIS)

 Обозначение административных районов дано на рис. 1

Параллельная работа с данными в ArcGIS и обработка выгруженной атрибутивной таблицы в MS Excel позволили получить данные запасов для каждого класса землепользования, а также выявить и проанализировать связи между трансформацией наземного покрова и запасами углерода (по типам переходов и процессам).

Структура запасов по классам землепользования следующая: в лесах Ярославской области аккумулировано 73% от общих запасов, или 245 млн т С (суммарно в четырех резервуарах), в пашнях и лугах – около 20% (65 млн т), в болотах – 5% (19 млн т) (рис. 3). Полученные результаты по запасам углерода в лесах близки к данным, представленным в Национальном докладе о кадастре 2021 г., согласно которым в управляемых лесах Ярославской области сосредоточено 242.5 млн т С. (Национальный доклад…, 2021).

Рисунок 3. Запасы углерода в наземных экосистемах Ярославской области, по классам землепользования, % от общих рассчитанных запасов по области, 2019 г.

Расчеты запасов углерода для каждого типа перехода позволили нам сделать вывод о том, что прирост запасов углерода 5.66 млн тонн за 27 лет обусловлен прежде всего нетто-залесением (увеличением площади лесов в области), а также заболачиванием некоторых участков. В таблице 2 представлены изменения в наземном покрове (переходы из одного класса в другой), приведшие к изменениям в запасе углерода на ≥ |100| тыс. тонн, в порядке убывания величины.

Таблица 2. Изменение запасов углерода вследствие трансформации наземного покрова Ярославской области за период 1992–2019 гг.

Залесение в Ярославской области было связано с зарастанием деревьями участков с мозаичным наземным покровом (разреженными и сомкнутыми мелколиственными лесами, а также смешанными и даже хвойными, но на существенно меньшей площади), что являлось, по-видимому, частью сукцессионного процесса восстановления нарушенных лесных ландшафтов, а также, следствием забрасывания сельскохозяйственных угодий. Такие участки, как правило, примыкают к пахотным участкам, являются их окраинами. Так, молодые мелколиственные березово-осиновые леса расширили свои площади в Борисоглебском, Гаврилов-Ямском и Некоузском районах. Пример роста лесной площади со смешанным хвойно-мелколиственным древостоем – южная часть Ростовского района, а также локальные участки недалеко от города Гаврилов-Ям. В результате такого увеличения лесной площади в области запасы углерода в экосистемах выросли на 5 млн тонн (табл. 2, рис. 2).

Также залесение происходило на месте бывших пахотных угодий, что привело к накоплению в них еще 1.3 млн тонн углерода. Согласно данным официальной статистики, в Ярославской области сохраняется тенденция сокращения посевных площадей: за 1990–2017 гг. они сократились в 2.4 раза (Доклад о состоянии…, 2019).

Немалый вклад в накопление углерода наземными экосистемами (плюс 1.3 млн тонн за 27 лет) вносят и процессы заболачивания мелколиственных и смешанных лесов, а также мозаичного наземного покрова. Процесс расширения водно-болотных угодий на месте разреженных мелколиственных лесов приурочен к болотам Солодихинское (Некоузский район, на границе с Тверской областью), Шалимовское и Великий Мох (Мышкинский и Большесельский районы), Соколье и Новленское (Первомайский район) и болота Дарвинского заповедника (рис. 2). Увеличение площади заболоченных земель связано, по-видимому, как с природными процессами, так и с прекращением работ по реконструкции и эксплуатации мелиоративных систем и выводу из строя осушительной сети вследствие ее зарастания (Доклад о состоянии…, 2020).

Сокращение запасов углерода происходило вследствие распашки (полной и частичной) участков с бывшими разреженными мелколиственными лесами и смешанными лесами. Такие процессы наблюдались на площади около 450 км² (рис. 2), и, согласно используемым в исследовании подходу и данным о запасах углерода, явились основной причиной сокращения запасов углерода в ряде районов Ярославской области за рассматриваемый период. Перспективным в данном случае можно считать применение щадящих методов земледелия и использование в оценках уточненных, локальных данных о потоках углерода при таких методах землепользования.

ЗАКЛЮЧЕНИЕ

 Инструментарий InVEST и доступные геопространственные данные по наземному покрову были применены для оценки изменений запасов углерода вследствие трансформации землепользования в Ярославской области. Они могут быть использованы на аналогичных территориях Европейской части России. При необходимости возможно применение и других модулей InVEST для проведения стоимостных оценок поглощения углерода и оценки других экосистемных услуг. В 2019 г. общие запасы углерода в экосистемах Ярославской области составили около 337.4 млн тонн. 73% от общих запасов углерода аккумулировано в лесных экосистемах (в резервуарах фитомассы и почвы), в пашнях, пастбищах и лугах – около 20%, в болотах – 5%.

Полученный результат можно считать ориентировочным, т.к. величины запасов углерода в пулах даются в литературе с достаточно большим диапазоном значений, и выбор данных по плотности углерода по классам наземного покрова влияет на полученные расчетные значения запасов углерода и их динамики. В ряде случаев наши расчеты оказались близки к оценкам баланса углерода, выполненным ранее. Например, полученные оценки запасов углерода в лесах соответствуют данным по Ярославской области Национального доклада о кадастре антропогенных выбросов (2021).

Установленные направления трансформации землепользования за 27-летний период в целом соответствуют общим тенденциям изменения земельного фонда Ярославской области. За период 1992-2019 гг. изменений в наземном покрове коснулось 2.4 тыс. км², или 6.8 % области. Это привело к росту запасов углерода в наземных экосистемах на 5.66 млн тонн, главными факторами которого являются увеличение лесных площадей (на 960 км²), а также не столь значительное по площади, однако существенное с точки зрения объема запасов углерода расширение водно-болотных угодий (на 80 км²). Обозначенные процессы привели к увеличению запасов углерода в экосистемах Ярославской области на 1%.

Поскольку данные по плотности углерода по пулам были получены из литературных источников, основанных на разных методах оценки и периодах обследования, подходы в их применении для использования в региональных оценках (в т.ч. в InVEST) требуют дальнейшей проработки. Верификация данных по запасам углерода возможна на основе более детальных обследований по ключевым участкам в пределах типичных экосистем, на основе расчетов по космическим снимкам индексов, отражающих биологическую продукцию, путем привязки к почвенно-географическим картам и т.п.

Выявленные тенденции изменений землепользования и динамики запасов углерода в разных классах наземного покрова/типах экосистем создают основу для разработки регионально-ориентированных рекомендаций для сокращения выбросов и увеличения поглощения парниковых газов управляемыми экосистемами.

ФИНАНСИРОВАНИЕ

Исследование выполнено в рамках темы государственного задания географического факультета МГУ имени М.В. Ломоносова № 121040100322-8.

СПИСОК ЛИТЕРАТУРЫ

Алексеева Н. Н., Климанова О. А., Хазиева Е. С. Глобальные базы данных земельного покрова и перспективы их использования для картографирования современных ландшафтов // Известия Российской академии наук. Серия географическая.  2017.  № 1. С. 110–123. DOI: 10.15356/0373-2444-2017-1-110-123

Атлас Ярославской области. География. История. М.: Изд-во ДИК, 1999. 48 с.

Барталев С. А., Егоров В. А., Ершов Д. В., Исаев А. С., Лупян Е. А., Плотников Д. Е., Уваров И. А. Спутниковое картографирование растительного покрова России по данным спектрорадиометра MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8. № 4. С. 285–302

Государственный доклад «О состоянии и об охране окружающей среды Российской Федерации в 2019 году». URL: https://clck.ru/3DS5X9 (дата обращения 31.01.2024).

Гуня А. Н., Гайрабеков У. Т., Махмудова Л. Ш., Алахвердиев Ф. Д. Комплексный подход к оценке изменений в землепользовании и их влияния на динамику углерода в горных ландшафтах Чеченской Республики // Известия Дагестанского государственного педагогического университета. Серия Естественные и точные науки.  2021.  Т. 15, № 4.  С. 39–52. DOI: 10.31161/1995-0675-2021-15-4-39-52

Доклад о состоянии и использовании земель в Ярославской области в 2019 году. Управление Росреестра по Ярославской области. Ярославль, 2020. 72 с.

Доклад о состоянии и об охране окружающей среды Ярославской области в 2017 г. / Департамент охраны окружающей среды и природопользования Ярославской области; под научной редакцией Г. А. Фоменко. Ярославль, 2019. 232 с.

Замолодчиков Д. Г., Грабовский В. И., Каганов В. В. Натурная и модельная оценки углерода валежа в лесах Костромской области // Лесоведение. 2013. № 4. С. 3–11.

Замолодчиков Д. Г., Грабовский В. И., Краев Г. Н. Региональная оценка бюджета углерода лесов (РОБУЛ). Версия 1.1. М.: ЦЭПЛ РАН, 2011. URL: www.cepl.rssi.ru/regional.htm (дата обращения 24.10.2023).

Замолодчиков Д. Г., Грабовский В. И., Честных О. В. Динамика баланса углерода в лесах федеральных округов Российской Федерации // Вопросы лесной науки. 2018. Т. 1 (1). С. 1–24. DOI: 10.31509/2658-607X-2018-1-1-1-24

Иванов А. Л., Савин И. Ю., Столбовой В. С., Духанин Ю. А., Козлов Д. Н. Методологические подходы формирования единой Национальной системы мониторинга и учета баланса углерода и выбросов парниковых газов на землях сельскохозяйственного фонда Российской Федерации // Бюллетень Почвенного института им. В. В. Докучаева. 2021. Вып. 108. С. 175–218. DOI: 10.19047/0136-1694-2021-108-175-218

Информационная система «Почвенно-географическая база данных». URL: https://soil-db.ru/ (дата доступа 31.01.2024)

Карелин Д. В., Горячкин С. В., Кудиков А. В., Лунин В. Н., Долгих А. В., Люри Д. И. Изменение запасов углерода и эмиссии СО₂ в ходе постагрогенной сукцессии растительности на серых почвах в Европейской части России // Почвоведение. 2017. № 5. С. 580–594. DOI: 10.7868/S0032180X17050070

Коломыц Э. Г. Углеродный баланс и устойчивость лесных экосистем при глобальных изменениях климата. Экологические ресурсы бореальных лесов. М.: Наука, 2020. 424 с.

Космическая обсерватория: Леса России из космоса. URL: http://carbon.cepl.rssi.ru/maps/ (дата обращения 15.03.2024).

Леса высокой природоохранной ценности. Ярославская область. 2023. URL: https://hcvf.ru/ru/maps/hcvf-yaroslavl (дата обращения 14.10.2023).

Малышева Н. В., Золина Т. А., Дедова В. Ю. Оценка накопления углерода лесами России: геопространственный аспект // Материалы Международной конференции ИнтерКарто. ИнтерГИС. Т. 1.  М.: Изд. дом МГУ, 2017.  С. 373–382.

Методические указания по количественному определению объема поглощения парниковых газов. Утв. распоряжением Минприроды России от 30.06.2017 N 20-р. URL: https://clck.ru/3DS5ds (дата обращения 31.01.2024)

Национальный доклад о кадастре антропогенных выбросов из источников и абсорбции поглотителями парниковых газов, не регулируемых Монреальским протоколом за 1990–2019 гг. Часть 2. Приложения. М.: Росгидромет. 2021. 91 с.

Национальный доклад о кадастре антропогенных выбросов из источников и абсорбции поглотителями парниковых газов, не регулируемых Монреальским протоколом за 1990-2021 гг. Часть 1. М.: Росгидромет, 2023. 468 с.

Парижское соглашение. 2015. URL: clck.ru/Tvr74 (дата обращения 01.05.2024).

Романовская А. А., Коротков В. Н., Смирнов Н. С., Карабань Р. Т., Трунов А. А. Оценка вклада землепользования в антропогенную эмиссию парниковых газов на территории России в течение 2000–2011 гг. // Метеорология и гидрология. 2014.  № 3. С. 5–18.

Руководящие принципы национальных инвентаризаций парниковых газов МГЭИК, 2006. Т. 4. Сельское хозяйство, лесное хозяйство и другие виды землепользования. Хаяма: МГЭИК, 2006. 258 с. 

Рыжова И. М., Ерохова А. А., Подвезенная М. А. Динамика и структура запасов углерода в постагрогенных экосистемах южной тайги // Почвоведение. 2014. № 12. С. 1426–1426. DOI: 10.7868/S0032180X14090111

Сорокина Д. Д., Птичников А. В., Романовская А. А. Сравнительный анализ и оценка методик расчета поглощения парниковых газов лесными экосистемами, применяемых в Российской Федерации // Известия РАН. Серия географическая. 2023. Т. 87. № 4. С. 497–511. DOI: 10.31857/S2587556623040131

Стратегия социально-экономического развития Российской Федерации с низким уровнем выбросов парниковых газов до 2050 года. Распоряжение Правительства Российской Федерации от 29 октября 2021 г. № 3052-р.

Уфимцев В. И., Андроханов В. А. Особенности накопления фитомассы в лесных насаждениях на отвалах Листвянского угольного разреза // Научные известия. 2022. № 29. С. 152–156.

Чернова О. В., Рыжова И. М., Подвезенная М. А. Влияние исторических и региональных особенностей землепользования на величину и структуру запасов углерода в южной тайге и лесостепи европейской России // Почвоведение.  2018.  № 6.  С. 747–758. DOI: 10.7868/S0032180X18060114

Чернова О. В., Рыжова И. М., Подвезенная М. А. Оценка запасов органического углерода лесных почв в региональном масштабе // Почвоведение. 2020. № 3. С. 340–350. DOI: 10.31857/S0032180X20030028

Честных О. В., Грабовский В. И., Замолодчиков Д. Г. Оценка запасов почвенного углерода лесных районов России с использованием баз данных почвенных характеристик // Лесоведение. 2022. № 3. С. 227–238.

Швиденко А. З., Щепащенко Д. Г. Углеродный бюджет лесов России // Сибирский лесной журнал. 2014. № 1. С. 69–92.

Щепащенко Д. Г., Мухортова Л. В., Швиденко А. З., Ведрова Э. Ф. Запасы органического углерода в почвах России // Почвоведение. 2013. № 2. С. 123–132.

Dampha N. K. Change detection (1985-2020): Projections on land-use land cover, carbon storage, sequestration, and valuation in Southwestern Gambia // Sustainable Environment. 2021. Vol. 7. No. 1. Article number 1875556. DOI: 10.1080/23311843.2021.1875556

Fernandes M. M., Fernandes M. R. M., Garcia J. R., Matricardi E. A., de Almeida A. Q., Pinto A. S., Menezes R. Assessment of land use and land cover changes and valuation of carbon stocks in the Sergipe semiarid region, Brazil: 1992–2030 // Land use policy. 2020. Vol. 99. Article 104795.

Fryer J., Williams I. D. Regional carbon stock assessment and the potential effects of land cover change // Science of The Total Environment. 2021. Vol. 775. P. 145815.

Ghosh S., Dinda S., Chatterjee N. D., Dutta S., Bera D. Spatial-explicit carbon emission-sequestration balance estimation and evaluation of emission susceptible zones in an Eastern Himalayan city using Pressure-Sensitivity-Resilience framework: An approach towards achieving low carbon cities // Journal of Cleaner Production. 2022. Vol. 336. Article number 130417.  DOI: 10.1016/j.jclepro.2022.130417

Han J., Zhou X., Xiang W. N. Progress in research on land use effects on carbon emissions and low carbon management // Acta Ecologica Sinica. 2016. No. 36 (4). P. 1152–1161.

Lahiji R. N., Dinan N. M., Liaghati H., Ghaffarzadeh H., Vafaeinejad A. Scenario-based estimation of catchment carbon storage: Linking multi-objective land allocation with InVEST model in a mixed agriculture-forest landscape // Frontiers of Earth Science. 2020. Vol. 14. P. 637–646. DOI: 10.1007/s11707-020-0825-1

Lai S., Eladawy A., Sha J., Li X., Wang J., Kurbanov E., Lin Q. Towards an integrated systematic approach for ecological maintenance: Case studies from China and Russia // Ecological Indicators. 2022. Vol. 140. Article number 108982. DOI: 10.1016/j.ecolind.2022.108982

Li J., Dong S., Li Y., Wang Y., Li Z., Li F. Effects of land use change on ecosystem services in the China–Mongolia–Russia economic corridor // Journal of Cleaner Production. 2022. Vol. 360. Article number 132175. DOI: 10.1016/j.jclepro.2022.132175

Natural Capital Project. InVest. URL: https://clck.ru/3DS5Xv (дата обращения 01.06.2023).

Niu Z., He H., Peng S., Ren X., Zhang L., … & Liu W. A process-based model integrating remote sensing data for evaluating ecosystem services // Journal of Advances in Modeling Earth Systems. 2021. Vol. 13. Article number e2020MS002451. DOI: 10.1029/2020MS002451

The European Space Agency. MRLC maps series from 1992 onwards (v207 and v2.1.1). URL: https://clck.ru/3DS5Zj (дата обращения 05.07.2023).

Wang Y., Sun Y., Cao X., Wang Y., Zhang W., Cheng X. A review of regional and Global Scale Land Use/Land Cover (LULC) mapping products generated from satellite remote sensing // ISPRS Journal of Photogrammetry and Remote Sensing. 2023. Vol. 206. P. 311–334. DOI: 10.1016/j.isprsjprs.2023.11.014

Winkler K., Yang H., Ganzenmüller R., Ceccherini G., Duveiller G., Grassi G., Pongratz J., Bastos A., Shvidenko A., Araza A., Herold M., Wigneron J.-P., Ciais Ph. Changes in land use and management led to a decline in Eastern Europe’s terrestrial carbon sink // Communications Earth & Environment. 2023. No 4. Article number 237. DOI: 10.1038/s43247-023-00893-4

Xiang H., Jia M., Wang Z., Li L., Mao D., Zhang D., Cui G., Zhu W. Impacts of Land Cover Changes on Ecosystem Carbon Stocks Over the Transboundary Tumen River Basin in Northeast Asia // Chinese Geographical Science, 2018. Vol. 28(6). P. 973–985. DOI: 10.1007/s11769-018-1006-y

Zeng L., Liu X., Li W., Ou J., Cai Y., Chen G., Li M., Li G., Zhang H., Xu X. Global simulation of fine resolution land use/cover change and estimation of aboveground biomass carbon under the shared socioeconomic pathways // Journal of Environmental Management. 2022. Vol. 312. Article 114943. DOI: 10.1016/j.jenvman.2022.114943

Zhang F., Xu N., Wang C., Wu F., Chu X. Effects of land use and land cover change on carbon sequestration and adaptive management in Shanghai, China // Physics and Chemistry of the Earth, Parts A/B/C. 2020. Vol. 120. Article number. 102948. DOI: 10.1016/j.pce.2020.102948

Рецензент: к.т.н. Плотникова А. С.

© 2024                                 С. А. Мошников^*, И. В. Ромашкин, А. Н. Пеккоев

Институт леса КарНЦ РАН

Россия, Республика Карелия, 185910, Петрозаводск, ул. Пушкинская, 11

^*E-mail: moshniks@krc.karelia.ru

Поступила в редакцию 11.04.2024

После рецензирования: 20.06.2024

Принята к печати: 24.06.2024

В статье приведены результаты анализа лесотаксационных данных (древостой, подрост, подлесок и крупные древесные остатки) рекогносцировочного этапа исследования (экспресс-оценки) на полигоне интенсивного уровня первого типа «Кивач» (Республика Карелия), заложенного в рамках развития мониторинговой сети по учёту бюджета углерода в лесных сообществах на территории Российской Федерации. Установлено, что среди лесов полигона доминируют перестойные хвойные насаждения (71% сосновые и 16% еловые). Преобладает черничный тип леса (76% среди сосняков и 38% среди ельников). Леса характеризуются как среднепродуктивные: средний класс бонитета сосновых древостоев составляет II.7, еловых и березовых – III.0. В составе подроста по встречаемости доминирует ель, средняя густота которой в зависимости от типа леса варьирует от 0.14 до 1.70 тыс. шт. га^-1. Подрост сосны наиболее представлен в сосняках брусничных и черничных. Ярус подлеска образован типичными для хвойных насаждений таежной зоны видами – рябиной обыкновенной, ольхой серой, ивой козьей, можжевельником обыкновенным, шиповником иглистым. Количество крупных древесных остатков в обследованных насаждениях варьирует в широких пределах, а их распределение по запасам, типу (сухостой, валеж, пни) и видовой принадлежности зависит от преобладающей в древостое породы и лесорастительных условий. Несмотря на особенности, такие как старовозрастность и малонарушенность, леса полигона «Кивач» в значительной мере отражают породное и типологическое разнообразие насаждений среднетаежной подзоны.

Ключевые слова: Полигон «Кивач», леса, насаждения, продуктивность, естественное лесовозобновление, древесный детрит

Биогеохимический цикл углерода (С) в лесных экосистемах является одним из главнейших процессов, формирующих климатическую систему нашей планеты. Основу биогенной составляющей углеродного цикла составляют три процесса: а) фотосинтетическое связывание С, б) его сток в основных резервуарах – фитомассе, древесном детрите, подстилке и почве, а также в) гетеротрофное или термическое высвобождение С в атмосферу. Понимание механизмов, регулирующих процессы накопления и расхода С в лесах, является необходимым для разработки мер по смягчению последствий климатических изменений (Швиденко, Щепащенко, 2014). В рамках Парижского соглашения, подписанного в 2016 г. Россией и большинством стран мира, и ратифицированного Россией в 2019 г., отмечают стратегическую важность получения актуальных научных данных о климате и их дальнейшего использования для создания научно обоснованной системы климатического мониторинга (UNFCCC, 2016).

Среди лесов планеты старовозрастные таежные леса обладают наибольшим потенциалом депонирования С (Гитарский, 2007; Кудеяров и др., 2007). В последние десятилетия накоплен значительный объем данных о цикле С и его пулов в лесах таежной зоны (Gower et al., 2001; Карелин, Уткин, 2006; Комаров и др., 2006; Кудеяров, 2006; Кудеяров и др. 2007; Усольцев, 2007; Pan et al., 2011; Milakovsky et al., 2012; Бобкова и др., 2014; Швиденко, Щепащенко, 2014; Малышева и др., 2019; и др.). Несмотря на это оценка стока С в лесах России, площадь которых составляет около 21% площади всех лесов планеты, имеет большую неопределенность и, по данным разных авторов, находится в диапазоне от 230–240 Мт С год^-1 (Замолодчиков и др., 2011) до 546±120 Мт С год^-1 (Швиденко, Щепащенко, 2014). Столь широкие расхождения обусловлены как отсутствием актуальных данных о запасах С в лесах на локальном и национальном уровнях, так и недостаточностью имеющихся знаний о значениях и диапазоне распределения С в различных компонентах лесных экосистем. Для решения задач по долговременному мониторингу эмиссии и поглощения климатически активных веществ в лесах России и уточнения данных о бюджете С в них создан Консорциум, состоящий из ведущих организаций, изучающих различные наземные экосистемы страны на региональном и национальном уровнях (https://ritm-c.ru). Институтом леса Карельского научного центра РАН в рамках работы в Консорциуме в 2023 г. организован тестовый полигон интенсивного уровня для мониторинга бюджета С в малонарушенных старовозрастных лесах средней тайги.

Цель исследования – на основе результатов, полученных методом экспресс-оценки, охарактеризовать особенности породной, возрастной, типологической структуры насаждений, естественного возобновления и распределение крупных древесных остатков в лесах полигона «Кивач», заложенного в рамках формирования сети наземных объектов для реализации проекта государственной системы мониторинга углерода.

 МАТЕРИАЛ И МЕТОДЫ

Исследование проведено в мае-июне 2023 г. на тестовом полигоне размером 2×2 км (400 га), заложенном на территории Государственного природного заповедника «Кивач» (Республика Карелия, Россия, 62.29°N, 33.77°E) (рис. 1). Объект расположен в Кондопожском районе Республики Карелия в 80 км от г. Петрозаводск. Площадь заповедника составляет 10930 га. Климатические условия обусловлены широтным положением заповедника, близостью Балтийского, Белого и Баренцева морей, а также господством западного переноса воздушных масс (Ивантер, Тихомиров, 1988). Среднегодовая температура воздуха составляет +2.4°C, среднегодовое количество осадков – 625 мм, продолжительность вегетационного периода – 90 дней (Скороходова, 2008). Леса заповедника относятся к подзоне средней тайги (юго-восточной части физико-географической страны Фенноскандия, выделенной в 1898 г. В. Рамзаем). Выбор территории заповедника для закладки тестового полигона обусловлен в большей мере не модальностью по отношению к лесам республики, а категорией лесов, где исключена активная антропогенная деятельность. Это обеспечивает его сохранность в качестве постоянного элемента сети мониторинга пулов углерода на длительную перспективу. Кроме того, заповедный режим территории гарантирует сохранность приборов и оборудования, установленных на объектах исследования.

Рисунок 1. Расположение тестового полигона «Кивач» и точек закладки реласкопических площадок на его территории

Основные методические аспекты исследования были согласованы с участниками Консорциума на предварительном этапе. Полевые исследования выполняли сотрудники ИЛ КарНЦ РАН в составе четырех групп. Перед началом полевых работ с целью отработки взаимодействия и согласования описаний пунктов методики специалистами всех направлений работ (лесная таксация, геоботаника и почвоведение) были проведены тренировочные полевые выезды.

На предварительном этапе специалистами ЦЭПЛ РАН на основании данных дистанционного зондирования (космических снимков и информации, полученной на предварительном этапе с БПЛА) территория тестового полигона была разбита на 310 сегментов, в каждом из которых определены координаты точек, где было необходимо выполнить комплексное (таксационное, геоботаническое и почвенное) описания (ritm-c.ru).

Координаты точек в натуре определяли с применением навигаторов Garmin 62S, Garmin 64, с точностью определения местоположения (по данным навигаторов) в большинстве случаев до 7 м. Основные таксационные характеристики древостоев получали на реласкопических площадках (РП). Центр РП помечали обвязанным маркировочной лентой и подписанным водостойким маркером колышком. На месте определяли тип леса – на основе данных по продуктивности древостоя, составу живого напочвенного покрова (ЖНП) и почве, согласно известным методическим указаниям (Сукачев, Зонн, 1961). Далее в древостое выявляли элементы леса. По каждому элементу леса определяли следующие показатели:

— возраст (по отобранным возрастным буравом у основания ствола кернам не менее  чем у 3-4 деревьев, лет);

— сумму площадей сечений (с применением полнотомера, м²);

— диаметр (мерной вилкой у 3-4 деревьев, близких к среднему, см);

— высоту (высотомером Suunto (Финляндия) у 3-4 деревьев, близких к среднему, м).

Описание подроста и подлеска производили глазомерно. У подроста определяли состав, густоту и среднюю высоту по породам. У подлеска определяли среднюю высоту и густоту по принятым в лесной таксации категориям: «отсутствует», «единичный», «средней густоты», «густой».

Запасы крупных древесных остатков в зависимости от их типа определяли различными способами, исходя из цели работы на рекогносцировочном этапе исследования. Оценку запасов сухостоя проводили на РП, валежа и пней – глазомерно. Для валежа определяли преобладающую группу пород (хвойные/лиственные) и примерный запас по трем категориям: менее 30 м³ га^-1, от 30 до 60 м³ га^-1, более 60 м³ га^-1. Для пней естественного (бурелом и т.п.) и антропогенного (рубки) происхождения определяли численность на единицу площади (шт. га^-1).

В ходе камеральных работ осуществляли расчет основных таксационных показателей древостоя. Определяли:

— средние значения возраста, диаметра и высоты;

— состав древостоя по запасу, в ед.;

— относительную полноту древостоя;

— запас стволовой древесины, в м³ га^-1;

— класс бонитета;

— тип лесорастительных условий – на основании описания древостоя и живого напочвенного покрова.

Для расчета таксационных показателей использовали общепринятые в лесной таксации методы (Анучин, 1982) и стандартные таблицы (Третьяков и др., 1965).

При анализе полученных результатов насаждения группировали по древесным породам, типам леса, возрастным группам и т.д., в которых рассчитывали среднее значение оцениваемого показателя, диапазон колебаний, стандартную ошибку.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Древесный ярус. Породный состав. Леса полигона представлены основными лесообразующими породами Карелии (рис. 2). Преобладают хвойные насаждения – 87% полигона, в основном за счет высокой доли сосняков. Среди лиственных насаждений доминируют березняки, занимающие почти 10% полигона. Представленная структура несколько отличается от структуры лесного фонда республики (Ананьев, Мошников, 2016; Государственный доклад…, 2022), что проявляется в несколько большей доле сосняков и пропорциональном снижении участия ельников.

Рисунок 2. Распределение РП полигона «Кивач» по преобладающим породам

Пространственное распределение лесов по преобладающим породам на полигоне неравномерное (рис. 3). Сосняки, учитывая их доминирование, в большей степени сосредоточены в центральной и северо-западной части полигона, ельники и особенно березняки – преимущественно в восточной и северо-восточной части и приурочены к долине протекающей здесь реки Сандалка. Осинники также в основном сосредоточены в северо-восточной части полигона.

Возрастная структура. В целом леса полигона характеризуются сравнительно высоким возрастом, что обусловлено категорией защитности территории. В то же время в лесах, расположенных на этой территории, в 1790-1840 гг. осуществлялась массовая заготовка древесины на углежжение для нужд Александровского и Кончезерского литейных заводов, которая производилась в большинстве случаев в форме сплошных рубок (Ивантер, Тихомиров, 1988). Наибольшим средним возрастом характеризуется сосна – 171 год (с диапазоном 65–230 лет), затем ель – 131 год (с максимумом 180 лет); значения для березы и осины близки – 81 и 79 лет, соответственно. В целом, учитывая статус территории, структура лесов полигона ожидаемо отличается от региональной. При этом следует отметить, что доля спелых и перестойных лесов в республике также довольно велика – 34% (Государственный доклад…, 2022). Среди сосняков наиболее распространены абсолютно и относительно одновозрастные, в более редкостойных насаждениях (особенно в переувлажненных условиях) встречаются относительно разновозрастные, представленные преимущественно двумя-тремя поколениями – от 60 до 230 лет. Ельники в большей мере представлены относительно разновозрастными насаждениями, характерные для этой породы абсолютно разновозрастные (от всходов до возраста естественного отмирания) в ходе этапа экспресс-оценки обнаружены не были. Березняки и осинники преимущественно одновозрастные.

Высокий средний возраст сосновых древостоев определяется особенностями возрастной структуры лесов полигона (распределение по группам возраста выполнено в соответствии с Приказом Рослесхоза № 105 от 09.04.2015 «Об установлении возрастов рубок»). Почти 82% сегментов с преобладанием сосны сосредоточено в группе перестойных лесов, 7% – в спелых, чуть более чем по 5% – в средневозрастных и приспевающих. В ельниках возрастная структура несколько более сглаженная: хотя доля перестойных насаждений по-прежнему велика (46% сегментов), возрастает участие спелых и приспевающих лесов (22 и 20%, соответственно). Среди березняков перестойные насаждения занимают 41% сегментов, в то время как приспевающие и спелые характеризуются близкими с ельниками значениями (21 и 24%, соответственно). Осинники полностью представлены спелыми и перестойными насаждениями в пропорции 1:2.

Рисунок 3. Распределение территории полигона «Кивач» по преобладающим породам (А) и классам бонитета (Б)

Типологическая структура. В данном аспекте можно констатировать, что леса полигона в основном произрастают в автоморфных условиях. Преобладает зеленомошная группа типов леса (черничные и брусничные типы), суммарно занимающая 70% полигона (62 и 8%, соответственно), что, вероятно, связано со сравнительно равнинным рельефом территории. Ксероморфные условия (лишайниковый, вересковый типы леса) практически не представлены. Полугидроморфными и гидроморфными условиями (багульниковый, осоково-сфагновый, хвощево-сфагновый и сфагновый типы леса) можно охарактеризовать чуть менее 13% полигона. Таким образом, можно отметить несколько отличную типологическую структуру лесов полигона от лесов республики в целом (Biotic diversity…, 2003) и ее среднетаежной части (Казимиров и др., 1977; Biotic diversity…, 2003; Волков, 2008). Отличия проявляются в большей доле черничных типов леса на полигоне за счет сокращения остальных, особенно брусничных и характеризующих переувлажненные местообитания.

В разрезе пород можно отметить следующее: среди сосняков наблюдается подавляющее преобладание черничного типа леса – 76% сегментов, далее идет брусничный – 7% сегментов, а также багульниковый и осоково-сфагновый типы – по 5%. В еловых лесах также наиболее распространен черничный тип – 38% сегментов, сравнительно широко представлены травяно-таволговый и приручейный типы – 18 и 16%, соответственно, встречается брусничный тип – 12%. Переувлажненные (осоково- и хвощево-сфагновые типы) сравнительно редки и суммарно занимают 6% сегментов. Наиболее разнообразно в типологическом аспекте представлены березняки: наибольшее количество сегментов относится к травяно-злаковому типу леса – 31%, часто встречаются черничный и осоково-сфагновый типы, занимающие 21 и 17% сегментов, соответственно. Наименьшим типологическим разнообразием характеризуются осиновые леса, 50% которых представлены травяно-злаковым и 25% – черничным типами леса.

Класс бонитета. Леса полигона характеризуются средней в целом, но сравнительно высокой для Карелии продуктивностью. Наибольшим средним классом бонитета обладают осиновые древостои – I.3, средними показателями по продуктивности характеризуются сосновые и еловые (II.7 и III.0, соответственно), а также березовые древостои (III.0) (см. рис. 1). Наиболее высокопродуктивные насаждения сосредоточены в основном в северо-западной и северо-восточной части полигона. В центральной и юго-западной частях можно наблюдать «вкрапления» низкопродуктивных древостоев, представленных преимущественно переувлажненными сосняками. Для сравнения, согласно данным В. А. Ананьева и С. А. Мошникова (2016), до 40% хвойных древостоев Карелии растут по V-Vб классам бонитета, а средний показатель составляет IV.7. Среди лиственных до 75% площади характеризуются II-III классами бонитета. При этом следует учитывать, что низкие средние по республике показатели во многом определяются тем, что почти 60% лесов расположены в северотаежной подзоне (Карельский северо-таежный район), почвенно-гидрологические и климатические условия которой обусловливают значительно более низкую продуктивность лесов, преимущественно хвойных. 

В разрезе древесных пород распределение по классам бонитета выглядит следующим образом. Почти 75% сосновых лесов полигона характеризуются II-III классами бонитета, 10% – IV, V и ниже классами – 8%. В ельниках ситуация сходная – почти 70% древостоев характеризуются II-III классами бонитета, однако несколько больше лесов низкой продуктивности (V класс бонитета и ниже) – 12%. Березняки распределены более равномерно: среди них встречаются как древостои I (21% сегментов), так и V-Vа классов бонитета (25%); древостои II-III классов бонитета представлены в 43% сегментов. Осинники плотно расположены в I-III классах бонитета, почти 2/3 из которых – в I классе. Древостои с преобладанием этой породы и продуктивностью ниже III класса бонитета в ходе рекогносцировочного этапа не обнаружены.

Распределение по полнотам также служит подтверждением сравнительно высокой продуктивности лесов полигона – среднее значение относительной полноты составляет 0.77. Наибольшим значением показателя характеризуются осиновые древостои (1.04), наименьшим – ельники (0.68). Сосновые и березовые древостои обладают близкими к среднему по полигону значениями – 0.77 и 0.78, соответственно. При этом стоит отметить, что 53% сосновых древостоев полигона относятся к высокополнотным (0.8 и выше) и лишь 17% – к низкополнотным (0.3-0.5). В ельниках больше доля низкополнотных древостоев (28% сегментов) и меньше высокополнотных (32%). В березняках наблюдается сходная с сосняками закономерность. Среди осинников 83% сегментов представлено высокополнотными древостоями.

Естественное возобновление. Подрост в лесах полигона представлен теми же породами, которые преобладают в древостоях – сосной, елью, березой, осиной. Доля участия этих пород в составе подроста зависит от преобладающей породы материнского полога и типа лесорастительных условий. Абсолютным доминантом по встречаемости в различных типах леса выступает подрост ели, который встречается практически на всех сегментах полигона. Густота елового возобновления колеблется в зависимости от типа леса в диапазоне от 0.14 до 1.70 тыс. шт. га^-1 при высоте от 1 до 4 м (табл. 1). Известно, что ель в таежной зоне обладает высоким лесовозобновительным потенциалом. Как показали более ранние исследования (Зябченко, Иванчиков, 1988; Соколов, 2006), сосновые насаждения с подростом ели в Карелии встречаются в 53% сосняков, в то время как в ельниках и березняках еловое возобновление присутствует, как правило, повсеместно.

В сосняках густота подроста сосны на минеральных, хорошо дренированных почвах в брусничном и черничном типах леса составляет 1.3–2.4 тыс. шт. га^-1, средняя высота – 1.8 м. Максимальная густота естественного возобновления сосны (до 10 тыс. шт. га^-1) зафиксирована в отдельных сосняках брусничных, что связано, возможно, с воздействием пожара. После низовых пожаров в сосняках изменяются структура и мощность лесной подстилки, трансформируется живой напочвенный покров, меняются микроклимат, водный и химический режимы почв, что способствует обильному возобновлению сосны (Kuusela, 1990; Санников, 1992; Hille, Den Ouden, 2004; Ковалева и др., 2011). В насаждениях с более влажными условиями произрастания молодое поколение сосны очень редкое (густота 0.01–0.10 тыс. шт. га^-1; средняя высота – 0.8 м). Подрост березы в сосняках представлен не везде (встречаемость по типам леса – от 0 до 40%), а его густота варьирует в пределах 0.01–0.1 тыс. шт. га^-1. Возобновление осины в насаждениях с доминированием сосны не зафиксировано, что в целом характерно для лесов Карелии (Волков, 2008).

В ельниках обычно доминирует подрост ели (густота – 0.4–1.7 тыс. шт. га^-1).Его количество в ельниках брусничного и черничного типов (в среднем 0.4 тыс. шт. га^-1) на порядок ниже средних показателей для еловых насаждений Карелии данной группы, где густота подроста ели составляет 3–5 тыс. шт. га^-1 (Соколов, 2006). В то же время, в других типах лесорастительных условий эти значения близки к средним по региону (Казимиров, Цветков, 1975; Волков, 2008). В ельниках кисличных и приручейных, наряду с елью, отмечено незначительное участие подроста березы, а в ельниках черничных – осины, березы и сосны.       

Таблица 1. Характеристика подроста, произрастающего в сосновых и еловых насаждениях полигона «Кивач»

В насаждениях с преобладанием в составе лиственных пород (табл. 2) встречаемость подроста ели по типам леса достигает 100%. Его густота (0.2–1.0 тыс. шт. га^-1) и средняя высота (1.8 м) в целом мало отличаются от таковых в хвойных насаждениях полигона. Густота подроста березы в зависимости от типа леса составляет от 0.2 до 0.6 тыс. шт. га^-1, а осины не превышает 0.04 тыс. шт. га^-1, при невысокой встречаемости в березняках приручейных и осинниках травяно-злаковых.

Таблица 2. Характеристика подроста, произрастающего в насаждениях с преобладанием лиственных пород полигона «Кивач»

Подлесок. Подлесочный ярус насаждений полигона образован рябиной обыкновенной, ольхой серой, ивой козьей, можжевельником обыкновенным, шиповником иглистым, крушиной ломкой, черемухой обыкновенной. Доля сегментов, где присутствует хотя бы один вид подлеска, составляет 65%. Как правило, подлесок отсутствует в высокополнотных сосняках и ельниках, а также в насаждениях с подростом ели, сосны и березы густотой 1.5 тыс. шт. га^-1 и более. В целом на полигоне наибольшую представленность имеет рябина (встречаемость 83%), затем – ольха серая (25%), ива (14%), можжевельник (13%) и шиповник (13%). Другие породы встречаются единично.

Крупные древесные остатки. Сухостой отмечен на 62% сегментов полигона. Запасы сухостоя варьируют в достаточно широком диапазоне значений – от 1 до 189 м³ га^-1, при этом среднее значение составляет 42 м³ га^-1, что сопоставимо со значениями, полученными для сосновых лесов Республики Карелия (Мошников и др., 2019). Распределение запасов сухостоя по видовой принадлежности имеет следующие закономерности: сухостой сосны встречается на 86% сегментов со средним значением запаса 43 м³ га^-1, березы – на 17% (средний запас – 12 м³ га^-1), ели – на 12% (15 м³ га^-1), осины – на 2% (22 м³ га^-1). Наибольший средний запас сухостоя (47 м³ га^-1) отмечен в сосняках, несколько меньший – в осинниках и ельниках (27 и 22 м³ га^-1, соответственно), наименьший – в березняках (17 м³ га^-1) (рис. 4). В зависимости от типа леса наибольшие средние запасы сухостоя наблюдаются в сосняках черничных и брусничных (около 50 м³ га^-1) и, в среднем, несколько превышают значения, полученные для сосняков черничных среднетаежной подзоны на территории Республики Карелия (Мошников и др., 2021). В ельниках значимых различий по этому показателю между типами леса не отмечено. Без учета преобладающей породы в травяно-злаковом, багульниковом, приручейном, а также в хвощово- и осоково-сфагновом типах лесах средние запасы сухостоя варьируют от 16 до 33 м³ га^-1. В сфагновом типе леса средний запас сухостоя не превышает 8 м³ га^-1, в то время как в насаждениях таволгового и кисличного типов леса он отсутствует (рис. 4).

Пни (в основном естественного происхождения – нижние части упавших стволов) отмечены только на 24% сегментов полигона, где их количество в зависимости от преобладающей породы древостоя варьирует от 1 до 100 шт. га^-1. Среднее количество пней и их встречаемость увеличиваются в ряду: осинники (1 (1) шт. га^-1, 5% полигона) < березняки (21 (1…50) шт. га^-1, 7% полигона) < ельники (29 (1…50) шт. га^-1, 14% полигона) < сосняки (33 (1…100) шт. га^-1, 76% полигона). При этом в 55% сосновых насаждений (41% от общего количества сегментов с пнями) среднее количество пней составляет 50 шт. га^-1, а в 30% (23% от общего) – 10 шт. га^-1. Наибольшее абсолютное значение (100 шт. га^-1) отмечено в сосняке черничном. В разрезе типологической структуры наибольшие средние значения количества пней отмечены в кисличном (50 шт. га^-1, 3% полигона), багульниковом (50 шт. га^-1, 3% полигона) и брусничном (45 шт. га^-1, 11% полигона) типах лесах, наименьшие – в черничном (7 шт. га^-1, 58% полигона), сфагновом (10 шт. га^-1, 4% полигона) и осоково-сфагновом (4 шт. га^-1, 20% полигона) типах (рис. 4). На четырех сегментах, приуроченных к березнякам и ельникам таволгового типа леса, пни отсутствуют.

Рисунок 4. Распределение запасов сухостоя (м3 га-1) и количества пней (шт. га-1) по преобладающим породам древостоя и типам леса полигона «Кивач». Показаны средние значения и стандартная ошибка среднего. Обозначения: типы леса: Бр – брусничный, Чер – черничный, Кис – кисличный, Тр-Зл – травяно-злаковый, Тв – таволговый, Пр – приручейный, Баг – багульниковый, Ос-Сф – осоково-сфагновый, Хв-Сф – хвощово-сфагновый, Сф – сфагновый

Валеж по итогам визуальной оценки на половине обследованных сегментов полигона по запасу не превышает 30 м³ га^-1, на 32% сегментов значения находятся в диапазоне 30-60 м³ га^-1, на 18% – выше 60 м³ га^-1. В сосняках на 63% сегментов запасы валежа находятся в пределах 30 м³ га^-1, на 25% – в диапазоне от 30 до 60 м³ га^-1, на 12% – превышают 60 м³ га^-1, что в целом согласуется с региональными данными (Мошников и др., 2019). В ельниках это соотношение между вышеописанными группами составляет уже 23, 38 и 39%, соответственно. В осинниках и березняках различных типов леса запасы валежа варьируют в пределах 30-60 м³ га^-1 и лишь на двух сегментах, приуроченных к травянисто-злаковому типу леса, значения превышают 60 м³ га^-1.

 ЗАКЛЮЧЕНИЕ

Леса тестового полигона интенсивного уровня «Кивач» представлены четырьмя основными лесообразующими породами Карелии. В составе преобладают сосновые насаждения – 71% от общей площади полигона. Еловые насаждения занимают 16% полигона, оставшаяся часть представлена березняками и осинниками в пропорции два к одному. Древостои характеризуются выраженной старовозрастностью. Наибольшим средним возрастом обладают сосновые насаждения (171 год), наименьшими – березняки и осинники (81 и 79 лет, соответственно). Относительно равнинный рельеф полигона и почвенные условия обусловливают преобладание на его территории зеленомошной группы типов леса с доминированием черничного типа леса, что особенно проявляется в сосновых и еловых насаждениях. В березняках и осинниках наиболее часто встречается травяно-злаковый тип леса. Выявленные закономерности подтверждаются и сравнительно высокой продуктивностью лесов полигона. Средний класс бонитета по породам не опускается ниже III, а две трети осиновых древостоев характеризуются I классом бонитета. Большая часть лесов характеризуется средне- и высокополнотностью: средний показатель относительной полноты составляет 0.77, в то время как к низкополнотным (0.3-0.5) отнесены около 15% насаждений.

Естественное возобновление по видовому составу является типичным для условий среднетаежной подзоны Карелии. В подросте наиболее распространена по встречаемости ель, которая представлена практически повсеместно. Подрост сосны приурочен в основном к соснякам брусничным и черничным, где его численность достигает в среднем 2.4 тыс. шт. га^-1. Подлесочные породы встречаются на 65% территории полигона. Наиболее часто встречаются рябина обыкновенная, ольха серая, ива, можжевельник и шиповник.

Количество крупных древесных остатков в обследованных сегментах варьирует в широких пределах. Их распределение по запасам, типу (сухостой, валеж, пни) и видовой принадлежности зависит от преобладающей в древостое породы и лесорастительных условий. Среднее значение запасов сухостоя составляет 42 м³ га^-1, при этом наибольшие значения этого показателя отмечены в сосняках черничного и брусничного типов леса. Пни выявлены менее чем на четверти обследованных сегментов и наибольшие средние значения их количества отмечены в сосняках багульникового, кисличного и брусничного типов леса. При этом наибольшие абсолютные значения, а также наибольшая доля сегментов с количеством пней 50 и более шт. га^-1 относится к насаждениям черничного типа леса. Запасы валежа на половине обследованных сегментов не превышают 30 м³ га^-1. Средние запасы валежа в сосняках ниже по сравнению с таковыми в еловых и лиственных насаждениях.

Полученные результаты позволяют сделать вывод, что, несмотря на некоторые особенности, в частности старовозрастность и малонарушенность, леса полигона «Кивач» в значительной мере отражают породное и типологическое разнообразие среднетаежной подзоны. Это свидетельствует об их репрезентативности и обоснованности использования выбранного объекта для проведения мониторинговых исследований. По итогам экспресс-оценки специалистами ЦЭПЛ РАН были определены места закладки сети постоянных пробных площадей (ППП), отражающих разнообразие лесов полигона «Кивач». Проведенные в 2023-2024 гг. на ППП комплексные исследования (лесотаксационные, геоботанические, физиологические, почвенные и другие) позволят оценить вклад исследуемых экосистем в баланс углерода среднетаежных лесов.

БЛАГОДАРНОСТИ

Авторы выражают искреннюю благодарность сотрудникам ИЛ КарНЦ РАН, принимавшим участие в сборе и обработке полевого материала: Борису Владимировичу Раевскому, Владимиру Александровичу Карпину, Оксане Алексеевне Рудковской, Анастасии Вячеславовне Кикеевой, Надежде Васильевне Гениковой, Вере Владимировне Тимофеевой, Гульнаре Вялитовне Ахметовой, Сергею Геннадьевичу Новикову, Антону Николаевичу Солодовникову, Елене Викторовне Мошкиной, а также руководству и работникам Государственного природного заповедника «Кивач» за содействие в выполнении исследований.

ФИНАНСИРОВАНИЕ

Работа выполнена в рамках реализации важнейшего инновационного проекта государственного значения «Разработка системы наземного и дистанционного мониторинга пулов углерода и потоков парниковых газов на территории Российской Федерации, обеспечение создания системы учета данных о потоках климатически активных веществ и бюджете углерода в лесах и других наземных экологических системах» (рег. № 123030300031-6).

СПИСОК ЛИТЕРАТУРЫ

Ананьев В. А., Мошников С. А. Структура и динамика лесного фонда Республики Карелия // Известия высших учебных заведений. Лесной журнал. 2016.  № 4 (352). С. 19–29.

Анучин Н. П. Лесная таксация. М.: Лесная промышленность, 1982. 552 с.

Бобкова К. С., Машика А. В., Смагин А. В. Динамика содержания углерода органического вещества в среднетаежных ельниках на автоморфных почвах. СПб. Наука, 2014. 270 с.

Волков А. Д. Типы леса Карелии. Петрозаводск: КарНЦ РАН, 2008. 180 с.

Гитарский М. Л. Эмиссия и поглощение парниковых газов антропогенного происхождения лесами России: Дисс. … док. биол. наук (спец. 03.00.16). Москва: ИГКЭ, 2007. 206 с.

Государственный доклад о состоянии окружающей среды Республики Карелия в 2022 году: информационное электронное издание / МПРиЭ Республики Карелия; ред.: А. Н. Громцев, В. В. Каргинова-Губинова, О. Л. Кузнецов, Е. Г. Полина. Петрозаводск: КарНЦ РАН, 2023.

Замолодчиков Д. Г., Зукерт Н. В., Честных О. В. Подходы к оценке углерода сухостоя в лесах России // Лесоведение. 2011. № 5. C. 61–71.

Зябченко С. С., Иванчиков А. А. Особенности естественного возобновления леса Карелии // Тезисы докладов Всесоюзной конференции. Красноярск, 13-15 сентября 1988 г. Красноярск, 1988. С. 90–91.

Ивантер Э. В., Тихомиров А. А. Заповедник «Кивач» // Заповедники СССР. Заповедники европейской части РСФСР. Ч. 1. М., 1988. С. 100–128.

Казимиров Н. И., Волков А. Д., Зябченко С. С., Иванчиков А. А., Морозова Р. М. Обмен веществ и энергии в сосновых лесах Европейского Севера. Карел. фил. Ин-т леса АН СССР -Л.: Наука. Ленингр. отделение, 1977. 303 с.

Казимиров Н. И., Цветков В. Ф. Лесовосстановление на европейском Северо-Западе (Мурм. обл. и Карел. АССР) // Возобновление леса. Сб. науч. тр. М., 1975. С. 23–27.

Карелин Д. В., Уткин А. И. Скорость разложения крупных древесных остатков в лесных экосистемах // Лесоведение. 2006. № 2. C. 26–33.

Ковалева Н. М., Иванова Г. А., Кукавская Е. А. Восстановление напочвенного покрова после низовых пожаров в среднетаежных сосняках // Лесоведение. 2011. № 5. С. 30–35.

Комаров А. С., Припутина И. В., Михайлов А. В., Чертов О. Г. Биогеохимический цикл углерода в лесных экосистемах центра Европейской России и его техногенные изменения // Почвенные процессы и пространственно-временная организация почв. М.: Наука, 2006. С. 362–377.

Кудеяров В. Н. Вклад почвенного покрова России в мировой биогеохимический цикл углерода // Почвенные процессы и пространственно-временная организация почв. М.: Наука, 2006. С. 345–361.

Кудеяров В. Н., Заварзин Г. А., Благодатский С. А., Борисов А. В., Воронин П. Ю., …, & Чертов О. Г. Пулы и потоки углерода в наземных экосистемах России. М.: Наука, 2007. 315 с.

Малышева Н. А., Филипчук А. Н., Золина Т. А., Сильнягина Г. В. Количественная оценка запасов древесного детрита в лесах Российской Федерации по данным ГИЛ // Лесохозяйственная информация. 2019. № 1. С. 101–128.

Мошников С. А., Ананьев В. А., Матюшкин В. А. Оценка запасов крупных древесных остатков в среднетаежных сосновых лесах Карелии // Лесоведение. 2019. № 4. C. 266–273.

Мошников С. А., Ананьев В. А., Ромашкин И. В. Структура и динамика запасов крупных древесных остатков в сосняках черничных средней тайги // Экология. 2021. № 2. C. 123–133.

О Консорциуме «РИТМ углерода». URL: https://ritm-c.ru/about/ (дата обращения: 10.06.2024).

Приказ Федерального агентства лесного хозяйства от 9 апреля 2015 г. N 105 Об установлении возрастов рубок. URL:  https://golnk.ru/7nl71 (дата обращения 20.02.2024).

Санников С. Н. Экология и география естественного возобновления сосны обыкновенной. М.: Наука, 1992. 256 с.

Скороходова С. Б. О климате заповедника «Кивач» // Труды государственного природного заповедника «Кивач». 2008. № 4. С. 3–34.

Соколов А. И. Лесовосстановление на вырубках Северо-Запада России. Петрозаводск: КарНЦ РАН, 2006. 215 с.

Сукачев В. Н., Зонн С. В. Методические указания к исследованию типов леса. М.: АН СССР, 1961. 104 с.

Третьяков Н. В., Горский П. В., Самойлович Г. Г. Справочник таксатора. М.: Лесная промышленность, 1965. 460 с.

Усольцев В. А. Биологическая продуктивность лесов Северной Евразии: методы, база данных и ее приложения. Екатеринбург: Уральское отделение РАН, 2007. 636 с.

Швиденко А. З., Щепащенко Д. Г. Углеродный бюджет лесов России // Сибирский лесной журнал. 2014. № 1. С. 69–92.

Biotic diversity of Karelia: conditions of formation, communities and species / Eds.: A. N. Gromtsev, S. P. Kitaev, V. I. Krutov, O. L. Kuznetsov, T. Lindholm, E. B. Yakovlev. Petrozavodsk: Karelian research Centre of RAS, 2003. 244 p.

Gower S. T., Krankina O., Olson R. J., Apps M., Linder S., Wang C. Net primary production and carbon allocation patterns of boreal forest ecosystems // Ecological Applications. 2001. Vol. 11(5). P. 1395–1411.

Hille M., Den Ouden J. Improved recruitment and early growth of Scots pine (Pinus sylvestris L.) seedlings after fire and soil scarification // European Journal of Forest Research. 2004. Vol. 123. P. 213–218.

Kuusela K. The Dynamics of Boreal Coniferous Forests. Helsinki: SITRA, 1990. 172 p.

Milakovsky B., Frey B., James T. Carbon dynamics in the boreal forest // Managing Forest Carbon in a Changing Climate / Eds: M. S. Ashton, M. L. Tyrrell, D. Spalding, B. Gentry. Springer Science&Business Media, New York, 2012. P. 109–135.

Pan Y., Birdsey R. A., Fang J., Houghton R., Kauppi P. E., …, & Hay D. A large and persistent carbon sink in the world’s forests // Science. 2011. Vol. 333. P. 988–993.

The Paris Agreement. 2016. URL: https://clck.ru/3Ce3kM (дата обращения 15.02.2024).

Рецензент: к.с.-х.н. Бондарев А. И.

 © 2024                                                             А. Д. Никитина

Центр по проблемам экологии и продуктивности лесов РАН

Россия, 117997 Москва, ул. Профсоюзная, 84/32, стр. 14

E-mail: nikitina.al.dm@gmail.com

Поступила в редакцию 18.05.2024

После рецензирования: 05.06.2024

Принята к печати: 22.06.2024

В статье представлены результаты применения усовершенствованного метода автоматической сегментации RGB-ортофотопланов, полученных с помощью беспилотных летательных аппаратов (БПЛА) общедоступного сегмента, на основе нейронной сети архитектуры Mask R-CNN. Для работы с геопространственными данными разработаны блоки подготовки и постобработки растровых и векторных файлов. Модель обучена на 7000 кронах, выделенных в сосновых древостоях дренированных местообитаний подзоны хвойно-широколиственных лесов. Обучение выполнено с применением кросс-валидации. Для верификации дополнительно использованы данные 1337 крон. На этапе последовательной фильтрации по площади, уровню достоверности и повторам сегментов качество итоговых результатов сегментации улучшилось для всех возрастных групп сосновых древостоев. Итоговая средняя точность (precision) равна 0.87, полнота (recall) – 0.81 и F1-мера (F-score) – 0.83. Полученные результаты свидетельствуют о высокой эффективности алгоритма фильтрации для уменьшения избыточности сегментов и увеличения надёжности данных. Метод автоматической сегментации Mask R-CNN представляет собой эффективный инструмент для исследований характеристик сосновых древостоев по RGB-ортофотопланам БПЛА-съёмки, способный с высокой точностью воспроизводить результаты визуального дешифрирования. Метод особенно эффективен при масштабировании исследований на большие территории, где ручное дешифрирование становится трудоемким.

Ключевые слова. Mask R-CNN, автоматическая сегментация, выделение деревьев, сосновые древостои, RGB-ортофотопланы, БПЛА, экологический мониторинг, дистанционное зондирование

В контексте глобальных климатических изменений вопросы углеродного баланса и запасов углерода в лесных экосистемах приобретают особую актуальность. Эффективный мониторинг этих параметров в лесных экосистемах и управление лесными ресурсами требуют детальной и точной информации о структуре и состоянии лесов (Espíndola, 2023). В этой связи, применение высокодетальной аэрокосмической съёмки открывает новые возможности для экологических исследований, увеличивая эффективность в сборе и анализе данных. Леса с преобладанием сосны обыкновенной (Pinus sylvestris L.) широко распространены в умеренных широтах Северного полушария. Особенностями вида является адаптивность к разнообразным условиям произрастания и высокая устойчивость к экологическим стрессам, таким как засухи и пожары. Высокая экологическая валентность и значительный вклад в углеродный цикл определяют важность изучения характеристик сосновых лесов в экологических исследованиях.

Исследования (Медведев и др., 2020; Tuominen et al., 2017; Nevalainen et al., 2017; Puliti et al., 2017; Ocer et al., 2020; Diez et al., 2021; Ball et al, 2023; Zhou et al., 2023) подчёркивают потенциал применения БПЛА и нейронных сетей при обработке изображений для точного и эффективного изучения лесов. Однако, в лесах сложной структуры с сомкнутым пологом проведено относительно мало исследований, что указывает на необходимость дальнейшего изучения и повышения точности методов в данных условиях. Также важно учитывать возможности использования БПЛА массового сегмента, поскольку их доступность и широкое распространение позволяют применять данные методы в прикладной и исследовательской практике более широким кругом пользователей. Целью настоящего исследования является оценка эффективности метода автоматической сегментации с использованием нейронной сети Mask R-CNN для выделения отдельных деревьев в сосновых древостоях разной структуры на основе RGB-ортофотопланов, полученных с использованием БПЛА.

МАТЕРИАЛЫ И МЕТОДЫ

Объекты исследования. Объектами исследования являются сосняки дренированных местообитаний подзоны хвойно-широколиственных лесов западной части Русской равнины на следующих особо охраняемых природных территориях: национальный парк (НП) «Куршская коса», НП «Смоленское Поозерье», государственный природный биосферный заповедник (ГПБЗ) «Брянский лес». В исследуемых лесах выделены три возрастные группы: молодые (10–40 лет), средневозрастные (40–80 лет) и старовозрастные (старше 80 лет). Исследования (Nezami et al., 2020; Diez et al., 2021) показывают, что алгоритмы сегментации демонстрируют наиболее высокую эффективность обучения на однопородных и структурно простых лесах. Данные, полученные в НП «Куршская коса», позволяют точнее настроить модель, поскольку исследуемые сосновые леса парка преимущественно имеют однопородный состав с формулой древостоя 10С. Молодые сосновые леса, согласно «Определителю типов леса Европейской России» (Определитель типов…, URL: http://cepl.rssi.ru/bio/forest/index.htm), относятся к группе типов ксерофитно-зеленомошных и зеленомошно-лишайниковых. Преобладание ксерофитно-зеленомошных сосняков сохраняется и в средневозрастных, и в старовозрастных лесах. Данные, полученные в сосновых лесах «Смоленского Поозерья» и «Брянского леса», улучшают качество разметки для алгоритмов сегментации применительно к древостоям смешанного состава и сложной структуры, делая их более универсальными. В НП «Смоленское Поозерье» на исследуемых участках средне- и старовозрастных лесов преобладают сосняки кустарничково-зеленомошные, молодые леса представлены преимущественно сосняками мелкотравно-зеленомошными, с сомкнутостью 40–90%. В пределах исследуемых участков ГПБЗ «Брянский лес» преобладают средневозрастные кустарничково-зеленомошные сосняки и старовозрастные сосновые леса сложные с липой и дубом, с сомкнутостью 70–80%.

Аэрофотосъёмка БПЛА. В исследовании использовались результаты съёмки БПЛА от компании DJI – Phantom 3 Advanced и Mavic Pro. Эти устройства относятся к категории доступного ценового диапазона и оснащены RGB-камерами. Моделирование полётных заданий проводилось в ПО DroneDeploy. Полёты выполнялись на высоте 100-200 м в зависимости от сложности рельефа и высоты лесного полога с продольным и поперечным перекрытием 90% в безветренных условиях (до 10 м/с) с постоянными погодными условиями примерно с 11:00 до 16:00 по местному времени. Площадь съёмки с такими параметрами составляет ~15 га на один аккумулятор.

Обработка аэрофотосъёмки проведена в ПО Agisoft Metashape и включала следующие основные этапы: загрузка снимков; процедура выравнивания снимков; построение плотного облака точек; построение цифровой модели местности (ЦММ); построение ортофотоплана; экспорт ЦММ и ортофотопланов в растровые форматы. Расчётное пространственное разрешение ЦММ варьировалось от 15 до 32 см/пиксель в зависимости от высоты полёта, ортофотопланов – от 2 до 8 cм/пиксель. Суммарное количество первоначальных изображений для создания ортофотопланов составило более 20 тыс. со средним расчётным разрешением ортофотоплана 5.9 см/пиксель и ЦММ 23.6 см/пиксель. Итоговое количество ортофотопланов – 55.

Визуальное дешифрирование. В процессе дешифрирования вручную обрисовывались границы крон отдельных деревьев в ПО QGIS. Разметка необходима для создания обучающих и проверочных наборов данных. Она выполнена для центральных участков ортофотопланов размером от 20×20 м (для молодняков) до 100×100 м (для средне- и старовозрастных лесов). В результате получены файлы с векторными пространственными данными (.shp) с кронами отдельных деревьев в сосновых древостоях, а также на дополнительных ключевых участках разнопородного состава для расширения обучающей выборки при дальнейшей сегментации. Итоговый набор данных визуальной разметки включал ~8300 отдельных крон, охватывающий 55 ключевых участков. Больше всего крон было выделено в сосновых древостоях – 6799, из них в средневозрастных лесах – 3330, в старовозрастных – 2325, в молодых – 1144. Вспомогательные участки с другими породами составляют меньшую часть (широколиственные леса – 562, еловые леса – 823, мелколиственные леса – 141).

Автоматическая сегментация с использованием нейронной сети архитектуры Mask R-CNN. Для выделения отдельных крон деревьев на аэрофотопланах применяется сверхточная нейронная сеть Mask R-CNN, разработанная в 2017 году (He et al., 2017). Она расширяет возможности нейронной сети Faster R-CNN за счет добавления модуля, который предсказывает маски сегментации для областей интереса (RoI). Этот модуль работает параллельно с классификацией и регрессией ограничивающего прямоугольника (Bounding box). Одной из особенностей Mask R-CNN является пиксельное выравнивание, отсутствующее в Fast / Faster R-CNN.

Для создания проекта использовались следующие инструменты, фреймворки и библиотеки: CUDA, Jupyter Notebook, QGIS, Pytorch, rasterio, fiona, Matplotlib. В исследовании применена модель Mask R-CNN, реализованная в фреймворкe машинного обучения PyTorch на языке Python, предобученная на наборе данных «COCO», включающем более 330 000 изображений и 1.5 миллиона объектов. Предобученная модель способна распознавать границы объектов на изображениях. Однако для задачи распознавания крон деревьев необходимо дополнительное обучение. Этот процесс проще и быстрее, чем обучение с нуля, снижает риск застревания в локальных минимумах и уменьшает количество необходимых корректировок. Перенастройка параметров нейронной сети выполнялась на этапах классификации областей интереса, создания ограничивающих прямоугольников и сегментации масок.

Создание набора данных для обучения модели. Первым этапом является создание специализированного набора данных. Для этого использовались следующие исходные данные: ортофотопланы БПЛА (формат GeoTIFF .tiff); векторные границы крон деревьев, выделенные вручную (формат .shp); границы исследуемых участков (формат .shp). Модель обучалась на контурах семи тысяч крон деревьев (84%), полученных при визуальной разметке, со всех исследуемых территорий. Размер валидационного набора составил 1337 крон (16%) c ключевых участков сосновых лесов стратифицировано с учётом объекта и возраста древостоя.

Этапы подготовки набора данных включали проверку и коррекцию геометрии векторных файлов (неправильных форм объектов, самопересечений и т.д.), перепроецирование данных; конвертацию изображений в 24-битный формат; обеспечение правильного совмещения входных данных с использованием единых границ исследуемых участков. Модель принимает на вход изображения в виде матрицы [W, H, 3] (где W и H – ширина и высота, а 3 – число каналов RGB), поэтому исходные изображения были разделены на компоненты с одинаковыми размерами по оптимальной сетке. Ширина и высота каждого компонента определялась как минимальная среди всех изображений (рис. 1).

а)

Рисунок 1. (а) Схема разбиения исходных растровых изображений на отдельные компоненты, где W и H – ширина и высота, а 3 – число каналов RGB, и (б) отдельные компоненты после разбиения

В качестве разметки использовалось множество бинарных изображений каждого сегмента (кроны), где пиксели имеют значение [0] для фона и [1] для кроны (рис. 2).

Рисунок 2. Преобразование входного набора данных в формат многомерного массива

Таким образом, файлы с визуальной разметкой были трансформированы в многомерные массивы, где каждая крона сохранена как отдельное изображение. Итоговый набор данных, принимающийся моделью, включал растровые ортофотопланы (.png), информацию о границах участков с конфигурацией преобразования (.json), маски разметки в виде растров, где каждой кроне соответствует определённое числовое значение пикселя (.png), ортофотопланы, обрезанные по расширенной границе для корректного определения краевых объектов (.png). Дополнительно подгружались векторные данные разметки, которые не участвуют в обучении и используются на этапе оценки работы модели.

Обучение модели нейронной сети Mask R-CNN. Для обучения модели использовался подготовленный набор данных, который был разделен на тренировочные и валидационные подмножества. Валидационные данные не применялись в процессе обучения. Для тренировочных данных применялась многократная k-блочная кросс-валидация (k=10). Параметры обучения нейронной сети включали начальный коэффициент скорости обучения (learning rate, LR), период изменения LR, фактор изменения LR, коэффициент регуляризации, параметр стохастического градиентного спуска (Stochastic Gradient Descent, SGD). Обучение проводилось в течение 9 эпох (за одну эпоху весь набор данных проходит через нейронную сеть и происходит корректировка весов модели). Преобразования входного изображения для увеличения набора данных включали повороты, изменение контрастности, насыщенности, яркости с общей вероятностью изменения 0.1. Для предотвращения переобучения модель регулярно оценивалась на валидационном наборе данных. Результаты работы нейронной сети – это многомерный стек монохромных изображений каждого объекта с указанием степени уверенности (confidence level) в диапазоне от 0 до 1. Показатель отражает вероятность принадлежности выходного объекта к заданному классу (кроне).

Обработка данных, полученных моделью. Для анализа данных обученной нейронной сети передавались ортофотопланы различных пробных площадей в формате .tiff с границами ключевых участков и результатами визуального дешифрирования для последующего расчёта метрик качества модели. Учитывая, что модель работает с изображениями в пиксельных координатах, создавался дополнительный файл метаданных с информацией о системе координат, координатах углов сегментируемой области и географической привязке.

В связи с ограничением модели на обработку не более 100 сегментов (крон) на изображение, необходимо разделить исходный растр на части (патчи) так, чтобы в каждом было менее 100 крон. Однако при делении изображений строго по сетке возможны искажения в сегментах на границах участков (рис. 3).

а)  б)

Рисунок 3. Пример а) разбиения изображения на патчи и б) возможного варианта погрешности при сегментации краевых участков

Проблема краевых крон, возникающая при разбиении изображения по сетке, решалась путем создания 50 %-го перекрытия между патчами и определения зоны игнорируемых границ для исключения краевых эффектов. Информация о смещении сохранялась для дальнейшего восстановления координат компонентов в исходном полноразмерном изображении. Использование пирамиды патчей, где размер компонентов удваивается на каждом уровне, обеспечило адаптацию к разным масштабам объектов. Полученные сегменты преобразовывались в изображения, а затем – в векторный формат с использованием алгоритма марширующих квадратов (порог уверенности = 0.5), реализованного в библиотеке Skimage. Кроны, пересекающие зону игнорируемых границ, удалялись из результатов, сокращая число дублированных и краевых крон. Оставшиеся сегменты объединялись в единый набор данных, где для каждой выделенной кроны указывался уровень достоверности.

Фильтрация данных сегментации. Фильтрация в контексте обработки данных нейросетью представляет собой важный этап, направленный на улучшение качества результатов. Во время разбиения изображений на отдельные компоненты закладывается большое перекрытие, что не дает модели пропустить краевые кроны деревьев, однако при сборке результатов сегментации в один набор данных возникают дубликаты одной и той же кроны. Помимо дубликатов могут встречаться объекты с неправильной формой, недостоверной площадью или с низкой степенью уверенности. Всё это требовало тщательной фильтрации, которая включала в себя анализ различных параметров с целью определения оптимальных критериев для удаления нежелательных сегментов.

Вычисление оптимальных параметров для алгоритма фильтрации производилось на основе данных с посчитанной метрикой IoU, которая измеряет степень пересечения между кронами, прогнозируемыми нейронной сетью, и кронами, выделенными визуально. Данные представляли собой множество точек, где каждая точка соответствовала детектированной кроне с несколькими параметрами (площадь, уровень достоверности (score), IoU). При анализе диаграммы рассеяния (рис. 4) чётко выделяется порог для фильтрации сегментов с маленькой площадью. Этот этап фильтрации значительно сократил число излишне сегментированных крон (28%) без значительной потери точности. На диаграмме рассеяния также видно, что сегменты с минимальными значениями IoU в большинстве своем также обладают и низким уровнем достоверности, поэтому целесообразно использовать в дальнейшем уровень достоверности как параметр фильтрации.

Рисунок 4. Диаграмма рассеяния, показывающая взаимосвязь между площадью сегмента (√S, пиксели), его уровнем достоверности, и значением степени пересечения сегмента, предсказанного нейронной сетью, с эталонным сегментом разметки (IoU)

Для удаления повторяющихся крон использовалась фильтрация на основе степени пересечения и достоверности данных. Если две кроны сильно пересекаются, выбирается та, которая имеет более высокий уровень достоверности нейронной сети. В случае наличия одного крупного и нескольких мелких перекрывающих сегментов, остаётся только крупный, если его достоверность выше. Если же его достоверность ниже, такой сегмент исключается. Так, при высокой уверенности в меньших сегментах, крупная крона отбрасывается (рис. 5 а), и наоборот (рис. 5 б). Удаление дубликатов также значительно повысило точность.

Рисунок 5. Варианты фильтрации при перекрытии крон с разной степенью уверенности (зелёные сегменты сохраняются в итоговом списке, красные – удаляются)

Разработанная последовательная фильтрация включала в себя критерии площади и уровня достоверности, а затем повторов сегментов. Это позволило сохранить качественные сегменты, минимизируя потери полноты данных.

Создание итогового векторного слоя. Для трансформации координат сегментов в географические и создания итогового векторного файла формата .shp использовался файл метаданных, подготовленный на этапе обработки данных. Результаты сегментации крон нейронной сетью представлены на рисунке 6, демонстрируя точность преобразования координат.

Рисунок 6. Пример ПП, где (а) – ортофотоплан без разметки, (б) – визуальное дешифрирование, (в) – результат автоматической сегментации без фильтрации, (г) – результат автоматической сегментации после фильтрации

На схеме (рис. 7) представлен итоговый процесс обработки данных для сегментации крон сосновых древостоев с использованием алгоритма Mask R-CNN. Верхняя часть схемы отражает исследовательские этапы, включающие создание набора данных для обучения, непосредственно обучение модели Mask R-CNN и определение параметров фильтрации. Эти этапы выполняются один раз для настройки модели. Нижняя часть схемы демонстрирует процесс обработки. Он начинается с загрузки растровых файлов, затем происходит подготовка входных данных, последующее выделение сегментов и фильтрация результатов. Итогом является создание векторного файла, который может быть использован для дальнейшего анализа.

Рисунок 7. Этапы обработки данных для автоматического выделения крон

Метрики качества модели. Для оценки точности нейронной сети в задаче распознавания крон деревьев использовались результаты визуального дешифрирования ортофотопланов. Считалось, что крона детектирована корректно, если IoU превышает 0.5, что является стандартным значением в работах о сегментации (Aubry-Kientz et al., 2019; Hao et al., 2021; Ball et al., 2023). Для анализа качества модели рассчитаны стандартные матрицы ошибок: TP (true positive) – корректное определение кроны; FP (false positive) – неверное определение объекта как кроны; FN (false negative) – неверное исключение кроны; TN (true negative) – равно 0 в задачах сегментации. На основе этих данных рассчитывались ключевые метрики: precision (точность) – доля правильно идентифицированных крон среди всех распознанных; recall (полнота) – доля корректно идентифицированных крон из всех действительно существующих; F1-мера – гармоническое среднее между точностью и полнотой, обеспечивающее баланс этих показателей.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

На всех ключевых участках исходные результаты сегментации нейронной сети характеризуются высокими значениям полноты (recall = 0.91 для всех площадок) и низкими показателями точности (precision = 0.31) и F1-меры (0.46), избыточность сегментов видна и по соотношению числа сегментированных крон к данным визуальной разметки. Фильтрация значительно улучшила итоговые средние показатели точности (0.87) и F1-меры (0.83), незначительно уменьшив итоговую полноту (recall = 0.81).

На графике (рис. 8), показывающем изменение F1-меры на разных этапах фильтрации для разных возрастных групп сосновых древостоев, можно отметить, что после всех этапов фильтрации медианные значения F1-меры увеличиваются для всех возрастных групп, что указывает на улучшение качества сегментации для всей выборки. Однако для старовозрастных сосновых лесов (от 80 лет) улучшение после фильтрации наиболее выражено. Это указывает на эффективность примененного подхода фильтрации для улучшения качества результатов сегментации, сокращая избыточность и повышая надёжность данных.

Рисунок 8. Изменение F1-меры на разных этапах фильтрации для сосновых лесов разных групп возраста

Анализ обучающей и валидационной выборки, используемой для контроля переобучения при настройке модели, показал наибольшие различия в группе молодых сосновых лесов (F1_{обучение} = 0.81, F1_{валидация} = 0.70) с медианным значением 0.8 для всех ключевых участков. Средневозрастные и старовозрастные сосновые древостои имеют высокие показатели F1-меры как для обучающего (0.84 и 0.88 соответственно), так и для валидационного набора (0.83 и 0.82 соответственно) участков с медианным значением F1-меры 0.88 для обеих групп.

Разброс значений качества модели в сосновых лесах составил 0.53–0.96 со средним значением 0.83 и медианным значением 0.85. В молодых лесах разброс результатов (F1 = 0.53–0.89) показывает меньшую адаптивность модели к некоторым древостоям этого возраста, однако результаты в среднем высокие (F1_сред. = 0.77, F1_мед. = 0.8). Это может быть обусловлено низким качеством съёмки (для невысоких древостоев стоит проводить БПЛА-съёмку ниже 120-180 м при использовании БПЛА массового сегмента), сложным выделением отдельных деревьев в плотных насаждениях, меньшей обучающей выборкой для ПП молодых сосновых лесов. Более устойчивые результаты (F1 = 0.7–0.96) получены для старовозрастных лесов со средним значением F1 = 0.86 (F1_{медиана} = 0.88).

В исследовании продемонстрировано, что адаптированная модель Mask R-CNN обеспечивает высокую точность результатов в разных возрастных группах сосновых древостоев с разными показателями сомкнутости, так как показатели качества сегментации на ключевых участках остаются высокими для всех наборов данных. Пример результатов сегментации представлен на рисунке 9.

Рисунок 9. Пример ключевого участка, где (а) – визуальное дешифрирование, (б) – результат сегментации без фильтрации, (в) – результат сегментации после фильтрации

В исследованиях, посвященных сегментации отдельных деревьев в древостоях, важным аспектом является сомкнутость исследуемых древостоев. В работе N. E. Ocer и соавторов (2020), посвященной выделению отдельных деревьев с использованием Mask R-CNN и пирамиды масштабов (FPN), для трёх тестовых изображений были получены результаты F1-меры в диапазоне 0.82–0.91. Разреженные древостои анализировались в исследовании Н. В. Ивановой с соавторами (Ivanova et al., 2021), где были применены методы водораздела и наращивания областей и продемонстрированы значения F1-меры 0.7–0.9. Более сомкнутые древостои рассмотрены в работе Х. Chen и др. (2023), с результатами F1-меры между 0.71 и 0.79. Исследование М. Beloiu и соавторов (2023) посвящено сомкнутым и разнопородным древостоям с результатами F1 от 0.44 до 0.92. Исследования показывают, что эффективность сегментации крон зависит от сомкнутости древостоев, причём с её увеличением точность сегментации становится более изменчивой.

ЗАКЛЮЧЕНИЕ

Метод автоматической сегментации изображений с использованием нейронной сети архитектуры Mask R-CNN представляет собой эффективный инструмент для исследований сосновых древостоев, способный с высокой точностью воспроизводить результаты визуального дешифрирования. Разбиение RGB-ортофотопланов позволило наиболее полно учесть отдельные кроны деревьев в сомкнутом пологе. Исходные результаты характеризовались высокими значениями полноты, однако для увеличения точности был разработан блок фильтрации результатов. Фильтрация позволила исключить лишние сегменты и улучшить точность результатов, сохраняя при этом высокую степень распознавания крон. Для всех возрастных групп сосновых лесов наблюдается увеличение значений F1-меры при фильтрации. Итоговая модель демонстрирует стабильно высокое качество сегментации (F1-мера = 0.83) сосновых древостоев.

ФИНАНСИРОВАНИЕ

Работа выполнена в рамках темы ГЗ ЦЭПЛ РАН «Биоразнообразие и экосистемные функции лесов» (НИОКТР 124013000750-1) при поддержке Российского фонда фундаментальных исследований (проект № 20-34-90152) на базе Лаборатории мониторинга лесных экосистем и молодежной Лаборатории климаторегулирующих функций и биоразнообразия лесов (122111500023-6) ЦЭПЛ РАН.

СПИСОК ЛИТЕРАТУРЫ

Медведев А. А., Тельнова Н. О., Кудиков А. В., Алексеенко Н. А. Анализ и картографирование структурных параметров редкостойных северотаёжных лесов на основе фотограмметрических облаков точек // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 1. С. 150–163.

Определитель типов леса Европейской России. URL: https://cepl.rssi.ru/bio/forest/index.htm (дата обращения 01.06.2024).

Agisoft Metashape: официальный сайт. URL: http://www.agisoft.com (дата обращения 01.06.2024).

Aubry-Kientz M., Dutrieux R., Ferraz A., Saatchi S., Hamraz H., Williams J. A comparative assessment of the performance of individual tree crowns delineation algorithms from ALS data in tropical forests // Remote Sensing. 2019. Vol. 11. No. 9. P. 1086 (1–21).

Ball J. G., Hickman S. H., Jackson T. D., Koay X. J., Hirst J., Jay W., Coomes D. A. Accurate delineation of individual tree crowns in tropical forests from aerial RGB imagery using Mask R-CNN // Remote Sensing in Ecology and Conservation. 2023. Vol. 9. No. 5. P. 641–655.

Beloiu M., Heinzmann L., Rehush N., Gessler A., Griess V. C. Individual Tree-Crown Detection and Species Identification in Heterogeneous Forests Using Aerial RGB Imagery and Deep Learning // Remote Sensing. 2023. Vol. 15. P. 1463.

Chen X., Shen X., Cao L. Tree Species Classification in Subtropical Natural Forests Using High-Resolution UAV RGB and SuperView-1 Multispectral Imageries Based on Deep Learning Network Approaches: A Case Study within the Baima Snow Mountain National Nature Reserve, China // Remote Sensing. 2023. Vol. 15. P. 2697.

Diez Y., Kentsch S., Fukuda M., Caceres M.L.L., Moritake K., Cabezas M. Deep Learning in Forestry Using UAV-Acquired RGB Data: A Practical Review // Remote Sensing. 2021. Vol. 13. P. 2837.

Espíndola R. P., Ebecken N. F. F. Advances in remote sensing for sustainable forest management: monitoring and protecting natural resources // Revista Caribeña de Ciencias Sociales. 2023. Vol. 12. No. 4. P. 1605–1617.

Hao Z., Lin L., Post C.J., Mikhailova E.A., Li M., Chen Y. et al. Automated tree-crown and height detection in a young forest plantation using mask region-based convolutional neural network (Mask R-CNN) // ISPRS Journal of Photogrammetry and Remote Sensing. 2021. Vol. 178. P. 112–123.

He K., Gkioxari G., Dollár P., Girshick R. Mask R-CNN // Proceedings of the IEEE International Conference on Computer Vision. 2017. P. 2961–2969.

Ivanova N. V., Shashkov M. P., Shanin V. N. Study of pine forest stand structure in the priosko-terrasny state nature biosphere reserve (Russia) based on aerial photography by quadrocopter // Nature Conservation Research. 2021. Vol. 6. No. 4. P. 1–14.

Nevalainen O., Honkavaara E., Tuominen S., Viljanen N., Hakala T., Yu. X., Hyyppä J., Saari H., Pölönen I., Imai N. N., Tommaselli A. M. G. Individual tree detection and classification with UAV-based photogrammetric point clouds and hyperspectral imaging // Remote Sensing. 2017. Vol. 9. No. 3. P. 185.

Nezami S., Khoramshahi E., Nevalainen O., Pölönen I., Honkavaara E. Tree species classification of drone hyperspectral and RGB imagery with deep learning convolutional neural networks // Remote Sensing. 2020. Vol. 12. No. 7. P. 1070.

Ocer N. E., Kaplan G., Erdem F., Matci D.K., Avdan U. Tree extraction from multi-scale UAV images using Mask R-CNN with FPN // Remote Sensing. 2020. Vol. 11. P. 847–856.

Puliti S., Ene L. T., Gobakken T., Næsset E. Use of partial-coverage UAV data in sampling for large scale forest inventories // Remote Sensing of Environment. 2017. Vol. 194. P. 115–126.

Tuominen S., Näsi R., Honkavaara E., Balazs A., Hakala T., Viljanen N., Reinikainen J. Tree species recognition in species rich area using UAV-borne hyperspectral imagery and stereo-photogrammetric point cloud // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2017. Vol. XLII-3/W3. P. 185–194.

Zhou J., Chen X., Li S., Dong R., Wang X., Zhang C., Zhang L. Multispecies individual tree crown extraction and classification based on BlendMask and high-resolution UAV images // Journal of Applied Remote Sensing. 2023. Vol. 17. No. 1. P. 016503.

Рецензент: к.г.н. Малышева Н. В.

© 2024                                                 И. Б. Рапопорт^1*, Ю. Е. Комаров²

¹Институт экологии горных территорий им. А. К. Темботова РАН

Россия, Кабардино-Балкарская Республика, 360051, г. Нальчик, ул. И. Арманд, 37а

²ФГБУ «Заповедная Осетия-Алания»

Россия, Республика Северная Осетия-Алания, 363245, г. Алагир, ул. Ч. Басиевой, 1

^*Е-mail: rap-ira777@rambler.ru

Поступила в редакцию 11.05.2024

После рецензирования: 01.06.2024

Принята к печати: 20.06.2024

Цель исследования: инвентаризация фауны, изучение экологии, географического распространения, биотопического и высотного распределения видов дождевых червей Республики Северная Осетия-Алания (РСО-Алания). Материал и методы. Материал собран в 2017–2019 гг. в течении периода вегетации растений на высотах 221–2483 м над ур. м. Для учета дождевых червей в пределах биогеоценоза разобраны почвенные пробы размером 25х25 см² в 4–8-й кратной повторности на глубину встречаемости почвенных беспозвоночных и следов их жизнедеятельности. Дождевые черви определены в соответствие с современными взглядами на систематику дождевых червей. Результаты и обсуждение. Показано, что в РСО-Алания обитает не менее 19 видов дождевых червей, Aporrectodea caliginosa впервые указан для региона. Впервые изучена высотная приуроченность таксонов, значительно расширены представления о верхнем и нижнем пределе распространения видов в центральной части Северного Кавказа. Показано, что хорологическая структура фауны складывается преимущественно за счет космополитных видов. Отмечены все морфо-экологические группы дождевых червей, преобладают собственно почвенные виды. Заключение. Наличие поясов широколиственных лесов и лесостепи формирует общее видовое богатство и разнообразие морфо-экологических форм дождевых червей. Доминирование люмбрицид, относящихся к собственно почвенной морфо-экологической группе обусловлено влиянием полупустынной зоны, лежащей в основании высотного спектра восточно-северокавказского типа поясности. Мозаичность горного рельефа и теплый климат позволяют видам проникать за границы экологического преферендума.

Ключевые слова: дождевые черви, географическое распространение, высотное распределение, ареал, экология, Республика Северная Осетия-Алания, центральная часть Северного Кавказа

 В соответствие с классификацией А. К. Темботова (Соколов, Темботов, 1989), Центральная часть Северного Кавказа, выделенная В. З. Гулисашвили (1964), соответствует восточно-северокавказскому типу поясности, сформированному под влиянием полупустынной зоны. Восточно-северокавказский тип поясности включает эльбрусский, терский и дагестанский варианты. Особенно оригинален терский вариант, в котором присутствуют пояса лесостепи и широколиственных лесов, почти не выраженные восточнее – в дагестанском варианте. В эльбрусском варианте поясности эти высотные пояса замещаются луговыми степями и остепненными лугами. Значительную часть терского варианта занимает Республика Северная Осетия-Алания (далее РСО-Алания), в которой из общей площади 20.3% отведены под охраняемые территории. Это высокий показатель, т. к. в среднем по Российской Федерации площадь ООПТ составляет около 12% (Республика Северная Осетия – Алания…, 2023).

Дождевые черви преобладают по численности и биомассе в большинстве наземных экосистем, являются незаменимыми участниками многих экосистемных процессов и выполняют важную средообразующю роль (Перель, 1979; Medina-Sauza et al., 2019; Schon, Dominati, 2020; Le Bayon et al., 2021; Edwards, Arancon, 2022). Фауна и биотопическое распределение дождевых червей РСО-Алания освещались в нашей более ранней публикации (Рапопорт, Комаров, 2017), где основное внимание было уделено дождевым червям, обитающим в поясе широколиственных лесов, нижележащие биогеоценозы были исследованы недостаточно. В настоящей публикации мы расширили число локалитетов за счет лесостепи и степной зоны, а также субальпийского и альпийского поясов.

Цель работы: инвентаризация фауны, изучение экологии, географического распространения, биотопического и высотного распределения видов дождевых червей РСО-Алания. 

МАТЕРИАЛ И МЕТОДЫ

Материал собран в Республике Северная Осетия-Алания Ю. Е. Комаровым в 2017–2019 гг. в течении периода вегетации растений на высотах 221–2483 м над ур. м. в лесных и луговых биогеоценозах (рис. 1), преимущественно в Северо-Осетинском государственном заповеднике (СОГЗ): локалитет (лок.) 1 – г. Алагир, контора СОГЗ, 537 м над ур. м., N 43° 01′ 0,14», E 44° 13′ 32,1», смешанный лес, 21.04.2017; лок. 2 – окр. с. Верхний Бирагзанг, 652 м над ур. м., N 43° 97′ 13,9», E 44° 14′ 51,9», пойменный луг, 26.03.2017; лок. 3 – 50 м к юго-западу (ЮЗ) от п. Бекан, 221 м над ур. м., N 43° 51′ 04», E 44° 15′ 27,1», заросли гледичии, 28.03.2017; лок. 4 – к 50 м к западу (З) от г. Алагир, высота 415 м над ур. м., N 43° 04′ 07,2», E 44° 14′ 14,6», роща конского каштана, 04.04.2017; лок. 5 – бас. р. Ардон, в 300–500 м к Ю от г. Алагир, 562 м над ур. м., пойменный ольшаник, N 43° 00′ 46,8», E 44° 13′ 29,3», 13.03.2017; лок. 6 – левый берег (ЛБ) р. Терек,  386 м над ур. м.,  N 43° 16′ 06,2»,  E 44° 15′ 25,0», дубово-кленовый  пойменный  лес,

Рисунок 1. Места сбора дождевых червей в РСО-Алания

28.03.2017; лок. 7 – Ирафский р-н, 4 км к северу (С) от г. Дигора, 572 м над ур. м., N 43° 00′ 46,8», E 44° 03′ 19,9», байрачный ольховый лес, 9.04.2017; лок. 8 – г. Алагир, 631 м над ур. м., на тротуаре, 21.03. 2017; лок. 9 – бас. р. Ардон, 220 м к югу (Ю) от г. Алагир, 620 м над ур. м., N 43° 00′ 50,4», E 44° 13′ 34,5», заливной пойменный ольшаник, 17.03.2017; лок. 10 – п. Бекан, на асфальте, 362 м над ур. м., N 43° 15′ 51,8», E 44° 15′ 42,5», 28.03.2017; лок. 11 – байрачный пойменный лес, 4 км к северо-западу (СЗ) от г. Дигора, 520 м над ур. м., N 43° 12′ 18,6», E 44° 02′ 57,1», 9.04.2017; лок. 12 – 100 м на северо-восток (СВ) от с. Хаталдон, 589–623 м над ур. м., N 43° 02′ 40,2», E 44° 21′ 47,3», ясенево-кленовая лесополоса, 7.04.2017; лок. 13 – п. Бекан, западная окраина, 310–328 м над ур. м., N 43° 15′ 52,3», E 44° 15′ 43,4», под валежником, 11.07.2017; лок. 14 – 2 км от с. Хаталдон, 589 м над ур. м., N 43° 02′ 47,8», E 44° 22′ 35,0», дубово-липовая лесополоса, 7.04.2017; лок. 15 – бас. р. Белая в 2,5 км к СЗ от п. Бекан, 316 м над ур. м., лиановый пойменный лес, песчаная почва, 14.03.2017; лок. 16 – г. Алагир, 638–641 м над ур. м., на тротуаре, 21.03.2017; лок. 17 – орехово-ивовый пойменный лес, р. Арф-Арык, юго-восточный (ЮВ) склон, уклон 50º, N 43° 12′ 25,3», E 44° 03′ 35,6», 9.04.2017; лок. 18 – бас. р. Терек, в 2,5 км к СЗ от п. Бекан, алычево-кленово-орешниковый лес, 24.05.2017; лок. 19 – 54 м к западу от г. Дигора, пойменный ольшаник, 12.11.16; лок. 20 – правый берег (ПБ) р. Терек, в 17 км к Ю от с. Эльхотово, пойменный тополево-ореховый лес, N 43° 17’48,9», E 44° 13′ 49,6», 329 м над ур. м., 13.11.2017; лок. 21 – на С от г. Алагир, у элеватора, под камнями, N 43° 05′ 51,4», E 44° 14′ 56,4»; лок. 22 – 400 м от г. Ардон, бас. р. Ардон, пойменный ольшаник, 28.08.2017; лок. 23 – Роща «Святого Хетага», в 2 км к востоку (В) от с. Суадаг, 568 м над ур. м., N 43° 03′ 31,55», E 44° 17′ 28,0», ясеневый лес, 9.02.2019; лок. 24 – 1,2 км к Ю от г. Алагир, 43° 00’00,32», E 44° 13′ 10,16», 668 м над ур. м., придорожные посадки ореха манчжурского, 13.11.2017; лок. 25 – г. Дигора, 43° 09’38,69», E 44° 08′ 35,40», 450 м над ур. м., под досками, 20.08.2018; лок. 26 – Лесистый хр., 2,5 км от г. Алагир, склон ЮВ экспозиции, буково-кленово-ольховый лес, 42° 59’49,44», E 44° 13′ 04,41», 20.06.2018; лок. 27 – ПБ р. Майрамадагдон, в 600 м к СВ от с. Майрамадаг, 577 м над ур. м., ивовый лес, N 43° 02’05,67», E 44° 28′ 21,51», 10.04.2018; лок. 28 – Сунженский хр., 600 м от с. Карджин, ПТБО, разнотравно-злаковая степь, под досками, 25.03.2018; лок. 29 – 300 м в С от г. Алагир, 568 м над ур. м., 43° 04’09,10», E 44° 14′ 05,42», придорожная лесополоса, 22.03.2018; лок. 30 – ПБ р. Майрамадагдон, в 1,5 км к С от с. Майрамадаг, 567 м над ур. м., 43° 02’29,56», E 44° 28′ 32,76», ольхово-лещиновый лес; лок. 31 – к С от с. Даргавс, 386 м над ур. м., 43° 16’73,66», E 44° 22′ 05,10», разнотравный луг, 25.03.2018; лок. 32 – 8 км к Ю от с. Старый Батако, 504 м над ур. м., разнотравный луг, 43° 18’33,19», E 44° 32′ 41,33», 25.03.2018; лок. 33 – р. Большой Дур-Дур, в 2,5 км от с. Дур-Дур, 516 м над ур. м., пойменный лес, 43° 08’54,58», E 03° 14′ 25,75», 29.04.2018; лок. 34 – в 1 км к ЮВ от с. Н. Бирагзанг, 640 м над ур. м., под бревнами, 3.05.2018; лок. 35 – р. Большой Дур-Дур, в 3 км к С от с. Дур-Дур, предгорья, 494 м над ур. м., 43° 09’02,64», E 44° 03′ 49,37», 20.04.2018; лок. 36 – долина р. Майрамадагдон, в 600 м к СВ от с. Майрамадаг, 580 м над ур. м., N 43° 02’01,64», E 44° 28′ 23,82», пасторальное разнотравье, 10.04.2018; лок. 37 – г. Алагир, северная часть, ореховая роща, под корой валежника, 571 м над ур. м., 43° 04’00,40», E 44° 14′ 05,42», 22.03.2018; лок. 38 – вдоль дороги Алагир-Тамиск, ручей с ивовыми зарослями, 676 м над ур. м., N 43° 00′ 47,5», E 44° 13′ 33,2», 27.06.2017; лок. 39 – окр. с. Црау, пойма р. Цраудон, 369 м над ур. м.; лок. 40 – в 100 м к З от с. Хазнидон, 777 м над ур. м., N 43° 11’42,64», E 43° 51′ 14,65», речная пойма р. Урух, у моста, 22.04.2018; лок. 41 – г. Алагир, городская больница, злаково-разнотравный луг, 608 м над ур. м., N 43° 02’41,29», E 44° 13′ 30,34», 15.04.2018; лок. 42 – р. Майрамадагдон, в 80 м к СВ от с. Майрамадаг (мачта), 583 м над ур. м., N 43° 01’42,36», E 44° 28′ 22,65», разнотравно-злаковый луг, 10.04.2018; лок. 43 – 2,5 км к С-СВ от г. Алагир, 565 м над ур. м., 43° 04’23,10», E 44° 14′ 32,80», задернованная пойма р. Ардон, 22.03.2018; лок. 44 – окр. п. Бекан, 362 м над ур. м., N 43° 15′ 51,8», E 44° 15′ 49,5», у дороги, 21.03.2017; лок. 45 – п. Бекан, 310 м над ур. м., дубняк на склоне, под корягой, 18.04.2017; лок. 46 – 592 м над ур. м., пойма р. Ардон, 3 км к В от г. Алагир, зарастающий источник, 3.03.2017; лок. 47 – в 150 м к Ю от г. Алагир, 657 м над ур. м., N 43° 16′ 33,7», E 44° 14′ 41,9», пойменный луг на р. Ардон, 17.03.2017; лок. 48 – в 1.5 км к ЮЗ от с. Црау, орешник, 28.09.2019; лок. 49 – бас. р. Гизельдон, в 300 м к ЮВ от с. Саниба, 760 м над ур. м., ольшаник, 30.10.2017; лок. 50 – р. Ардон, в 1.5 км к Ю от г. Алагир, пойменный кленово-ясеневый лес, 9.07.2017; лок. 51 – западная окраина г. Ардон, у дороги Ардон-Дигора, 427 м над ур. м., луг, 23.06.2017; лок. 52 – бас. р. Хаталдон, 609 м над ур. м., в 2 км от с. Хаталдон, N 43° 03′ 024», E 44° 21′ 21,1», пойменный ольшаник, 4.05.2017; лок. 53 – Сунженский хр., в 600 м к С-СВ от с. Карджин, разнотравно-злаковая степь, под досками, 29.03.2018; лок. 54 – окр. с. Горная Саниба, в 6 км от села, 1951 м над ур. м., 42° 50’22,71», E 44° 33′ 16,51», под перевалом на сланцевой осыпи, субальпийский луг; лок. 55 – урочище «Шаприко», в 1 км к С от с. Хаталон, 608 м над ур. м., N 43° 03′ 02,9», E 44° 22′ 44,28», дубово-лещиновый лес, 19.10.2018; лок. 56 – Фиагдонское ущ., пойма р. Фиагдон, 790 м над ур. м., пойменный ольшаник, 17.11.2017; лок. 57 – к З от турбазы «Россельмаш», 2350 м над ур. м., N 43° 54′ 58,4», E 43° 31’45,0», минеральный источник «Авсанти», субальпийский луг, 26.07.2017; лок. 58 – ПБ р. Цейдон, 1718 м над ур. м., 42° 47’44,9», E 43° 65′ 34,44», ольховый лес, 9.08.2018; лок. 59 – Цейское ущ., ЛБ, р. Цейдон, 1751 м над ур. м., 42° 47’44,91», E 43° 55′ 34,44», 8.08.2018; лок. 60 – окр. п. Нузал, 1066 м над ур. м., N 42° 49′ 39,55,», E 44° 01′ 30,54», горная степь, 22.05.2018; лок. 61 – в 200 м к ЮВ от г. Алагир, 626 м над ур. м., N 43° 01′ 15,5», E 44° 13′ 44,8», сырой ольшаник, 1.06.2017; лок. 62 – в 7 км на З от г. Дигора, 561 м над ур. м., N 43° 10′ 53,1», E 43° 03′ 01,9», буково-грабовый лес, 9.04.2017; лок. 63 – кленово-грабовый пойменный лес, бас. р. Терек, 338 м над ур. м., N 43° 16′ 32,3», E 44° 14′ 49,5», 4.05.2017; лок. 64 – р. Урсдон (Белая), 349 м над ур. м., N 44° 16′ 36,4», E 44° 14′ 40,3», лиановый лес, 4.05.2017; лок. 65 – р. Большой Дур-Дур, N 43° 09′ 24,2», E 44° 04′ 7,84», пойменный луг, 4.05.2017; лок. 66 – роща «Шаприко», 578 м над ур. м., N 43° 02′ 59,7», E 44° 22′ 29,7», лещинник, 7.04.2017; лок. 67 – роща «Шаприко», в 2,5 км к СВ от с. Хаталдон, 616 м над ур. м., N 43° 02′ 54,4», E 44° 22′ 36,9», дубово-осиновый с лещиной, 7.04.2017; лок. 68 – п. Бекан, западная окраина, аллея гледичий, у забора, 334 м над ур. м., N 43° 01′ 17,5», E 44° 14′ 01,0», 28.03.2017; лок. 69 – ПБ р. Терек, в 2,5 км на СЗ от п. Бекан, 343 м над ур. м., дубовый лес с алычей и лещиной, 11.04.2017; лок. 70 – 361 м над ур. м., р. Урсдон (Белая), в 30 км к З от п. Бекан, дубовый пойменный байрачный лес, 24.05.2017; лок. 71 – р. Урдсон (Белая) в 3 км к СЗ от п. Бекан, пойменный лес, 22.05.2017; лок. 72 – хребет Цехациртит, Садоно-Унальская котловина, 2250 м, перевал Кора, субальпийский луг, 24.05.2017; лок. 73 – русло р. Терек, в 2 км к СЗ от п. Бекан, алычево-лещиновый пойменный лес, 4.05.2017; лок. 74 – роща «Шаприко», в 1 км к С от с. Хаталон, лещинник с луком медвежьим, 21.03.2019; лок. 75 – с. Карджин, огороды, 31.10.2017; лок. 76 – окр. п. Бекан, 359 м над ур. м., дубово-лещиновый пойменный лес, под камнями, 26.09.2017; лок. 77 – Дигорское ущ., с. Мацута, 1130 м над ур. м., N 43° 10′ 27,6», E 44° 16′ 25,3», разнотравный склон, под камнями, 29.06.2017; лок. 78 – Куртатинское ущ., бер. р. Амусадон, в 2 км к ЮВ от с. Гусара, 850 м над ур. м., лиственный лес, 3.09.2017; лок. 79 – р. Урсдон (Белая), 2.5 км к СЗ от п. Бекан, пойменный лес, в опаде, 20.06.2017; лок. 80 – ЛБ, р. Харесс, 2483 м над ур. м., N 42° 55′ 03,2», E 43° 31′ 02,06», торфяное болото Чафандзар, 26.07.2017; лок. 81 – Дигорское ущ., с. Мацута, 1130 м над ур. м., под камнями и валежником, 223.06.2017; лок. 82 – в 120 к В от турбазы Дзинага, 1401 м над ур. м., N 42° 54′ 58,4», E 43° 31′ 52,9», широколиственный лес, 26.07.2017; лок. 83 – окр. с. Фажиком, Даргавское ущ., 300 м к ЮЗ от села, 42° 52’49,33», E 44° 19′ 30,59», субальпийский луг, 13.07.2018; лок. 84 – Касарское ущ., 1 км на Ю от п. Бурон, склон СЗ экспозиции, поляна среди сосняка на осыпи, 42° 46′ 54,64, E 43° 59′ 26,44», 1297 м над ур. м., 16.08.2019; лок. 85 – 1.5 км к С от с. Хаталдон, роща «Шаприко», лещинник с луком медвежьим, 16.08.2019; лок. 86 – Дигорское ущ., окр. с. Моска,1484 м над ур. м., облепиховые заросли, N 42° 54’45,3», E 43° 40′ 59,79», 15.03.2018; лок. 87 – Алагирский р-н, с. Лац, под камнями, 1266 м над ур. м., 42° 49’31,92», E 44° 17′ 57,00», 31.05.2018; лок. 88 – в 1 км на Ю от с. Лескен 718 м над ур. м., 43° 15’13,39», E 43° 47′ 19,53», луговая пойма р. Лескен, под камнями и валежником, 22.04.2018; лок. 89 – в 1 км к В от с. Заманкул, лиственный лес, 14.04.2017; лок. 90 – с. Нар, можжевельник, 1715 м над ур. м., N 42° 54′ 28,4», E 44° 12′ 41,6», 19.04.2017; лок. 91 – р. Ардон, в 2 км к ЮВ от п. Рамоново, 581 м над ур. м., галечник, 3.03.2017; лок. 92 – орехово-тополевая лесополоса вдоль дороги Алагир-Тамиск, в 1,5 км к Ю от г. Алагира, 671 м над ур. м., 43° 00’01,1», E 44° 13′ 10,6», 21.11.2017; лок. 93 – окр. п. Бекан, 248 м над ур. м., N 43° 15′ 46,7», E 44° 16′ 12,4», у дороги, под корой валежника (тополь), 2.07.2017; лок. 94 – Осетинская равнина, 2 км к С от с. Брут, 402–409 м над ур. м., разнотравно-злаковый фитоценоз, 24.04.2017; лок. 95 – п. Бекан, 322 м над ур. м., N 44° 14′ 39,9», E 43° 16′ 36,2», склон с разнотравьем, 13.03.2017; лок. 96 – Лесистый хр., букняк, 780 м над ур. м., в 2.5 км к Ю от с. В. Бирагзанг, 27.02.2017; лок. 97 – окр. с. Цаликово, пойма р. Ардон, под камнями, 585 м над ур. м., 27.10.2017; лок. 98 – окр. с. Ксюрт, Садоно-Унальская котловина, 1348 м над ур. м., 43° 00’59,4», E 44° 13′ 29,9», горная степь, 14.11.2017; лок. 99 – Цейское ущ., 1840 м над ур. м., под камнями, в 100 м от турбазы СКГУ, 13.10.2017; лок. 100 – с. Нар, 42° 37’22,74», E 423° 56′ 42,65», 2122 м над ур. м., у «храма» под камнями, 15.07.2018; лок. 101 – 300 м на Ю от с. Фажиком, Гизельдонское ущ., субальпийский луг, 42° 52’49,33», E 44° 19′ 30,59», 1517 м над ур. м., 13.07.2018; лок. 102 – пойма р. Ардон, 3 км к В от г. Алагир, 610 м над ур. м., 11.04.2019; лок. 103 – Дигория, ПБ р. Комидон, с. Камунта, 1867 м над ур. м., N 42° 54’26,25», E 43° 51′ 11,40», 329 м над ур. м., перегной, 25.07.2019; лок. 104 – 300 м к З от с. Дзуарикау, 659 м над ур. м., 43° 02’53,79», E 44° 24′ 02,59», зарастающий луг с кустарником, 24.05.2018; лок. 105 – п. Фиагдон, 1235 м над ур. м., N 42° 49’26,51,29», E 44° 18′ 09.43», 31.05.2018; лок. 106 – в 1 км к С от п. Даргавс, субальпийский луг, 1419 м над ур. м., 42° 50’09,49,54», E 44° 27′ 08,40»,19.04.2018; лок. 107 – долина р. Фиагдон, 100 м к ЮВ от с. Гусара, 872 м над ур. м., N 42° 55’52,88», E 44° 21′ 56,50, ольшаник, 24.05.2018; лок. 108 – р. Большой Дур-Дур, в 2 км к С от с. Дур-Дур, предгорья, 529 м над ур. м., 43° 08’47,42», E 44° 02′ 35.85», 13.05.2018; лок. 109 – предгорья Лесистого хр., под валежником, 350 м к Ю-ЮВ от с. Н. Бирагзанг, 6.06.2019; лок. 110 – окр. с. Н. Бирагзанг, в 500 м на Ю, 643 м над ур. м., злаковая поляна, N 43° 01′ 33,7», E 44° 14′ 38,7», 1.06.2017; лок. 111 – в 400 м к Ю от г. Алагир, 688 м над ур. м., 43° 00’47,5», E 44° 13′ 33,4», пойменный ольховый лес, под камнями и из ловушек, 27.06.2017; лок. 112 – Цейское ущ., 1760 м над ур. м., пойменный ольховый лес вдоль р. Цейдон, под камнями, 28.06.2019; лок. 113 – п. Бекан, 350 м над ур. м., N 43° 15′ 53,4», E 44° 15′ 35,2», под камнями, 12.07.2017.

Учеты дождевых червей в пределах каждого биогеоценоза выполнены стандартным методом (Гиляров, 1975; Römbke et al., 2005), разобраны почвенные пробы размером 25х25 см² в 4–8-й кратной повторности на глубину встречаемости почвенных беспозвоночных.

Определение материала выполнено И. Б. Рапопорт с использованием литературных сводок (Всеволодова-Перель, 1997; http://taxo.drilobase.org/index.php?title=Lumbricidae; Csuzdi et al., 2017; Reynolds, Mısırlıoğlu, 2018 и др.). Характеристика морфо-экологических форм приведена по монографии (Перель, 1979), ареалы разработаны согласно принципам, обозначенным К. Б. Городковым (1984). В аннотированном списке приведена информация только о половозрелых экземплярах. Диапазон высотного распределения в РСО-Алания указан с учетом ранее опубликованной работы (Рапопорт, Комаров, 2017).

 РЕЗУЛЬТАТЫ

Аннотированный список видов

Семейство Lumbricidae Claus, 1876

Aporrectodea Örley, 1885

1. Aporrectodea caliginosa (Savigny, 1826)

Материал. Лок. 2 – 11 экз., лок. 38 – 1 экз., лок. 39 – 1 экз., лок. 40 – 2 экз., лок. 41 – 3 экз., лок. 42 – 6 экз., лок 43 – 9 экз., лок. 36 – 2 экз., лок. 37 – 1 экз.

Ареал. Космополит.

Распространение на Кавказе. Встречается в большинстве физико-географических районов Кавказа в высотном интервале широколиственные леса-субальпийский пояс.

Диапазон высотного распределения в РСО-Алания. 350–800 м над ур. м.

Экология, биология. Собственно почвенный неморальный вид.

2. Aporrectodea rosea (Savigny, 1826)

Материал. Лок. 1 – 2 экз., лок. 7 – 2 экз., лок. 2 – 2 экз., лок. 3 – 3 экз., лок. 4 – 10 экз., лок. 5 – 3 экз., лок. 6 – 2 экз., лок. 7 – 5 экз., лок. 8 – 3 экз., лок. 9 – 1 экз., лок. 10 – 3 экз., лок 11 – 4 экз., лок. 12 – 1 экз., лок. 13 – 2 экз., лок. 14 – 2 экз., лок. 15 – 3 экз., лок. 16 – 2 экз., лок. 17 – 1 экз., лок. 18 – 7 экз., лок. 19 – 1 экз., лок. 20 – 2 экз., лок. 20 – 2 экз., лок. 21 – 2 экз., лок. 22 – 1экз., лок. 23 – 2 экз., лок. 24 – 2 экз., лок. 25 – 1 экз., лок. 26 – 1 экз., лок. 27 – 5 экз., лок. 28 – 1 экз., лок. 28 – экз., лок. 29 – 3 экз., лок. 30 – 1 экз., лок. 31 – 1 экз., 32 – 5 экз., лок. 33 – 3 экз., локю 34 – 1 экз., лок. 35 – 20 экз., лок. 36 – 9 экз., лок. 37 – 2 экз.

Ареал. Космополит.

Распространение на Кавказе. Обычен. Встречается от границы степной зоны от полупустыней до субальпийского пояса.

Диапазон высотного распределения в РСО-Алания. 220–720 м над ур. м.

Экология, биология. Собственно-почвенный неморально-степной вид, для которого доказано существование разноплоидных, как амфимиктически, так и партеногенетически размножающихся рас (Всеволодова-Перель, Булатова, 2008; Garbar, Vlasenko, 2007 и др.). По своей физиологии A. rosea является типичным обитателем аридных экосистем. Стратификация в почвенном профиле в степной зоне и аридных котловинах Северного Кавказа в засушливый период составляет 50 см и более. К диапаузе переходят не только взрослые особи, но и молодь, причем на одну половозрелую особь в летний период регистрируется до 10 разновозрастных неполовозрелых червей. Несмотря на то, что вид хорошо приспособлен к обитанию в плакорной степи, он может быть отмечен в разнообразных гидротермических условиях.

3. Aporrectodea trapezoides (Dugés, 1828)

Материал. Лок. 44 – 1 экз., лок. 5 – 4 экз., лок. 45 – 2экз., лок. 10 – 2 экз., лок. 46 – 4 экз., лок. 47 – 1 экз., лок. 48 – 1 экз., лок. 49 – 2 экз., лок. 50 – 3 экз., лок. 51 – 3 экз., лок. 25 – 3 экз., лок. 29 – 2 экз.

Ареал. Космополит.

Распространение на Кавказе. Отмечен в большинстве физико-географических районов Кавказа. Встречается от степной зоны до субальпийского пояса.

Диапазон высотного распределения в РСО-Алания. 300–1200 м над ур. м.

Экология, биология. Предпочитает ксерофитные местообитания и песчаные почвы.  Т. С. Перель считала вид собственно почвенным (Перель, 1979), некоторыми авторами он относится к почвенно-подстилочной, либо к норной морфо-экологическим группам (Abukenova, Khanturin 2010; Fernández et al., 2010). Иногда таксон обозначают промежуточной формой между норниками и поверхностно обитающими видами из-за наличия некоторых черт, например, большего, чем у норников, количества отложенных коконов (Fernández et al., 2010). Неморально-степной вид.

Bimastos Moore, 1893

4. Bimastos eiseni (Levinsen, 1884)

Материал. Лок. 52 – 18 экз.

Ареал. Голаркт.

Распространение на Кавказе. Редок, ранее отмечен в Дагестане в районе Хунзага (Всеволодова-Перель, 1997) и в РСО-Алания в Куртатинском ущелье в окрестностях с. Дзуарикау (Рапопорт, Комаров, 2017).

Диапазон высотного распределения в РСО-Алания. 480–980 м над ур. м.

Экология, биология. Подстилочный вид.

5. Bimastos rubidus (Eisen, 1874)

Материал. Лок. 1 – 2 экз., лок. 5 – 3 экз., лок. 45 – 5 экз., лок. 89 – 1 экз., лок. 90 – 4 экз., лок. 72 – 6 экз., лок. 77 – 7 экз., лок. 52 – 4 экз., лок. 91 – 1 экз., лок. 18 – 1 экз., лок. 19 – 1 экз., лок. 92 – 2 экз., лок. 57 – 1 экз., лок. 82 – 1 экз., лок. 39 – 1 экз., лок. 37 – 2 экз.

Ареал. Космополит.

Распространение на Кавказе. Обычный для большинства физико-географических районов Кавказа вид.

Диапазон высотного распределения в РСО-Алания. 310–2350 м над ур. м.

Экология, биология. Подстилочный вид. Часто обитает во влажной среде – по берегам водоемов, в скоплениях органики на дне оврагов, под подушками мха и корой валежника. Бореальный вид. У коконов B. rubidus зарегистрирован уникальный порог длительно переносимых отрицательных температур –196º С (Мещерякова, Берман, 2014). В отличие от коконов, взрослые особи обдают меньшей холодостойкостью, поэтому за пределами своего экологического оптимума B. rubidus встречается в балках и в пойменных биогеоценозах (Рапопорт, 2013) в высотном диапазоне степная зона – субальпийский пояс.

Таксономические замечания. Ранее вид относился к роду Dendrodrilus Omodeo, 1956. В дальнейшем генетические и палеоисследования позволили включить таксон в род Bimastos (Csuzdi et al., 2017).

Dendrobaena Eisen, 1873

6. Dendrobaena nas­sonovi  Kulagin, 1889

Материал. Лок. 28 – 1 экз., лок. 53 – 1 экз, лок. 54 – 1 экз.

Ареал. Крымско-кавказский субэндемик.

Распространение на Кавказе. Наиболее характерен для центральной и западной частей Северного Кавказа (Всеволодова-Перель, 1997; Рапопорт, 2013; Geraskina, Shevchenko, 2023) и западной Южного Кавказа.

Диапазон высотного распределения в РСО-Алания.  420–1960 м над ур. м.

Экология, биология. Норник. Неморально-степной вид. Наибольшая численность зарегистрирована в редколесьях, степных (горные и равнинные степи) и луговых биогеоценозах в средней и высокой части гипсометрического профиля.

7. Dendrobaena octaedra (Savigny, 1826)

Материал. Лок. 2 – 3 экз., лок 3 – 1экз., лок. 55 – 2 экз., лок. 56 – 2 экз., лок. 57 – 1 экз., лок. 58 – 2 экз., лок. 59 – 1 экз., лок. 26 – 1 экз., лок. 60 – 1 экз., лок 40 – 1 экз., лок. 42 – 1 экз.

Ареал. Космополит.

Распространение на Кавказе. Обычен для большинства физико-географических районов Кавказа. Наиболее высокая плотность ареала отмечена на Северном Кавказе.

Диапазон высотного распределения в РСО-Алания. 220–2350 м над ур. м.

Экология, биология. Подстилочный вид. Черви и коконы характеризуются высокой холодостойкостью (Мещерякова, Берман, 2014). Встречается в почвенном слое 0-5 см, в подстилке, скоплениях опада, под корой валежника, а также по берегам рек и в зелемошных синузиях (Перель, 1979; Geraskina, Shevchenko, 2019). Максимальные показатели численности отмечены в поясе широколиственных лесов и субальпике, в степной зоне встречается в балках и пойменных лесах.

8. Dendrobaena schmidti (Мichaelsen, 1907)

Материал. Лок. 3 – 2 экз., лок. 44 – 1 экз., лок. 60 – 1 экз., лок. 61 – 1 экз., лок. 5 – 2 экз., лок. 6 – 2 экз., лок. 45 – 1 экз., лок. 62 – 2 экз., лок. 63 – 1 экз., лок. 64 – 2 экз., лок. 65 – 2 экз., лок. 11 – 3 экз., лок. 66 – 2 экз., лок. 12 – 5 экз., лок. 13 – 1 экз., лок. 67 – 3 экз., лок. 68 – 3 экз., лок. 69 – 4 экз., лок. 70 – 4 экз., лок. 17 — 3 экз., лок. 71 – 6 экз., лок. 72 – 7 экз., лок. 73 – 6 экз., лок. 52 – 4 экз., лок. 18 – 1 экз., лок. 19 – 1 экз, лок. 55 – 1 экз., лок. 74 – 4 экз., лок. 21 – 4 экз., лок. 21 – 3 экз., лок. 75 – 5 экз., лок. 76 – 2 экз., лок. 77 – 4 экз., лок. 78 – 2 экз., лок. 79 – 5 экз., лок. 80 – 3 экз., лок. 51 – 7 экз., лок. 81 – 4 экз., лок. 82 – 1 экз., лок. 83 – 1 экз., лок. 24 – 1 экз., лок. 26 – 2 экз., лок. 84 – 2 экз., лок. 85 – 7 экз., лок. 86 – 2 экз., лок. 27 – 2 экз., лок. 28 – 1 экз., лок. 29 – 1 экз., лок. 30 – 11 экз., лок. 30 – 11 экз., лок. 87 – 1 экз., лок. 54 – 2 экз., лок. 88 – 3 экз., лок. 34 – 1 экз., лок. 34 – 1 экз., лок. 35 – 1 экз.

Ареал. Крымско-кавказский субэндемик. Помимо Кавказа и Крыма локально отмечен в Турции и Греции (Csuzdi et al., 2006; Mısırlıoğlu et al., 2018).

Распространение на Кавказе. Обычен для большинства физико-географических районов Кавказа. На Северном Кавказе характеризуется эвригипсным распространением (Рапопорт, 2013).

Диапазон высотного распределения в РСО-Алания. 220-2500 м над ур. м.

Экология, биология. В большинстве биогеоценозов центральной и западной частей Северного Кавказа составляет фон люмбрицидофауны.

Таксономические замечания. На данном этапе мы рассматриваем D. schmidti sensu lato как комплексный таксон. Разделение D. schmidti сначала на несколько подвидов, а в дальнейшем видов и даже родов предпринималось неоднократно (Pizl, 1984; Квавадзе, 1985; Kvavadze, 2000 и др.). В дальнейшем показано, что внутри комплекса D. schmidti выделяются несколько филогенетических линий, хорошо различающихся пигментацией, размерами тела и стратификацией в почвенном профиле (Shekhovtsov et al., 2020a), но близких по большинству используемых в таксономическом определении признакам.

9. Dendrobaena tellermanica Perel, 1966

Материал. Лок. 44 – 1 экз., лок. 63 – 1 экз., лок. 11 – 1 экз., лок. 67 – 3 экз., лок. 55 – 1 экз., лок. 77 – 1 экз., лок. 81 – 2 экз.

Ареал. Восточноевро-азиатский вид с дизъюнктивным ареалом. Локально зарегистрирован на правобережье Хопра, на Калачской возвышенности, юго-восточных склонах Среднерусской возвышенности, на Алтае, Южном Урале, в Луганской области и Крыму (Перель, 1979; Всеволодова-Перель, 1997 и др.). Единичные особи отмечены в Турции (Mısırlıoğlu et al., 2018).

Распространение на Кавказе. Зарегистрирован в большинстве физико-географических районов Кавказа, основная плотность ареала отмечена в восточной и центральной частях Кавказской горной страны.

Диапазон высотного распределения в РСО-Алания. 330–1130 м над ур. м.

Экология, биология. Собственно почвенный вид. Глубина стратификации в почвенном профиле составляет 5-25 см. Эвригипсный вид, распространен от степной зоны до альпийского пояса. Так же, как и D. nas­sonovi, наибольшей численности достигает в степных и луговых биогеоценозах.

Таксономические замечания. До 2003 г. считался подвидом D. schmidti, однако отличается от него формой и положением пубертатных валиков, которые начинаются на один сегмент раньше (Всеволодова-Перель, 2003).

Eisenia Malm, 1877

10. Eisenia fetida (Savigny, 1826)

Материал. Лок. 1 – 4 экз., лок. 2 – 5 экз., лок. 3 – 4 экз., лок. 4 – 1 экз., лок. 93 – 23 экз., лок. 44 – 1 экз., лок. 94 – 3 экз., лок. 95 – 2 экз., лок 65 – 4 экз., лок. 66 – 20 экз., лок. 10 – 3 экз., лок. 11 – 1 экз., лок 12 – 1 экз., лок. 13 – 10 экз., лок. 68 – 7 экз., лок. 14 – 1 экз., лок. 73 – 1экз., лок. 96 – 3 экз., лок. 52 – 2 экз., лок. 21 – 3 экз., лок. 75 – 5 экз., лок. 97 – 3 экз., лок. 76 – 14 экз., лок. 98 – 10 экз., лок. 56 – 4 экз., лок. 99 – 2 экз., лок. 79 – 6 экз., лок. 80 – 1 экз., лок. 57 – 5 экз., лок. 23 – 19 экз., лок. 51 – 5 экз., лок. 59 – 2 экз., лок. 25 – 2 экз., лок. 26 – 1 экз., лок. 100 – 1 экз., лок 101 – 1 экз., лок. 102 – 6 экз., лок. 39 – 3 экз., лок. 85 – 1 экз., лок. 103 – 9 экз., лок. 53 – 12 экз., лок. 104 – 6 экз., лок 27 – 2 экз., лок. 105 – 8 экз., лок. 60 – 2 экз., лок. 30 – 2 экз., лок. 106 – 5 экз., лок. 40 – 17 экз., лок. 107 – 1 экз., лок. 42 – 2 экз., лок. 31 – 2 экз., лок. 32 – 1 экз., лок. 54 – 4 экз., лок. 88 – 17 экз., лок. 34 – 9 экз., лок. 35 – 1 экз., лок. 108 – 1 экз., лок. 36 – 5 экз., лок. 37 – 1 экз., лок. 112 – 18 экз.

Ареал. Космополит.

Распространение на Кавказе. Встречается во всех физико-географических районах Кавказа.

Диапазон высотного распределения в РСО-Алания. 220–2410 м над ур. м.

Экология, биология. Почвенно-подстилочный вид. Неморальный вид. Наиболее часто регистрируется по берегам водных источников, в скоплениях органики, зеленомошных синузиях и под корой валежника.

11. Eisenia nordenskioldi palida Malevič, 1956

Материал. Лок. 63 – 1 экз. лок. 69 – 1экз.

Ареал. Ареал включает Восточный Казахстан, Монголию, Северо-восток Китая, север Кореи (Всеволодова-Перель, 1997). В РФ обычен в Южном Приморье, на юге Сибири (Перель, 1979; Всеволодова-Перель, 1997).

Распространение на Кавказе. Редок. Помимо РСО-Алания единичные особи зарегистрированы в Адыгее и в Дагестане (Рапопорт, 2014, 2016).

Диапазон высотного распределения в РСО-Алания. 330–1760 м над ур. м.

Экология, биология. Относится к морфо-экологической группе собственно почвенных дождевых червей.

 Eiseniella Michaelsen, 1900

12. Eiseniella tetraedra tetraedra (Savigny, 1826)

Материал. Лок. 2 – 3 экз., лок. 73 – 1 экз., лок. 80 – 1 экз., лок. 57 – 3 экз.

Ареал. Космополит.

Распространение на Кавказе. Обычен.

Диапазон высотного распределения в РСО-Алания. 490–2490 м над ур. м.

Экология, биология. Подстилочный неморальный амфибиотический вид.

Lumbricus Linnaeus, 1758

13. Lumbricus castaneus (Savigny, 1826)

Материал. Лок. 1 – 2 экз., лок. 61 – 2 экз., лок. 94 – 3 экз., лок. 71 – 4 экз., лок. 109 – 1 экз., лок. 85 – 1 экз., лок. 33 – 1 экз., лок. 108 – 3 экз.

Ареал. Космополит.

Распространение на Кавказе. Зарегистрирован в центральной части Северного Кавказа (Рапопорт, 2005).

Диапазон высотного распределения в РСО-Алания. 400–760 м над ур. м.

Экология, биология. Подстилочный неморальный мезофил.

14. Lumbricus rubellus Hoffmeister, 1843

Материал. Лок. 1 – 6 экз., лок. 2 – 7 экз., лок. 3 – 2 экз., лок. 4 – 5 экз., лок. 44 – 2 экз., лок. 61 – 11 экз., лок. 110 – 8 экз., лок. 94 – 6 экз., лок. 5 – 3 экз., лок. 62 – 4 экз., лок. 64 – 2 экз., лок. 9 – 4 экз., лок. 12 – 10экз., лок. 13 – 2 экз., лок. 67 – 3 экз., лок. 14 – 2 экз., лок. 71 – 7 экз., лок. 52 – 4 экз., лок. 55 – 14 экз., лок. 74 – 1 экз., лок. 20 – 2 экз., лок. 21 – 14 экз., лок. 97 – 2 экз., лок. 49 – 1 экз., лок. 92 – 1 экз., лок. 99 – 1 экз., лок. 111 – 1 экз., лок. 22 – 2 экз., лок. 23 – 4 экз., лок. 50 – 1экз., лок. 38 – 17 экз., лог. 82 – 9 экз., лок. 52 – 6 экз., лок. 59 – 8 экз., лок. 83 – 3 экз., лок. 24 – 3 экз., лок. 25 – 1 экз., лок. 26 – 1 экз., лок. 101 – 3 экз., лок. 102 – 5 экз., лок. 109 – 3 экз., лок. 85 – 2 экз., лок. 27 – 3, лок. 105 – 3 экз., лок. 60 – 1 экз., лок. 106 – 4 экз., лок. 40 – 1 экз., лок. 107 – 5 экз., лок. 5 – 5 экз., лок. 34 – 6 экз., лок. 108 – 8 экз., лок. 36 – 4 экз., лок. 81 – 1 экз., лок. 82 – 2 экз., лок. 24 – 3 экз., лок. 25 – 1 экз.

Ареал. Космополит.

Распространение на Кавказе. Более обычен в центральной и западной частях Северного Кавказа, в поясах широколиственных лесов и лесостепи (Рапопорт, 2013). Зарегистрирован на Юго-Западном Кавказе (Квавадзе, 1985).

Диапазон высотного распределения в РСО-Алания. 220–2000 м над ур. м.

Экология, биология. Неморальный вид. Почвенно-подстилочный влаголюбивый вид.

15. Lumbricus terrestris Linnaeus, 1758

Материал. Лок. 1 – 7 экз., лок. 4 – 1 экз., лок. 110 – 1 экз., лок. 94 – 2 экз., лок. 5 – 3 экз., лок. 45 – 1 экз., лок. 7 – 1 экз., лок. 8 – 2 экз., лок. 95 – 4 экз., лок. 9 – 3 экз., лок. 10 – 6 экз., лок. 70 – 3 лок. 16 – 1 экз., экз., лок. 47 – 1 экз., лок. 21 – 2 экз., лок. 48 – 2 экз., лок. 112 – 18 экз., лок. 99 – 1 экз., лок. 92 – 2 экз., лок. 111 – 2 экз., лок. 78 – 6 экз., лок. 38 – 1 экз., лок. 113 – 7 экз., лок. 102 – 3 экз., лок. 60 – 2 экз., лок. 106 – 2 экз., лок. 42 – 4 экз., лок. 33 – 3 экз., лок. 36 – 2 экз., лок. 37 – 1 экз.

Ареал. Космополит.

Распространение на Кавказе. Обычен в центральной и западной частях Северного Кавказа.  Наибольшая плотность ареала включает лесостепь и пояс широколиственных лесов.

Диапазон высотного распределения в РСО-Алания. 310–1840 м над ур. м.

Экология, биология. Неморальный вид. Норник. В верхнем почвенном слое обнаруживаются в основном ювенильные особи и коконы, половозрелые экземпляры поднимаются к поверхности ночью. Поэтому учеты вида более эффективны весной в темное время суток.

 Octolasion Orley, 1885

16. Octolasion lacteum (Örley, 1881)

Материал. Лок. 1 – 16 экз., лок. 3 – 4 экз., лок. 4 – 2 экз., лок. 44 – 7 экз., лок. 110 – 1 экз., лок. 5 – 1 экз., лок. 45 – 16 экз., лок. 63 – 1 экз., лок. 64 – 2 экз., лок. 9 – 7 экз., лок. 10 – 4 экз., лок. 12 – 1 экз., лок. 13 – 1 экз., лок. 69 – 4 экз., лок. 15 – 1 экз., лок. 16 – 2 экз., лок. 120 – 3 экз., лок. 56 – 4 экз., лок. 77 – 2 экз., лок. 78 – 1 экз., лок. 22 – 2 экз., лок. 23 – 1 экз., лок. 50 – 5 экз., лок. 113 – 2 экз., лок. 24 – 1 экз., лок. 29 – 1 экз., лок. 30 – 4 экз., лок. 40 – 1 экз., лок. 41 – 2 экз., лок. 107 – 2 экз., лок. 31 – 1 экз., лок. 34 – 3 экз., лок. 35 – 4 экз., лок. 108 – 9 экз., лок. 37 – 2 экз.

Ареал. Космополит.

Распространение на Кавказе. Обычен во всех физико-географических районах Кавказа, встречается от границы степной зоны с полупустыней до субальпийского пояса.

Диапазон высотного распределения в РСО-Алания. 220–1870 м над ур. м.

Экология, биология. Собственно почвенный вид, встречающийся как в лесных, так и степных биогеоценозах. Предпочитает почвы, богатые кальцием и органическим веществом (Перель, 1979).

ОБСУЖДЕНИЕ

Представленные результаты и ранее выполненные исследования (Квавадзе, 1985; Рапопорт, Комаров, 2017) показывают, что на сравнительно небольшой территории РСО-Алания обитает не менее 19 видов дождевых червей. Кроме перечисленных выше видов это Helodrilus antipae tuberculatus (Černosvitov, 1935) и Helodrilus patriarсhalis (Rosa, 1893), отмеченные нами ранее (Рапопорт, Комаров, 2017), и Dendrobaena veneta (Rosa, 1884), зарегистрированный Э. Ш. Квавадзе (Квавадзе, 1985).

Aporrectodea caliginosa в данной работе впервые указан нами для региона. Находка этого вида закономерна. A. caliginosa обитает практически во всех физико-географических районах Кавказа (Перель, 1979; Квавадзе, 1985; собственные неопубликованные данные). Высотная приуроченность A. caliginosa в терском варианте включает пояс широколиственных лесов и нижнюю границу субальпики (Рапопорт, 2013).

Мы по-прежнему считаем, что дальнейшие исследования подтвердят обитание в РСО-Алания еще одного вида – Aporrectodea jassyensis (Michaelsen, 1891), часто встречающегося в граничащей с Северной Осетией-Аланией Кабардино-Балкарии (Рапопорт, 2013), часть территории которой так же относится к терскому варианту поясности.

Найденные виды относятся к восьми родам семейства Lumbricidae, из девяти, зарегистрированных в пределах РФ (Всеволодова-Перель, 1997). Наибольшее число – пять видов – представители средиземноморского рода Dendrobaena. Высокая численность в наших сборах неморальных космополитов рода Lumbricus объясняется тем, что значительная часть проб отобрана в поясе широколиственных лесов. Мы считаем, что на Северном Кавказе виды рода Lumbricus не являются интродуцентами, т.к. в естественных биогеоценозах часто составляют фон люмбрицидофауны (Рапопорт, Комаров, 2017).

По видовому богатству преобладают космополиты – одиннадцать видов, что вполне закономерно, т.к. фауна дождевых червей центральной части Северного Кавказа наиболее близка к таковой Восточно-Европейской равнины, ограниченной пределами РФ.

В составе фауны два вида – крымско-кавказские субэндемики (D. schmidti и D. nassonovi). Dendrobaena tellermanica – вид кавказского происхождения, помимо Крыма и Кавказа локально отмеченный на Среднерусской возвышенности, в Луганской области, на Южном Урале, Алтае, в Казахстане и Турции (Всеволодова-Перель, 1997; Mısırlıoğlu et al., 2018); поэтому его дизъюнктивный ареал мы считаем восточноевро-азиатским. Eisenia nordenskioldi pallida – вид преимущественно азиатского распространения (Перель, 1979; Shekhovtsov et al., 2020b), его находки на Северном Кавказе единичны (Рапопорт, Комаров, 2017) и приурочены к жилью человека. Локальными так же являются сборы голарктического вида и средиземноморских люмбрицид. Считается, что средиземноморские дождевые черви относятся к наиболее древней фауне Кавказа (Перель, 1979). Таким образом, не смотря небольшую представленность субэндемиков, достаточно велика совокупная представленность автохтонных таксонов (почти 32%), к которым помимо крымско-кавказских люмбрицид мы относим восточноевро-азиатские и средиземноморские виды. 

Большинство видов в РСО-Алания имеют широкий диапазон высотного распространения. Объясняется это как экологией и биологией таксонов, включающей разные типы адаптаций (холодостойкость, способность к диапаузе, поведенческие стратегии и пр.), так и мозаичностью условий в горах. Как известно, на Северном Кавказе на одной высоте на противоположных склонах располагаются аридные котловины и широколиственные леса. Характер микроклимата биогеоценозов наряду с высотой определяют экспозиция, крутизна склона, особенности микро- и нанорельефа, расположение хребтов относительно основных потоков переноса влаги, локальные растительные, почвенные условия и пр. Поэтому виды закрепляются в подходящих микроклиматических условиях далеко за пределами своего основного ареала.

Настоящими сборами значительно расширены представления о высотных пределах распространения E. fetida и E. t. tetraedra   – на высоте 2483 м над ур. м. эти люмбрициды встречаются в торфяных болотах и минеральных источниках. Высотный предел обнаружения E. fetida и E. t. tetraedra   в центральной части Северного Кавказа ранее составлял 2000 и 1500 м над ур. м. соответственно (Рапопорт, 2013). Регистрация L. terrestris на высоте 1951 м над ур. м. почти на 500 м выше прежнего высотного экстремума (Рапопорт, 2013). У ряда неморальных и бореальных видов – D. octaedra, B. rubidus, E. t. tetraedra, E. fetida – уточнены нижние границы распространения. В условиях ксерофитизации ландшафтов нижних высотных поясов терского варианта поясности эти таксоны за пределы экологического преферендума распространяются по околоводным местообитаниям, балкам и поймам рек.

В морфо-экологической структуре фауны дождевых червей РСО-Алания ощущается влияние полупустынной зоны, лежащей в основании высотного спектра восточно-северокавказского типа поясности. По видовому богатству преобладают люмбрициды, относящиеся к собственно почвенной морфо-экологической группе. Собственно почвенные дождевые черви, как правило, обитают в более глубоких почвенных слоях, чем почвенно-подстилочные и подстилочные виды, и характеризуются способностью к диапаузе. Оба факта обуславливают их лучшую по сравнению с видами, относящимися к другим морфо-экологическим группам, приспособленность к переживанию неблагоприятных гидротермических условий. Многочисленность же питающихся на поверхности почвы видов обусловлена наличием в терском варианте пояса широколиственных лесов и лесостепи.

 ЗАКЛЮЧЕНИЕ

Проведенное исследование позволяет сделать заключение о Республике Северная Осетия-Алания, как субъекте Российской Федерации с одной из наиболее хорошо изученных фаун дождевых червей. Представления о видовом богатстве дождевых червей республики пополнены на один вид. Показано, что теплый и влажный климат терского варианта поясности и мозаичность горного рельефа позволяют неморально-степным видам обитать значительно выше, чем считалось ранее, а неморальным – распространяться ниже экологического оптимума. Наличие поясов широколиственных лесов и лесостепи определяет видовое богатство и разнообразие морфо-экологических форм дождевых червей терского варианта, а полупустынная зона, лежащая в основании высотно-поясного ряда, способствует преобладанию собственно почвенных видов.

ФИНАНСИРОВАНИЕ

Работа выполнена при частичной финансовой поддержке гранта РФФИ № 20-54-56030 Иран_т.

ЛИТЕРАТУРА

Всеволодова-Перель Т. С. Дождевые черви фауны России: Кадастр и определитель. М.: Наука, 1997. 102 с.

Всеволодова-Перель Т. С. Дополнение к фауне дождевых червей России (Oligohaeta, Lumbricidae) // Зоологический журнал. 2003. Т. 62. № 2. С. 275–280.

Всеволодова-Перель Т. С., Булатова Н. Ш. Полиплоидные расы дождевых червей (Lumbricidae, Oligochaeta), распространённые в пределах Восточно-Европейской равнины и в Сибири // Известия РАН. Серия биологическая. 2008. № 4. С. 448–452.

Гиляров М. С. Учет крупных беспозвоночных (мезофауны) // Методы почвенно-зоологических исследований. М.: Наука, 1975. С. 12–29.

Городков К. Б. Типы ареалов насекомых тундры и лесных зон Европейской части СССР // Ареалы насекомых Европейской части СССР. Л.: Наука, 1984. С. 3–20.

Гулисашвили В. З. Природные зоны и естественно-исторические области Кавказа. М.: Наука, 1964. 325 с.

Квавадзе Э. Ш. Дождевые черви (Lumbricidae) Кавказа. Тбилиси: Мецниереба, 1985. 283 с.

Мещерякова Е. Н., Берман Д. И. Устойчивость к отрицательным температурам и Ареал дождевых червей (Oligochaeta, Lumbricidae, Moniligastridae) // Зоологический журнал. 2014. Т. 93. № 1. С. 53–64.

Перель Т. С. Распространение и закономерности распределения дождевых червей фауны СССР.  М.: Наука, 1979. 275 с.

Рапопорт И. Б. Новый для фауны Кавказа вид рода Lumbricus (Linnaeus 1758) (Oligochaeta, Lumbricidae) // Зоологический журнал. 2005. № 8. С. 1015–1016.

Рапопорт И. Б. Высотное распределение дождевых червей (Oligochaeta, Lumbricidae) в центральной части Северного Кавказа // Зоологический журнал. 2013. № 1. С. 3–10.

Рапопорт И. Б. Фауна, структура сообществ и высотно-поясное распределение дождевых червей (Oligochaeta, Lumbricidae) центральной части кубанского варианта поясности (Северо-Западный Кавказ, Республика Адыгея)  // Вестник АГУ. 2014. № 4. С. 78–85.

Рапопорт И. Б. Аннотированный список дождевых червей (Oligochaeta, Lumbricidae) участка «Сарыкумские барханы» Государственого природного заповедника «Дагестанский» и подведомственных заказников «Самурский» и «Тляратинский» // Труды Государственного природного заповедника Дагестанский. 2016. Т. 12. № 12. С. 31–41.

Рапопорт И. Б., Комаров Ю. Е. Дождевые черви (Oligochaeta: Lumbricidae) РСО-Алания (Центральный Кавказ) // Известия Самарского научного центра. 2017. № 5(1). С. 86–93.

Республика Северная Осетия – Алания. Официальный портал, 2023. URL: https://alania.gov.ru/pages/2342 (дата обращения 01.06.2024).

Соколов В. Е., Темботов А. К. Млекопитающие. Насекомоядные. М.: Наука, 1989. С. 3–27.

Abukenova V. S., Khanturin M. R. Adaptive features of life forms in Aporrectodea caliginosa: (Oligochaeta: Lumbricidae) // Zoology in the Middle East. 2010. No. 2, P. 59–65.  DOI: 10.1080/09397140.2010.10638458.

Csuzdi C., Chang C-H., Pavlícek T., Szederjesi T., Esopi D., Szlávecz K. Molecular phylogeny and systematics of native North American lumbricid earthworms (Clitellata: Megadrili) // PloS Оne, 2017. Vol. 12. No. 8. Article ID: e0181504. DOI: 10.1371/journal.pone.0181504.

Csuzdi Cs., Zicsi A., Misirlioğlu M. An annotated checklist of the earthworm fauna of Turkey (Oligochaeta: Lumbricidae) // Zootaxa. 2006. No. 1175. P. 1–29.  DOI: 10.11646/zootaxa.1175.1.1.

Edwards C. A., Arancon N. Q. The role of earthworms in organic matter and nutrient cycles [In:] Biology and Ecology of Earthworms. Springer: New York, NY, USA, 2022. P. 233–274. DOI: 10.1007/978-0-387-74943-3_8.

Fernández R., Novo M., Gutiérrez M., Almodóvar A., Díaz Cosín D. J. Life cycle and reproductive traits of the earthworm Aporrectodea trapezoides (Dugès, 1828) in laboratory cultures // Pedobiologia. 2010, No. 53. P. 295–299.  DOI: 10.1016/j.pedobi.2010.01.003.

Garbar A. V., Vlasenko R. P. Karyotypes of three species of the genus Aporrectodea Örley (Oligochaeta: Lumbricidae) from the Ukraine // Comparative Cytogenetics. 2007. Vol. l. No. l. P. 59–62.

Geraskina A. P., Shevchenko N. E. Spatial distribution of the epigeic species of earthworms Dendrobaena octaedra and D. attemsi (Oligochaeta: Lumbricidae) in the forest belt of the Northwestern Caucasus // Turkish Journal of Zoology. 2019. Vol. 43. No 5. P. 480–489. DOI: 10.3906/zoo-1902-31.

Geraskina A., Shevchenko N. Spatial Distribution of the Anecic Species of Earthworms Dendrobaena nassonovi nassonovi (Oligochaeta: Lumbricidae) in the Forest Belt of the Northwestern Caucasus // Forests. 2023. No. 14. Article 2367.  DOI: 10.3390/f14122367.

Kvavadze Е. Sh. New Genus of Earthworms Dendrodriloides gen. nov. (Oligochaeta, Lumbricidae) // Bulletin of the Georgian Academy of Sciences. 2000. Vol. 161. No. 2. P. 344–346.

Le Bayon R. C., Bullinger G., Schomburg A., Turberg P., Brunner P., Schlaepfer R. et al. Earthworms, plants, and soils // Hydrogeology, Chemical Weathering, and Soil Formation. 2021. Vol. 257. P. 81–103.

Lumbricidae / List of species – DriloBASE Taxo.  URL: http://taxo.drilobase.org/index.php?title=Lumbricidae (дата обращения 27.02.2024).  

Medina-Sauza R. M., Álvarez-Jiménez M., Delhal A., Reverchon F., Blouin M., Guerrero-Analco J. A., Barois I. Earthworms building up soil microbiota, a review // Frontiers in Environmental Science. 2019. No. 7. P. 81.

Mısırlıoğlu I. M., Valchovski H., Stojanovic M. Review of the earthworm biodiversity of Turkey and its neighbouring countries (Clitellata, Megadrili) // Opuscula Zoologica. 2018. Vol. 49. No 2. P. 141–149. DOI: 10.18348/opzool.2018.2.141

Pizl V. Dendrobaena baksanensis sp. n. (Oligochaeta, Lumbricidae), a new earthworm from Caucasus, USSR // Vestnik Cesk. Spol. Zool. 1984. Vol. 482. P. 115–117.

Reynolds J. W., Mýsýrlýoðlu Ý. M. Preliminary Key to Turkish Megadriles (Annelida,Clitellata, Oligochaeta), based on externalcharacters, insofar as possible // Megadrilogica. 2018. Vol. 23. No. 11. P. 141–160.

Römbke J., Jӓnscha S., Didden W. The use of earthworms in ecological soil classification and assessment concepts // Ecotoxicology and Environmental Safety. 2005. Vol. 62. P. 249–265.

Schon N. L., Dominati E. J. Valuing earthworm contribution to ecosystem services delivery // Ecosystem Services. 2020. Vol. 43. Article 101092. DOI: 10.1016/j.ecoser.2020.101092.

Shekhovtsov S. V., Rapoport I. B., Poluboyarova T. V., Geraskina A. P., Golovanova E. V., Peltek S. E. Morphotypes and genetic diversity of Dendrobaena schmidti (Lumbricidae, Annelida) // Vavilov Journal of Genetics and Breeding. 2020a. Vol. 24. No. 1. P. 48–54.  DOI: 10.18699/VJ20.594.

Shekhovtsov S. V., Golovanova E. V., Ershov N. I., Poluboyarova T. V., Berman D. I., Bulakhova N. A., Szederjesi T., Peltek S. E. Phylogeny of the Eisenia nordenskioldi complex based on mitochondrial genomes // European Journal of Soil Zoology. 2020b. Vol. 96. P. 103–137. DOI: 10.1016/j.ejsobi.2019.103137.

Рецензент: к.б.н. Гераськина А. П.