Original Russian Text © 2025 O. N. Ukhvatkina, A. M. Omelko, V. E. Zakharova, A. A. Zhmerenetsky, G. A. Gladkova, L. A. Sibirina, A. V. Kuprin published in Forest Science Issues Vol. 8, No 3, Article 172.

© 2026            O. N. Ukhvatkina*, A. M. Omelko, V. E. Zakharova, A. A. Zhmerenetsky, G. A. Gladkova, L. A. Sibirina, A. V. Kuprin

Federal Scientific Center of the East Asia Terrestrial Biodiversity, Far Eastern Branch of the Russian Academy of Sciences

100 Let Vladivostoku Ave., 159, Vladivostok 690022, Russia

*E-mail: ukhvatkina@biosoil.ru

Received: 25.07.2025

Revised: 09.08.2025

Accepted: 15.08.2025

Relevance and aim. Korean pine-broadleaf forests of the southern Sikhote-Alin are unique forest ecosystems with high biological value and complex structure. Under ongoing forest exploitation and degradation of old-growth stands, the evaluation of long-term logging consequences is of special importance. This study aims to assess the state of forest stands 60–70 years after single selective logging conducted in the 1960s, and to compare them with preserved old-growth forests. Materials and methods. The data were collected within the Verkhneussuriysky biogeocenotic station, where 346 temporary sample plots were established. For analysis, 127 plots of the K4 forest type (multi-shrub Korean pine forest with yellow birch) were selected, including 69 old-growth and 58 post-logging sites. Tree diameter, height, basal area, and stem volume were measured. Calculations were performed in Python using nonparametric statistical methods. Results. The obtained results show that even after 60–70 years, post-logging forests still differ significantly from old-growth stands: they have lower timber stock, smaller average diameters, and lack large trees. Fast-growing pioneer deciduous species predominate, while the proportion of Korean pine is significantly reduced. Conclusion. The restoration of the original structure of Korean pine-broadleaf forests is extremely slow and remains incomplete even decades after logging. This highlights the need to reconsider forestry practices aimed at conserving and restoring these ecosystems.

Keywords: Korean pine-broadleaf forests, single logging, stand recovery, southern Sikhote-Alin, species composition

Forest ecosystems play a key role in the sustainability of landscapes, biodiversity conservation, and the provision of natural resources to humans. Therefore, in the setting of large-scale anthropogenic transformation caused by intensive logging and fires, the issues of rational forest management remain particularly relevant, including in the Far Eastern region of Russia (Danilin, 2004; Kovalev, 2004). Korean pine—broadleaf forests are one of the most vulnerable and at the same time valuable forest formations. Apart from high species diversity, these forests serve as a key element of ecosystem stability, creating a food base for game animals, including ungulates, whose abundance directly affects the population of the Amur tiger, the rarest endangered predator (Kurentsova, 1968).

Korean pine-broadleaf forests with Pinus koraiensis Siebold et Zucc. have a complex age structure and mosaic distribution of dominants (Kolesnikov, 1956). However, due to historically high demand for forest resources, especially during the period of massive logging in the mid-20th century, significant areas of primary cedar forests were transformed into secondary forests (Solov’ev, 1948; Rozenberg, 1975). Despite attempts to regulate economic activity, industrial logging in the 20th century led to habitat degradation, a decreased stand density, and a reduced proportion of Pinus koraiensis (Gukov, 1989).

Recovery after such logging is lengthy and ambiguous, as shown by classic (Solov’ev, 1948) and modern studies (Komarova et al., 2022). The initial stages of reforestation are usually characterised by the predominance of fast-growing deciduous species, first of all Betula costata Trautv. and Populus tremula L., while the participation of coniferous species, especially Pinus koraiensis, remains low. The natural recovery of Pinus koraiensis is complicated by a number of factors: low seed productivity, irregular fruiting, and eating of seeds by rodents (Usenko, 1984; Kudinov, 2007). Without special silvicultural measures, a return to the original structure of the Korean pine-broadleaf forest in the foreseeable future seems unlikely (Lebedev, 2003).

Against this background, the importance of assessing the state of stands after single industrial logging performed more than half a century ago is increasing. Such plots, in the absence of fires and other disturbances, provide a unique opportunity to trace long-term succession processes and assess the potential for natural restoration of primary forests. It is especially important to compare them with preserved old-growth stands that have not been subjected to human disturbance (Gromtsev, 1999). At the same time, it is extremely difficult to find such plots, since most of the area of the Primorsky Krai forest fund has been logged more than four to five times over the past 70–80 years (Kovalev, Kachanova 2023), which alters the reforestation processes significantly.

Despite this, the territory of the Verkhneussuriysky biogeocenotic station is a unique scientific test site in the southern part of Sikhote-Alin, where areas of primary Korean pine-broadleaf and spruce-broadleaf forests can be found, as well as areas that were subjected to single logging in the 1960s (Arkhiv DVO RAN, otchety VUS 1964–1965 gg.; Sibirina et al., 2022). This makes it possible to assess the structure of stands, the participation of dominant species, the presence of undergrowth and the features of the species composition at different stages of restoration in comparable conditions. The aim of the study is to assess the success of stand restoration in areas subjected to single logging in the late 1960s.

MATERIALS AND METHODS

Research area. The Verkhneussuriysky station of the Federal Scientific Center of the East Asia Terrestrial Biodiversity, Far Eastern Branch of the Russian Academy of Sciences, is located in the basin of the Pravaya Sokolovka River (Primorsky Krai, 44°02’N, 134°12’E, Fig. 1). The station includes mountainous areas at altitudes from 460 to 1,060 m above sea level and is characterised by high forest cover, mosaic relief and a variety of phytocenoses. The predominant types of forest vegetation are Korean pine-broadleaf, mixed broadleaf and spruce-fir forests (Yakovleva, 2004). The climate is moderately monsoon, with annual precipitation of about 830 mm and a pronounced summer maximum. The average annual air temperature is 0.9 °C (Kozhevnikova, 2009). The duration of the vegetation period is 120–140 days.

Figure 1. Research area: a—location of the Verkhneussuriysky station (VUS) of the Federal Scientific Center of the East Asia Terrestrial Biodiversity, Far Eastern Branch of the Russian Academy of Sciences, within Sikhote-Alin, b—layout of the station territory and the location of the test site

Logging in the region and on the territory of the station. Intensive timber harvesting has been carried out in most of the Primorsky Krai since the middle of the 20th century, including the mass development of hard-to-reach mountain forests in the 1950–1970s. Large-scale logging in the Verkhneussuriysky station were carried out mainly in the 1960s. To analyse forest recovery after logging in forests with a predominance of Pinus koraiensis, the sites that in 1965–1969 underwent selective single-tree logging aimed at harvesting the best stems of Pinus koraiensis, as well as areas of continuous logging in dark coniferous forests with a predominance of Picea ajanensis Fisch. ex Carrière, were identified. At the same time, in the remote and hard-to-reach parts of the station, there are still areas of stands that have not been cut down or burned. They were used as reference plots.

Data collection. A test site with an area of 400 ha (2.5 × 1.6 km in size) covering a mosaic of forests of various types was established on the territory of the station. Using algorithmic clustering of remote sensing data, the test site was divided into 346 elementary sections with an area of about 1 hectare each. A circular temporary sample plot with a radius of 11.3 m (an area of 0.04 ha) was established on each of them.

A comprehensive description of the stand was carried out within the temporary sample plot. The species, state (alive: normal or defective; dead: deadwood), and diameter at breast height (DBH) were determined for all trees. For some of the trees, the height was measured as well. Subsequently, the stem volume of each individual tree was calculated based on the combination of diameter and height values using standard tables of stem volumes.

During the work on the sample plots, a search was carried out for evidence of logging (stumps, traces of roads or skidding tracks, etc.). According to their presence or absence, all plots were divided into two categories: 1) old-growth plots, with no evidence of logging or fires, 2) post-logging plots, logged in the 1960s. According to the forest inventory data, which was carried out on the territory of the station according to the first class, the plots were classified as different types of forest. The K4 forest type (multi-shrub Korean pine forest with Betula costata Trautv.) was selected for statistical analysis, since, on the one hand, it turned out to be the most widespread (127 out of 346 plots), and, on the other hand, there were a comparable number of both old-growth and post-logging plots for this type (69 and 58, respectively).

Statistical analysis. The analysis was carried out on two levels: 1) general characteristics of the stand by plot category (old-growth and post-logging), 2) comparison of indicators for individual tree species. The present study focused on analysing the structure of the stand, since its characteristics are the most representative for assessing differences between plot categories; therefore, no analysis of undergrowth was carried out. Also, given the small size of the temporary sample plots (0.04 ha), which limits the completeness of the assessment of the structure and species composition in the setting of a high species diversity typical of Korean pine-broadleaf forests, all temporary sample plots within each category (old-growth / post-logging) were aggregated to analyse the characteristics of stands. The total area within the first category was 2.76 ha, and that within the second one was 2.32 ha.

At the first stage, a list of tree species found in old-growth and post-logging plots was compiled for subsequent comparison. Then, separately for each category of plots, the following indicators were calculated: number of trees, total basal area (BA), stock of the stand, average and median values of the diameter, height, and volume of the stem. All values were normalised to 1 ha. Distributions of characteristics were evaluated using histograms and cumulative distribution functions (CDFs). To statistically verify the differences between the groups, nonparametric methods were used: the Mann–Whitney test was used to compare median values, and the Kolmogorov–Smirnov test was used to analyse differences in the shape of distributions.

Additionally, analysis at the level of individual species was carried out. For all species represented by ≥10 live trees in each category, the diameter and volume of the stem were compared using the Mann–Whitney test. The structure of the timber stock by species was analysed based on the proportion of each species in the total stock per 1 ha; the χ² test was used to assess the differences between the categories of the plots.

The initial data were processed in Excel. The forest type map was compiled based on the digital forest management database, and spatial analysis was performed in QGIS. All further calculations and visualisation were performed in Python using the following libraries: pandas (McKinney, 2010), numpy (Harris et al., 2020), scipy (Virtanen et al., 2020), matplotlib (Hunter, 2007), and seaborn (Waskom, 2021).

RESULTS AND DISCUSSION

Species composition. 19 species of trees were identified in the old-growth plots. The most numerous species in terms of the number of stems were Abies nephrolepis (Trautv.) Maxim., Picea ajanensis Fisch. ex Carrière, Tilia amurensis Rupr., Pinus koraiensis Sieb. et Zucc., Betula costata Trautv., Acer ukurunduense Trautv. et C.A. Mey., and Acer mono Maxim. ex Rupr. Quercus mongolica Fisch. ex Ledeb., Ulmus laciniata (Trautv.) Mayr, Populus maximowiczii A. Henry, Phellodendron amurense Rupr., Acer tegmentosum Maxim. et Rupr., and Cerasus maximowiczii (Rupr.) Kom. were also present. There were sporadic finds of Betula platyphylla Sukaczev, Picea koraiensis Nakai, Sorbus amurensis Koehne, Syringa amurensis Rupr., Padus maackii (Rupr.) Kom., and Fraxinus mandshurica Rupr.

25 tree species were found in the post-logging plots. The species composition generally overlaps with that typical of old-growth plots, but there is also a number of pioneer or light-loving species. In addition to the dominant species common to both categories, a significant share of the post-logging stands is formed by Betula platyphylla Sukaczev, Populus maximowiczii A. Henry and Populus tremula L., Salix cardiophylla Trautv. et C.A. Mey, Alnus hirsuta (Spach) Turcz. ex Rupr., Phellodendron amurense Rupr., Salix caprea L., Salix rorida Laksch., and Rhamnus davurica Pall. Interestingly, Taxus cuspidata Sieb. et Zucc. was found only in the post-logging plots. This is, on the one hand, due to its rarity, and, on the other hand, due to a more successful restoration after logging. Some species that are common in old-growth stands, are almost entirely absent in post-logging forests, of particular note is Pinus koraiensis. This indicates a loss of the stable structure of the original community and its partial replacement by temporary successional elements.

General characteristics. A total of 2,534 trees were recorded in the old-growth plots, and 2,037 in the post-logging plots. The density of the stand (table), calculated per 1 ha, is slightly higher in the old-growth plots than in the post-logging ones. The total basal area of stems per hectare is also higher in the old-growth plots. The average height of the trees is practically the same, but the standard deviation is higher in the old-growth plots, which indicates a greater vertical heterogeneity. The average tree diameter is 20.6 cm (SD = 15.1 cm) for the old-growth plots and 19.3 cm (SD = 13.4 cm) for the post-logging ones. The average volume of a single stem is higher in the old-growth plots (0.54 m³ versus 0.43 m³), with a higher dispersion (SD = 0.99 m³ versus 0.82 m³). Of particular note are the differences in the timber stock, which amount to 116 m³ * ha^-1 (or 106 m³ * ha^-1, if only live trees are taken into account). Therefore, an old-growth stand is characterised by both higher productivity and a greater heterogeneity of the stand structure in most indicators.

Table. Characteristics of the stand of the old-growth and post-logging plots

Notes: BA, total basal area; SD, standard deviation.

The obtained medians of diameter at breast height (DBH), stem volume, and height turned out to be almost the same for the old-growth and post-logging plots. This similarity of the median values indicates that a ‘typical’ tree in a post-logging stand is almost the same in size as a tree in an old-growth one. However, the proportion of large trees in the old-growth stands is significantly higher, which is reflected in wider interquartile ranges. Thus, the medians do not reveal differences due to the presence of large specimens, but they reflect well the similarity of the dominant classes of stems in both plot categories.

Distribution of stem diameters and volumes. The results of the analysis of the stem diameter and volume distribution are shown as histograms (Fig. 2, 3). In the old-growth stand, the distribution of tree diameter is wider and more uniform: all thickness levels are represented, including large-sized trees with a diameter of more than 40 cm. The post-logging stand is dominated by trees with a diameter of up to 20 cm; larger trees are rare. A similar pattern is observed in the distribution by stem volume: in the old-growth stand, trees with a volume of up to 2–3 m³ and more are found, whereas in the post-logging plots, specimens with a volume of less than 0.5 m³ dominate. The contribution of trees with large stem volumes to the post-logging stand is minimal.

Differences in the shape of distributions highlight the key difference between the two categories of stands. The old-growth plots have a more complex structure with pronounced size and age differentiation, whereas post-logging plots remain relatively homogeneous in composition and structure.

Figure 2. Distribution of trees by diameter (DBH). A, old-growth stand; B, post-logging stand

Figure 3. Distribution of trees by stock (the y-axis is logarithmic). A, old-growth stand; B, post-logging stand

Comparison of the distributions of the main indicators of trees. The results of the nonparametric Kolmogorov–Smirnov test (Fig. 4) demonstrate statistically significant differences in the distributions of all the studied indicators between the old-growth and post-logging plots. The greatest difference was found for tree height (KS = 0.057, p = 0.0012), which indicates the heterogeneity of the vertical structure. Significant differences were also found in the diameter (KS = 0.043, p = 0.0285), total basal area of the stems (KS = 0.043, p = 0.0285), and the stem volume (KS = 0.047, p = 0.0124). This confirms that even 60–70 years after disturbances, the post-logging stand still has a simplified structure and does not reach the spatial and dimensional complexity typical of an old-growth stand.

Figure 4. Distribution functions (CDFs) of the main indicators of trees. 1, diameter at breast height (DBH), cm; 2, total basal area, m²; 3, tree height, m; 4, stem volume, m³. A, old-growth stand; B, post-logging stand

Characteristics of individual species. Figure 5 illustrates the differences in diameter at breast height and stem volume among tree species in the old-growth and post-logging plots. Picea koraiensis and Taxus cuspidata were excluded from the analysis, as there are too few individuals of these species to calculate the average values and their variations. The average values of stem diameter and timber volume per stem vary significantly between tree species, as well as between the old-growth and post-logging plots. The largest stem sizes are typical of Pinus koraiensis and Picea ajanensis: In Pinus koraiensis, the average diameter in the old-growth plots is 40.9 cm, and in the post-logging plots it is 24.5 cm, which is 40% less. A similar trend is observed for the stem volume: 2.42 m³ versus 1.09 m³, respectively; the difference is 55%. In Picea ajanensis, the average diameter decreases from 26.2 to 21.7 cm (−17%), and the volume decreases from 0.69 to 0.46 m³ (−33%).

Similar diameter values were found for Tilia amurensis and Quercus mongolica in both categories of stands. So, for example, Tilia amurensis has an average diameter of 23.2 cm in the old-growth forests and 22.5 cm in the post-logging forests, and a volume of 0.55 and 0.47 m³, respectively. In Betula costata, on the contrary, there is a sharp decrease from 42.0 to 22.0 cm in diameter (­−48%) and from 1.66 to 0.48 m³ in volume (−71%).

In many instances, standard deviations are also higher in the old-growth forests, which indicates a greater heterogeneity and age mosaic pattern of the stand. For some species, data are available only for one of the categories, which is due to their absence or sporadic representation in the other. This applies, in particular, to Phellodendron amurense, Ulmus laciniata, and Salix caprea, which are found exclusively in the post-logging plots.

Figure 5. Average values of diameter (DBH) (1) and stem volume (2) of trees of various species in the old-growth (A) and post-logging (B) stands (± SD)

The nonparametric Mann–Whitney test was used to assess differences in the morphometric indicators of trees (DBH and stem volume) between old-growth and post-logging plots. The analysis included only those species for which there were at least 10 living trees in each category (11 species in total).

Comparison of median values of diameter at breast height showed statistically significant differences for all five most widespread species: Betula costata, Pinus koraiensis, Tilia amurensis, Acer mono, and Picea ajanensis (p < 0.01 in all cases). In the first four species, the diameter of trees was significantly higher in the old-growth plots, while the opposite trend was observed for Picea ajanensis, i.e., larger trees were found in the post-logging plots. A similar pattern was found for the stem volume: in Betula costata and Pinus koraiensis, the median volume in the old-growth plots was several times higher than in the post-logging plots. Thus, the structure of the stand varies significantly between categories in a number of key species.

Characteristics of stock accumulation in the old-growth and disturbed forests. Figure 6 illustrates the distribution of live timber stock between species in the old-growth and post-logging plots. Pinus koraiensis dominates in the old-growth plots, accounting for 32.0% of the total timber stock (146.6 m³ * ha^-1). Its contribution to the stock of the post-logging plots is more than ninefold lower, 4.7% (16.6 m³ * ha^-1), which indicates weak recovery dynamics of this species after disturbances. Picea ajanensis and Betula costata, on the contrary, show high stock values in the categories: their total contribution is 29.1% in the old-growth plots and 42.7% in the post-logging ones, reflecting their resistance to disturbance and their ability to form both stable and secondary communities.

In the post-logging stands, the proportion of pioneer species is noticeably higher, namely Populus maximowiczii (5.3% of the stock), Populus tremula (2.6%), Padus maackii (0.8%), Alnus hirsuta (0.8%), and Betula platyphylla (2.0%). They hardly participate in the formation of the stock in the old-growth stands. These species, along with the other small-leaved and light-loving species, form the typical structure of the early succession. Thus, as a result of logging, there is a shift towards fast-growing species, and the participation of Pinus koraiensis and other late-successional species is significantly reduced.

To assess differences in the structure of timber stock between the old-growth and post-logging plots, a χ² test was conducted based on the proportions of tree species in the total stock per 1 ha. For each species, its contribution to the total stock within each plot category was calculated.

The test results showed that the distribution of stocks by species between the two categories significantly differs (χ² = 150.66; p < 0.0001). This confirms the conclusion that the contribution of individual species to the total stock varies both in size and composition. In general, the structure of dominance in the post-logging stands is formed by faster and more adaptive species, while the participation of primary species is significantly reduced.

Figure 6. Timber stock per 1 ha by species in the old-growth (A) and post-logging (B) stands

State of the stand 60–70 years after logging and the possibility of restoring its original state. The restoration of Korean pine-broadleaf forests after industrial logging is a complex and slow process depending on many biotic and abiotic factors, which is demonstrated in a number of studies, including the review by Manko et al. (2009) and analytical data by Kovalev and Kachanova (2023) indicating the duration and ambiguousness of restoration even after single logging. State assessment of the post-logging stands 60–70 years after single logging makes it possible to assess the direction and degree of successional changes. In our study based on data collected under comparable conditions in the southern Sikhote-Alin, stands that were subjected to logging in the 1960s were compared with old-growth undisturbed stands. This makes it possible to assess the degree of convergence of the forest structure after logging with the initial one and to identify signs indicating a continuing transformation. It should be noted that in the case under consideration, logging was selective: only Pinus koraiensis and Picea ajanensis were harvested, single large-sized trees being removed, and disturbance to stand structure was minimal.

Assessment of such indicators as the average diameter, height, total basal area and the stock revealed typical differences between the post-logging and old-growth stands. The post-logging plots are dominated by trees with a smaller diameter: the average diameter (19.3 cm versus 20.6 cm) and, especially, the stock per 1 ha (380 m³ * ha^-1 versus 496 m³ * ha^-1) are lower as compared to undisturbed plots. Histograms of the stem diameter and volume distribution show the absence of large trees in the post-logging stands, whereas in the old-growth stands all classes are represented, including individual trees with stem volumes of up to 10–14 m³. These differences are statistically significant, which is confirmed by the results of the Kolmogorov–Smirnov test.

A similar situation has been described in studies of dark coniferous forests after continuous logging. For example, according to Likhanova et al. (2021), in blueberry spruce forests of the middle taiga, no more than 50–60% of the original composition and structure is restored 50 years after logging. At the same time, the authors emphasise that even after 60 years, the structure of phytocenoses remains significantly different from the primary one, and the restoration of a full-sized stand requires a much longer time.

 The picture obtained in this study is fully consistent with these conclusions: the time interval of 60–70 years after single logging is insufficient to restore the original size composition of Korean pine-broadleaf forests.

Significant differences between the post-logging and old-growth plots were also identified in the species composition of stands. In the plots that have not been logged, Pinus koraiensis remains the main forest-forming species, making the greatest contribution to the total stand timber stock. At the same time, the proportion of the Korean pine in the post-logging plots is drastically reduced, and fast-growing deciduous species, namely birch, poplars, bird cherry, and alder, are predominant.

Similar patterns are described in a study by Kovalev et al. (2021), which highlights that after logging, the Korean pine does not regain a leading position in the stand for a long time, yielding to fast-growing deciduous species, and even in the presence of undergrowth, the rate of Korean pine regeneration is insufficient for substantial participation in stand formation. In a more recent work by Kovalev and Kachanova (2023), it is shown that the restoration of the original structure of Korean pine forests after logging can take more than 150 years, and without active measures to promote Korean pine regeneration, its participation in stands remains marginal. The authors emphasise that under current conditions of economic use, such timescales are as good as unattainable. Similar conclusions were drawn in the studies by A. I. Kudinov (2012, 2014) based on 40 years of monitoring of the post-logging plots in the southern Primorye: despite the preservation of individual coniferous elements in the undergrowth, the stands are dominated by deciduous species. The author assumes that even with the presence of Korean pine undergrowth and the potential for its participation in the formation of a stand, the community structure remains stable and focused on the predominance of deciduous species. The change of dominance of deciduous species to Pinus koraiensis occurs within 120–160 years after logging and only if there is an already existing undergrowth in the amount of 400–500 specimens * ha^-1. The work of S. G. Glushko et al. (2022) considering successional dynamics of fir-spruce forests demonstrates that the restoration of the original structure occurs unevenly and with high spatial mosaicism, especially in the absence of targeted forestry practices.

Regional surveys (Manko et al., 2009; Manko and Petropavlovskii, 2010) confirm that the transformation of Korean pine forests into secondary forests after economic intervention is ubiquitous, and the restoration of original structure of forests can take centuries. Emerging communities show stable dynamics, often with a shift towards alternative forest types, i.e. oak forests, spruce forests, maple-linden and mixed deciduous stands. These changes are followed by a decrease in productivity, biological diversity, and protective functions.

Similar results were obtained for the dark coniferous forests of the European Russia. According to I. A. Likhanova et al. (2021), even 50–60 years after continuous logging, the restoration of the original structure is incomplete; succession often ends with the formation of stable secondary communities with a different dominant composition. A similar situation is observed in the temperate forests of Scandinavia: Asplund et al. (2020) showed that secondary forests retain differences in species composition, vertical structure, and undergrowth composition even half a century after logging. The authors emphasise the sustainability of the so-called ‘legacy of forest management’, which forms a long-term structure of the forest community which is however different from the original structure; either targeted intervention or a long time is required for the restoration. This phenomenon is less pronounced in the Korean pine-broadleaf forests in the south of the Russian Far East, but the recovery time significantly exceeds the logging period (Kovalev and Kachanova, 2023).

Taking together, the literature data (Kudinov, 2012; Kudinov, 2014; Kovalev et al., 2021, 2023; Manko et al., 2009) and the results obtained in this study allows us to conclude that even after a single and long-ago intervention, the restoration of the original structure of Korean pine-broadleaf forests is extremely slow and remains incomplete even 60–70 years later. The post-logging stands differ significantly from the old-growth stands in terms of timber stock, size structure, and dominant species. They lack large trees; light-loving deciduous species predominate, and the participation of Pinus koraiensis is minimal.

Such communities represent a transitional successional stage, where the pioneer species still retain a dominant position, while the late successional Pinus koraiensis, Picea ajanensis, and Betula costata Trautv. are beginning to build up stock. This indicates the slow response of disturbed Korean pine-broadleaf forests and the long-term consequences of even mild impacts, highlighting the need to revisit approaches to their protection, restoration and forest management.

CONCLUSION

The present study showed that 60–70 years after single selective logging, the structure and composition of stands remain significantly different from old-growth Korean pine-broadleaf forests. The post-logging stands are characterised by a lower timber stock, significant participation of pioneer deciduous species and the absence of large trees, which indicates the incompleteness of restoration processes. Although Pinus koraiensis remains in the composition, it still does not regain its dominant position: its proportion in the structure and growth rates remain insufficient to compete with fast-growing deciduous species.

Thus, the restoration of the original structure of Korean pine-broadleaf forests is a slow and unstable process that is influenced by many factors and requires a long time. Even with minimal intervention, a return to the original state can take more than 100 years and, as a rule, does not occur within a single logging period without active assistance in terms of forest management.

 ACKNOWLEDGEMENT

The research was carried out within the state assignment of Ministry of Science and Higher Education of the Russian Federation (theme No. 124012400285-7).

REFERENCES

Arkhiv DVO RAN, otchety VUS 1964–1965 gg.

Asplund J., Nordén J., Kjønaas O. J., Madsen R. L., Lunde L. F., Birkemoe T., … & Nybakken L., Long term effects of forest management on forest structure and dead wood in mature boreal forests, Forest Ecology and Management, 2024, Vol. 572, Article 122315, DOI: 10.1016/j.foreco.2024.122315

Danilin A. K., Chumin V. T., Lesa i lesnoe khozyaistvo Khabarovskogo kraya (Forests and forestry of Khabarovsk Krai), Khabarovsk: Knizhnoye Izdatelstvo, 2000, 416 p.

Glushkov S. G., Komarova T. A., Prokhorenko N. B., Formirovanie molodnyakov posle rubok i pozharov v temnokhvoinykh osokovo-paporotnikovykh lesakh Yuzhnogo Sikhote-Alinya (Formation of young stands after logging and fires in dark coniferous sedge-fern forests of southern Sikhote-Alin), Lesovedenie, 2022, No. 2, pp. 144–156.

Gromtsev A. N., Landshaftnaya ekologiya taezhnykh lesov: teoreticheskie i prikladnye aspekty (Landscape ecology of taiga forests: theoretical and applied aspects), Petrozavodsk: Karelskii nauchnyi tsentr RAN, 1999, 144 p.

Gukov G. V., Lesovodstvo Dal’nego Vostoka (Forestry of the Russian Far East), Vladivostok: Izd-vo Dal’nevost. un-ta, 1989, 215 p.

Harris C. R., Millman K. J., van der Walt S. J., Gommers R., Virtanen P., Cournapeau D., … & Oliphant T. E., Array programming with NumPy, Nature, 2020, Vol. 585, pp. 357–362.

Hunter J. D., Matplotlib: A 2D graphics environment, Computing in Science & Engineering, 2007, Vol. 9, No. 3, pp. 90–95.

Kolesnikov B. P., Kedrovye lesa Dal’nego Vostoka (Korean pine forests of the Russian Far East), Trudy Dal’nevostochnogo filiala im. V.L. Komarova. Seriya botaniki AN SSSR, 1956, Vol. 2(4), 262 p.

Komarova T. A., Prokhorenko N. B., Glushko S. G., Terekhina N. V., Lesovosstanovitel’nye sukkessii posle rubok glavnogo pol’zovaniya v kedrovo-pikhtovo-elovykh shirokotravno-osokovo-paporotnikovykh lesakh Yuzhnogo Sykhote-Alinya (Post-logging succession in Korean pine-fir-spruce herb-sedge-fern forests of southern Sikhote-Alin), Botanicheskii zhurnal, 2022, Vol. 107, No. 10, pp. 939–953.

Kovalev A. P., Ekologo-lesovodstvennye osnovy rubok v lesakh Dal’nego Vostoka (Ecological and silvicultural principles of harvesting in Far Eastern forests), Khabarovsk: DalNIILKh, 2004, 267 p.

Kovalev A. P., Kachanova T. G., O budushchem kedrovo-shirokolistvennykh lesov Dal’nego Vostoka (On the future of Korean pine-broadleaf forests in the Russian Far East), Lesnoe khozyaistvo i lesnaya promyshlennost’, 2023, No. 1, pp. 10–12.

Kozhevnikova N. K., Dinamika pogodno-klimaticheskikh kharakteristik i ekologicheskie funktsii malogo lesnogo basseina (Weather-climatic dynamics and ecological functions of a small forest basin), Sibirskii ekologicheskii zhurnal, 2009, No. 5, pp. 693–703.

Kudinov A. I., Shirokolistvenno-kedrovye lesa Yuzhnogo Primorya i ikh dinamika (Broadleaf-Korean pine forests of southern Primorye and their dynamics), Extended abstract of Doctors’s thesis in biology, Vladivostok, 2007, 24 p.

Kudinov A. I., Dinamika proizvodnykh fitocenozov na yuge Primorskogo kraya (Dynamics of derivative phytocenoses in the south of Primorsky Krai. Vladivostok: Dal’nauka, 2012. 140 p.

Kudinov A. I., Poslerubochnaya dinamika khvoyno-shirokolistvennykh lesov yuzhnogo Primorya (Post-logging dynamics of coniferous-broadleaf forests of southern Primorye) Lesovedenie, 2014, No. 3, pp. 39–48.

Kurentsova G. E., Dinamika kedrovykh lesov Primorya (Dynamics of Korean pine forests in Primorye), Vladivostok: DVO AN SSSR, 1968, 132 p.

Lebedev A. A., Lesovodstvennye meropriyatiya v kedrovnikakh (Silvicultural measures in Korean pine forests), Saint-Petersburg: Lan’, 2003, 208 p.

Likhanova I. A., Perminova E. M., Shushpannikova G. S., Zheleznova G. V., Pystina T. N., Holopov Yu. V., Dinamika rastitel’nosti posle sploshnolesosechnykh rubok el’nikov chernichnykh (srednetaezhnaya podzona Evropeiskogo severo-vostoka Rossii) (Vegetation dynamics after clearcuts in bilberry spruce forests of the middle taiga subzone of northeastern Europe), Rastitel’nost’ Rossii, 2021, No 40, pp. 108–136, DOI: 10.31111/vegrus/2021.40.108

Manko Yu. I., Kudinov A. I., Gladkova G. A., Butovets G. N., Grabovyi shirokolistvenno-elovo-kedrovyi les za period 1926–2003 gg. (Ussuriiskii zapovednik, Yuzhnoe Primorye) (Hornbeam broadleaf-spruce-Korean pine forest from 1926 to 2003 in the Ussuri Reserve, southern Primorye), Sibirskii ekologicheskii zhurnal, 2009, No. 6, pp. 917–926.

Manko Yu. I., Petropavlovskii B. S., Puti optimizatsii okhrany i ispol’zovaniya lesov Primorskogo kraya v sovremennykh usloviyakh (Ways to optimize the protection and use of forests in Primorsky Krai under current conditions), In: Problemy lesovedeniya i lesovodstva: materialy Vseross. konf. “Melekhovskie chteniya”, Arkhangelsk, 2010, pp. 175–178.

McKinney W., Data Structures for Statistical Computing in Python, In: Proceedings of the 9th Python in Science Conference, 2010, pp. 51–56.

Rozenberg V. A., Klassifikatsiya rubok v kedrovnikakh (Classification of cuttings in Korean pine stands), Lesnoe khozyaistvo, 1975, No. 4, pp. 34–38.

Sibirina L. A., Gladkova G. A., Omelko A. M., Barkalov V. Yu., Verkhneussuriiskii biogeotsenoticheskii stantsionar Federal’nogo nauchnogo tsentra bio-raznoobraziya nazemnoi bioty Vostochnoi Azii DVO RAN (Verkhneussuriysky biogeocenotic station of the Federal Scientific Center of Terrestrial Biodiversity of East Asia, FEB RAS), Vestnik DVO RAN, 2022, No. 4, pp. 84–100, DOI: 10.37102/0869-7698_2022_224_04_8

Solov’ev K. P., Nekotorye faktory, vliyayushchie na vozobnovlenie kedra pod pologom lesa i na lesosekakh posle vybirochnykh i sploshnykh rubok (Some factors influencing Korean pine regeneration under forest canopy and on clearcuts after selective and clear cutting), Sbornik trudov DalNIILKh, 1948, Issue 1, pp. 58–107.

Usenko N. V., Derev’ya, kustarniki i liany Dal’nego Vostoka (Trees, shrubs, and lianas of the Russian Far East), 2nd ed., revised and expanded, Khabarovsk, 1984, 272 p.

Virtanen P., Gommers R., Oliphant T. E., Haberland M., Reddy T., Cournapeau D., … & Van Mulbregt P., SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python, Nature Methods, 2020, Vol. 17, pp. 261–272.

Waskom M. L., Seaborn: statistical data visualization, Journal of Open Source Software, 2021, Vol. 6, No. 60, Article 3021, DOI: 10.21105/joss.03021

Yakovleva A. N., Ekologo-fitotsenoticheskie osobennosti prostranstvennogo raspredeleniya lesnoi rastitel’nosti Yuzhnogo Sikhote-Alinya na primere Verkhneussuriiskogo stantsionara (Ecological and phytocenotic features of the spatial distribution of forest vegetation in the southern Sikhote-Alin (on the example of the Verkhneussuriysky Research Station)), Extended abstract of candidate’s thesis in biology, Vladivostok: Institute of Biology and Soil Science, 2004, 24 p.

Reviewer: Candidate of Biological Sciences, leading research fellow V. N. Korotkov

]]> https://jfsi.ru/9-1-2026-ryabovisaeva/ Thu, 23 Apr 2026 07:04:20 +0000 https://jfsi.ru/?p=8114 © 2026                                                           Н. С. Рябов*, Л. Г. Исаева

Институт проблем промышленной экологии Севера КНЦ РАН

Россия, 184209, Апатиты, Академгородок, 14а

*E-mail: n.ryabov@ksc.ru

Поступила в редакцию: 04.02.2026

После рецензирования: 16.03.2026

Принята к печати: 20.03.2026

Статья посвящена сравнительному анализу эффективности различных регрессионных моделей для оценки фитомассы древостоя в ельниках, сформированных на Al-Fe-гумусовых подзолах на северном пределе распространения древесных растений в Мурманской области. Исследование проводилось на пробных площадях, заложенных в различных позициях ландшафта: автоморфных, транзитных и аккумулятивных. Актуальность работы обусловлена необходимостью получения достоверных данных о запасах фитомассы в лесных экосистемах, поскольку фитомасса – ключевой резервуар углерода таёжных фитоценозов. Неоднородный холмистый и пересеченный рельеф региона определяет необходимость учёта данного фактора для минимизации ошибок в оценках пула фитомассы. Сравнение четырёх моделей показало, что для оценки фитомассы древостоя наиболее применима модель, разработанная J. Repola с соавторами. Так как модель основана на большом массиве данных в сходных природно-климатических условиях, она демонстрирует высокую предсказуемость результатов во всех типах элементарных ландшафтов и является оптимальным компромиссом для оценки пулов фитомассы региона на текущий момент, несмотря на выявленные ограничения при анализе внутренней фракционной структуры фитомассы. Региональная модель, в свою очередь, ограничена учетом исключительно надземной фитомассы и может быть использована для оценки данной части в автоморфных условиях. Обнаружено, что модель В. А. Усольцева пригодна для оценки фитомассы ели, однако выявлено систематическое занижение этого показателя для березы – основной сопутствующей породы в северотаёжных ельниках. Выявлена неэффективность для научно-обоснованного мониторинга модели, которая предложена в методических материалах Минприроды РФ, поскольку отмечены значительные завышения фитомассы березовой части древостоя. Отсутствие надежных аллометрических уравнений для оценки подземной фитомассы (корней) является существенным пробелом, как и выявленные неопределённости в оценках фракционной структуры фитомассы деревьев. Результаты исследования свидетельствуют о необходимости получения экспериментальных данных для уточнения региональных моделей, в том числе с учетом позиций ландшафта. Это позволит минимизировать ошибки при калибровке дистанционных методов зондирования и повысить точность количественного учета роли лесов Мурманской области в глобальном цикле углерода.

 Ключевые слова: фитомасса древостоя, модели оценки фитомассы, еловые леса, северная тайга, Мурманская область, Арктика

 Ведущая роль лесов в депонировании атмосферного углерода обусловливает важность оценки запасаемой фитомассы в этих экосистемах. Углерод входит в состав парниковых газов, влияющих на наблюдаемые климатические изменения. В настоящее время наблюдается дисбаланс углеродного цикла на планете. По современным оценкам, Российская Федерация является крупнейшей страной – поглотителем парниковых газов (Friedlingstein et al., 2025). На леса бореальной зоны приходится около трети всего углеродного стока наземных экосистем (Pappas et al., 2020). Однако согласно исследованиям Pan et al. (2024), вследствие сокращения площади бореальных лесов снижается поглощение атмосферного углерода этими экосистемами (-36 ± 6%).

На сегодняшний день известно, что малонарушенные старовозрастные лесные биогеоценозы, в которых преобладают естественные процессы, являются уникальными природными комплексами, рефугиумами биоразнообразия (Зайцева и др., 2002; Framstad et al., 2013) и накопителями углерода (Лукина и др., 2023; Luyssaert et al., 2008; Framstad et al., 2013). Относительно недолгая история промышленной заготовки леса в Мурманской области, а также отсутствие традиции у коренного населения практики подсечно-огневого земледелия позволяют рассматривать современные перестойные насаждения как малонарушенные биогеоценозы с естественной пространственной и возрастной структурой (Экологический…, 1999). Согласно лесному плану Мурманской области (Лесной план…, 2019), на долю перестойных хвойных лесов приходится 33.7% всего запаса насаждений (23% лесопокрытой площади). При сравнении с соседними странами – Финляндией, Швецией и Норвегией, где таких лесов, соответственно, только 10, 11 и 15% (Framstad et al., 2013), можно сделать вывод о значительном потенциале заполярных лесных экосистем Северо-Запада РФ в секвестрации углерода. При этом, ввиду более интенсивного использования сосновых лесов, в регионе на долю спелых и перестойных еловых насаждений приходится 36.9 и 51.2% всего запаса соответственно, тогда как на те же группы возраста сосновых лесов приходится только 12.9 и 30.8%. Это сравнение подчеркивает важность исследований способности именно еловых биогеоценозов Мурманской области к поглощению и аккумуляции атмосферного углерода.

Древостой является одним из ключевых углеродных пулов в лесных экосистемах мира, который хранит 367–394 Гт С (Mo et al., 2023). Оценка фитомассы древостоя, являющейся непосредственным резервуаром углерода, является важным направлением исследований (Wirth et al., 2004; Bonan, 2008; Thurner et al., 2014; Kenina et al., 2018; Nunes et al., 2020).

Считается, что существующие оценки запасов и поглощающей способности лесных экосистем нуждаются в повышении точности (Кутявин, 2018; Schepaschenko et al., 2021). Это возможно при получении дополнительных экспериментальных данных и длительном наземном мониторинге. Фитомасса лесного насаждения может изучаться путем рубки модельных деревьев, а затем статистической обработки значений массы различных фракций этих деревьев и их морфометрических характеристик и дальнейшей экстраполяции на всё насаждение. Фитомасса фракций деревьев поддаётся адекватной интерпретации путем применения различных математических моделей. Общепринятым подходом к расчету зависимостей фитомассы от дендрометрических характеристик деревьев, взятых по всем ступеням толщины в древостое, является регрессионная модель (Усольцев, 2016; Zianis et al., 2005). В дальнейшем построенные уравнения регрессии могут использоваться для расчетных оценок запасов фитомассы древостоя в сходных насаждениях (Трофимова и др., 2012; Осипов и др., 2019; Пеккоев и др., 2024; Шешницан и др., 2024; Kenina et al., 2018; Strîmbu et al., 2023; Merilä et al., 2024; Davidson et al., 2024; и др.).

Рельеф Мурманской области отличается своеобразием, накладывающим отпечаток на процессы динамики органического вещества в биогеоценозах. В регионе распространены морены, которые обусловливают холмистый, пересеченный рельеф местности. В зависимости от положения в рельефе складываются различные условия для развития лесных фитоценозов, что приводит к неоднородности продукционных показателей. Это обосновывает необходимость исследований фитомассы древостоя с учетом положения насаждений в пределах геохимически сопряженного ландшафта (Манаков, Никонов, 1981; Лукина и др., 2021).

Цель данного исследования – выявление возможности использования существующих моделей для оценки запасов фитомассы древостоев северотаежных ельников Мурманской области, сформированных в разных позициях ландшафта.

Накопленные в регионе и в схожих природных условиях экспериментальные данные по продуктивности северотаежных лесов являются основой для построения регрессионных моделей. Эти модели позволяют упростить оценку фитомассы, используя только основные дендрометрические характеристики – диаметр и высоту деревьев.

МАТЕРИАЛЫ И МЕТОДЫ

В пределах Мурманской области в соответствии с геоботаническим районированием выделяют таёжную зону, которая представлена в регионе лесотундрой и северотаёжной подзоной Кольско-Карельской подпровинции Североевропейской таёжной провинции (Геоботаническое районирование…, 1989). На формирование и динамику выделяемых зон влияет ряд особенностей природных условий. Ключевыми факторами, обусловливающими функционирование фоновых биогеоценозов региона, являются климат, почвообразующие породы и рельеф местности.

Район исследований расположен в Атлантико-Арктической зоне умеренного климата, отличающейся преобладанием теплых воздушных потоков, приходящих из северной Атлантики, а также холодных – из атлантического сектора Арктики (Алисов, 1956; Атлас…, 1971). Согласно классификации Кёппена-Гейгера, климат здесь субарктический (Dfc), характеризуется холодным летом и отсутствием сухих сезонов (Beck et al., 2023).

По лесорастительному районированию на территории Мурманской области выделены две лесорастительных зоны: таёжная зона, которая представлена северо-таёжным районом европейской части Российской Федерации, и зона притундровых лесов и редкостойной тайги – районом притундровых лесов и редкостойной тайги Европейско-Уральской части Российской Федерации. Общая площадь лесов, входящих в северо-таёжный район европейской части Российской Федерации, составляет 8819.9 тыс. га (Лесной план…, 2019).

Площадь земель, на которой расположены все леса в Мурманской области, составляет 10029.2 тыс. га, из них на землях лесного фонда – 9455.1 тыс. га. Покрытые лесной растительностью земли занимают 5144.4 тыс. га (Лесной план…, 2019).

В Мурманской области еловые леса, сложенные главным образом Picea obovata Ledeb. с единичной примесью P. abies (L.) Karst. в южных районах и несколько более значительным участием гибридогенной P. fennica (Regel.) Kom. в юго-западной части, занимают примерно 30% покрытой лесом площади (Малькова, Пешев, 1997; Лесной план…, 2019). Еловые фитоценозы характеризуются значительным участием березы (Betula pubescens s.l.). Экологическая амплитуда ели достаточно высока (Никонов, Лебедева, 1976; Цветков, Чертовский, 1979; и др.), что обусловливает разнообразие ассоциаций ельников.

Объекты исследования: ельники кустарничково-зеленомошные (в автоморфных и транзитных позициях ландшафта) и кустарничково-зеленомошные разнотравные (в аккумулятивных условиях) на юго-западе Мурманской области, сформированные на Al-Fe-гумусовых подзолах (Carbic Podzols), характеризующимися низким уровнем плодородия и pH. Древостой представлен елью финской (Picea fennica (Regel.) Kom), берёзой пушистой (Betula pubescens s.l.), сосной обыкновенной (Pinus sylvestris L.), реже осиной (Populus tremula L.). В подлеске встречается можжевельник (Juniperus sibirica Burgsd.), ива козья (Salix caprea L.), реже рябина Городкова (Sorbus gorodkovii Pojark.).

В травяно-кустарничковом ярусе доминирует черника (Vaccinium myrtillus L.), преобладают также вороника (Empetrum hermaphroditum Hagerup.), брусника (Vaccinium vitis—idaea L.). На всех исследованных пробных площадях (ПП) отмечен луговик (Avenella flexuosa (L.) Drejer), а также в меньшей степени встречалась ожика волосистая (Luzula pilosa (L.) Willd.), седмичник европейский (Trientalis europaea L.), марьянник лесной (Melampyrum sylvaticum L.), иван-чай узколистный (Chamaenerion angustifolium (L.) Scop.), золотарник обыкновенный (Solidago virgaurea L.). Мохово-лишайниковый ярус представлен в первую очередь зелеными мхами Pleurozium schreberi (Willd. ex Brid.) Mitt., Hylocomium splendens (Hedw.) Bruch et al., Dicranum sp., Ptilium crista-castrensis (Hedw.) De Not. В аккумулятивных позициях ландшафта отмечены виды, присущие более увлажненным местообитаниям: костяника (Rubus saxatilis L.) и ортилия однобокая (Orthilia secunda (L.) House), герань лесная (Geranium sylvaticum L.), голокучник обыкновенный (Gymnocarpium dryopteris (L.) Newman), лабазник вязолистный (Filipendula ulmaria (L.) Maxim.), перловник поникающий (Melica nutans L.).

Исследования выполнены в 2023-2024 гг. согласно методике, разработанной консорциумом «РИТМ Углерода» в рамках ВИП ГЗ «Единая национальная система мониторинга климатически активных веществ» (Методика …, 2023), на 15 ПП, расположенных на моренной гряде, вытянутой в меридиональном направлении, в автоморфных (5 ПП), транзитных (5 ПП) и аккумулятивных (5 ПП) позициях ландшафта. Транзитные ПП расположены на склоне южной экспозиции. Площадь каждой ПП – 0.25 га. В границах ПП проведен сплошной перечёт деревьев с измерением диаметра на высоте 1.3 м. В учёт включались все деревья более 6 см в диаметре. Высота оценивалась у не менее чем 15 экземпляров каждой породы. Далее, с помощью функций зависимости между диаметром и высотой деревьев, восстанавливали высоты всех деревьев. Возраст деревьев определяли с помощью подсчёта колец кернов, отобранных возрастным буравом Пресслера на высоте 20-30 см от шейки корня. Запасы древесины определялись по лесотаксационному справочнику (Лесотаксационный…, 1984).

Известно, что возраст и комплекс экологических и лесорастительных условий влияют на распределение фитомассы фракций каждого дерева (Нагимов и др., 2021). Также отмечают, что связывать массу структурных частей кроны с диаметром и высотой деревьев корректно только в древостоях сходного типа леса при незначительной возрастной гетерогенности во избежание существенных ошибок. Однако обилие работ по оценке фитомассы в разновозрастных древостоях, где в качестве метода описания фитомассы структурных частей деревьев применялась однофакторная регрессия с применением квадрата диаметра или произведения квадрата диаметра и высоты в качестве предиктора, демонстрирует применимость такого метода даже для древостоев со значительной возрастной гетерогенностью (Бобкова и др., 2010; Кузнецов, 2010; Осипов и др., 2022; и др.).

Для оценки запасов фитомассы деревьев на ПП были выбраны 4 модели.

1. I. Региональная модель. Расчеты запасов фракций надземной фитомассы деревьев ели, сосны и берёзы проводились по коэффициентам аллометрического уравнения регрессии, основанных на региональных экспериментальных данных на примере коренных северотаёжных ельников кустарничково-зеленомошных и сосняков кустарничково-лишайниковых Мурманской области, произрастающих в автоморфных позициях ландшафта на Al-Fe-гумусовых подзолах (Лукина, Никонов, 1996). В качестве основного предиктора использовано произведение квадрата диаметра и высоты дерева, количество модельных деревьев каждой породы – 9 экземпляров.

В монографии представлены коэффициенты регрессионных уравнений для расчета запасов надземной фитомассы деревьев. Приведены коэффициенты регрессионного уравнения для расчёта следующих фракций фитомассы: хвоя (листва), ветви мелкие, ветви крупные, древесина ствола, кора ствола. Отсутствуют коэффициенты для расчёта подземной части деревьев. Оценка подземной части в данной статье дана как отношение подземной части фитомассы к надземной, согласно приведенным количественным значениям в монографии.

1. II. Модели оценки запасов фитомассы ели, сосны и берёзы, разработанные в Финляндии, граничащей на западе с Мурманской областью (Repola et al., 2007). Основными предикторами являются диаметр и высота дерева. Учитываются следующие фракции фитомассы: хвоя (листва), ветви живые, корни крупные (>1 см), древесина ствола, кора, комлевая часть ствола (stump). Деревья отбирались в 36 еловых, 41 сосновых, 24 березовых насаждениях в широтном градиенте Финляндии, произрастающих в основном на минеральных почвах. Пробные площади закладывались в репрезентативных частях древостоев, как в молодых, так и спелых, также часть ПП включала экспериментальные участки по прореживанию и удобрению. Отбор модельных деревьев ели проводился в ельниках черничных (свежих на относительно плодородной почве) и ельниках кислично-черничных (относительно высокоплодородные), сосны – на бедных и плодородных почвах в сосняках вересковых, брусничных и черничных. Возраст ели варьировал от 18 до 161 года, березы от 11 до 97 лет, сосны от 13 до 145 лет. На каждой ПП отобрано по 4-5 модельных дерева. Уравнения линейные, имеют мультипликативную форму, для каждой отдельной фракции предусмотрены различные независимые переменные. Преимущество данной модели состоит в возможности расчёта подземной части деревьев. Авторами также отмечается, что модели обеспечивают надёжное прогнозирование биомассы компонентов дерева в широком диапазоне условий произрастания и насаждений в Финляндии (кроме листвы берёзы и подземной части деревьев). Применимость модели обусловлена сходными природно-климатическими условиями.

III. Двухфакторные регрессионные модели, основанные на материале по обобщению фактических данных фитомассы основных лесообразующих пород Евразии, охватывающих разные экорегионы и территории от Южной и Северной Европы, Урала до Средней и Юго-Восточной Азии (Усольцев, 2016). Учитываются следующие фракции фитомассы: хвоя (листва), ветви живые, корни, древесина ствола с корой. В основу моделей вошли многочисленные экспериментальные данные, в том числе по Кольскому полуострову (Чепурко, 1971, 1972; Манаков, Никонов, 1979, 1981; Алексеев, Рак, 1985; Лукина, Никонов, 1991, 1996). Целью работы (Усольцев, 2016) было создание унифицированных регрессионных моделей фитомассы в масштабе континента по ряду древесных пород с учетом зональности и континентальности. Оценки фитомассы деревьев для наземной таксации проводятся на основе диаметра и высоты. В работе даны регрессионные модели для ели, сосны и березы с учётом данных по Мурманской области.

27. IV. Модели расчета пула запаса углерода в биомассе деревьев по регрессионному уравнению с традиционными предикторами – диаметром и высотой дерева, приведенные в Приложении к методике количественного определения объема поглощений парниковых газов, утвержденной приказом Минприроды России от 27.05.2022 №371 (Приказ…, 2022). Определялись надземная, подземная и общая фитомасса. Необходимо отметить, что в документе имеются таблицы для расчёта запасов углерода в фитомассе деревьев через запас древесины, однако в данном исследовании рассматриваются только модели регрессионных уравнений с дендрометрическими характеристиками в качестве предикторов.

Краткая характеристика и различия моделей приведены в табл. 1.

Таблица 1. Краткая характеристика моделей

Примечание: общая фитомасса подразумевает возможность расчёта подземной части фитомассы наряду с надземной.

В качестве эталонной для расчёта запасов фитомассы в автоморфных позициях ландшафта выбрана региональная модель I, так как данные получены непосредственно в еловых биогеоценозах Мурманской области, сформированных на возвышенностях. Фитомасса коры и фитомасса стволовой древесины суммировались и приводятся как одна фракция. Для характеристики изменчивости оценок фитомассы разными моделями применялся коэффициент вариации (CV), выраженный в процентах (%). В качестве метода сравнения результатов для сопоставимых оценок выбран парный двухвыборочный t-тест для средних.

Для выполнения поставленной цели выбраны ельники кустарничково-зеленомошные и кустарничково-зеленомошные разнотравные.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Запасы фитомассы древостоя. Для оценки фитомассы древостоя в ненарушенных условиях были выбраны ельники различных (IV–X) классов возраста, Vа класса бонитета. Таксационная характеристика древостоев на пробных площадях представлена в табл. 2.  Максимальные значения фитомассы отмечаются в автоморфных и аккумулятивных позициях ландшафта, снижаясь к транзитным условиям.

Таблица 2. Таксационная характеристика древостоев на пробных площадях

Примечания: d — средний диаметр на высоте 1.3 м, h — средняя высота; формула состава древостоя дана по запасам.

Автоморфный ландшафт. Фитомасса древостоя на исследованных пробных площадях, приуроченных к автоморфным позициям ландшафта, в среднем по всем моделям (табл. 1) варьирует от 66.1 ± 5.1 (модель IV, CV = 13.4%) до 70 ± 6.3 т га^-1 (модель III, CV = 20.3%) (рис. 1). При этом отмечаются одинаковые значения коэффициента вариации при применении моделей I и II (CV = 18.4%, при 68.1 ± 5.6 и 66.8 ± 5.5 т га^-1, соответственно). Значения фитомассы древостоев в среднем по всем моделям изменяются от 54 ± 0.3 до 82.2 ± 1.6 т га^-1.

Рисунок 1. Фитомасса древостоя в ельниках (т га-1), сформированных в различных позициях ландшафта, рассчитанная по нескольким моделям: I, II, III, IV (см. табл. 1)

Обнаружено, что фитомасса древостоя, рассчитанная по модели II, всегда меньше (различия статистически значимы, p = 0.002, n = 5), чем по региональной модели (I), которую для автоморфных позиций ландшафта мы приняли за «эталонную», на 1.3–2.7%. Различия в фитомассе, оцененной по региональной модели и моделям III и IV, демонстрируют более выраженную изменчивость и разнонаправленность, в отличие от оценок по модели II. Так, III модель дает несколько меньшие значения для ПП 34-23 и 32-23 (меньше на 1.8, 2.8% соответственно) и несколько большие для ПП 30-23, 33-23 и 31-23 (больше на 3.6, 4.7 и 8.7% соответственно), однако различия статистически незначимы (p = 0.25, n = 5). Запас фитомассы древостоя по модели IV определялся только для тех площадок, где отсутствовала сосна, поскольку в приказе Минприроды (Приказ…, 2022) не содержится коэффициентов аллометрического уравнения для расчета подземной фитомассы сосны. Оценки по данной модели были на 4.3 и 7.8% ниже (различия также статистически незначимы, p = 0.51, n = 3) региональных оценок на ПП 30-23 и 31-23, и на 4.2% больше на ПП 32-23.

В автоморфных условиях на основную лесообразующую породу – ель – приходится в среднем по всем моделям на каждой ПП от 34.1±2 до 65.4±4 т га^-1 биомассы. Вклад берёзы в запасы фитомассы ельников значителен и варьирует в среднем по всем моделям от 14.4±2 до 24.3 ± 3.5 т га^-1. На двух ПП (33-23 и 34-23) отмечены деревья сосны, фитомасса которых варьирует от 4.7 ± 0.1 до 13.9 ± 0.1 т га^-1.

Фитомасса еловой части древостоя (рис. 2) варьирует от 39.4 ± 4.6 (IV, CV = 26%) до 54.7 ± 6.2 т га^-1 (III, CV = 25.3%), несколько более высокий коэффициент вариации отмечен для региональной модели (CV = 25.6%, при 48.3 ± 5.5 т га^-1) и  для модели II (CV = 26.3%, при 45.9 ± 5.4 т га^-1).

Рисунок 2. Фитомасса еловой части древостоя (т га-1), сформированной в различных позициях ландшафта, рассчитанная по нескольким моделям: I, II, III, IV (см. табл. 1)

Отмечено занижение оценок относительно региональных значений фитомассы деревьев ели по модели II на 4.1–5.8%. По модели III, наоборот, наблюдается завышение на 8.5–19.8%. На всех ПП по модели IV отмечается занижение на 17.8–19% (различия статистически значимы по всем моделям, p = 0.002, 0.014, 0.0005 для II, III, IV соответственно при n = 5).

Общая фитомасса березовой части древостоя (рис. 3) варьирует от 11.5 ± 1.2 т га^-1 (III, CV = 24%) до 23.3 ± 2.6 (IV, CV = 24.9%). Региональная (I) и финская (II) модели дают близкие значения (I – 16.2 ± 1.8 т га^-1, II – 17.1 ± 1.8 т га^-1), значения фитомассы, рассчитанные по модели II, демонстрируют самый низкий коэффициент вариации (I – CV = 24.2%, II – CV = 23.7%).

Рисунок 3. Фитомасса берёзовой части древостоя (т га-1), сформированного в различных позициях ландшафта, рассчитанная по нескольким моделям: I, II, III, IV (см. табл. 1)

Варьирование оценок фитомассы деревьев берёзы, рассчитанных по разным моделям, более значительно по сравнению с оценками для елового компонента древостоя. Такие значения связаны с вероятной ошибкой, допущенной в приказе Минприроды (2022). Результаты расчётов только надземной фитомассы по модели IV систематически до 56.1% превышают значения, полученные по региональной модели. В связи с этим превышения по общей фитомассе берёзы, рассчитанные как сумма надземной и подземной частей дерева, достигают 46.1% по сравнению с региональной моделью. Существенные занижения общей фитомассы берёзы отмечены для модели III (на 27.7–29.7%), это может быть связано с тем, что экспериментальные данные из Мурманской области по данной породе не были включены в модель. Оценки, полученные по модели II, наиболее близки к региональным: завышения на 4.7–7% относительно региональных значений (различия статистически значимы по всем моделям, p = 0.001, 0.001, 0.002 для II, III, IV соответственно при n = 5).

Значения общей фитомассы сосновой части древостоя, полученные по трем моделям (I–III), варьируют незначительно. Фитомасса сосны по модели II превышает оценки по региональной модели на 1–3.1%, а по модели III – на 1.6–2.1%.

Согласно результатам сравнения оценок запасов фитомассы на каждой ПП по моделям II, III и IV с «эталонными» региональными оценками запасов фитомассы (модель I)  с помощью парного t-теста для средних, общая фитомасса древостоя ели, полученная с помощью модели III, достоверно сопоставима на ПП 32-23 и 34-23 (p = 0.1, 0.07 соответственно). Общая фитомасса древостоя сосны, полученная с помощью модели II, сопоставима с запасами по региональной модели на ПП 33-23 (p = 0.6).

Таким образом, для оценок общей фитомассы компонентов древостоев основных видов деревьев в северотаёжных ельниках Мурманской области, сформированных в автоморфных позициях ландшафта, наиболее подходящей моделью является финская модель (II), что подтверждает самая незначительная разница как по общим запасам фитомассы древостоя, так и отдельно по видам древесных растений. Модель построена на значительном экспериментальном материале, отобранном как в Северной Финляндии, так и в Южной, в различных лесорастительных условиях. Это, вместе с результатами сравнения оценок с региональной моделью, указывает на широкую применимость модели для северотаёжных ельников.

Модель III (Усольцев, 2016), вероятно, можно использовать для оценок фитомассы еловой части древостоя, что подтверждается статистическим анализом. Однако, учитывая значительные отличия в запасах фитомассы елей, а также систематические занижения оценок фитомассы берёзовой части древостоя, которая является основной сопутствующей породой в ельниках Кольского полуострова, можно сделать вывод о невозможности использования данной модели для оценок запасов фитомассы смешанных древостоев в еловых биогеоценозах региона. Также пример таёжных еловых лесов, формирующихся на северном пределе распространения деревьев ели, указывает на ограничения использования подобных «всеобщих» моделей и необходимость дальнейших исследований, для включения новых экспериментальных данных в подобные модели, т.к. различия климатических, почвенных и иных условий могут повлиять на качество полученных оценок.

Использование модели IV не обосновано по причине значительных отклонений, отмеченных при сравнении оценок, полученных по региональной и другим моделям.

Транзитный и аккумулятивный ландшафты. Поскольку не существует региональных моделей для оценок запасов фитомассы древостоев, сформированных в транзитных и аккумулятивных позициях ландшафта, для достижения поставленной цели мы можем рассматривать используемые нами модели в зависимости от того, какие тенденции выявляются при использовании существующих моделей друг относительно друга и сопоставлять с тенденциями, отмеченными в автоморфных условиях.

В транзитных позициях ландшафта запасы фитомассы (рис. 1) в среднем при использовании моделей варьируют от 51.9 ± 4.6 (III, CV = 19.7%) до 62.4 ± 3.5 т га^-1 (IV, CV = 9.7%), модели I и II демонстрируют средние значения коэффициента вариации и близкие средние запасы (CV = 16.2 и 14.3 %, при 56.3 ± 4.1 и 55.2 ± 4.5 т га^-1 соответственно). Запасы изменяются от 42.1 ± 1.8 т га^-1 (ПП 37-23) до 65.7 ± 1 т га^-1 (ПП 36-23) в среднем на ПП при применении всех моделей.

В транзитных условиях в среднем по всем моделям на пяти ПП фитомасса еловой части древостоя варьирует от 23 ± 1.2 до 45.4 ± 2.4 т га^-1. Фитомасса берез варьирует в среднем по всем моделям от 20.2 ± 3.2 до 27.6 ± 4.1 т га^-1. На двух ПП (37-23 и 39-23) присутствует сосна, фитомасса которой в среднем по трём моделям варьирует от 3.3 ± 0.1 до 5.9 ± 0.3 т га^-1.

Фитомасса елей в транзитных условиях (рис. 2) варьирует от 26.5 ± 4.5 (модель IV, CV = 37.9%) до 34.8 ± 5.9 т га^-1 (III, CV = 38.1%), сходный коэффициент вариации отмечен для региональной модели (CV = 36.9%, при 32.8 ± 5.4 т га^-1) и для модели II (CV = 35.5%, при 30.6 ± 4.9 т га^-1). Запасы фитомассы березовой части (рис. 3) варьируют от минимальных 15.2 ± 0.9 т га^-1 (III, CV=13.2%) до максимальных 31.9 ± 1.8 т га^-1 (IV, CV=12.5%). При использовании моделей I и II снова получены близкие значения (I – 21.8 ± 1.3 т га^-1, II – 22.8 ± 1.4 т га^-1) и сходные коэффициенты вариации (I – CV=13%, II – CV=13.4%).

В исследованных ельниках, сформированных в аккумулятивных позициях ландшафта, фитомасса древостоя (рис. 1) варьирует от 57.7 ± 7.5 (модель III, CV = 29%) до 63.8 ± 7.9 т га^-1 (модель I, CV = 27.6%). Наибольший коэффициент вариации отмечается у модели III. По IV модели CV = 27.2% при 63.4 ± 12.2 т га^-1 фитомассы. Модель II демонстрирует умеренные результаты (59.9 ± 7.7 т га^-1, CV = 28.8%).

В среднем по всем моделям на ПП в аккумулятивных условиях запасы фитомассы ели варьируют от 23.7 ± 1.3 до 58.7 ± 3.3 т га^-1. Запасы фитомассы берёзы варьируют в среднем по всем моделям от 12.1 ± 2.5 до 45.4 ± 7.2 т га^-1. На трех ПП (40-23, 43-23 и 44-23) присутствует сосна, фитомасса которой в среднем по трём моделям варьирует от 0.4 ± 0.01 до 6 ± 0.2 т га^-1.

Фитомасса еловой части древостоя в биогеоценозах, сформированных в аккумулятивных позициях ландшафта (рис. 2), варьирует от 32.5 ± 4.8 (модель IV, CV = 32.8%) до 41.7 ± 6.1 т га^-1 фитомассы (III, CV = 32.9%). Сходный коэффициент вариации отмечен для модели II (CV=32.4%, при 38.7 ± 5.6 т га^-1). Фитомасса елей, рассчитанная по модели I, составила 41.3 ± 6.3 т га^-1 (CV=33.9%). Запас фитомассы берёз (рис. 3) варьирует от 14.1 ± 4.1 (модель III, CV=65.9%) до 32.8 ± 8.4 т га^-1 (модель IV, CV=57.2%). При использовании моделей I и II получены близкие значения фитомассы (модель I – 20.7 ± 5.8 т/га, II – 19.3 ± 5.9 т га^-1), но при использовании модели II коэффициент вариации ближе к значению, полученному для модели III (модель I – CV=62.5%, II – CV=67.9%).

В транзитных и аккумулятивных ландшафтах, как и в ельниках, сформированных в автоморфных условиях, сохраняются общие тенденции, обусловленные разницей в оценках по модели III относительно региональной. Сохраняется тенденция к систематическому и значительному занижению запасов фитомассы берёзовой части древостоя, рассчитанных по модели III, по сравнению с оценками по моделям I и II (соответственно, на 30.3 и 33.3% в среднем в транзитных условиях и на 32.8 и 26.6% – в аккумулятивных).

Выраженные тенденции в различиях по фитомассе отмечаются и для еловой части древостоя. Среднее превышение запасов фитомассы, рассчитанных по модели III, относительно расчетов по модели I варьирует от 13.2% в автоморфных условиях до 5.7 и 6.3% в транзитных и аккумулятивных позициях ландшафта, а относительно расчётов по модели II изменяется от 19.2% в автоморфной позиции до 12.8 и 14% в транзитных и аккумулятивных.

Поскольку сохраняется значительное превышение оценок фитомассы березовой части древостоя по модели IV относительно других моделей – до 2 раз в транзитных и аккумулятивных элементарных ландшафтах – данная модель не может быть использована для оценки запасов фитомассы ельников северной тайги.

Полученные значения коэффициентов вариации для ПП в автоморфных позициях близки к полученным значениям CV в транзитных условиях (13–20.3% в автоморфных и 10–19.7% в транзитных), что может указывать на естественную однородность запасов фитомассы коренных разновозрастных ельников вне зависимости от положения в рельефе.

Более высокий CV в аккумулятивных условиях (27–29%) может свидетельствовать о структурной гетерогенности ельников различного сукцессионного статуса: отмечено два одновозрастных (V-VI класса возраста) и три разновозрастных древостоя (IV, VII класса возраста). При этом можно отметить крайне неравномерный вклад берёзы в аккумулятивных позициях (CV более 60–67%). Это также должно свидетельствовать о сукцессионной динамике леса на исследованных ПП, значительный вклад в которую вносят деревья этой породы.

Фракции фитомассы деревьев ельников в автоморфных позициях ландшафта

Более детальный анализ структуры фитомассы позволяет определить, какая фракция древостоев аккумулирует больше органического вещества и, следовательно, углерода. Полученные результаты указывают на неоднозначность в закономерностях продуцирования органического вещества. Согласно региональной модели, в структуре фитомассы прослеживается следующий ряд по участию в запасах: стволовая древесина (с корой) > корни > ветви > хвоя (листва). При общем сохранении такого ряда участия в запасах фитомассы доли фракций различаются по всем рассмотренным моделям (рис. 4).

Рисунок 4. Доля фракций в запасе фитомассы (а) елового, (б) берёзового и (в) соснового компонента древостоя, рассчитанная по моделям I, II, III (см. табл. 1)

Так, если по модели I на стволовую древесину ели в коре приходится около 62% всего запаса, то по модели II – 42–45%, а по модели III – 52–54%. При этом результаты, полученные по региональной модели, подтверждаются исследованиями в еловых биогеоценозах Мурманской области (Манаков, Никонов, 1981; Лукина, Никонов, 1996). Так, на запасы фитомассы древесины в ельниках, сформированных в автоморфных позициях ландшафта, приходится от 59 до 64%. Самая высокая доля в запасах фитомассы стволовой древесины берёзы получена по региональной модели I (66.5 ± 0.1%), тогда как по моделям II и III – 54.1± 1.1 и 59.9 ± 0.6% соответственно. Согласно литературным данным, доля фракций фитомассы берёзы в структуре запасов может варьировать. Так, доля древесины ствола в фитомассе берёзы северотаёжных ельников Мурманской области может варьировать от 57 до 76% (Манаков, Никонов, 1981; Лукина, Никонов, 1996).

На запасы фитомассы корней ели, рассчитанные по моделям II и III, приходится от 27 до 30%, тогда как по региональной модели значительно меньше – 19%. Согласно уже упомянутым работам, в исследуемом регионе на запасы фитомассы корней ели в ельниках Мурманской области приходится от 19 до 23% всей фитомассы ели, как в автоморфных, так и в транзитных условиях (Манаков, Никонов, 1981). Подобные результаты отмечались в ельниках средней тайги Финляндии: 23–24%, тогда как в северотаежных лесах доля корней в фитомассе ели доходила до 24.6% (Merilä et al., 2024). В Мурманской области столь высокая (от 34 до почти 40 %) доля корней в фитомассе ели отмечалась только в аккумулятивных условиях, но в ельниках, на торфяно-болотных почвах (Манаков, Никонов, 1981). Доля корней в среднетаёжных ельниках Карелии оказалась ниже. В зависимости от типа сообщества (рассматривалось 7 типов, представляющих эдафо-фитоценотический ряд), доля корней от общей фитомассы в ельниках средневозрастных варьировала от 17 до 19% (Казимиров, Морозова, 1973). В том же исследовании показано, что вне зависимости от возраста ельника черничного, сформированного на подзолистых иллювиально-гумусово-железистых почвах, отношение корней к общей фитомассе стабильно варьирует в подобных же пределах (18–19%). В среднетаежном коренном ельнике черничном в Республике Коми, произрастающем на подзолах, сформированных на покровных суглинках, доля корней ели составляет около 23% (Осипов и др., 2019). Стоит отметить, что авторы модели II упоминают ограниченную применимость их модели при оценках подземной части деревьев.

Запас фитомассы корней берёзы по моделям II и III превышает региональные значения в среднем почти на 9%.

При расчете фитомассы по региональной модели доля фитомассы корней бралась как неизменная величина для ели, берёзы и сосны: 19, 17 и 20%, соответственно). Однако если для ели это оправдано незначительной изменчивостью вклада данной фракции в фитомассу дерева, то при расчёте фитомассы берёзы это может привести к значительным ошибкам, поскольку согласно исследованиям (Манаков, Никонов, 1981) доля корней в фитомассе берёзы в ельниках Мурманской области может варьировать от 17 до 28%.

Результаты, полученные с помощью модели III для сосны, указывают на нарушение закономерности, выявленной для остальных пород, также и по другим моделям, в том числе по расчетам фитомассы сосны. Так, согласно модели III, доля ветвей в запасе фитомассы сосны сопоставима с долей корней. По данной модели отмечено превышение доли стволовой древесины в запасах сосны (80.1 ± 0.1%) в среднем на 24% относительно региональной модели (56.3 ± 0.2%), тогда как по модели II – 61 ± 0.1% – превышение по данной фракции незначительно. Доля корней в общей фитомассе сосны по модели III на 13% меньше, чем по региональной: 7 % и 20%, соответственно.

Неоднозначность в оценках доли корней деревьев свидетельствует о необходимости получения экспериментальных данных о вкладе корней в запас фитомассы ельников.

Выявлена статистически значимая сопоставимость оценок надземной фитомассы ели (сумма всех оцениваемых фракций без корней) по модели III с региональной моделью на ПП 30-23…34-23 (p = 0.3…0.9). Запасы по модели III (39.4 ± 4.5 т га^-1) на 0.4 ± 0.6 т га^-1 выше региональных (39 ± 4.5 т га^-1). Также статистически достоверно сопоставимы с региональными оценками значения общей фитомассы стволовой древесины и коры ели, определенной по модели III для ельников на ПП 31-23…33-23 (p = 0.1…0.9).

Запасы надземной фитомассы, рассчитанные с применением модели II, составляли 32.4 ± 4.2 т га^-1, что в среднем существенно ниже (на 6.6 ± 0.4 т/га) по сравнению с оценками по региональной модели. Статистически достоверно сопоставимы с региональными оценками значения надземных запасов фитомассы сосны на ПП 33-23 по модели II (p = 0.07), а также запасы хвои и ветвей сосны (p = 0.07 и p = 0.5 соответственно). Сопоставимые с региональными оценки обнаружены для фитомассы листвы и ветвей берёзы, полученные по модели II (p = 0.09 и 0.7 соответственно).

ЗАКЛЮЧЕНИЕ

Анализ сравнения полученных данных с литературными источниками позволяет сделать вывод о возможности применения модели II (разработанной в Финляндии) для оценки фитомассы древостоя в северотаёжных еловых лесах Мурманской области, поскольку данная модель обеспечивает наиболее точную и стабильную оценку общего запаса органического вещества во всех ландшафтных позициях. Оценки по данной модели демонстрируют наиболее предсказуемый разброс значений фитомассы древостоя во всех типах элементарного ландшафта для ельников кустарничково-зеленомошных, сформированных на подзолах Al-Fe-гумусовых, поскольку модель калибрована с учетом пространственной вариабельности в сходных природно-климатических условиях. Однако при оценке структуры фитомассы отмечаются значительные различия, что критично при исследованиях, учитывающих фракции фитомассы древостоя. Модель является наиболее сбалансированным, предсказуемым и практически применимым компромиссом для оценки углеродных запасов в северотаёжных ельниках Мурманской области на текущий момент.

Модель В. А. Усольцева (III) дает значительные и разнонаправленные расхождения в оценках фитомассы. Выявленные систематические занижения запасов фитомассы берёзы относительно региональной и «финской» моделей могут привести к недоучёту запасов ключевой сопутствующей породы в северотаёжных ельниках Мурманской области и, соответственно, при оценках общих запасов фитомассы на ПП. Для специфических условий региона данная модель ограниченно пригодна: при применении этой модели получены сопоставимые с региональными значениями оценки запасов фитомассы ели (надземной фитомассы, фитомассы стволовой древесины) в автоморфных условиях.

Модель IV (Приказ…, 2022) в её текущем виде обладает ограниченной научной и практической ценностью для достоверной оценки фитомассы древостоя в северотаёжных ельниках. Её применение приведёт к значительным систематическим отклонениям, особенно для берёзы и сосны. Для целей научно-обоснованного мониторинга углеродных пулов и калибровки дистанционных методов в данном регионе модель не рекомендована. Требуется её доработка с учётом региональной специфики.

Отсутствие надёжных аллометрических уравнений для корней ели, берёзы и сосны –существенный пробел, ограничивающий точность учета запасов фитомассы древостоя. Значительные расхождения в оценках вклада фракций фитомассы в общий запас, а также высокая изменчивость в оценках фитомассы берёзы указывают на необходимость дополнительных экспериментальных исследований с целью уточнения региональных аллометрических моделей для достоверной количественной оценки роли северотаежных ельников Мурманской области в углеродном балансе.

БЛАГОДАРНОСТИ

Авторы выражают искреннюю благодарность сотрудникам Лаборатории наземных экосистем ИППЭС КНЦ РАН за помощь и участие в сборе полевых материалов: Сухаревой Т. А., Ершову В. В., Ивановой Е. А., Живову Д. А., Сидоровой Е. А., особая благодарность д.б.н., члену-корреспонденту РАН Лукиной Н.В. за ценные советы и комментарии.

ФИНАНСИРОВАНИЕ

Исследование выполнено в рамках Государственного задания Института проблем промышленной экологии Севера ФИЦ КНЦ РАН (рег. номер 125021402277-1) «Структурно-функциональная организация и динамика наземных экосистем Евро-Арктического региона», а также в рамках реализации важнейшего инновационного проекта государственного значения (ВИП ГЗ) «Единая национальная система мониторинга климатически активных веществ».

СПИСОК ЛИТЕРАТУРЫ

Алексеев В. А., Рак Л. Д. Признаки ослабления елей под влиянием атмосферного загрязнения // Лесоведение. 1985. № 5. С. 37–43.

Алисов Б. П. Климат СССР. М.: МГУ, 1956. 125 с.

Атлас Мурманской области. М., 1971. 33 с.

Бобкова К. С., Кузнецов М. А., Манов А. В., Галенко Э. П., Тужилкина В. В. Фитомасса древостоев ельников чернично-сфагновых на болотно-подзолистых почвах Европейского Северо-Востока // Известия высших учебных заведений. Лесной журнал. 2010. № 1. С. 19–26.

Геоботаническое районирование Нечерноземья Европейской части РСФСР / Отв. ред. В. Д. Александрова. Л.: Наука, 1989. 61 с.

Зайцева И. В., Кобяков К. Н., Никонов В. В., Смирнов Д. Ю. Коренные старовозрастные леса Мурманской области // Лесоведение. 2002. № 2. С. 14–22.

Казимиров Н. И., Морозова Р. М. Биологический круговорот веществ в ельниках Карелии. Л.: Наука, 1973. 175 с.

Кузнецов М. А. Динамика содержания органического углерода в заболоченных ельниках средней тайги: Дисс. … канд. биол. наук (спец. 03.02.08). Сыктывкар, 2010. 141 с.

Кутявин И. Н. Сосновые леса Северного Приуралья: строение, рост, продуктивность / Отв. ред. К. С. Бобкова. Сыктывкар: ИБ Коми НЦ УрО РАН, 2018. 176 с. DOI: 10.31140/book-2018-02

Лесной план Мурманской области. В 2-х томах. Мурманск, 2019. 106 с.

Лесотаксационный справочник по Северо-Западу СССР. Ленинград: ЛТА, 1984. 320 с.

Лукина Н. В., Гераськина А. П., Кузнецова А. И., Смирнов В. Э., Горнов А. В., … & Басова Е. В. Функциональная классификация лесов: актуальность и подходы к разработке // Лесоведение. 2021. № 6. С. 566–580. DOI: 10.31857/S0024114821060085

Лукина Н. В., Никонов В. В. Изменение первичной продуктивности ельников под влиянием техногенного загрязнения на Кольском полуострове // Лесоведение. 1991. № 4. С. 37–45.

Лукина Н. В., Никонов В. В. Биогеохимические циклы в лесах Севера в условиях аэротехногенного загрязнения. В 2-х ч. Ч. 1. Апатиты: Изд-во Кольского научного центра РАН, 1996. 213 с.

Лукина Н. В., Смирнов В. Э., Тебенькова Д. Н., Данилова М. А., Тихонова Е. В., … & Ручинская Е. В. Роль старовозрастных лесов в аккумуляции и хранении углерода // Известия Российской академии наук. Серия географическая. 2023. Т. 87. № 4. C. 536–557. DOI: 10.31857/S2587556623040064

Малькова Т. Н., Пешев Н. Г. Лесные ресурсы Кольского Севера: эколого-экономические аспекты лесопользования. Апатиты: Изд-во КНЦ РАН, 1997. 84 с.

Манаков К. Н., Никонов В. В. Первичная биологическая продуктивность ельников Кольского полуострова // Ботанический журнал. 1979. Т. 64. № 2. С. 232–241.

Манаков К. Н., Никонов В. В. Биологический круговорот минеральных элементов и почвообразование в ельниках Крайнего Севера. Ленинград: Наука, 1981. 196 с.

Методика полевых работ по таксации леса на постоянных пробных площадях в рамках реализации инновационного проекта государственного значения «Углерод в экосистемах: мониторинг». М.: ЦЭПЛ РАН, 2023. 32 с.

Нагимов З. Я., Артемьева И. Н., Шевелина И. В., Нагимов В. З. Оценка рангового положения деревьев в древостое при исследовании их фитомассы // Успехи современного естествознания. 2021. № 7. С. 20–25. DOI: 10.17513/use.37657

Никонов В. В., Лебедева Р. М. Ель и еловые леса в центральной части Кольского полуострова // Изучение растительных ресурсов Мурманской области. Апатиты: Изд-во Кольского филиала АН СССР, 1976. С. 53–64.

Осипов А. Ф., Кутявин И. Н., Манов А. В., Кузнецов М. А., Бобкова К. С. Запасы и структура фитомассы древостоев северотаежных сосняков Республики Коми // Известия высших учебных заведений. Лесной журнал. 2022. № 4. С. 25–38.

Осипов А. Ф., Тужилкина В. В., Дымов А. А., Бобкова К. С. Запасы фитомассы и органического углерода среднетаежных ельников при восстановлении после сплошнолесосечной рубки // Известия Российской академии наук. Серия биологическая. 2019. № 2. С. 215–224. DOI: 10.1134/S0002332919020103

Пеккоев А. Н., Мошников С. А., Ромашкин И. В., Тесля Д. В. Запасы углерода в фитомассе древесных растений и крупных древесных остатках в старовозрастных сосняках черничных заповедника «Кивач» // Вопросы лесной науки. 2024. Т. 7. № 4. Статья 156. DOI: 10.31509/2658-607x-202474-156

Приказ Минприроды России № 371 от 27.05.2022 «Об утверждении методик количественного определения объемов выбросов парниковых газов и поглощений парниковых газов» URL: https://clc.li/uOxvY (дата обращения 03.02.2026).

Трофимова И. Л., Кощеева У. П., Нагимов З. Я. Надземная фитомасса сосновых насаждений в различных типах леса в условиях Среднего Урала // АВУ. 2012. № 8 (100). С. 55–58.

Усольцев В. А. Фитомасса модельных деревьев лесообразующих пород Евразии: база данных, климатически обусловленная география, таксационные нормативы. Екатеринбург: изд-во Уральского государственного лесотехнического университета, 2016. 336 с.

Цветков В. Ф., Чертовский В. Г. Классификационные типологические схемы лесов и лесорастительное районирование Мурманской области. Архангельск: Изд-во АИЛиЛХ, 1979. 36 с.

Чепурко Н. Л. Биологическая продуктивность и круговорот химических элементов в лесных и тундровых сообществах Хибинских гор // Биологическая продуктивность и круговорот химических элементов в растительных сообществах. Л.: Наука, 1971. С. 213–219.

Чепурко Н. Л. Структура и годовой баланс биомассы в лесах Хибинских гор / Почвы и продуктивность растительных сообществ. Вып. 1. М.: МГУ, 1972. С. 94–116.

Шешницан С. С., Карташова Н. П., Штепа Е. Н., Царегородцев А. В., Сафонова А. А. Запасы углерода в фитомассе и биологическая продуктивность спелых и перестойных древостоев пригородного лесничества Воронежской области // Лесотехнический журнал. 2024. Т. 14. № 4(56). С. 97–110. DOI: 10.34220/issn.2222-7962/2024.4/7

Экологический атлас Мурманской области / гл. ред. Г. В. Калабин. М.; Апатиты. ИППЭС КНЦ РАН; Геогр. ф-т МГУ; Гос. ком. по охране окружающей среды Мурманской области, 1999. 48 с.

Beck H. E., McVicar T. R., Vergopolan N., Berg A., Lutsko N. J., … & Miralles D. G. High-resolution (1 km) Köppen-Geiger maps for 1901–2099 based on constrained CMIP6 projections // Scientific Data. 2023. Vol. 10. P. 724. DOI: 10.1038/s41597-023-02549-6

Bonan G. B. Forests and climate change: forcings, feedbacks, and the climate benefits of forests // Science. 2008. Vol. 320. P. 1444–1449. DOI: 10.1126/science.1155121

Davidson S. J., Davies M. A., Wegener E., Claussen S., Schmidt M., Peacock M., Strack M. Carbon stocks and fluxes from a boreal conifer swamp: Filling a knowledge gap for understanding the boreal C cycle // Journal of Geophysical Research: Biogeosciences. 2024. Vol. 129. DOI: 10.1029/2024JG008005

Framstad E., de Wit H., Mäkipää R., Larjavaara M., Vesterdal L., Karltun E. Biodiversity, carbon storage and dynamics of old northern forests. Copenhagen: Nordic Council of Ministers, 2013. 130 p. DOI: 10.6027/TN2013-507

Friedlingstein P., O’Sullivan M., Jones M., Andrew R., Hauck J., Landschützer P. … & Zeng J. Global Carbon Budget 2024 // Earth System Science Data. 2025. Vol. 17. P. 965–1039. DOI: 10.5194/essd-17-965-2025

Ķeniņa L., Elferts D., Baders E., Jansons A. Carbon Pools in a Hemiboreal Over-Mature Norway Spruce Stands // Forests. 2018. Vol. 9. No. 7. P. 435. DOI: 10.3390/f9070435

Luyssaert S., Schulze E. D., Börner A., Knohl A., Hessenmöller D., Law B. E., Ciais P., Grace J. Old-growth forests as global carbon sinks // Nature. 2008. Vol. 455. P. 213–215. DOI: 10.1038/nature07276

Merilä P., Lindroos A. J., Helmisaari H S. Hilli S., Nieminen T. M., Nöjd P., Rautio P., Salemaa M., Ťupek B., Ukonmaanaho L. Carbon Stocks and Transfers in Coniferous Boreal Forests Along a Latitudinal Gradient // Ecosystems. 2024. Vol. 27. P. 151–167. DOI: 10.1007/s10021-023-00879-5

Mo L., Zohner C. M., Reich P. B., Liang J., de Miguel S., … & Ortiz-Malavasi E. Integrated global assessment of the natural forest carbon potential // Nature. 2023. Vol. 624. № 7990. P. 92–101. DOI: 10.1038/s41586-023-06723-z

Nunes L. J. R., Meireles C. I. R., Pinto Gomes C. J., Almeida Ribeiro N. M. C. Forest contribution to climate change mitigation: management oriented to carbon capture and storage // Climate. 2020. Vol. 8. No 2. P. 21. DOI: 10.3390/cli8020021

Pan Y., Birdsey R. A., Phillips O. L., Houghton R., Fang J., … & Murdiyarso D. The enduring world forest carbon sink // Nature. 2024. Vol. 631. P. 536–569. DOI: 10.1038/s41586-024-07602-x

Pappas C., Maillet J., Rakowski S., Baltzer J. L., Barr A. G., … & Zha T. Aboveground tree growth is a minor and decoupled fraction of boreal forest carbon input // Agricultural and Forest Meteorology. 2020. Vol. 290. P. 108030. DOI: 10.1016/j.agrformet.2020.108030

Repola J., Ojansuu R., Kukkola M. Biomass Functions for Scots Pine, Norway Spruce and Birch in Finland. Helsinki: Finnish Forest Research Institute, 2007. 28 p.

Schepaschenko D., Moltchanova E., Fedorov S., Karminov V., Ontikov P., … & Kraxner F. Russian forest sequesters substantially more carbon than previously reported // Scientific Reports. 2021. Vol. 11. P. 12825. DOI: 10.1038/s41598-021-92152-9

Strîmbu V. F., Næsset E., Ørka H. O., Liski J., Petersson H., Gobakken T. Estimating biomass and soil carbon change at the level of forest stands using repeated forest surveys assisted by airborne laser scanner data // Carbon Balance Manage. 2023. Vol. 18. No. 10. DOI: 10.1186/s13021-023-00222-4

Thurner M., Beer C., Santoro M., Carvalhais N., Wutzler T., … & Schmullius C. Carbon stock and density of boreal and temperate forests // Global Ecology and Biogeography. 2014. Vol. 23 P. 297–310. DOI: 10.1111/geb.12125

Wirth C., Schumacher J., Schulze E. D. Generic biomass functions for Norway spruce in Central Europe – a meta-analysis approach toward prediction and uncertainty estimation // Tree Physiology. 2004. Vol. 24. No. 2. P. 121–139. DOI: 10.1093/treephys/24.2.121

Zianis D., Muukkonen P., Mäkipää R., Mencuccini M. Biomass and stem volume equations of tree species in Europe // Silva Fennica. 2005. No. 4. DOI: 10.14214/sf.sfm4

Рецензент: к. с.-х. н., в. н. с. Мошников С. А.

© 2026            А. В. Иванов^1*, С. В. Брянин¹, Е. С. Суслопарова¹, Ю. А. Масютина¹, А. В. Данилов¹, А. В. Кондратова¹, А. Е. Мажара²

¹Институт геологии и природопользования ДВО РАН

Россия, 675000 Благовещенск, пер. Рёлочный, д. 1

 ²Дальневосточный научно-исследовательский институт лесного хозяйства, Россия

680020 Хабаровск, Волочаевская, 71

^*E-mail: aleksandrgg86@mail.ru

Поступила в редакцию: 30.10.2025

После рецензирования: 12.02.2026

Принята к печати: 19.02.2026

В исследовании обобщены и проанализированы данные о свойствах лесной подстилки в лиственничных лесах Дальнего Востока, подверженных частым пожарным нарушениям. На основе представительной базы данных описаны закономерности пространственной изменчивости основных свойств подстилки. Исследования проводились на 125 пробных площадях на территории Амурской области, Забайкальского края и Якутии с учетом фактора пожаров. Результаты показали значительную вариабельность запасов подстилки (Cv = 66.4%), в то время как содержание углерода и азота оказалось более консервативным показателем (Cv = 11.5 и 19.5% соответственно). Установлено, что запасы углерода в подстилке в исследованных нарушенных лесах сопоставимы с запасами углерода в надземной фитомассе древостоя и составляют в среднем: Амурская область 8.3±0.5, Якутия 10.4±1.1, Забайкалье 4.6±0.4 т С га^-1, что выше чем значения из национальной базы данных. Дисперсионный анализ выявил статистически значимые различия в запасах подстилки между объектами исследований в разных географических зонах, что отражает климатические градиенты. Построена регрессионная модель запаса подстилки с предикторами «высота над уровнем моря» и «запас углерода в листве» (R² = 0.40). В то же время, такие характеристики пожаров, как разностный нормализованный индекс гарей (dNBR) и время после последнего пожара, не показали значимого прямого влияния на запас подстилки, что может быть связано со сложностью пирогенных процессов в условиях мерзлоты и ограничениями дистанционных методов оценки.

 Ключевые слова: лесная подстилка, лиственничники, запас, лесные пожары, Дальний Восток

Леса, образованные видами рода Larix, являются наиболее распространенной лесной формацией в России, занимая около 40% покрытой лесом площади (Уткин и др., 2003). Лиственничники характеризуются существенным ландшафтным разнообразием, что, прежде всего, связано с пожарным фактором. Различные виды пожаров, сценарии послепожарного восстановления, особенности рельефа, мерзлоты и другие особенности делают растительный покров лиственничных лесов и их производных чрезвычайно пестрым (Абаимов и др., 2004). В более благоприятных условиях (южная часть ареала) лиственница произрастает в смеси с березой и осиной, в суровых условиях образует чистые древостои на всех стадиях развития. Дальний Восток России – один из регионов с очень высокой горимостью лесов. Согласно исследованиям (Kharuk et al., 2023), здесь существует закономерный тренд роста силы и частоты пожаров, а также средней площади гарей. Пожарные нарушения структуры лесов приводят к уменьшению их углеродной емкости (Ponomarev et al., 2023). Прежде всего, пожары уменьшают запасы фитомассы, валежа и лесной подстилки. В беглых низовых пожарах обычно сгорает только верхний слой подстилки (Kharuk, Ponomarev, 2017). Подстилка, выполняя ряд важных функций в лесных экосистемах (хранение семян, почвообразование, поддержание биоразнообразия, предотвращение эрозии и другие) является динамичным обменным пулом углерода, на долю которого в лесах России, как и в лесах мира, приходится 5% общего углерода экосистемы (Domke et al., 2016; Замолодчиков и др., 2018). Понимание закономерностей естественного формирования лесной подстилки как результата процессов опада, отпада и разложения, а также пирогенного уменьшения их запасов с учетом региональных особенностей является одной из задач формирования национальной системы климатического мониторинга (Широв, 2023). Лесные пожары являются важным внешним фактором, влияющим на процесс формирования подстилки и их запасы, а разнообразие пожарных режимов в совокупности с топографическими и климатическими особенностями конкретного региона создают разнообразные варианты постпирогенных лесов и сильную пространственную мозаичность запаса подстилки. Поэтому оценки вариабельности запасов подстилки и других их свойств, а также вклада подстилки в общий запас углерода лесных экосистем являются актуальной задачей.

В настоящем исследовании обобщены данные по лесной подстилке, полученные в ходе изучения лиственничных лесов южной части Дальнего Востока в Институте геологии и природопользования ДВО РАН. Цель исследования – анализ закономерностей пространственной изменчивости основных параметров лесной подстилки с учетом фактора пожаров.

МАТЕРИАЛЫ И МЕТОДЫ

Подстилка была собрана в лиственнично-березовых лесах на территории трех субъектов России – Амурской области, Забайкальского края и Якутии (южная часть) – в ходе нескольких экспедиций в период 2020-2024 гг. Административное деление в контексте исследования используется как маркер крупных природно-климатических (географических) зон: климат в Приамурье – с чертами муссонного (зона 1) , в Якутии, отделенной горной системой Станового хребта – резко континентальный, с экстремально суровой, долгой зимой (зона 2), в Забайкалье – резко континентальный (зона 3). Преобладающие почвы – буроземы (Cambisols), подзолистые (Podzoluvisols), почвы засушливых регионов (Xerosols) (Digital Soil Map…, 2003), выражен рельеф (перепад высот по объектам исследования – от 195 до 1180 м). Древесный ярус растительности представлен постпирогенными лиственничниками разного возраста с частичным или полным замещением лиственницы на березу и/или осину, то есть трансформацией в производные типы леса. В живом напочвенном покрове доминируют Vaccinium vitis-idaea L., Ledum palustre L., Vaccinium uliginosum L. На рис. 1 представлена карта размещения мест сбора подстилки.

Рисунок 1. Размещение участков сбора подстилки на территории южной части Дальнего Востока

Выбор площадок для сбора подстилки и характеристика пожаров. Пробные площади выбирали на основе предварительного дистанционного анализа. Перед началом полевых работ в мобильное ГИС-приложение было загружено около 300 точек-претендентов для проведения полевых работ, из которых на местности отбирались более подходящие. Точки выбирались по различной степени пожарного воздействия, которое определялось дистанционно. При этом учитывалась транспортная доступность на местности, наличие максимального числа снимков и облачность (отсутствие облаков в конкретной точке на всех снимках). Использовали архив снимков Landsat, охватывающий период с 1986 до 2024 гг. При этом использовался уровень обработки снимков Level-2, где предварительно выполнены процедуры коррекции, обеспечивающие сопоставимость значений интенсивности отражений в одноименных каналах у разных спутников (Crawford et al., 2023). В качестве характеристики пожарного нарушения был выбран нормализованный индекс гарей (Normalized Burn Ratio) NBR. Разность индексов, полученных после и до пожара (differentiated NBR, разностный нормализованный индекс гарей (Забродин, Пономарев, 2023)), дает величину, которая может быть использована для оценки изменений конкретных натурных величин, например, запасов фотосинтезирующей фитомассы и т.д. (Key, Benson, 2006). Для каждой пробной площади также определялось число лет после последнего пожара. Подробно методика получения индексов гарей описана в статье (Ivanov et al., 2024).

Описание древостоев. Оценка запасов углерода в надземной фитомассе (Pab) на 125 пробных площадях (ПП) проводилась двумя методами, что было обусловлено различными задачами полевых экспедиций. На 42 пробных площадях (19 в Амурской области, 11 в Якутии, 12 в Забайкалье) был применен метод сплошного перечета на участках 50×50 м: у каждого дерева измеряли диаметр ствола (начиная от 6 см). Высота измерялась у 10-12 модельных деревьев каждой породы для определения разряда высоты и объема стволов. Для получения фитомассы использовалась база данных В. А. Усольцева (2016), на основе которой для каждой породы были построены локальные аллометрические уравнения, связывающие диаметр ствола с фитомассой. В базе выбирали не менее 20 модельных деревьев каждого вида, полученных в наиболее близких к пробным площадям районах, так, чтобы были максимально представлены все ступени толщины, включая значения диаметров, близкие к измеренным на ПП. Фитомассу древостоя получали как сумму масс всех деревьев. Конверсия фитомассы в запас углерода осуществлялась с использованием коэффициента 0.5. На остальных 83 пробных площадях для таксации древостоя применялся реласкопический метод. На каждой ПП закладывалось по три круговые площадки, где с помощью полнотомера Биттерлиха определялась сумма площадей сечений стволов и измерялись высоты модельных деревьев. На основе этих измерений рассчитывался общий запас древесины на 1 га. Для обеспечения сопоставимости результатов, полученных разными методами таксации, была разработана модель пересчета запаса древостоя в запас фитомассы. На данных с 42 ПП была построена линейная зависимость между запасом древесины и запасом углерода в надземной фитомассе. Полученная линейная зависимость модель (R² = 0.77, p < 0.001, ошибка модели 11%) была применена к данным по запасу древесины, полученным реласкопическим методом, для расчета запасов углерода фитомассы на ПП 43-125 (Ivanov et al., 2022, 2024). Такой подход позволил создать единый, сопоставимый массив данных по углероду фитомассы древостоя для всех 125 участков.

Сбор образцов подстилки и определение их свойств. На каждой пробной площади подстилку собирали в трех- или пятикратной повторности. Число повторностей было выбрано в целях максимизации пространственного охвата исследования для выявления крупномасштабных закономерностей (минимальное число повторностей позволило выполнить отбор на максимальном числе ПП). Сбор осуществлялся однократно в период с 20 июня по 20 июля с помощью рамки размером 20×20 см. Предварительно визуально оценивали наиболее распространенные элементы парцеллярной структуры фитоценоза, в которых закладывали рамку. Рамку не располагали ближе, чем на 1 м к стволам деревьев, непосредственно у фрагментов валежа, в микроповышениях и микропонижениях. По периметру рамки подстилка разрезалась ножом, крупные корни и надземные части растений удалялись, для хранения и транспорта образцов использовали герметичные зип-пакеты.

В камеральных условиях образцы взвешивали в естественном состоянии, затем высушивали, измельчали, перемешивали и отбирали навеску (не менее 100 г) для определения влажности и дальнейшего расчета абсолютно сухой массы образца, которую пересчитывали в запас подстилки в тоннах на 1 га.

Для определения содержания углерода и азота в подстилке из гомогенизированного образца отбиралась навеска 1-2 г, которая измельчалась в дробилке в сухом состоянии. Анализ содержания углерода и азота проводился на элементном анализаторе Shimadzu TOC-L CSN (Shimadzu, Япония).

Формирование базы и анализ данных. На первом этапе исходные данные о свойствах подстилки были агрегированы по пробным площадям – получены средние значения и их стандартные ошибки по всем повторностям. В базе данных представлены следующие свойства подстилки: мощность, запас, содержание общего углерода и азота, отношение C:N. База содержит 125 записей, из которых 62 относятся к Амурской области, 39 – к Якутии и 24 – к Забайкальскому краю. Свойства подстилки и характеристики древостоев получены не для всех пробных площадей. Полнота базы данных характеризуется следующими числами значений параметров: широта, долгота, высота над уровнем моря, мощность и запас подстилки, запас надземной фитомассы древостоя – 125 записей; содержание углерода – 124, содержание азота – 49, запас фитомассы листвы – 42, dNBR – 77, период после последнего пожара – 92, межпожарный интервал – 83 записи. Каждый показатель получен на достаточно репрезентативном числе ПП, охватывающем большую часть региона исследования. Полученная база данных находится в открытом доступе в онлайн-репозитории Figshare (Ivanov, 2025).

Обработку и анализ данных выполняли с использованием программного обеспечения MS Excel, R Studio. Использовали методы линейных моделей с несколькими переменными и дисперсионный анализ. Поскольку для некоторых показателей (содержание углерода, запасы подстилки) распределение значений отличалось от нормального, для выявления различий по этим показателям между объектами в разных географических зонах использовался непараметрический критерий Краскела-Уоллиса. В случае обнаружения значимых различий (p < 0.05) проводились попарные сравнения с использованием критерия Данна. Визуализация данных выполнена с использованием пакета ggplot2.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Для иллюстрации вариаций основных параметров подстилки составлена табл. 1. Полученные данные существенно расширяют имеющуюся информацию о подстилке лесов Дальнего Востока. Так, в базе данных о подстилке лесов России, созданной по инициативе А. И. Уткина, из 883 записей лишь 59 относилось к Дальнему Востоку (Честных и др., 2007).

Таблица 1. Показатели вариации основных параметров лесной подстилки

Обозначения: N – число ПП по которым усреднялись значения, x̅ — среднее значение, SD – стандартное отклонение, Min – минимальное значение, Max – максимальное значение, CV – коэффициент вариации.

Наименьшая вариация оказалась  у показателей содержания углерода и азота – 13.1 и 19.5% соответственно. Это наиболее консервативные свойства подстилки, варьирующие в относительно небольшом диапазоне на обширной территории в различных лесах с разной пожарной историей. Содержание углерода в подстилке варьирует от 26.0 до 43.1% со средним значением 36.2%, что очень близко к рекомендованному МГЭИК значению в 37% (Руководящие…, 2003). Таким образом, для глобальных расчетов и модельных оценок на территории юга Дальнего Востока использование усредненного общемирового показателя содержания углерода в лесной подстилке является корректным. Однако при описании запасов углерода на конкретной площадке это может привести к ошибке в оценке запаса (по нашим данным, от -50 до +17%).

Значения содержания углерода в выборках Амурской области и Забайкалья распределены ненормально (тест Шапиро-Уилка, p < 0.01) и имеют левостороннюю асимметрию. Для сравнения содержания С в подстилке между объектами в разных географических зонах использовались медианные значения: Амурская область – 36.4%, Якутия – 35.1%, Забайкалье – 39.4%. При этом подстилка на объектах в Забайкалье достоверно отличается более высоким содержанием углерода от подстилки на объектах в Амурской области (p = 0.0025, тест Дана) и Якутии (p = 0.0055), а различия между объектами в Амурской области и Якутии статистически не значимы (p = 1.0).

На рис. 2 представлены диаграммы размаха для значения запаса углерода в подстилке и живой надземной фитомассе на объектах в разных географических зонах.

При группировке пробных площадей с учетом географических зон и применении непараметрического критерия Краскела-Уоллиса получены значимые различия в запасах углерода подстилки между объектами в разных зонах (𝜒2 = 24.4, p < 0.001, рис. 2). Попарное сравнение иллюстрирует, что наименьшие запасы углерода в подстилке объектов в лесах Забайкалья (медиана – 4.9 т С га^-1), что значимо ниже по сравнению с объектами в лесах Якутии (9.4 т С га^-1, p < 0.001) и Амурской области (7.6 т С га^-1, p < 0.001). Различия, вероятно, объясняются более интенсивной пирогенной нагрузкой на леса Забайкалья, поскольку участки полевых работ здесь находятся в зоне влияния интенсивной автомагистрали Чита-Хабаровск и транссибирской железной дороги. При этом значимых различий по запасам подстилки между объектами в лесах Якутии и Амурской области не выявлено (p = 0.52).

В рассматриваемых лесах соотношение подстилка/фитомасса существенно выше, чем в лесах, длительное время развивающихся без нарушений.  На объектах в лесах Амурской области и Забайкалья запасы углерода подстилки составляют в среднем 31–38% от углерода фитомассы; на объектах в лесах Якутии эта доля составляет 86%, что свидетельствует о специфике формирования углеродных пулов: наиболее холодный климат (по сравнению с другими регионами) и наличие сплошной мерзлоты замедляют деструкцию органического вещества, а частые пожары препятствуют накоплению больших запасов фитомассы в древостое. На объектах в постпирогенных лесах Якутии пул подстилки сопоставим по запасам углерода с пулом фитомассы.

Рисунок 2. Запасы подстилки и надземной фитомассы древостоя на объектах исследования в разных географических зонах: 1 – Приамурье, 2 – Якутия, 3 – Забайкальский край

В вышеупомянутой базе данных (Честных и др., 2007) запасы подстилки в лиственничниках Дальнего Востока южной зональной полосы изменяются в пределах 1.1-11.2 т С га^-1 со средним значением 5.5±0.5 т С га^-1, а средней зональной полосы 4.6-12.7 т С га^-1 (среднее 7.3±0.9). Запасы углерода на гарях в базе данных приводятся для средней и южной полосы всей страны лишь по шести описаниям и составляют 10.6±3.4 т С га^-1 (Честных и др., 2007). Средние значения запасов углерода по нашим объектам в лесах разных географических зон составили: Амурская область – 8.3±0.5, Якутия 10.4±1.1, Забайкалье 4.6±0.4 т С га^-1, что иллюстрирует выраженную пространственную изменчивость. Таким образом, усредненные запасы подстилки, согласно нашим оценкам, оказались несколько выше, чем приведенные в базе данных (Честных и др., 2007) для лесов дальневосточного региона. Полученные различия объясняются, прежде всего, значительной пространственной изменчивостью и подтверждают актуальность создания национальной сети мониторинга климатически активных веществ на биомной основе.

Для выявления факторов, влияющих на запас подстилки (stock) в нашем наборе данных, была построена линейная модель, в качестве предикторов выбраны: широта (N), долгота (E), высота над уровнем моря (H), углерод надземной фитомассы (Pab), углерод фитомассы листвы (Pl), dNBR, период после последнего пожара (fr) и межпожарный интервал (interval). Модель оказалась статистически значимой (p = 0.0025) и описывала 42.4% вариации запаса подстилки. Статистически значимым предиктором оказалась только H (p = 0.043). Вторым по значимости был показатель фитомассы листвы (Pl), остальные предикторы, согласно модели, можно было убрать без потери качества. Далее была построена линейная модель вида stock ~ (H, Pl), результаты которой представлены в табл. 2.

Таблица 2. Результаты множественной линейной регрессии для прогнозирования запасов лесной подстилки (R² = 0.40, MSE = 61.9)

Построенная модель базируется только на данных 42 ПП, для которых рассчитан запас фитомассы листвы и которые распределены по географическим зонам следующим образом: объекты Амурской области – 45%, Якутии – 31%, Забайкалья – 24%. Выбранная модель описывает 40 % вариации запаса подстилки. Оба предиктора являются значимыми (p< 0.01), однако сила влияния запаса углерода в фитомассе листьев значительно выше, чем высоты над уровнем моря. Выбранные предикторы естественным образом связаны с запасом подстилки: запас фитомассы листьев составляет большую часть опада, который формирует лесную подстилку, а в более высоких по рельефу участках накапливается больше подстилки по причине относительно более холодных условий. Однако большая часть вариации осталась не описанной моделью. Это связано с тем, что взаимосвязь между запасами подстилки и древостоя осложняется историей нарушений, которые по-разному влияли на эти пулы органического вещества. В нашем исследовании зафиксированная давность последнего пожара изменяется от 2 до 37 лет, что также является источником значительной неопределенности. Это связано с тем, что динамика восстановления подстилки после пожара – нелинейный процесс, включающий качественно разные этапы динамики растительных сообществ (Nave et al., 2017; Ficken, Wrigh, 2017). Далее была выполнена проверка гипотезы о том, что влияние пожаров может «перекрываться» высотным градиентом. Для этого использовался метод анализа остатков. После исключения зависимости, связанной с высотой над уровнем моря, корреляция между остаточными запасами подстилки и индексом dNBR осталась статистически незначимой (p = 0.47).

При использовании в качестве предикторов запаса подстилки степени воздействия пожара (dNBR), давности последнего пожара и межпожарного интервала (в различных комбинациях с другими предикторами), значимых зависимостей найдено не было. Слабая связь между запасом подстилки и индексами dNBR указывает на сложный, характер послепожарного восстановления экосистем. Поскольку запасы подстилки в исследуемых лесах формируются как результат баланса опада, разложения в условиях мерзлоты и прямых потереть от пожаров, то влияние конкретного пожарного события со временем нивелируется сукцессионными процессами, что ограничивает прогностическую силу моделей основанных на данных ДЗЗ. Потери надземной фитомассы не коррелируют с потерями углерода подстилки. В то время как между запасом надземной фитомассы древостоя и индексом dNBR на наших объектах была найдена значимая отрицательная корреляция (Ivanov et al., 2024).

Следует отметить, что наше исследование направлено на поиск общих закономерностей в пределах макрорегиона и сфокусировано на участках леса, подвергавшимся пожарам разных периодов и разной интенсивности, оцененной по dNBR. Поэтому здесь не работают закономерности, полученные в локальных условиях. Например, в северной лиственничной тайге (Эвенкия) показано увеличение запаса подстилки в геохимически сопряженном ландшафте от автоморфного к аккумулятивному (Сергеева и др., 2020), что не согласуется с нашими результатами. Однако в этом же исследовании сообщается о более высоких запасах на склонах северной экспозиции, что косвенно подтверждает наш вывод о положительной связи запаса подстилки с высотой над уровнем моря, опосредованной через температуру. Для оценки влияния экспозиции склона на запасы лесной подстилки был проведен однофакторный дисперсионный анализ (ANOVA). В нашем исследовании однофакторный дисперсионный анализ не выявил статистически значимых различий в средних значениях запасов подстилки между участками с разной экспозицией (F (7; 77) = 1.55, p = 0.164). Таким образом, в рамках данного исследования экспозиция склона не является ключевым фактором, определяющим вариацию запасов лесной подстилки

В лиственничниках северной тайги, отличающихся меньшей продуктивностью и наличием непрерывной многолетней мерзлоты, запасы подстилки оцениваются в 30-65 т га^-1 (Прокушкин и др., 2006), что в среднем выше полученных нами значений и иллюстрирует влияние климата на запасы: в северных регионах деструкция подстилки замедлена ввиду низких температур и короткого теплого периода. Также для подстилки северных лиственничников характерно существенно меньшее содержание азота (0.5%) и очень высокие значения C:N. В более южном регионе Дальнего Востока – Приморском крае – запасы подстилки в типичных лесных экосистемах (хвойно-широколиственных лесах), наоборот, существенно меньше, чем найденные нами для лесов треугольника Благовещенск-Якутск-Чита, и составляют 6-15 т га^-1 (Иванов, 2015; Иванов и др., 2023). В базе данных по подстилке лесов России для южнотаёжных лиственничников (данные не дифференцированы по регионам) запас подстилки колеблется от 16 до 32 т га^-1 (Честных и др., 2007), что, вероятно, является заниженной оценкой.

В метаанализе о влиянии пожаров на свойства подстилки и почв (Nave et al., 2017) говорится, что потери запаса подстилки могут сильно зависеть от типа опада: в хвойных лесах (при прочих равных условиях) прогорание подстилки происходит сильнее, чем в лиственных и смешанных лесах. Эта особенность, вероятно, также повлияла на степень неопределенности в наших моделях. Дополнительным источником материала, влияющим на структуру подстилки и формирующим ее запас, является ярус живого напочвенного покрова, который в регионе нашего исследования чаще всего представлен кустарничками. Брусника, багульник, голубика, формируя проективное покрытие более 50%, экранируют подстилку от прогорания в период весенних пожаров, перераспределяют тепловые потоки, меняют режим испарения (Сергеева и др., 2020). В дальнейшем для более глубокого понимания динамики запасов лесной подстилки в постпирогенных лесах необходимо одновременно учитывать и свойства яруса живого напочвенного покрова.

ЗАКЛЮЧЕНИЕ

В результате проведенного исследования впервые представлена и проанализирована обширная база данных, характеризующая свойства лесной подстилки в постпирогенных лиственничных лесах на территории трех субъектов Дальнего Востока России.

Установлено, что при высокой пространственной изменчивости большинства характеристик наиболее вариабельным показателем является запас подстилки (коэффициент вариации 67.6%), в то время как содержание азота и углерода характеризуется слабой вариацией. На обследованных пробных площадях запасы углерода в подстилке составляют в среднем 30-80% от запасов углерода надземной фитомассы, что подчеркивает ключевую роль подстилки в бюджете углерода лесов на объектах в разных географических зонах, рассматриваемых в настоящем исследовании. Полученные значения запасов подстилки в среднем превышают ранее опубликованные оценки для лиственничников Дальнего Востока, а значения для расчетов в методике Минприроды для лиственничников Амурской области и Забайкалья оказались почти в два раза ниже. Данные настоящего исследования могут быть использованы для уточнения действующих нормативов для расчета бюджета углерода в лесах южной части Дальнего Востока.

Анализ данных выявил статистически значимые различия в запасах подстилки между объектами в разных географических зонах, что отражает влияние климата на процессы формирования лесной подстилки. Попытка построения регрессионной модели для прогнозирования запаса подстилки показала, что наиболее значимыми предикторами являются высота над уровнем моря и запас фитомассы листьев. Эти факторы объясняют около 40% вариации. Важным результатом исследования является отсутствие прямой статистически значимой связи запаса лесной подстилки со степенью воздействия пожара на растительность (dNBR) и временем, прошедшим с момента последнего пожара. Вероятно, это связано с тем, что их влияние перекрывается совокупностью других факторов: сложной историей нарушений, а также спецификой пожаров в условиях мерзлоты, где прогорание подстилки может быть неравномерным.

Многократные пожары создали на юге Дальнего Востока мозаичный растительный покров, где запасы лесной подстилки контролируются сложным взаимодействием климата, рельефа, структуры древостоя и спецификой пожарного режима. Для дальнейшего, более глубокого понимания динамики углерода в постпирогенных лиственничниках необходимо проведение исследований, комплексно учитывающих не только характеристики древостоя, но и свойства живого напочвенного покрова, а также более детальную реконструкцию истории пожарных нарушений.

СПИСОК ЛИТЕРАТУРЫ

Абаимов А. П., Прокушкин С. Г., Суховольский В. Г., Овчинникова Т. М. Оценка и прогноз послепожарного состояния лиственницы Гмелина на мерзлотных почвах Средней Сибири // Лесоведение. 2004. № 2. С. 3–11.

Забродин А. Н., Пономарев Е. И. Оценка связи между степенью пожарного воздействия на растительность и мощностью теплоизлучения от пожара // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 5. С. 166–175.

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. В. Запасы лесных подстилок в кедрово-широколиственных лесах южного Сихотэ-Алиня // Сибирский лесной журнал. 2015. № 5. С. 87–95.

Иванов А. В., Замолодчиков Д. Г., Иванова Е. В. Новые оценки элементов углеродного цикла для пойменных лесов южного Приморья // Аграрный вестник Приморья. 2023. № 2 (30). С. 63–67.

Прокушкин С. Г., Абаимов А. П., Прокушкин А. С., Масягина О. В. Биомасса напочвенного покрова и подлеска в лиственничных лесах криолитозоны Средней Сибири // Сибирский экологический журнал. 2006. Т. 13. № 2. С. 131–139.

Руководящие указания по эффективной практике для землепользования, изменений в землепользовании и лесного хозяйства. Программа МГЭИК по национальным кадастрам парниковых газов. МГЭИК, 2003. 648 с.

Сергеева О. В., Мухортова Л. В., Кривобоков Л. В. Распределение запасов подстилки и биомассы живого напочвенного покрова в северной тайге Центральной Эвенкии в зависимости от рельефа // Сибирский лесной журнал. 2020. № 1. С. 38–46.

Усольцев В. А. Фитомасса модельных деревьев для дистанционной и наземной таксации лесов Евразии: электронное издание на русском языке. Екатеринбург: Урал. гос. лесотехн. ун-т., 2016.

Уткин А. И., Замолодчиков Д. Г., Честных О. В. Органический углерод лиственничных лесов России // Хвойные бореальной зоны. 2003. Т. 21. № 1. С. 66–76.

Честных О. В., Лыжин В. А., Кокшарова А. В. Запасы углерода в подстилках лесов России // Лесоведение. 2007. № 6. С. 114–121.

Широв А. А. Создание системы мониторинга и прогнозирования выбросов климатически активных веществ в интересах модернизации и развития экономики России // Проблемы прогнозирования. 2023. № 6 (201). С. 11–24.

Crawford C., Roy D., Arab S., Barnes C., Vermote E., … & Zahn S. The 50-year Landsat collection 2 archive // Science of Remote Sensing. 2023. Vol. 8. P. 100103. DOI: 10.1016/j.srs.2023.100103

Digital Soil Map of the World and derived soil properties (Version 3.6). FAO Land and Water Development Division. FAO. 2003.

Domke G. M., Perry C. H., Walters B. F., Woodall C. W., Russell M. B., Smith J. E. Estimating litter carbon stocks on forest land in the United States // Science of the Total Environment. 2016. Vol. 557. P. 469–478.

Ficken C. D., Wright J. P. Effects of fire frequency on litter decomposition as mediated by changes to litter chemistry and soil environmental conditions // PLoS One. 2017. Vol. 12. No. 10. Р. e0186292.

Ivanov A. V. Forest litter in the Far East of Russia. Figshare. Dataset. 2025. https://doi.org/10.6084/m9.figshare.30422950.v1 (дата обращения 01.02.2026)

Ivanov A. V., Neumann M., Darman G. F., Danilov A. V., Susloparova E. S., Solovyov I. D., Kravchenko O. M., Smuskina I. N., Bryanin S. Vulnerability of larch forests to forest fires along a latitudinal gradient in Eastern Siberia // Canadian Journal of Forest Research. 2022. Vol. 52. P. 1543–1552. DOI: 10.1139/cjfr-2022-0161

Ivanov A., Masyutina Y., Susloparova E., Danilov A., Zenevskaya E., Bryanin S. Effect of fire on aboveground carbon pools dynamic in the boreal forests of Eastern Eurasia: Analysis of field and remote data // Forests. 2024. Vol. 15. Article 1448. DOI: 10.3390/f15081448

Key C. H.; Benson N. C. Landscape Assessment (LA) Sampling and Analysis Methods. USDA Forest Service General Technical Report RMRS-GTR; USDA. Washington, 2006. 55 p.

Kharuk V. I., Ponomarev E. I. Spatiotemporal characteristics of wildfire frequency and relative area burned in larch-dominated forests of Central Siberia // Russian Journal of Ecology. 2017. Vol. 48. Р. 507–512. DOI: 10.1134/S1067413617060042

Kharuk V. I., Shvetsov E. G., Buryak L. V., Golyukov A. S., Dvinskaya M. L., Petrov I. A. Wildfires in the larch range within permafrost, Siberia // Fire. 2023. Vol. 6(8). P. 301. DOI: 10.3390/fire6080301

Nave L. E., Vance E. D., Swanston C. W., Curtis P. S. Fire effects on temperate forest soil C and N storage // Ecological Applications. 2011. Vol. 21. No. 4. Р. 1189–1201. DOI: 10.1890/10-0660.1

Ponomarev E. I., Zabrodin A. N., Shvetsov E. G., Ponomareva T. V. Wildfire intensity and fire emissions in Siberia // Fire. 2023. Vol. 6(7). Р. 246. DOI: 10.3390/fire6070246

Рецензент: к. б. н., в. н. с. Прокушкин А. С.

© 2026                                             В. Н. Коротков^1*, О. И. Евстигнеев²

¹Центр по проблемам экологии и продуктивности лесов им. А. С. Исаева РАН   

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

²Государственный природный биосферный заповедник «Брянский лес» 

Россия, 242180, Брянская обл., Суземский р-н, ст. Нерусса, ул. Заповедная, 2

*E-mail: korotkovv@list.ru

Поступила в редакцию: 16.02.2026

После рецензирования: 17.03.2026

Принята к печати: 20.03.2026

В статье представлен краткий очерк жизненного пути выдающегося ботаника и педагога, профессора Алексея Александровича Уранова – основателя научной школы популяционной биологии растений. Приведены воспоминания его учеников, отражающие как научные достижения А. А. Уранова, так и его значительный вклад в подготовку новых поколений исследователей. В дополнительных материалах опубликованы библиографические списки авторефератов 43 кандидатских и 12 докторских диссертаций, выполненных под руководством А. А. Уранова, а также перечень статей и научных конференций, посвящённых его наследию.

Ключевые слова: онтогенез, ценопопуляции, фитоценология, проблемная биологическая лаборатория, история науки

25 января 2026 года исполнилось 125 лет со дня рождения выдающегося советского ботаника и педагога, основателя школы популяционной биологии растений, профессора Алексея Александровича Уранова (25.01.1901–14.10.1974) (рис. 1). Его научное наследие и педагогическая деятельность оставили глубокий след в отечественной науке.

А. А. Уранов был учеником видных ботаников В. В. Алехина и И. И. Спрыгина, стоял у истоков становления геоботаники в СССР. Он активно участвовал в экспедициях по изучению растительности Поволжья, Жигулей, Оренбургской области и других регионов, сочетая тонкую наблюдательность с глубоким теоретическим анализом.

Более 40 лет Алексей Александрович проработал в Московском государственном педагогическом институте имени В. И. Ленина (ныне МПГУ), где возглавлял кафедру ботаники, создал Проблемную биологическую лабораторию и воспитал несколько поколений учёных. Под его руководством были разработаны основы популяционно-онтогенетического направления в фитоценологии, предложена концепция фитогенного поля, предложены методы количественного учёта растительности. Алексей Александрович вплотную подошел к идее математического моделирования, получившего в фитоценологии и экологии широкое развитие начиная с 60–70-х гг. XX в.

Рисунок 1. А. А. Уранов за работой, 1949 год (Жукова и др., 2015).

Научная жизнь кафедры была многоплановой и насыщенной. Работал ботанический кружок, регулярно проводились научные семинары. По воспоминаниям Л. А. Жуковой (2006) «может быть самым главным в жизни студентов, специализирующихся по ботанике, был ботанический кружок. С I курса мы – ботаники … – участвовали в его заседаниях, делали доклады, ездили на экскурсии осенью, зимой и весной. На заседания ходили все преподаватели. Душой и бессменным руководителем кружка был А. А. Уранов. Его анализ докладов, рассказы о своих учителях – В. В. Алехине, А. Н. Строгонове, П. А. Баранове и других, – об экспедициях и научных дискуссиях мы слушали, затаив дыхание». На заседаниях кружка, «как вспоминает О. В. Смирнова, происходили обыкновенные чудеса: сообщения об анатомии листьев подорожника или описание клюквенного болота в окрестностях Москвы абсолютно естественно с помощью простых вопросов к докладчику, превращались в обсуждение общих проблем биологии. Уранов так выстраивал последовательность фактов, предположений и гипотез, что у слушателей дух захватывало: к каким вечным проблемам науки они прикоснулись. Замечания, которые Алексей Александрович делал докладчикам, запоминались надолго, но оставляли не чувство обиды, а желание еще и еще заниматься этой замечательной наукой – ботаникой» (Шорина, 2004, с. 145).

В 1964 г. открылась проблемная биологическая лаборатория (ПБЛ). Её ботанический отдел возглавил профессор А. А. Уранов. Началось активное изучение онтогенеза и структуры популяций растений. Защитили кандидатские диссертации Н. И. Шорина, Л. Б. Заугольнова, Л. А. Жукова, О. В. Смирнова, Е. И. Курченко, Л. И. Воронцова, Н. И. Белянина, Л. М. Шафранова, Л. Е. Гацук и другие аспиранты А. А. Уранова и И. Г. Серебрякова. Уже после кончины А. А. Уранова была опубликована его программная статья «Возрастной спектр фитоценопопуляций как функция времени и энергетических волновых процессов» (Уранов, 1975), предложившего рассматривать «повторяющийся из поколения в поколение онтогенез как элемент правильного волнового процесса, связанного с переносом энергии». Периодизация онтогенеза, или «шкала возрастных состояний», рассматривается как «особая форма учета онтогенетического времени». И тогда каждый этап (онтогенетическое состояние) имеет свою энергетическую «цену», или возрастность, определяемую как; «доля энергии, как часть жизненного потенциала, которая освоена особью к середине данного онтогенетического состояния» (Уранов, 1975).

В последующие годы учениками А. А. Уранова, которые работали на кафедре ботаники и в проблемной биологической лаборатории МГПИ, были опубликованы четыре монографии о ценопопуляциях растений (Ценопопуляции…, 1976, 1977, 1988; Динамика…, 1985,), четыре выпуска «Диагнозов и ключей возрастных состояний растений» (Диагнозы…, 1980, 1983а, 1983б, 1989), два методических пособия по изучению ценопопуляций и консорций (Изучение…, 1986; Подходы…, 1987) и объёмная коллективная монография «The population structure of vegetation» (1985). Одновременно к изучению биологического возраста растений, их онтогенетических состояний, подключились исследовали из Йошкар-Олы, Сум; Казани, Костромы, Санкт-Петербурга, Новосибирска, Архангельска, Волгограда и других городов.

А. А. Уранов был блестящим лектором, автором многих учебников и программ, которые стали образцом для педагогического образования. По воспоминаниям его учеников А. А. Уранов каждый раз углубленно готовился к каждой лекции и никогда не повторялся (Шорина, 2004; Жукова, 2014). Он покорял любого слушателя удивительным артистизмом, потрясающей глубиной, эмоциональностью, красотой мыслей и идей. Он искренне восхищался гармонией природы, красотой и глубиной её организации, учил радоваться каждому открытию. Л. А. Жукова (2006) вспоминает: «на нашем факультете были открытые спецкурсы на всех кафедрах, куда допускались даже первокурсники. Но самую большую аудиторию собирал профессор А. А. Уранов. На его лекции, кроме биологов, приходили математики, физики, историки, литераторы. Как он читал лекции! Это был высший научный артистизм. Его можно было слушать как музыку, смотреть – как великолепную постановку. И это не только из-за дикции и поставленного голоса. Это как-то не замечалось, потому что в каждом предложении сверкала и искрилась мысль. Он не уставал радоваться удивительному совершенству природы, открывая его и в строении мельчайших водорослей, и в законах жизни растительного покрова».

В 1968–1971 годах в МГПИ действовал факультет повышения квалификации преподавателей педвузов (ФПК). А. А. Уранов видел цель ФПК в обновлении научного содержания преподаваемых дисциплин и в обмене педагогическим и методическим опытом между преподавателями разных вузов. Алексей Александрович читал лекционный курс «Методологические основы систематики растений в их историческом развитии», конспект лекций которого был издан в 1979 году, после его смерти.

По воспоминаниям Л. А. Жуковой (2006) «самое важное его жизненное кредо – учить своих учеников. В этом был смысл его существования. Очень хорошо сказал об этом на траурном митинге академик М. С. Гиляров: он сделал мало, если иметь в виду число его статей, и все же он сделал неизмеримо много, потому что создал свою школу. Алексей Александрович очень хотел, чтобы каждый из его учеников развивался как оригинальный исследователь, но он не менее ценил и педагогическую устремленность, умение работать со студентами и аспирантами. Может быть потому, что ему самому это всегда было интересно. С каждым новым аспирантом он молодел и загорался его темой. Контакты с ним были удивительно благотворны. Он мало хвалил, больше ругал, особенно когда правил рукописи. Его необыкновенное личное обаяние заставляло забывать обиды и думать только о научных проблемах и своих ошибках. Но и похвала шефа запоминалась надолго! Как удавалось ему задевать какие-то струны человеческих душ, заставлять поверить в себя, в свои возможности. Его вера в учеников помогала нам всегда».

Под руководством профессора выполнены 43 кандидатских диссертаций, 12 учеников стали докторами биологических наук (см. дополнительные материалы к статье «Диссертации учеников А. А. Уранова»[1]). По тематике диссертации можно разделить на четыре группы. К первой относятся работы, посвященные флоре и растительности отдельных регионов СССР: каменистой степи Жигулевских гор (Черепнин, 1941), Зауралья Чкаловской области (Хомутова, 1953), крайнего востока Чукотского полуострова (Соколова, 1963), хребта Большой Балхан (Проскурякова, 1966), юго-западной части Брянско-Жиздринского полесья (Булохов, 1974). Вторая группа представлена диссертациями Н. Д. Кожевниковой (1963) и Н. В. Трулевич (1963). В этих исследованиях обсуждаются разные аспекты влияния выпаса на травяную растительность. Третья группа работ посвящена биологии и экологии отдельных видов растений: чия блестящего (Пошкурлат, 1941), дуба черешчатого (Падеревская, 1951), вейника наземного (Патраболова, 1953), молочая прутьевидного (Соловьева, 1955), молокана татарского (Былова, 1956), ели обыкновенной (Злобин, 1961) и др. Четвертая группа диссертаций, наиболее многочисленная, связана с популяционной биологией растений. Это направление исследований начало интенсивно развиваться с организацией в 1963 году при кафедре ботаники Проблемной биологической лаборатории, в которой под руководством А. А. Уранова развернулись работы по изучению численности и онтогенетической структуры ценопопуляций растений. Электронные версии авторефератов 43 кандидатских и 12 докторских диссертаций, которые выполнены учениками А. А. Уранова, представлены на сайте Истина: http://istina.msu.ru/profile/uaa1901/.

Его идеи продолжают развиваться учениками и последователями в России и странах СНГ. Регулярные конференции памяти А. А. Уранова, научные публикации и сохранение его архива в Пензе свидетельствуют о неослабевающем интересе к его наследию (см. дополнительные материалы «Статьи и конференции, посвящённые А. А. Уранову»).

В Центре по проблемам экологии и продуктивности лесов имени А. С. Исаева работала ученица А. А. Уранова – главный научный сотрудник, доктор биологических наук, профессор Ольга Всеволодовна Смирнова (1939–2024), которая внесла существенный вклад в развитие концепций биологического возраста растений и популяционной стратегии растений, в создание теории ценопопуляций и популяционной организации биогеоценозов, а также в формирование представлений о современной зональности как антропогенном явлении. Другая ученица А. А. Уранова – главный научный сотрудник, доктор биологических наук Людмила Борисовна Заугольнова (1936–2014) разработала методы анализа онтогенетического спектра и ввела понятия базового и характерного спектров, обосновала понятие критического состояния ценопопуляций, подготовила перечень признаков для целей популяционного мониторинга растений. Л. Б. Заугольнова совместно с коллегами создала сайт «Ценофонд лесов Европейской части России». Вместе со своими учениками Л. Б. Заугольнова и О. В. Смирнова опубликовали серию коллективных монографий, в которых получили развитие идеи А. А. Уранова (Сукцессионные процессы…, 1999; Оценка…, 2000; Востчноевропейские…, 2004; Методические…, 2010; European…, 2017 и другие).

В день юбилея мы вспоминаем Алексея Александровича Уранова не только как крупного учёного, но и как мудрого наставника, человека широкой души и глубокой интеллигентности, чьи труды и личный пример продолжают вдохновлять новые поколения исследователей природы. Л. А. Жукова (2014) передала нам завещание А. А. Уранова. «Чему учил нас Алексей Александрович:

• Любить природу, изучать её многообразие. «Ничего нет прекраснее общения с природой» – говорил он, великолепно знавший флору, создавший на кафедре один из самых крупных в России гербариев.
• Преданности своему делу – везде, всегда, даже в мелочах. Ничто – ни болезни, ни домашние заботы, ни любимая музыка и книги – не могли заставить Алексея Александровича бросить дело его жизни: служение науке и педагогике, служение своим ученикам!
• Созиданию во всех его проявлениях: «Человек должен оставить после себя учеников, школу, развивающую новые идеи, кафедру или институт, гербарий, библиотеку, посаженные деревья, дружную семью и добрую память», – говорил он. «Никогда не доверяйте разрушителям. Они погубят любое дело, самую блестящую идею. Их роль ужасна. После них остаются только руины… государств, театров, музеев, храмов, развалившихся научных школ и кафедр, сломанные судьбы. Всегда ищите в трудах других учёных, коллег и своих учеников лучшее и цените его!»
• Почитать своих учителей! Это было для него неоспоримым правилом, он всегда находил повод вспоминать добрыми словами И. И. Спрыгина, В. В. Алехина, Л. М. Кречетовича и многих других ботаников, учивших его.
• Умению работать в коллективе, создавать команду, верить, что «человечество живо одною круговою порукой добра». Он умел поддерживать обстановку, когда помощь и взаимовыручка становились нормой жизни. «Современный мир – жестокий мир, и всё-таки… в конкретном коллективе можно и нужно культивировать атмосферу доброжелательности, и это не только не будет мешать принципиальной критике, но и всегда поможет плодотворной работе!».
• В одном из последних писем, обращаясь к своим ученикам, Алексей Александрович писал: «Вы все: студенты, аспиранты, преподаватели и те, кто у меня чему-то научился, мне дороги как люди, как мой труд, вернее – результат его. Я хочу, чтобы вы постоянно росли и крепли, чтобы головы у всех хорошо работали, чтобы вы развивали наше общее дело – популяционную ботанику. В нашем популяционно-онтогенетическом направлении мы делаем первые шаги. Решение дальнейших проблем я оставляю моим ученикам и ученикам моих учеников».

 ФИНАНСИРОВАНИЕ

Работа выполнена в рамках государственного задания ЦЭПЛ РАН по теме «Биоразнообразие и экосистемные функции лесов» (Регистрационный номер НИОКТР 124013000750-1).

СПИСОК ЛИТЕРАТУРЫ

Восточноевропейские леса: история в голоцене и современность. М.: Наука, 2004а. Кн. 1. 479 с.

Восточноевропейские леса: история в голоцене и современность. М.: Наука, 2004б. Кн. 2. 575 с.

Диагнозы и ключи возрастных состояний лесных растений. Деревья и кустарники / Под ред. О.В. Смирновой. М.: Прометей, 1989. 102 с.

Диагнозы и ключи возрастных состояний луговых растений. Ч. 1. Однодольные. Злаки. Методические разработки для студентов биологических специальностей / Л. А. Жукова, В. Н. Егорова, Е. И. Курченко и др. М.: МГПИ, 1980. 110 с.

Диагнозы и ключи возрастных состояний луговых растений. Ч. 2. Методические рекомендации для студентов биологических специальностей / Л. А. Жукова, Н. М. Григорьева, И. М. Ермакова и др. М.: МГПИ, 1983а. 97 с.

Диагнозы и ключи возрастных состояний луговых растений. Ч. 3. Методические рекомендации для студентов биологических специальностей / Л. А. Жукова, Н. М. Григорьева, И. М. Ермакова и др. М.: МГПИ, 1983б. 80 с.

Динамика ценопопуляций растений. Л. А. Жукова, И. М. Ермакова, Л. Б. Заугольнова и др. М: Наука, 1985. 208 с.

Жукова Л. А. Алексей Александрович Уранов – выдающийся ученый педагог // Фундаментальная и прикладная биоморфология в ботанических и экологических исследованиях. Киров: ООО «Радуга-ПРЕСС», 2014. С. 17–25.

Жукова Л. А. Мир принадлежит оптимистам // Поливариантность развития организмов, популяций и сообществ. Йошкар-Ола: Мар. гос. ун-т, 2006. С. 222–278.

Жукова Л. А., Шафранова Л. М., Онипченко В. Г., Зубкова Е. В. Выдающиеся популяционные экологи и биоморфологи – А. А. Уранов, Т. А. Работнов, И. Г. Серебряков, Т. И. Серебрякова: CD-ROM–диск. Йошкар-Ола, 2015

Изучение структуры и взаимоотношения ценопопуляций. Методические разработки для студентов биологических специальностей / Л. Б. Заугольнова, Л. А. Жукова, И. М. Ермакова и др. М.: МГПИ, 1986. 74 с.

Методические подходы к экологической оценке лесного покрова в бассейне малой реки. М.: Товарищество научных изданий КМК, 2010. 383 с.

Оценка и сохранение биоразнообразия лесного покрова в заповедниках европейской России. М.: Научный мир, 2000. 196 с.

Походы к изучению ценопопуляций и консорций / Л. Е. Гатцук, И. М. Ермакова, Л. И. Воронцова и др. М.: МГПИ, 1987. 87 с.

Сукцессионные процессы в заповедниках России и проблемы сохранения биологического разнообразия. СПб.: Российское ботаническое общество, 1999. 549 с.

Уранов А. А. Возрастной спектр фитоценопопуляций как функция времени и энергетических волновых процессов // Науч. докл. Высш. школы. Биол. науки. 1975. № 2. С. 7–34.

Уранов Алексей Александрович. Публикации. URL: https://istina.msu.ru/profile/uaa1901/ (Дата обращения 13.02.2026)

Ценопопуляции растений (основные понятия и структура) / Л. И. Воронцова, Л. Е. Гатцук, В. Н. Егорова и др. М.: Наука, 1976. 217 с.

Ценопопуляции растений (очерки популяционной биологии). М: Наука, 1988. 184 с.

Ценопопуляции растений. Развитие и взаимоотношения. М.: Наука, 1977. 131 с.

Ценофонд лесов Европейской части России. URL: https://cepl.rssi.ru/bio/flora/main.htm (Дата обращения 13.02.2026).

Шорина Н. И., Курченко Е. И., Григорьева Н. М. Алексей Александрович Уранов (1901—1974) // Самарская Лука: проблемы региональной и глобальной экологии. 2014. Т. 23. № 1. С. 93–129.

Шорина Н.И. Алексей Александрович Уранов // Кафедра геоботаники Московского университета: 75 лет со дня основания. М.: Кафедра геоботаники МГУ, 2004. С. 135–148.

European Russian Forests. Their Current State and Features of Their History. Heidelberg, Germany: Springer Berlin, 2017. 566 p.

The population structure of vegetation. Handbook of vegetation science. Part III. Dordrecht: Springer Science+Business Media, 1985. 669 p.

 ДОПОЛНИТЕЛЬНЫЕ МАТЕРИАЛЫ

Диссертации учеников А. А. Уранова[2]

1. Антонова В. И. Онтогенез и структура популяций вороники черной (Empetrum nigrum). Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1988. 16 с.
2. Бардонова Л. К. Онтогенез и состав ценопопуляций ячменя короткоостого Hordeum brevisubulatum (Trin.) Link. на пойменных лугах р. Иволги (юго-западное Забайкалье). Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1985. 15 с.
3. Бахматова М. П. Онтогенез и возрастной состав популяций чемерицы Лобеля. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1975. 22 с.
4. Бородина А. П. Большой жизненный цикл, численность и возрастные спектры популяций крестовника плосколистного (Senecio platyphylloides et Lev.) в субальпийском поясе Западного Закавказья. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1971. 17 с.
5. Булохов А. Д. Лесная растительность водоразделов юго-западной части Брянско- Жиздринского полесья (в пределах Брянской области). Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1974. 25 с.
6. Булохов А. Д. Синтаксономия как основа ботанико-географического анализа флоры и охраны растительности (на примере Южного Нечерноземья). Автореф. дис. … д-ра биол. наук. M.: МГУ им. М. В. Ломоносова, 1992. 32 с.
7. Былова А. М. Биология молокана татарского (Mulgedium tataricumC.). Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1956. 15 с.
8. Воронцова Л. И. Ценопопуляции типчака (Festuca sulcata) и белой полыни (Artemisia lercheana Web.) в южной полупустыне Западного Прикаспия. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1971. 15 с.
9. Гращенкова В. С. Онтогенез и численность популяций осоки ранней (Carex praecox) и осоки весенней (Carex caryopnyllea Latour). Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1974. 23 с.
10. Григорьева Н. М. Возрастная и пространственная структура ценопопуляций желтой люцерны (Medicago falcata). Автореф. дис. канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1975. 24 с.
11. Денисов В. Г. Численность и возрастной состав популяций Carex humilis Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1971. 17 с.
12. Дервиз-Соколова Т. Г. Морфология ив северо-востока СССР в связи с проблемами жизненной формы покрытосеменных растений. Автореф. дис. … д-ра биол. наук. M.: МГУ им. М. В. Ломоносова, 1982. 53 с.
13. Донскова А. А. Большой жизненный цикл и возрастной состав популяций клевера сходного (Trifolium ambiguum) в субальпийском поясе Западного Закавказья. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1972. 22 с.
14. Ермакова И. М. Онтогенез и возрастной состав популяций луговой овсяницы (Festuca pratensis Huds). Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1972. 15 с.
15. Жукова Л. А. Динамика ценопопуляций луговых растений. Автореф. дис. … д-ра биол. наук. Новосибирск: Центральный сиб. бот. сад АН СССР, 1987. 32 с.
16. Жукова Л. А. Изменение возрастного состава популяций луговика дернистого на Окских лугах. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1967. 19 с.
17. Заугольнова Л. Б. Онтогенез и возрастные спектры популяций ясеня обыкновенного в фитоценозах лесной и лесостепной зоны. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1968. 21 с.
18. Заугольнова Л. Б. Структура популяций семенных растений и проблемы их мониторинга. Автореф. дис. … д-ра биол. наук. СПб: СПб гос. ун-т, 1994. 70 с.
19. Злобин Ю. А. Живой покров еловых лесов как фактор естественного возобновления ели. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1961. 20 с.
20. Злобин Ю. А. Эколого-фитоценологические аспекты формирования лесных растительных сообществ. Автореф. дис. … д-ра биол. наук. Л.: ЛГУ им. А. А. Жданова, 1976. 53 с.
21. Кожевникова Н. Д. Влияние выпаса на карагановую злаково-полынную сухую степь Иссык-Кульской котловины. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1963. 17 с.
22. Кожевникова Н. Д. Биология ели Шренка — Picea schrenkiana et Mey (ценопопуляционный анализ). Автореф. дис. … д-ра биол. наук. М.: Гл. бот. сад АН СССР, 1983. 41 с.
23. Купатадзе Г. А. Ладанниковые (Cistaceae) Советского Союза. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В.И. Ленина, 1979. 14 с.
24. Курченко Е. И. Строение, экология и фитоценотическая роль лисохвоста влагалищного. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В.И. Ленина, 1968. 18 с.
25. Курченко Е. И. Род Agrostis в России и сопредельных стран: морфология, систематика, эволюционные отношения. Автореф. дис. … д-ра биол. наук. М.: МПГУ, 2002. 44 с.
26. Ломакина Г. А. Онтогенез, численность и возрастные спектры популяций осоки толстолобиковой. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1974. 16 с.
27. Матвеев А. Р. Большой жизненный цикл, численность и возрастной состав популяции тимофеевки луговой и тимофеевки степной. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1975. 25 с.
28. Михайлова Н. Ф. Размещение особей одного вида относительно особей другого вида- эдификатора (к проблеме фитогенного поля). Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1975. 24 с.
29. Михайловская И. С. Особенности приспособительной эволюции лимонника китайского. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1951. 15 с.
30. Падеревская М. И. Биологические особенности почек дуба. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1951. 12 с.
31. Патраболова И. Г. Биология вейника наземного в связи с возобновлением сосны в Бузулукском бору. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1953. 16 с.
32. Писковацкова Н. П. Онтогенез, возрастной состав ценопопуляций и нектаропродуктивность колокольчика сборного (Campanula glomerata) и лядвенца рогатого (Lotus corniculatus L.). Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1976. 23 с.
33. Пошкурлат А. П. Строение и развитие дерновины чия (Lasiagrostis (Achnatherum) splendens) // Учен. зап. Моск. гос. пед. ин-та. М.: МГПИ им. В. И. Ленина, 1941. Т. 30. № 1. С. 101-155. До 1945 года авторефераты не писали, а публиковали крупную статью.
34. Пошкурлат А. П. Горицветы СССР. Автореф. дис. … д-ра биол. наук. М.: МГПИ им. В. И. Ленина, 1973. 43 с.
35. Преображенская Н. Н. Особенности распространения лесных фитоценозов в связи с некоторыми геологическими условиями (На материалах исследования ассоциаций широколиственных и сосновых лесов). Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1966. 20 с.
36. Проскурякова Г. М. Флора и растительность хребта Большой Балхан. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1966. 20 с.
37. Сергеев А. Е. Белорус (Nardus stricta) и его роль в смене луговых ассоциаций. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1953. 16 с.
38. Силакова В. М. Некоторые биологические особенности погремка весеннего (Rhinanthus vernalis (Zing.) Schischk. et. Serg.) и его влияние на растения-хозяева. Автореф. дис… канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1984. 16 с.
39. Смирнова О. В. Жизненные циклы, численность и возрастной состав популяций основных компонентов травяного покрова дубрав. Автореф. дис. . канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1968. 17 с.
40. Смирнова О. В. Поведение видов и функциональная организация травяного покрова широколиственных лесов (на примере равнинных широколиственных лесов Европейской части СССР и липняков Сибири). Автореф. дис. . д-ра биол. наук. Л.: ЛГУ им. А. А. Жданова, 1983. 27 с.
41. Снаговская М. С. Основные черты большого цикла развития и состав популяций желтой люцерны на Окских лугах. Автореф. дис. . канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1965. 19 с.
42. Соколова Т. Г. Флора и растительность крайнего востока Чукотского полуострова. Автореф. дис… канд. биол. наук. М.: МГПИ им. В.И. Ленина, 1963. 18 с.
43. Соловьева М. П. Биология молочая прутьевидного (Euphorbia virgataK.). Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1955. 15 с.
44. Торопова Н. А. Структура и динамика фитогенного поля ценопопуляций Mercurialis perennis и особенности взаимоотношений с Aegopodium podagraria L. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1977. 16 с.
45. Трулевич Н. В. Возобновительные процессы на сухостепных пастбищах внутреннего Тянь-Шаня. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1963. 18 с.
46. Трулевич Н. В. Эколого-фитоценотические основы интродукции растений природной флоры СССР. Автореф. дис. … д-ра биол. наук. М.: Гл. бот. сад АН СССР, 1983. 44 с.
47. Федотова Т. А. Закономерности камбиальной деятельности травянистого летнезимнезеленого растения Potentilla alba (Rosaceae). Автореф. дис… канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1979. 16 с.
48. Хомутова М. С. Растительность Зауралья Чкаловской области. Автореф. дис… канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1953. 15 с.
49. Чебураева А. Н. Строение и динамика ценопопуляций овсецов Шелля и опушенного в северных степях. Автореф. дис… канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1976. 15 с.
50. Черепнин Л. М. Растительность каменистой степи Жигулевских гор. Защищена в 1941 году. (Прим.: до 1945 года авторефераты не писали, а публиковали крупную статью).
51. Черепнин Л. М. Флора и растительность южной части Красноярского края. Автореф. дис. … д-ра биол. наук. Л.: БИН им. В. Л. Комарова, 1953. 28 с.
52. Шаталина М. С. Эколого-морфологические особенности некоторых видов кавказских рододендронов. Автореф. дис. … канд. биол. наук. М.: МГУ им. М. В. Ломоносова, 1966. 21 с.
53. Шик М. М. Сезонное развитие травяного покрова дубравы. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1951. 13 с.
54. Шорина Н. И. Жизненный цикл, возрастные спектры популяций безвременника великолепного и его роль в растительном покрове. Автореф. дис. … канд. биол. наук. М.: МГПИ им. В. И. Ленина, 1966. 20 с.
55. Шорина Н. И. Экологическая морфология и популяционная биология представителей подкласса Polypodiidae. Автореф. дис. … д-ра биол. наук. M.: МГУ им. М. В. Ломоносова, 1994. 34 с.

СТАТЬИ И КОНФЕРЕНЦИИ, ПОСВЯЩЁННЫЕ А. А. УРАНОВУ[3]

1. Краткая географическая энциклопедия. А. А. Уранов. М.: Советская энциклопедия, 1966. Т. 5. С. 526.
2. Шорина Н. И., Дервиз-Соколова Т. Г., Шорина Н. И., Дервиз-Соколова Т. Г. Алексей Александрович Уранов (к 70-летию со дня рождения) // Бюл. МОИП. Отд. биол. 1971. Т. 76. С. 142–150.
3. Дервиз-Соколова Т. Г., Жукова Л. А, Михайловская И. С., Серебрякова Т. И., Шорина Н. И. Памяти Алексея Александровича Уранова (25.01. 1901 – 14.10.1974) // Бот. журн. 1976. Т. 61. № 12. С. 1762–1768.
4. Куркин К. А. Вклад проф. А. А. Уранова в учение о жизненном состоянии видов в фитоценозах и системный подход в фитоценологии // Структура и динамика растительного покрова. М.: Наука, 1976. С. 3–4.
5. Материалы конференции к 80-летию со дня рождения А. А. Уранова (27-29 января 1981 г.). «Биология, экология и взаимоотношения ценопопуляций растений». М.: Наука, 1982. 170 с.
6. Материалы конференции «Популяционная экология растений». К 85-летию со дня рождения А.А. Уранова. (Пущино.1986 г.) Сб. МОИП, 1987. 166 с.
7. Жукова Л. А., Заугольнова Л. Б., Смирнова О. В. Развитие концепций А. А. Уранова в популяционной экологии растений. Материалы конф. «Популяции растений: принципы организации и проблемы охраны природы». Йошкар-Ола.1991. С. 3–7.
8. Былова А. М. Еленевский А. Г., Шорина Н. И. А. А. Уранов и его роль в развитии популяционной биологии растений. Тезисы докладов V научной конференции памяти проф. А. А. Уранова. Часть 1. Кострома.1996 г. С. 5–8.
9. Жукова Л. А. К 100-летию выдающегося ботаника. Онтогенетический атлас лекарственных растений. Т.II. Йошкар-Ола. 2000 г. С.4–6.
10. Еленевский А. Г. А. А. Уранов как систематик // Тр. межд. конф. по фитоценологии и систематике высших. растений, посвящённой 100–летию со дня рождения А.А. Уранова. М.: 2001. С. 4–5.
11. Жукова Л.А. Популяционно-онтогенетическое направление в России// Бюл. МОИП. Отд. биол. 2001. Т. 106. Вып. 5. C. 17–22.
12. Жукова Л. А., Заугольнова Л. Б., Шорина Н. И., Былова А. М. Развитие популяционно-онтогенетического направления Труды международной конференции по фитоценологии и систематике растений, посвящённой 100–летию со дня рождения А. А. Уранова. М.: 2001 г. С. 5–7.
13. Жукова Л. А. Введение. Памяти А. А. Уранова и И. Г. Серебрякова. // Сб. мат. I Всероссийской научной конференции «Принципы и способы сохранения биоразнообразия». Йошкар-Ола: МарГУ, 2004. С. 3–5.
14. Шорина Н. И. Алексей Александрович Уранов // Кафедра геоботаники Московского университета. 75 лет со дня основания. М.: 2004. С. 135–148.
15. Жукова Л. А. К 105-летию со дня рождения А. А. Уранова. // Сб. мат. II Всероссийской научной конференции «Принципы и способы сохранения биоразнообразия». Йошкар-Ола. МарГУ, 2006. С. 4–6.
16. Жукова Л. А. История развития популяционно-онтогенетического направления в России и его перспективы // Поливариантность развития организмов, популяций и сообществ. Йошкар-Ола, 2006. С. 7–32.
17. Шорина Н. И., Курченко Е. И. Научная школа «Биоморфология и популяционная биология растений (Популяционно-онтогенетическое- направление ботаники)» // Сб. 125 лет МПГУ. М.: Прометей, 2009. С. 231–252.
18. Жукова Л. А. А. А. Уранов – выдающийся учёный и педагог // Материалы Международной научной конференции «Современные проблемы популяционной экологии, геоботаники, систематики и флористики. Т.1. Кострома. 2011. С. 3–7.
19. Жукова Л. А. Османова Г. О. Шивцова И. В., Ведерникова О. П. Популяционно- онтогенетическая школа Марийского государственного университета и её роль в изучении биоразнообразия. 2012 г. // Вестник Тв. ГУ. №16. С. 107–123.
20. Шорина Н. И., Курченко Е. И., Соловьева М. П., Григорьева Н. М., Заугольнова Л. Б. Профессор А. А. Уранов (1901–1974) и его вклад в ботанику и отечественное образование // Современная ботаника в России. Тр. XIII съезда Русского ботанического общества и конференции «Научные основы охраны и рационального использования растительного покрова Волжского бассейна». Тольятти: Изд-во Кассандра, 2013. Т. 3. С. 273–275.
21. Жукова Л. А., Зубкова, Е. В., Ермакова, И. М., Сугоркина Н. С., Курченко Е. И., Закамская Е. С. Введение к онтогенетическому атласу. Йошкар-Ола, 2013. Т. 7. С. 5–25.
22. Шорина Н. И., Курченко Е. И., Григорьева Н. М. Алексей Александрович Уранов (1901–1974). Тольятти: ИЭВБ РАН, 2014. 39 с.
23. Жукова Л. А. Алексей Александрович Уранов – выдающийся ученый педагог // Фундаментальная и прикладная биоморфология в ботанических и экологических исследованиях: Материалы Всероссийской научной конференции с международным участием (к 50-летию Кировского отделения Русского ботанического общества). Киров: ООО «Радуга-ПРЕСС», 2014. С. 17–25.
24. Чистякова А. А., Чебураева А. А. Алексей Александрович Уранов – наш земляк // Современные концепции экологии биосистем и их роль в решении проблем сохранения природы и природопользования: материалы международной научной школы-конференции, посвященной 115-летию со дня рождения А. А. Уранова (г. Пенза, 10-14 мая 2016 г.). Пенза: ПГУ, 2016. С. 10–15.

Рецензент: д. б. н., проф. Черемушкина В. А.

[1] Ссылки на публикации, указанные в этом абзаце приведены в дополнительных материалах к этой статье.

[2] Электронные версии авторефератов представлены на сайте: http://istina.msu.ru/profile/uaa1901/.

[3] По материалам публикации: Жукова Л.А., Онипченко В.Г., Шафранова Л.М., Зубкова Е.В. Выдающиеся популяционные экологи и биоморфологи: А.А. Уранов, Т.А. Работнов, И.Г. Серебряков, Т.И. Серебрякова [Электронный ресурс]. М., 2015. 1 электрон. опт. диск (CD-ROM).

© 2026                                                В. Н. Петров*, И. В. Филинова

ФГБОУ ВО «Санкт-Петербургский государственный лесотехнический университет имени С.М. Кирова», Санкт-Петербург

Россия, 194021 Санкт-Петербург, Институтский пер., 5, литер. У

 ^*E-mail: wladimirpetrov@mail.ru

Поступила в редакцию: 23.01.2026

После рецензирования: 09.02.2026

Принята к печати: 19.02.2026

Актуальность исследования объясняется противоречием между наличием лесных ресурсов, потребностью в лесоматериалах и низкой экономической эффективностью их использования, сохранения и воспроизводства. Отсутствие регионального подхода к экономической оценке вклада каждого региона в совокупный валовый внутренний продукт создаёт искажённый экономический образ малоэффективной экономики всего лесного комплекса страны. Положение усугубляется применяемым Рослесхозом подходом к оценке переданных полномочий субъектам Российской Федерации в области лесных отношений. Оценка полномочий и их конечный результат не одно и тоже, можно реализовать полномочия, освоить все выделенные субвенции и при этом не получить конечного результата, с учётом длительности производственного процесса в лесном хозяйстве и отсутствием единого мнения об оценке конечных результатов по сохранению, воспроизводству и использованию лесов. Цель исследования – обосновать необходимость регионального подхода к оценке экономической эффективности региональных лесных комплексов, разработать систему оценочных показателей, учитывающих социальные, экономические и лесохозяйственные условия регионов. В качестве исходных материалов были использованы научные разработки кафедры лесной политики, экономики и управления Санкт-Петербургского государственного лесотехнического университета, отечественных лесоэкономистов, занимающихся изучением закономерностей развития лесной промышленности и лесного хозяйства. Гипотеза исследования заключается в том, что региональный подход к оценке экономической эффективности лесных комплексов субъектов Российской Федерации будет отражать объективные результаты их деятельности и служить формированию адекватной региональной лесной политики. Для достижения поставленной цели в работе были использованы теоретические методы исследования, которые на начальном этапе наиболее полно отвечают теме исследования и поставленным задачам. Авторы отдают себе отчёт, что предложенный подход к экономической оценке эффективности региональных лесных отношений является неполным, поскольку он не учитывает экологической составляющей лесов, выраженной стоимостными категориями. Результаты исследования: выявлены экономические, социальные, экологические и правовые факторы, которые необходимо учитывать при комплексной оценке результативности региональных лесных комплексов; предложен показатель экономического эффекта применительно к специфике территориальных лесопромышленных комплексов; предложены матрица формирования показателей экономической эффективности производственно-хозяйственной деятельности лесных комплексов регионов и показатели экономичности управления территориальных лесопромышленных комплексов.

 Ключевые слова: лесные комплексы регионов, экономический эффект, экономическая эффективность, экономическая оценка результатов деятельности региональных лесных комплексов, факторы, оказывающие влияние на экономическую эффективность лесных комплексов регионов, матрица оценки эффективности лесных комплексов.

Объектом исследования являются региональные лесные комплексы, включающие в себя лесное хозяйство и лесную промышленность. В исследовании намеренно поставлен знак равенства между понятиями «регион» и «субъект Российской Федерации», что не корректно с точки зрения содержания этих понятий и принципов их образования, но вполне допустимо для целей этого исследования. Понятие «регион» образуется, исходя из лесорастительных, экологических, экономических и социальных принципов, в то время как понятие «субъект Российской Федерации» – это административная единица, выделенная исходя из исторических, национальных и территориальных принципов. Состав лесохозяйственного производства и лесозаготовительной промышленности в статье рассмотрен исходя из содержания этих видов экономической деятельности, закреплённых в лесном законодательстве. Предметом исследования является конечный результат деятельности региональных лесных комплексов, выраженный стоимостными показателями.

МАТЕРИАЛЫ И МЕТОДЫ

Исходными материалами проведённого исследования служили данные официальной отчётности органов управления лесным хозяйством субъектов Российской Федерации, информация, помещённая в региональных лесных планах, опросы лесопользователей, касающиеся показателей экономики лесозаготовок и факторов, влияющих на конечные результаты деятельности, научно-исследовательские отчёты и научные публикации авторов, занимающихся вопросами региональной и лесной экономики. Представленная статья носит постановочный, теоретический характер, поэтому методами исследования экономических процессов в лесном комплексе регионов были: актуализация и адаптация ранее полученных научных результатов применительно к новым лесным отношениям, исторические параллели для выявления аналогий лесных отношений во времени, на основе которых можно сформулировать предпосылки для прогнозирования экономических отношений в настоящее время и в будущем.

 РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Сегодня нет единой официальной методики системной оценки эффективности лесных комплексов регионов. Исследователи в области региональной и лесной экономики придерживаются различных подходов в области оценочной деятельности.

Научные изыскания первой группы исследователей направлены, в основном, на обоснование региона как социально-экономического однородного образования со всеми видами экономической деятельности. При таких подходах учитываются природные ресурсы в целом, без деления их на возобновляемые, не возобновляемые, изымаемые, не изымаемые и т.д., тем самым выхолащивая отраслевую направленность (Федоляк, 2009; Минакир, 2011; Казанджан, 2024; Краснопольский, 2024).

Вторая группа исследователей, напротив, акцентирует внимание на отраслевых особенностях в пределах конкретной административной единицы и практически не уделяет внимания региональным различиям: количеству работоспособного населения, социальному климату и общеэкономическому положению в регионе (Ануфриева, Девятова, 2022).

Общий недостаток многих лесоэкономических исследований заключается в том, что практически все они направлены на выработку единой методики оценки эффективности работы экономически однородных видов деятельности, не учитывающей отраслевых особенностей региона. Такой подход удобен для государственных органов управления лесами различных уровней, но несёт в себе множество неточностей и искажает истинную картину результативности лесного комплекса страны, не учитывая реального вклада каждого региона в развитие всего народнохозяйственного комплекса страны.

Нивелирование региональных особенностей при оценке экономической результативности лесного комплекса страны занижает вклад одних регионов и завышает других. Расчёт коэффициентов эффективности государственного управления лесами по Северо-Западному федеральному округу за ряд лет показал наличие существенной разницы результатов исполнения переданных полномочий в области лесных отношений регионами (Петров, Филинова, 2019, 2025)

В данной статье предпринята попытка предложить подход к оценке эффективности лесного комплекса с учётом региональных различий и ранее проведённых научных исследований (Петров и др., 1986; Петров, Филинова, 2025).

На эффективность лесных комплексов регионов оказывают влияние следующие основные экономические, экологические и социальные факторы.

1. Экономические:

• наличие и структура лесоперерабатывающих мощностей лесного сектора региона;
• наличие и состояние лесных дорог;
• наличие и качество лесных ресурсов;
• близость лесных ресурсов к лесоперерабатывающим производствам и рынкам сбыта лесопродукции;
• уровень себестоимости заготовки и переработки лесных ресурсов;
• структура арендной платы, включая величину региональных коэффициентов к минимальным ставкам арендной платы, затрат на проведение арендаторами лесоустройства;
• уровень цен на лесопродукцию в регионе;
• степень развитости государственно-частного партнёрства;
• уровень софинансирования лесного хозяйства из региональных бюджетов;
• денежно-кредитная политика;
• инвестиционная привлекательность региона и др.

2. Экологические:

• абиотические факторы (средняя температура воздуха, влажность воздуха, рельеф, почва, свет, радиация, процент лесистости и т.п.);
• биотические факторы (наличие опасных видов инвазивных (чужеродных) растений и животных, болезнетворных организмов, способных при определённых условиях нанести вред лесам или лесным ресурсам, болезни лесов и т.п.);
• антропогенные факторы (уровень промышленного освоения лесов в регионе, площади рубок лесных насаждений с нарушением природоохранного законодательства, площади лесных пожаров, уровень загрязнения лесов, наличие ООПТ в регионе и т.п.);
• общее экологическое состояние региона;
• климаторегулирующая роль лесов и др.

3. Социальные:

• плотность населения, включая население сельских и лесных посёлков;
• процент безработицы в регионе;
• средняя заработная плата в регионе;
• наличие образовательных учреждений для подготовки кадров для лесного хозяйства и лесной промышленности;
• наличие социальной инфраструктуры и др.

Вышеизложенное можно представить в виде следующей простейшей функции (1):
\( Y = f\left( \sum_{i=1}^{n} X_i , \sum_{j=1}^{n} X_j , \sum_{k=1}^{n} X_k \right) \)

где  – эффективность лесных комплексов регионов;

X_i — экономические факторы;

X_j — экологические факторы;

X_k — социальные факторы.

Эта простая, на первый взгляд, функция трудно реализуема на практике, так как в ней совмещены две разные по своей природе экономики: государственного и частного сектора.

Региональная экономика государственного сектора, составленная по западным рецептам, отражает результаты непроизводственных функций государственного управления лесами, финансируемых из государственного бюджета независимо от конечного результата и качества их исполнения. Это планово-убыточная экономика, основанная на расточительном, несовершенном подходе к организации лесного хозяйства, ориентированная на финансирование переданных полномочий в области управления лесами, целевое и эффективное использование субвенций. Целевое расходование субвенций можно оценить камеральным способом, не выходя в лес, а вот эффективность их расходования в лесном хозяйстве оценить гораздо труднее.

Региональная экономика частного лесного сектора отражает результаты производственного процесса, продукты и услуги которого попадают на рынок лесных товаров и услуг и получают стоимостную оценку.

Лесная экономика является низкоинерционной, отражает стоимостные результаты длительного производственного процесса, в течение которого происходит непрерывное воздействие социальных, экономических и экологических факторов.

Инерционность развития лесной экономики существенно зависит от природных факторов и меньше от механизации или автоматизации трудовых процессов и потребляемой рабочей силы.

Поэтому оценка эффективности лесных комплексов региона теоретически должна быть ориентирована на ближний и дальний эффекты.

Ближний эффект государственного сектора экономики можно определить как разницу между доходами от поступающих в бюджеты платежей за лесопользование и другими поступлениями и расходами на государственное управление лесами. Дальний эффект – разница между потенциальной стоимостью изымаемых и не изымаемых лесных ресурсов, предусмотренных долгосрочной стратегией развития лесного хозяйства и затратами на государственное управление лесами, приведёнными в сопоставимый вид.

Внедрение цифровизации в лесные отношения, например, Федеральной государственной информационной системы лесного комплекса, также никак не влияет на содержание производственных процессов лесного комплекса или их производительность, а только переводит процесс сбора информации о различных процессах на качественно новый уровень.

Система показателей эффективности промышленного производства основана на общем для всех уровней народного хозяйства принципе определения эффективности путём соизмерения конечных результатов (эффекта) с затратами или использованными ресурсами для достижения этих результатов.

В зависимости от способов выражения и соизмерения результатов и затрат (ресурсов) принципиально может быть получено множество конкретных показателей эффективности, каждый из которых отличается друг от друга по форме и экономическому содержанию и выражает разные стороны эффективности.

Ниже приведена экономико-математическая интерпретация расчёта экономического результата лесного хозяйства и лесозаготовительной промышленности региона.

Ближний экономический эффект от ведения лесного хозяйства и лесозаготовительной промышленности (Э) можно представить в виде следующего выражения (2):

\( \mathrm{Э} = \sum_{i=1}^{16} (Д_i — З_i) + (Д_{э} — З_{э}) — У_{п} — У_{в} \)

где i – вид использования лесов в регионе;

Д_i – доход (поступления) от i-го вида использования лесов, направляемый в бюджеты разных уровней, тыс. руб.;

З_i  – затраты на управление i-м видом использования лесов из федерального и регионального бюджетов, тыс. руб.;

Д_э  – потенциальные или реальные экосистемные функции лесов, выраженные в стоимостной форме, тыс. руб.;

З_э – затраты на поддержание экосистемных услуг из федерального и регионального бюджетов (например, лесоклиматические проекты и др.), тыс. руб.;

У_п – комплексный ущерб от лесного пожара, тыс. руб.;

У_в– комплексный ущерб от вредных организмов, тыс. руб.

Экономический механизм установления и распределения платежей за право пользования лесами между различными уровнями бюджетной системы не имеет экономического обоснования. Поэтому для расчёта регионального экономического эффекта допустимо использовать суммарные бюджетные затраты на управление лесами и результаты (поступления) в консолидированный бюджет.

При обосновании системы показателей экономической эффективности производства применительно к специфике территориальных лесопромышленных комплексов (далее – ТЛПК) можно использовать матричный подход.

На первом этапе строится система возможных общепринятых показателей экономической эффективности производства по принципу соизмерения результатов и затрат (ресурсов) при разных формах их выражения. Эта система показателей соответствует экономической сущности и критерию эффективности производства (Петров, Филинова, 2024).

На втором этапе из полученной системы показателей эффективности по общим критериям эффективности хозяйственного механизма и отраслевым критериям отбирается система приоритетных показателей эффективности производства, которая соответствует современному этапу развития региональной экономики и специфике ТЛПК.

Показатели эффективности производства образуются на пересечении строк матрицы результатов производства и ресурсов или затрат ресурсов, как отношение результатов к затратам (ресурсам). Подобный подход был апробирован на кафедре лесной политики, экономики и управления СПбГЛТУ (Разработать основы …, 1987). В ряде случаев для анализа можно пользоваться обратным отношением.

В матричной форме возможно представить стандартный подход к определению системы показателей экономической эффективности деятельности регионального лесного комплекса. В основу такой матрицы, в ресурсную часть помещены основные производственные факторы лесного хозяйства (природные, трудовые и капитальные), в затратную часть стоимость их использования, а также величину ущерба от лесных пожаров и вредных организмов. Учёт последних двух составляющих будет показывать не только снижение их капитализации, но уменьшение стоимости экологической составляющей.

Однако такой стандартный подход применим к производственным системам с чётко определённой продукцией с относительно коротким производственным циклом, например, лесной промышленности (лесозаготовка, лесопиление, ЦБП и др.). Лесное хозяйство является видом экономической деятельности с длительным производственным циклом, где основным производственным фактором является природный.

Как было сказано выше, в работе не учитывается экологическая составляющая при комплексной оценке эффективности лесного комплекса региона. Экологическая составляющая, выраженная стоимостными категориями – отдельное направление смежных дисциплин: экологии, лесоведения и оценочной деятельности, которой в последнее время уделяется много внимания как со стороны научного сообщества, так и органов управления лесным хозяйством (Иванов и др., 2018; Лукина, 2020; Мартынюк и др., 2020; Лукина и др., 2021; Тебенькова и др., 2022а,б; Martyniuk, Ptichnikov, 2020). Научные работы, обосновывающие необходимость учёта стоимости экологических услуг лесов – это основа для изменения парадигмы мышления о глобальной роли лесов, в которой на передний план выдвигается их климаторегулирующая функция. С экономической точки зрения – это своеобразная общеполезная, жизненно необходимая услуга, поступающая в потребление, не признающая ни административных, ни государственных границ, но не получающая стоимостной оценки.

Гипотетически можно предположить, что экономическая оценка экологической составляющей будет намного превышать по стоимости все материальные, изымаемые лесные ресурсы.

На начальном этапе интеграции экологической составляющей (невесомые полезности леса, запасы углерода в лесных экосистемах и др.) в комплексную оценку региональных лесных комплексов, допустим учёт только конечных результатов лесохозяйственной деятельности. В своё время конечные результаты лесохозяйственной деятельности были предметом оживлённых дискуссий при проведении эксперимента по переводу лесного хозяйства на хозяйственный расчёт (Разработать основы…, 1987; Ильин, и др., 1993). Реанимация полученных ранее научных результатов, применительно к современным лесным отношениям, поможет продвинуть научные исследования в области оценки экологической составляющей лесного хозяйства.

Экономическая разобщённость лесного хозяйства и лесозаготовительной деятельности порождает трудности при формировании единых показателей оценки эффективности ТЛПК. Нельзя сопоставлять экономику государственного сектора с экономикой частного сектора, в рамках какого-либо комплекса, по единым показателям эффективности. Необходима разработка интегральных показателей оценки ТЛПК, объединяющих множество отдельных экономических, экологических и социальных характеристик для оценки общего состояния регионального лесного комплекса. Расчёт регионального интегрального показателя состояния ТЛПК – это взвешенная сумма отдельных показателей с учётом их весовых категорий. В свою очередь удельный вес таких показателей (социальных, экономических и экологических) должен соответствовать приоритетам региональной лесной политики.

ВЫВОДЫ

Существующий подход к оценке эффективности лесного комплекса страны даёт усреднённую оценку его результативности, искажая фактический вклад каждого региона.

Результаты деятельности региональных органов управления лесами оцениваются Рослесхозом по единому шаблону, без учёта региональных экологических, экономических и социальных особенностей. При таком подходе леса рассматриваются как природный ресурс.

Необходим региональный подход к оценке конечных результатов деятельности в лесном хозяйстве и лесной промышленности с учётом экономических, социальных и экологических факторов.

Комплексная экономическая оценка эффективности регионального лесного комплекса должна учитывать экологические функции лесов. При таком подходе леса должны рассматриваться не только как природный ресурс, но и как экологическая система.

Матричный подход оценки эффективности региональных лесных комплексов применим к промышленному производству и не подходит к оценке деятельности лесного хозяйства как к системе с длительным производственными циклом, основным производственным фактором в котором является природный.

Для кардинального изменения в положительную сторону экономики отдельных ТЛПК и страны в целом необходимо изменение лесного законодательства. Необходимо принятие рамочного федерального лесного закона с предоставлением права каждому субъекту Российской Федерации принимать собственные полноценные лесные законы.

Можно предположить, что на региональном уровне наиболее эффективной формой организации производства станут государственные комплексные лесные предприятия, сочетающие в себе управленческую и производственную деятельность по лесовосстановлению, заготовке древесины, сохранению лесов на неарендованных лесных участках. Учитывая особенности регионов, возможно создание специализированных лесохозяйственных организаций по комплексному управлению лесами на базе существующих государственных бюджетных или автономных учреждений.

Практическим шагом к реализации такого предложения возможно проведение эксперимента в ряде регионов (пилотных проектов), по аналогии с экспериментальным переводом лесного хозяйства на хозяйственный расчёт, осуществлённым в 1980-е годы Государственным комитетом лесного хозяйства. Участниками прошлого эксперимента были семь областей и автономных республик РСФСР, лесхозы УССР, БССР и Латвийской ССР. Практико-ориентированное научное сопровождение эксперимента позволило обосновать наличие продукции и услуг в лесном хозяйстве, разработать и утвердить стандарты качества на лесохозяйственную продукцию и услуги, порядок приёмки и оплаты лесохозяйственной продукции и услуг за счёт средств лесного дохода.

Дальнейшее направление научных исследований следует сконцентрировать на оценке экосистемных функций леса, стоимость которых многократно превышает стоимость материальных лесных ресурсов.

СПИСОК ЛИТЕРАТУРЫ

Ануфриева А. А., Девятова Н. С. Стратегическое планирование развития лесного хозяйства региона в рамках концепции зеленой экономики // Экономика региона. 2022. Т. 18. № 3. С. 787–801. DOI: 10.17059/ekon.reg.2022-3-12.

Иванов А. Л., Куст Г. С., Козлов Д. Н., Андреева О. В., Андронов Е. Е., Бардин М. Ю., … & Якушев В. П. Глобальный климат и почвенный покров России: оценка рисков и эколого-экономических последствий деградации земель. Адаптивные системы и технологии рационального природопользования (сельское и лесное хозяйство): Национальный доклад. М.: ГЕОС, 2018. 357 с.

Ильин В. А., Гавриленко В. И., Смирнова А. И. Текущее планирование лесохозяйственного производства в условиях хозяйственного расчета // Экономические проблемы работы предприятий лесного комплекса в условиях рыночных отношений. 1993. С. 25–29.

Казанджан С. Б., Воронин А. А. Экономическая оценка лесных ресурсов региона // Вестник Академии права и управления.  2024. № 4(79). С. 118–123. DOI: 10.47629/2074-9201_2024_4_118_123.

Краснопольский Б. Х. Пространственная экономика и инфраструктура: разработка теоретических подходов и методических приемов исследования под научным руководством академика П. А. Минакира // Теория, методы и практика пространственной экономики: Сборник статей по материалам Всероссийской научно-практической конференции с международным участием памяти академика П. А. Минакира, Хабаровск, 03–04 декабря 2024 года. Хабаровск: Институт экономических исследований ДВО РАН, 2024. С. 177–186.

Лукина Н. В. Глобальные вызовы и лесные экосистемы // Вестник Российской академии наук. 2020. Т. 90. № 6. С. 528–532. DOI: 10.31857/S0869587320060080

Лукина Н. В., Гераськина А. П., Кузнецова А. И., Смирнов В. Э., Горнов А. В., Шевченко Н. Е., … & Басова Е. В. Функциональная классификация лесов: актуальность и подходы к разработке // Лесоведение. 2021. № 6. С. 566–580. DOI: 10.31857/S0024114821060085.

Мартынюк А. А., Филипчук А. Н., Малышева Н. В. Вклад бореальных лесов России в смягчение изменений климата. Динамика последних десятилетий // Международная научно-практич. конф. «Экология и климат», Санкт-Петербург, 25-26.02.2020. СПб.: ИПК «Прикладная экология», ИИУНЦ «Стратегия будущего». 2020. С. 367–282.

Минакир П. А. Пространственные эффекты в экономике и управлении // Экономика и управление. 2011. № 5(67). С. 22–33.

Петров А. П., Бурдин Н. А., Кожухов Н. И. Лесной комплекс. Вопросы теории и практики. М.: Лесная промышленность, 1986. 296 с.

Петров В. Н., Филинова И. В. Экономическая эффективность управления лесами // Актуальные проблемы развития лесного комплекса: Материалы XVI Международной научно-технической конференции, Вологда, 05 декабря 2018 года. Вологда: Вологодский государственный университет, 2019. С. 210–212.

Петров В. Н., Филинова И. В. Показатели оценки комплексного использования древесины в регионе // Эффективное управление экономикой: проблемы и перспективы: Сборник трудов IX Всероссийской научно-практической конференции Симферополь, 18 апреля 2024 года. Симферополь: Ариал, 2024. С. 262–265.

Петров В. Н., Филинова И. В. Финансовый результат государственного управления лесами // Эффективное управление экономикой: проблемы и перспективы: Сборник трудов X Международной научно-практической конференции, Симферополь, 17 апреля 2025 года. Симферополь: Ариал, 2025. С. 407–410.

Разработать основы и методы формирования экономических отношений между производствами в системе лесопромышленных объединений и комплексных лесных предприятий в новых условиях хозяйствования: промежуточный отчёт о НИР гос. рег. 187.0 197663 / ЛТА / Рук. А. П. Петров. Л.: ЛТА, 1987. 89 с.

Тебенькова Д. Н., Лукина Н. В., Катаев А. Д., Чумаченко С. И., Киселева В. В., Колычева А. А., … & Кузнецова А. И. Разработка сценариев для имитационного моделирования экосистемных услуг лесов // Вопросы лесной науки. 2022а. Т. 5. № 2. С. 1–87. DOI: 10.31509/2658-607x-202252-104.

Тебенькова Д. Н., Лукина Н. В., Катаев А. Д., Чумаченко С. И., Шанин В. Н., Киселева В. В., … & Кузнецова А. И. Новый подход к разработке сценариев развития лесных территорий для поддержки принятия управленческих решений // Научные основы устойчивого управления лесами: Материалы Всероссийской научной конференции с международным участием, посвященной 30-летию ЦЭПЛ РАН, Москва, 25–29 апреля 2022 года. М.: Центр по проблемам экологии и продуктивности лесов РАН, 2022б. С. 326–329.

Федоляк В. С. Воспроизводственный процесс как способ реализации хозяйственной самостоятельности регионов России // Известия Саратовского университета. Новая серия. Серия: Экономика. Управление. Право. 2009. Т. 9. № 1. С. 22–25.

Martyniuk А. А., Ptichnikov A. V. Adaptation of International Indicators of Land Degradation Neutrality for the Assessment of Forest Ecosystems in Arid Conditions in Russia // Arid Ecosystems. 2020. Vol. 10. No. 2. P. 127–134. DOI: 10.1134/S2079096120020109

Рецензент: к. с.-х. н., в. н. с. Гагарин Ю. Н.

Оригинальные исследования 

А. В. Иванов, С. В. Брянин, Е. С. Суслопарова, Ю. А. Масютина, А. В. Данилов, А. В. Кондратова, А. Е. Мажара

ПРОСТРАНСТВЕННАЯ ИЗМЕНЧИВОСТЬ ПАРАМЕТРОВ ЛЕСНОЙ ПОДСТИЛКИ В ПОСТПИРОГЕННЫХ ЛИСТВЕННИЧНИКАХ ДАЛЬНЕГО ВОСТОКА 

В. Н. Петров, И. В. Филинова

ПОДХОД К ОПРЕДЕЛЕНИЮ ЭКОНОМИЧЕСКОГО ЭФФЕКТА РЕГИОНАЛЬНЫХ ЛЕСНЫХ КОМПЛЕКСОВ

Н. С. Рябов, Л. Г. Исаева

СРАВНЕНИЕ ОЦЕНКИ ФИТОМАССЫ ДРЕВОСТОЯ С ПРИМЕНЕНИЕМ МОДЕЛЕЙ НA ПРИМЕРЕ ЕЛОВЫХ ФИТОЦЕНОЗОВ МУРМАНСКОЙ ОБЛАСТИ

O. N. Ukhvatkina, A. M. Omelko, V. E. Zakharova, A. A. Zhmerenetsky, G. A. Gladkova, L. A. Sibirina, A. V. Kuprin

DYNAMICS OF KOREAN PINE-BROADLEAF FOREST RECOVERY AFTER SINGLE LOGGING IN THE 1960s IN THE SOUTHERN SIKHOTE-ALIN

Юбилеи

В. Н. Коротков, О. И. Евстигнеев

К 125-ЛЕТИЮ СО ДНЯ РОЖДЕНИЯ ПРОФЕССОРА АЛЕКСЕЯ АЛЕКСАНДРОВИЧА УРАНОВА

© 2025                                          С. В. Князева*, А. Д. Никитина, Е. И. Белова

Центр по проблемам экологии и продуктивности лесов им. А. С. Исаева

Российской академии наук

Российская Федерация, 117997, Москва, ул. Профсоюзная, 84/32, стр. 14

*E-mail: knsvetl@gmail.com

Поступила в редакцию: 08.10.2025

После рецензирования: 17.11.2025

Принята к печати: 28.11.2025

В статье приведены результаты исследования возможностей применения метода пороговой сегментации межкроновых участков изображения лесного полога на отечественных космических снимках сверхвысокого пространственного разрешения, полученных со спутника «Ресурс-П1» (Геотон-Л) для выявления взаимосвязи параметров сегментации с биометрическими характеристиками сосновых древостоев на примере лесов НП «Куршская коса». Предложенный метод основан на выделении затенённых сегментов межкронового пространства в границах таксационных выделов с учётом заданного диапазона яркости и последующем объединении соседних пикселей по критерию спектральной близости при новом заданном пороге яркости. Для каждого заданного порога определяются площади и средние значения яркости теневых сегментов в границах выделов, стандартные отклонения и медианные значения. На основе этих значений для каждого выдела рассчитывается пороговая сомкнутость полога, учитывающая только затененные межкроновые промежутки. Статистические характеристики средней яркости и пороговой сомкнутости полога служат в качестве переменных для регрессионного моделирования биометрических (высота, диаметр, возраст древостоев) характеристик сосновых лесов.

Регрессионный анализ проведен с использованием ансамблевого метода с построением деревьев решений Random Forest (RF). Коэффициент детерминации R² для характеристик сосновых лесов находится в диапазоне 0.29 – 0.37. Результаты валидационной модели по тестовой выборке практически тождественны моделированию по обучающей выборке, что свидетельствует о надежности модели RF. Регрессионное моделирование алгоритмом RF характеристик сосновых древостоев (на примере чистых сосновых насаждений в НП «Куршская коса»), где в качестве предикторов выступают переменные, полученные методом пороговой сегментации изображения лесного полога на панхроматических изображениях Геотон-Л, позволяет получать стабильные результаты со среднеквадратической ошибкой около 4 м для средней высоты, 6 см – для диаметра и 20 лет – для возраста. Метод пороговой сегментации изображения древесного полога целесообразно применять в целях предварительной оценки характеристик древостоев в случае недостаточной радиометрической коррекции спектральных данных для расчета стандартных текстурных характеристик.

Ключевые слова: биометрические характеристики сосновых лесов, космические снимки сверхвысокого пространственного разрешения, пороговая сегментация изображения, текстурные признаки, регрессионное моделирование

В настоящее время использование текстурных показателей для оценки характеристик лесов является наиболее перспективным методом анализа спутниковых данных сверхвысокого пространственного разрешения (< 1м). Современные подходы к обработке высокодетальных спутниковых данных нами подробно рассмотрены в обзорной статье (Князева и др., 2021).  Многие исследователи успешно используют различные комбинации текстурных признаков второго порядка, рассчитанных по спутниковым изображениям, для оценки надземной биомассы лесной растительности (Wang et al., 2012), биометрических характеристик насаждений (Gomez et al., 2012; Beguet et al., 2014), дефолиации растительности (Lottering et al., 2019), определения породного состава леса (Дмитриев и др., 2022; Sibiya et al., 2022). Однако применение набора текстур изображений требует оптимизации расчета текстурных признаков, поскольку текстурные комбинации в большинстве случаев могут быть избыточны и сложны в расчетах (Beguet et al., 2014; Lottering et al., 2020). Пороговая сегментация изображений крон деревьев и межкронового пространства на снимках также может быть эффективным подходом к оценке зависимости яркостных переменных от характеристик древостоев. Метод создания маски теней при помощи простого порогового алгоритма сегментации с последующим применением морфологических фильтров показал хорошие результаты при выделении крон деревьев на изображении (Терехов и др., 2014). Для выявления выборочных рубок на спутниковых изображениях (снятых в надир) развиваются методы, использующие сравнение матриц смежности перепадов яркости нескольких изображений. Алгоритм позволяет сузить зону поиска потенциально реальных рубок, определив параметры этих зон через пороговую величину изменения перепада яркости (Алексанина, Храмцова, 2024).

Проведенные нами эксперименты с применением метода пороговой сегментации изображения показали достаточно высокую степень корреляции (0.78 < R < 0.94) основных характеристик  смешанных лесов национального парка (НП) «Лосиный остров» (относительной полноты, средних значений возраста, высоты и диаметра) с пороговыми параметрами изображения межкроновых участков лесного полога на снимке Ikonos-2, что позволяет сделать выводы о перспективности подобных исследований (Жирин и др., 2018). Поскольку в результате эксперимента установлено, что информативность затенённых межкроновых промежутков в сомкнутом древесном пологе при сегментации изображения выше (больше значимых комбинаций пороговых значений яркости и сомкнутости полога), чем для освещённых участков, признано целесообразным более детально оценить возможности сегментации только затененных участков межкронового пространства. Этот подход был применен для регрессионного моделирования биометрических характеристик сосновых древостоев с применением метода пороговой сегментации изображения затененных межкроновых промежутков лесного полога на высокодетальных отечественных космических снимках с «Ресурс-П1» (Никитина и др., 2019). Однако реализация кусочно-линейной регрессии в пакете STATISTICA, использованная для построения модели в приведенной выше работе, имеет принципиальные ограничения, которые приводят к завышенным коэффициентам детерминации и лишают её прогностической ценности. Новый эксперимент с использованием метода пороговой сегментации изображения, полученного с российского спутника «Ресурс-П1» (Геотон-Л), дополняет проведенные ранее исследования и апробирует предложенный метод с валидацией результатов.

Исследований с использованием данных, полученных аппаратурой сверхвысокого пространственного разрешения Геотон-Л, не так уж много, можно отметить применение высокодетальных снимков для создания трехмерных моделей местности (Пешкун, 2016), формирования «бесшовных» мозаик для регионального уровня (Марков и др., 2020), поиска и прогноза месторождений  различных полезных ископаемых (Миловский и др., 2021), изучения поверхностного волнения и батиметрии (Юровская и др., 2019). В области лесоведения представлены работы по оценке динамики вспышек массового размножения сибирского шелкопряда в темнохвойных лесах (Федотова, Заречнева, 2017; Князева и др., 2019), оценке ареалов типов растительных сообществ (Варламова и др., 2018), состояния лесозащитных полос (Кавеленова и др., 2018), зарастания пахотных земель древесно-кустарниковой растительностью (Денисова и др., 2019), возможности определения рубок (Алексанин, Ким, 2019; Алексанина, Храмцова, 2024), изучению оконной структуры в древесном пологе (Комаров и др., 2021). Снимки сверхвысокого пространственного разрешения со спутников «Ресурс-П» являются в настоящее время   единственным российским доступным источником высокодетальных дистанционных данных, поэтому существует настоятельная необходимость в совершенствование, как способов радиометрической коррекции данных, так и способов их тематической обработки.

МАТЕРИАЛЫ И МЕТОДЫ

Космические снимки с отечественного спутника «Ресурс-П1», полученные аппаратом сверхвысокого пространственного разрешения Геотон–Л, были предоставлены ЦЭПЛ РАН Научным центром оперативного мониторинга Земли (НЦ ОМЗ – подразделение АО «Российские космические системы») в рамках Постановления Правительства РФ от 10 июня 2005 г. N 370.

Спутники серии «Ресурс-П» предназначены для проведения регионального и локального мониторинга состояния окружающей среды, инвентаризации и контроля использования  природных ресурсов России. Первый спутник «Ресурс-П1» был запущен на солнечно-синхронную орбиту в июне 2013 г. и проработал более 8 лет до декабря 2021 г. Спутники  «Ресурс-П2» и «Ресурс-П3» были выведены из эксплуатации раньше, не отработав полностью заложенный ресурс в 5 лет. В 2024 году были проведены успешные запуски спутников «Ресурс-П4» и  «Ресурс-П5». С 19 марта 2025 года для потребителей доступна возможность заказа съемки со спутника «Ресурс-П» № 4 и № 5. На всех этих спутниках была установлена многозональная оптико-электронная высокодетальная аппаратура Геотон-Л со следующими характеристиками (https://ntsomz.ru/ka_resurs_p_4_5):

• полоса захвата (в надире) — 38 км;
• разрешение на местности:
• — не хуже 1 м (панхроматический режим);
• — 3-4 м (мультиспектральный режим);
• спектральные диапазоны съемки (мкм):
• — панхроматический PAN (0.60÷0.79);
• — синий B(0.48÷0.52);
• — зеленый G (0.54÷0.6);
• — красный R + крайний красный (0.62÷0.68; 0.66÷0.69; 0.7÷0.74);
• — ближний инфракрасный NIR (0.72÷0.8; 0.8÷0.9).

Материалы съемки соответствуют уровню обработки 1А с предварительной радиометрической и геометрической коррекцией и представлены в проекции UTM (WGS 84). Однако недостаточность радиометрической коррекции спектральных данных не позволяет провести дальнейшую радиометрическую калибровку по расчету стандартных коэффициентов отражения (reflectance) на основе нормализованных значений Digital Number (DN), регистрируемых сенсорами аппаратуры Геотон-Л. Поэтому выполнение стандартных расчётов текстурных характеристик первого и второго порядков (как, например, для данных сверхвысокого разрешения WorldView-3) в данном случае нецелесообразно. Для реализации метода пороговой сегментации было решено использовать панхроматическое изображение.

Метод пороговой сегментации затенённых участков лесного полога в исследовании рассматривается как альтернативный по отношению к классическим статистическим расчётам текстур, поскольку он опирается на физические свойства объекта. Его основные принципы были изложены ранее в статье В. М. Жирина с соавторами (2018). Площадь насаждения таксационного выдела на снимке равна площади древесного полога и межкронового пространства, т.е. общее число пикселей выдела N = N_С + N_L+N_D, где N_С – число пикселей изображения древесного полога, N_L – число пикселей освещённых участков межкроновых промежутков, а N_D – затенённых. Пороговая сомкнутость полога (С) будет равна соотношению порогового числа пикселей изображения древесного полога (N_С) и общего числа пикселей насаждения (N): С = N_С/N= [N−(N_L+N_D)]/N (Жирин и др., 2018). Если рассматривать только затененные межкроновые промежутки (N_D), тогда  вместо пороговой сомкнутости полога (С) целесообразно использовать отношение числа пикселей затененных участков межкроновых промежутков (N_D) к общему числу пикселей выдела (N) Cd = N_D/N= [N −(N_C+N_L)]/N (Никитина и др., 2019).

В процессе пороговой сегментации изображения выделяются затененные межкроновые сегменты, различающиеся друг от друга, как средней яркостью (D_i), так и числом пикселей (N_Di), но для которых соблюдается определенный заданный критерий однородности (диапазон яркости). Первоначальный этап включает выделение локальных минимумов затененных участков межкронового пространства. На каждом последующем этапе происходит увеличение размера выделяемых сегментов в результате объединения соседних пикселей с учетом спектральной близости их значений при заданном пороге яркости. Значимые величины пороговой яркости и сомкнутости полога определяются на основе матриц парной корреляции каждого из пороговых значений с биометрическими параметрами древостоев (Жирин и др., 2018).

Для нашего эксперимента  выбрана сцена  с пространственным разрешением около 1 м, полученная в панхроматическом диапазоне (0.58 – 0.8 мкм) съемочной аппаратурой Геотон-Л на спутнике «Ресурс-П1» 10 июля 2017 года для НП «Куршская коса», которая покрывает около 60 % территории парка, включая центральную и северную части (рис. 1).

Рисунок 1. Панхроматическое изображение, полученное высокодетальной аппаратурой Геотон-Л со спутника «Ресурс-П1» 10.07.2017 на территорию НП «Куршская коса» (Калининградская обл.) с увеличенным фрагментом. Рамкой желтого цвета выделено расположение сцены Геотон-Л на карте Калининградской области

На начальном этапе исследования проведена предварительная обработка изображения. Ввиду больших размеров растрового файла (около 10 Гб) и ограниченных технических ресурсов для обработки столь больших объемов информации исходное изображение разделено на 4 фрагмента с небольшим перекрытием. Каждый фрагмент трансформирован аффинными преобразованиями для более точного совмещения с векторными границами таксационных выделов. Средняя ошибка трансформирования не превышала 1 – 3 пикселя (около 3 м).

Основными лесообразующими породами на территории парка являются сосна, ель, береза, ольха черная. Более половины лесопокрытой площади занимают сосняки, среди которых преобладает сосна обыкновенная (Pinus sylvestris), но встречаются также другие виды сосен (горная, Банкса, крымская, Муррея). Сосняки формируют как простые, так и сложные по породному составу древостои. Наиболее распространены средневозрастные и молодые насаждения, приуроченные к возвышенным формам рельефа. В молодых и  средневозрастных сосняках доминирует ксерофитно-зеленомошный тип леса, а в старовозрастных  к нему добавляется  мелкотравно-зеленомошный.

Из базы таксационных данных лесоустройства 2016 г. отобраны выделы, соответствующие следующим критериям:

• категория земель – лесные культуры и естественные насаждения,
• доля преобладающей породы сосна обыкновенная – более 6 единиц,
• полнота не менее 0.6;
• средний диаметр стволов более 3 см;
• средняя высота более 5 метров.

Всего было отобрано 602 выдела с преобладанием сосны обыкновенной. Анализ распределения средних возрастов (рис. 2А) показал, что наиболее многочисленны средневозрастные насаждения, однако в выборке присутствуют все группы возраста – от молодняков 10 лет до древостоев 140 лет.

А)

Б)

В) Рисунок 2. Гистограмма распределения биометрических параметров насаждений для выборки (602 выдела) из лесотаксационных данных (2016 г.) НП «Куршская коса»: А) средний возраст; Б) средняя высота; В) средний диаметр

Важным этапом сегментирования изображений является выбор начальных минимальных яркостных значений затененных участков (D₀). Определение локальных минимумов проведено на основе расчета статистических характеристик в границах выделов и визуального анализа снимка. По векторному слою лесоустройства из каждого фрагмента изображения Геотон-Л извлечены минимальные значения спектральной яркости, на основе которых определен минимальный порог для выделения самого темного участка выдела (D₀). Для сосны D₀ на изображении составило 101 DN, таким образом, начальный яркостной порог D₀ для выделения теневого участка выбран равным 100. В качестве максимального яркостного порога выбрано значение 200 DN, которое заведомо избыточно и, по результатам визуальной идентификации, соответствует затененным участкам крон деревьев. Всего выбрано 10 пороговых яркостных значений (D₀…D₁₀) затененных межкроновых промежутков с постепенным расширением верхней границы диапазона на 10 единиц яркости: для D₀ диапазон составил 100-110; а для D₁₀ – 100-200.

На основе пороговых значений яркости проведено сегментирование изображений и созданы маски для каждого диапазона яркости теневых межкроновых промежутков древесного полога. На рис. 3 приведены фрагменты сегментированного изображения с наложенным векторным слоем таксационных выделов.

А)

Б) Рисунок 3. Фрагмент изображения Геотон-Л (10.07.2017г.) с наложенным векторным слоем таксационных выделов и маской теневых межкроновых промежутков, выделенных желтым цветом: А) диапазон D4 – 100-140; б) диапазон D8 – 100-180

По полученным маскам были рассчитаны площади сегментов (N_D0…N_Dn) теневых участков в границах выделов, средние значения яркости этих сегментов (D₀…D_n), а также стандартные отклонения и медианы. Для каждого выдела на основе этих показателей вычислена пороговая сомкнутость полога, учитывающая только затененные межкроновые промежутки (Сd). Распределение значений  D_n и Cd_n для диапазонов D₄ – 100-140 и D₈ – 100-180 приведено на рис. 4.  

А)

Б) Рисунок 4. Распределение характеристик средней яркости полога Dn и пороговой сомкнутости полога Cdn для яркостных диапазонов изображения Геотон-Л (10.07.2017г.): А) D4 – 100-140; Б) D8 – 100-180

Статистические характеристики (D₀…D_n) и (Cd₀…Cd_n) использовались в качестве предикторов при регрессионном анализе между биометрическими характеристиками сосновых лесов (высота, диаметр, возраст) и особенностями изображения древесного полога на космических снимках Геотон-Л.

Для регрессионного анализа применялись два подхода: кусочно-линейная регрессия в пакете STATISTICA и ансамблевый метод Random Forest (RF), реализованный в библиотеке scikit-learn языка Python. Для оценки точности моделей использовали коэффициент детерминации R² и среднеквадратическую ошибку RMSE.

Для регрессионного анализа на основе кусочно-линейной функции значимые величины (D₀…D_n) и (Cd₀…Cd_n) определялись на основе матриц парной корреляции каждого из пороговых значений с биометрическими и морфоструктурными показателями. При значениях коэффициента корреляции Пирсона более 0.7 один из мультиколлинеарных факторов удалялся. Переменные с низким уровнем значимости (p > 0.05) также отсеивались. После прохождения всех итераций поиска мультиколлинеарных факторов был сформирован набор факторов, который и использовался в регрессионных моделях. Следует отметить, что кусочно-линейная регрессия в используемой реализации не формирует устойчивой модели зависимости X → Y. Алгоритм строит несколько линейных функций и автоматически выбирает для каждой точки ту, которая ближе к фактическому значению Y, что приводит к завышенной оценке коэффициента детерминации R². Поэтому этот метод в нашем исследовании рассматривался исключительно как вспомогательный инструмент. Основной анализ был выполнен с использованием алгоритма Random Forest, который позволяет избежать проблемы мультиколлинеарности, провести кросс-валидацию и получить более надёжные оценки качества модели.

 При использовании метода RF для каждой целевой переменной строилась отдельная регрессионная модель. Исходные данные случайным образом делились на обучающую (70%) и валидационную (30%) выборки. Построение моделей включало следующие этапы:

— подбор оптимальных гиперпараметров (количество деревьев и глубина ветвей) путём последовательного перебора с оценкой R² и RMSE. Из множества пар параметров (количество деревьев и ветвей) выбиралась пара с наилучшими показателями точности;

— построение модели и её проверка с использованием кросс-валидации на обучающей выборке;

— вычисление важности признаков (пермутационной и на основе критерия Джини);

— ранжирование признаков по значимости и пошаговое добавление их в модель до момента стабилизации точности (пока оценка качества модели не переставала улучшаться);

— тестирование окончательной модели на валидационной выборке.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

При использовании кусочно-линейной регрессии статистически значимыми оказывались в основном переменные D_n из нижних и средних пороговых диапазонов (100-110, 100-120, …., 100-160), а  переменные C_dn   — из крайних диапазонов (100-110,100-190, 100-200). Результаты использования кусочно-линейной регрессии представлены в таблице 1.

Таблица 1. Результаты применения кусочно-линейной регрессии для оценки взаимосвязи биометрических параметров сосновых лесов и характеристик изображения Геотон-Л (10.07.2017 г.)

Коэффициент детерминации для параметров сосновых лесов варьирует в пределах от 0.75 до 0.98, что характеризует достаточно высокую тесноту связи пороговых значений и параметров древостоев. При сопоставлении с результатами аналогичных расчётов по изображению Геотон-Л от 09.06.2018 (Никитина и др., 2019) значения R² и RMSE также оказались близкими. Так, для значения «средний диаметр» коэффициент регрессии составлял 0.79, а RMSE – 3.86 см, для среднего возраста – 0.77 и 13.83 лет, соответственно. Таким образом, применение метода пороговой сегментации позволяет получать стабильные результаты даже при выборке на четверть меньше исходной (602 выдела вместо 823), главным условием остается пропорциональное представительство биометрических параметров в обучающей выборке. Также, полученные результаты подтверждают, что сами показатели пороговой сегментации являются воспроизводимыми и отражают особенности древостоев. Однако важно подчеркнуть, что их нельзя валидировать через кусочно-линейную регрессию, поскольку используемая реализация кусочно-линейной регрессии фактически выбирает для каждой точки ту линейную функцию, которая ближе к наблюдаемому значению Y, что приводит к завышенной оценке качества аппроксимации.

Для корректной оценки характеристик сосновых древостоев в настоящей работе основное внимание уделено моделям, построенным с использованием ансамблевого метода Random Forest. Наибольшую значимость среди переменных средней яркости и сомкнутости полога в алгоритме Random Forest показали максимальные пороговые диапазоны (170-200 DN) (табл. 2).

Таблица 2. Результаты применения метода Random Forest (RF) для оценки взаимосвязи биометрических параметров сосновых лесов и характеристик изображения Геотон-Л (10.07.2017 г.)

Коэффициенты детерминации R² для всех трёх характеристик сосновых лесов находятся в диапазоне 0.29 – 0.37, а среднеквадратические ошибки составляют 4.2 м для высоты, 5.8 – 6.1 см для диаметра и 20 – 22 лет для возраста.  Несмотря на умеренные значения R², результаты на тестовой выборке практически идентичны обучающим, что свидетельствует о стабильности и надёжности моделей RF. Сравнение с результатами моделирования по текстурным характеристикам первого порядка, рассчитанным по мультиспектральным данным WorldView-3 (Князева и др., 2021), показало, что точность моделей RF на данных Геотон-Л сопоставима, но немного ниже, хотя выборка, используемая для обучения и проверки модели значительно больше, чем для данных WorldView-3 (табл. 3).

Таблица 3. Сводная статистика оценок характеристик лесов для регрессионных моделей методом RF по данным Ресурс–П1 (Геотон-Л) и WorldView-3

*Князева С. В., Никитина А. Д., Гаврилюк Е. А., Тихонова Е. В., Королева Н. В. Оценка биометрических параметров сосновых древостоев по спутниковым данным WorldView-3 и материалам беспилотной аэросъемки // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 6. С. 93–107

Коэффициенты детерминации примерно в 1.5 раза меньше, но и для данных WorldView-3 они небольшие и находятся в диапазоне 0.47 – 0.53. Возможно, на довольно умеренные значения коэффициентов детерминации влияет неоднородность таксационных выделов. Средняя площадь выдела составляет 2 га, а среднеквадратическое отклонение чуть больше – 2.3 га (при этом минимальное значение площади выдела 0.2 га, а максимальное – около 20 га). Такой значительный разброс увеличивает неоднородность спектральных характеристик изображения древесного полога выделов на снимке. Свой вклад вносят  и особенности условий объединения насаждений в один таксационный выдел, которые зависят, главным образом, от стволового запаса древесины, что не всегда находит отражение в строении верхнего полога древостоя.  Наиболее высокие коэффициенты R² отмечены в обоих случаях для значений «средний диаметр». При этом, в случае с WorldView-3, хотя моделирование происходило на основе переменных, полученных из мультиспектральных данных, наибольшую информативность показал панхроматический канал.  Из работы испанских ученых (Gomez et al., 2012), можно отметить, что в результате использования мультиспектральных данных со спутника QuickBird-2 для моделирования ряда биометрических характеристик средиземноморских сосновых лесов на основе текстурных метрик GLCM (метод CART – Classification and Regression Tree Analysis) лучшие результаты также были получены при оценке среднеквадратического диаметра деревьев: R² = 0.8 и RMSE = 0.13 м.

Достаточно интересно сравнить полученные нами оценки с результатами французских исследователей, которые проводили эксперимент для насаждений приморской сосны (Pinus pinaster Ait.) в лесном массиве на юго-западном побережье Франции (Beguet et al., 2014). В их работе анализировался потенциал текстурных характеристик, извлечённых из спутниковых снимков сверхвысокого пространственного разрешения QuickBird и Pléiades, с использованием признаков второго порядка GLCM. Особое внимание уделялось автоматической настройке параметров, что является одной из ключевых проблем анализа текстуры. Для оптимизации тестировались различные комбинации панхроматических и мультиспектральных признаков с применением многомерной линейной регрессии. Итогом стало предложение алгоритма PRiF (автоматизированный выбор и параметризация признаков GLCM), основанного на глобальной оптимизации методом случайной выборки. В условиях однородных сосновых культур авторы получили очень низкие ошибки моделирования (LOO RMSE 0.5 м для высоты и 1 см для диаметра), но при переходе к более сложным разновозрастным насаждениям точность существенно снижалась: RMSE составила 3.1 м и 6.6 см, соответственно. Эти результаты сопоставимы с нашими моделями для разновозрастных сосняков на Куршской косе (табл. 3).  При этом R² достаточно высокий и варьирует от 0.99 для первого участка до 0.81 для второго.  

Несмотря на более низкие значения R² в наших моделях, величины ошибок RMSE оказались близкими к тем, что получены с использованием текстурных признаков первого и второго порядков. Это указывает на то, что метод пороговой сегментации, будучи значительно проще по реализации, обеспечивает сопоставимый уровень точности при оценке средних характеристик сосновых лесов.

ВЫВОДЫ

Регрессионное моделирование с использованием алгоритма Random Forest показало, что переменные, рассчитанные методом пороговой сегментации затенённых межкроновых промежутков сомкнутого лесного полога по высокодетальным панхроматическим изображениям, полученным со спутника «Ресурс-П1», обеспечивают воспроизводимые оценки характеристик сосновых древостоев (на примере НП «Куршская коса») со среднеквадратической ошибкой порядка 4 м для средней высоты, 6 см для диаметра и 20 лет для возраста. Несмотря на умеренные значения коэффициента детерминации, совпадение результатов на обучающей и валидационной выборках подтверждает надёжность моделей.

Метод пороговой сегментации может применяться для предварительной оценки характеристик древостоев, особенно в условиях, когда недостаточная радиометрическая коррекция данных ограничивает возможность расчёта стандартных текстурных признаков. Использование мультиспектральных и разносезонных изображений способно повысить точность прогнозирования, однако сопряжено с усложнением модели. Вероятно, также может повысить точность моделирования применение в качестве обучающей выборки более однородных сегментов изображения древесного полога, чем таксационные выделы. В целом, полученные результаты подтверждают применимость пороговой сегментации для высокодетальных изображений как инструмента экспресс-оценки сосновых лесов на уровне выделения возрастных групп и их основных биометрических характеристик.

ФИНАНСИРОВАНИЕ

Работа выполнена за счет средств государственного задания по теме «Биоразнообразие и экосистемные функции лесов» (Регистрационный номер НИОКТР 124013000750-1).

СПИСОК ЛИТЕРАТУРЫ

Алексанин А. И., Ким В. Обнаружение рубок по теням // VI Международная научная конференция «Региональные проблемы дистанционного зондирования Земли», Сибирский федеральный университет, Институт космических и информационных технологий. 2019. С. 66–68.

Алексанина М. Г., Храмцова А. В. Обнаружение мелкомасштабной изменчивости лесного полога на спутниковых панхроматических изображениях на основе матрицы смежности перепадов яркости // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 4. С. 47–59.

Варламова А. А., Денисова А. Ю., Сергеев В. В. Информационная технология обработки данных ДЗЗ для оценки ареалов растений // Компьютерная оптика. 2018. Т. 42. № 5. С. 864–876.

Денисова А. Ю., Егорова А. А., Сергеев В. В., Кавеленова Л. М. Выработка требований к мультиспектральным данным дистанционного зондирования Земли в задаче экспертизы зарастания пахотных земель древесно-кустарниковой растительностью // Компьютерная оптика. 2019. Т. 43. № 5. С. 846–856.

Дмитриев Е. В., Кондранин Т. В., Зотов С. А. Сегментация природных и антропогенных объектов по панхроматическим спутниковым изображениям с использованием статистических текстурных признаков // Автометрия. 2022. Т.58. № 2. С. 69–84.

Жирин В. М., Князева С. В., Эйдлина С. П. Оценка биометрических параметров насаждений по изображениям межкронового пространства на космических снимках сверхвысокого разрешения // Лесоведение. 2018. № 3. С. 163–177.

Кавеленова Л. М., Корчиков Е. С., Прохорова Н. В., Терентьева Д. А., Федосеев В. А. К возможностям обнаружения и оценки состояния лесополос на основе комплексного использования данных ДЗЗ и наземного обследования // IV международная конференция и молодежная школа «Информационные технологии и нанотехнологии» (ИТНТ-2018), Самара: Новая техника, 2018. С. 882–891.

Князева С. В., Королева Н. В., Эйдлина С. П., Сочилова Е. Н. Оценка состояния растительности в очаге массового размножения сибирского шелкопряда по спутниковым данным // Лесоведение. 2019. № 5. С. 385–398.

Князева С. В., Никитина А. Д., Белова Е. И., Плотникова А. С., Подольская Е. С., Ковганко К. А. Методические подходы к оценке характеристик лесов по данным спутниковой съемки сверхвысокого пространственного разрешения в оптическом диапазоне // Лесоведение. 2021. № 6. С. 1–28.

Князева С. В., Никитина А. Д., Гаврилюк Е. А., Тихонова Е. В., Королева Н. В. Оценка биометрических параметров сосновых древостоев по спутниковым данным WorldView-3 и материалам беспилотной аэросъемки // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 6. С. 93–107.

Комаров А. В., Ершов Д. В., Тихонова Е. В. Информативность спектральных и морфометрических признаков оконной структуры полога древостоя на основе спутниковых данных // Лесоведение. 2021. № 3. С. 227–239.

Марков А. Н., Васильев А. И., Крылов А. В., Евлашкин М. А., Пестряков А. А., Михеев А. А., Алексеевский А. С. Особенности обработки данных сенсора «Геотон-Л1» ксмического аппарата Ресурс-П при формировании бесшовных сплошных покрытий регионов РФ // Ракетно-космическое приборостроение и информационные системы. 2020. Т. 7. № 1. С. 72–83.

Миловский Г. А., Ишмухаметова В. Т., Апарин А. Д. Применение космической съемки высокого разрешения при поисках прибрежных россыпей и месторождений углеводородов в северных морях России // Исследование Земли из космоса. 2021. № 6. С. 74–82.

Научный центр оперативного мониторинга Земли АО «Российские космические системы» (НЦ ОМЗ). URL: https://ntsomz.ru/ka_resurs_p_4_5/ (дата обращения 07.10.2025)

Никитина А. Д., Князева С. В., Королева Н. В., Гаврилюк Е. А., Эйдлина С. П. Применение метода пороговой сегментации изображений для определения параметров древесной растительности по спутниковым данным сверхвысокого пространственного разрешения // Международная научно-практическая конференция «Геоматика: образование, теория и практика», посвященная 50-летию кафедры геодезии и космоаэрокартографии и 85-летию факультета географии и геоинформатики БГУ. Сб. статей. РБ, Минск, 2019. С. 114–118.

Пешкун А. А. Создание трехмерных моделей местности с использованием материалов съемки космического аппарата типа «Ресурс-П» // Ракетно-космическое приборостроение и информационные системы.  2016. Т. 3. Выпуск 1. С. 28–33.

Терехов А. Г., Макаренко Н. Г., Пак И. Т. Автоматический алгоритм классификации снимков QuickBird в задаче оценки полноты леса // Компьютерная оптика. 2014. Т. 38. № 3. С. 580–583.

Федотова Е. В., Заречнева А. И. Пространственно-временная динамика вспышки массового размножения сибирского шелкопряда в темнохвойных древостоях Горного Алтая//Журнал Сибирского федерального университета. Серия: Техника и технологии. 2017. Т. 10. № 6. С. 747–757.

Юровская М. В., Кудрявцев В. Н., Станичный С. В. Восстановление кинематических характеристик поверхностного волнения и батиметрии по многоканальным оптическим снимкам комплекса «Геотон-Л1» на спутнике «Ресурс-П» // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 2. С. 218–226.

Beguet B., Guyon D., Boukir S., Chehata N. Automated retrieval of forest structure variables based on multi-scale texture analysis of VHR satellite imagery // ISPRS Journal of Photogrammetry and Remote Sensing. 2014. Vol. 96. P. 164–178.

Gomez C., Wulder M., Montes F., Delgado J. Modeling Forest Structural Parameters in the Mediterranean Pines of Central Spain using QuickBird-2 Imagery and Classification and Regression Tree Analysis (CART) // Remote Sensing. 2012. Vol. 4. P. 135–159. DOI: 10.3390/rs4010135

Lottering R., Mutanga O., Peerbhay K., Ismail R. Detecting and mapping Gonipterus scutellatus induced vegetation defoliation using WorldView-2 pan-sharpened image texture combinations and an artificial neural network // Journal of Applied Remote Sensing. 2019. Vol. 13(1). DOI: 10.1117/1.JRS.13.014513

Sibiya B., Lottering R., Odindi J. Utility of texture combinations computed from fused WorldView-2 imagery in discriminating commercial forest species // Geocarto international. 2022. Vol. 37. Issue 23. P. 6915–6931. DOI: 10.1080/10106049.2021.1952316

Wang W., Yao X., Yao X., Tian Y., Liu X., Ni J., Cao W., Zhu Y.  Estimating leaf nitrogen concentration with three-band vegetation indices in rice and wheat // Field Crops Research. 2012. Vol. 129. P. 90–98. DOI: 10.1016/j.fcr.2012.01.014

Рецензент: к. с.-х. н., с. н. с. Шинкаренко С. С.

Центр по проблемам экологии и продуктивности лесов им. А. С. Исаева

Российской академии наук

Российская Федерация, 117997, Москва, ул. Профсоюзная, 84/32, стр. 14

*E-mail: knsvetl@gmail.com

Поступила в редакцию: 10.11.2025

После рецензирования: 24.11.2025

Принята к печати: 08.12.2025

В статье приведены итоги и краткое содержание наиболее важных и интересных докладов IX Всероссийской (с международным участием) научной конференции «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии», прошедшей 15-17 апреля 2025 года в г. Москва в Центре по проблемам экологии и продуктивности лесов им. А. С. Исаева Российской академии наук (ЦЭПЛ РАН). За три дня проведения конференции были заслушаны 60 докладов по перспективным направлениям использования  методов дистанционного зондирования и ГИС-технологий в различных аспектах изучения лесных экосистем. Участники в количестве 130 человек представляли научно-исследовательские и учебные организации, а также коммерческие кампании из России, Республики Беларусь и Азербайджана. На пленарных сессиях освещались важные темы оценки по данным космического мониторинга крупномасштабных изменений в лесах России: динамики породно-возрастной структуры, повреждений лесов пожарами,  пирогенных эмиссий углерода в лесах.  Большое внимание также было привлечено к возможностям прогноза возникновения очагов вспышек лесных насекомых с использованием спутниковых данных и к необходимости дистанционного мониторинга зарастания лесами заброшенных сельскохозяйственных земель в России. Значительный блок секционных докладов был посвящен  проблемам и перспективам применения для оценки характеристик лесов материалов аэросъемки с беспилотных летательных аппаратов (БПЛА), воздушного и наземного лазерного сканирования, разработок веб-приложений, информационно-аналитических систем, автоматизированных сервисов мониторинга изменений лесной растительности. Участниками конференции были предложены рекомендации по усовершенствованию систем дистанционного мониторинга и отмечен большой прогресс в разработке и использовании искусственного интеллекта для задач распознавания по дистанционным данным крон деревьев, вырубок, объектов лесной инфраструктуры и др. По результатам конференции подготовлен сборник тезисов докладов в электронном виде и размещен на сайте научной электронной библиотеки Elibrary. Информация о IX Всероссийской научной конференции, включающая программу, сборник материалов, видеотрансляции пленарных и секционных заседаний, презентации докладов доступна по ссылке https://cepl.rssi.ru/confs/ASGIS2025/.

Ключевые слова: конференция, данные дистанционного зондирования, лесные экосистемы, оценка характеристик лесов, динамика породно-возрастной структуры лесов, очаг размножения лесных насекомых, геоинформационный анализ, аэросъемка с беспилотных летательных аппаратов, воздушное и наземное лазерное сканирование, искусственный интеллект, картографические геосервисы

IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии» прошла с 15 по17 апреля 2025 года в г. Москва в ФГБУН Центр по проблемам экологии и продуктивности лесов им. А. С. Исаева РАН при организационной поддержке ФГБУН Института космических исследований РАН. Первая конференция «Аэрокосмические методы и информационные системы в лесоведении и лесном хозяйстве» была организована В. И. Сухих в 1993 году и до 2007 года проводилась один раз в пять лет. Затем, начиная с 2013 года, было решено проводить конференции один раз в три года в связи с быстрым прогрессом в вычислительных технологиях и средствах дистанционного зондирования (ДДЗ). Основная задача конференции не изменилась с 1993 года  – это обмен опытом и знаниями между учеными-лесоводами, экологами, биологами и работниками лесного хозяйства с целью оценить перспективность использования спутниковых и наземных данных, методов их анализа как для решения фундаментальных исследовательских, так и прикладных задач мониторинга, оценки динамики, ресурсного потенциала и экосистемных функций лесов.

На Девятую Всероссийскую научную конференцию (с международным участием) «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии» зарегистрировались более 130 человек из научных, производственных и учебных организаций России, Республики Беларусь и Азербайджана. Среди участников конференции 30% составили молодые ученые, аспиранты и студенты. Были заслушаны 60 докладов по ключевым научно-исследовательским направлениям использования данных дистанционного зондирования (ДДЗ) и геоинформационных технологий в лесоведении, лесном хозяйстве и экологии (рис. 1).  

Рисунок 1. Участники IX Всероссийской (с международным участием) научной конференции «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»

В конференции приняли участие в качестве слушателей представители федеральных и региональных министерств и ведомств России, в том числе  Федерального агентства лесного хозяйства (ФБУ «Рослесозащита»), природоохранных и экологических  департаментов г. Москвы и Минэкономразвития России (Департамент конкуренции, энергоэффективности и экологии Минэкономразвития России, ГПБУ «Государственный природоохранный центр», Департамент природопользования и охраны окружающей среды города Москвы). В день открытия конференции с приветственным словом к собравшимся выступила директор Центра по проблемам экологии и продуктивности лесов им. А. С. Исаева д.б.н., профессор, чл.-корр. РАН Наталья Васильевна Лукина, обратив особое внимание на важное прикладное значение научных исследований для принятия управленческих решений (мониторинг и инвентаризация лесов).

Пленарные доклады. В начале каждого дня конференции проходила пленарная сессия, посвященная определенному кругу задач. В первый день (15 апреля 2025 г.) был заслушан доклад д.т.н. С. А. Барталева (ИКИ РАН) о современных крупномасштабных изменениях лесов России по данным космического мониторинга (рис. 2).

Рисунок 2. Барталев С. А. выступает с пленарным докладом на IX Всероссийской (с международным участием) научной конференции «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии» 15.04.2025 г.

Сотрудниками ИКИ РАН были разработаны автоматизированные технологии создания ежегодных спутниковых карт (наземных экосистем, лесистости, запасов стволовой древесины, преобладающих пород и типов леса, бонитета, возрастной структуры и др.) на основе интеграции    временных рядов данных со спутника MODIS за период с 2000 по 2025 годы и наземных данных о лесах (лесоустройства, инвентаризации лесов, тестовых полигонов и др.). На основе анализа спутниковых продуктов были получены важные результаты: определена площадь покрытых лесной растительностью земель России (включая учтенные леса – 747 млн га, редины – 38 млн га, а также неучтенные – 50 млн га и 2 млн га, соответственно); проанализирована динамика важных показателей за период с 2002 по 2023 г. –  рост лесистости и полноты древесной растительности на севере страны, связанный с увеличением средних температур, роста запаса стволовой древесины в лесах, особенно на европейской части России на 1 млрд м³ в год, увеличение площади лесов, занятых лиственными породами (например, березой  – на 17%) и др. Полученные данные являются основой для расчета бюджета углерода в лесах России с использованием методов дистанционного зондирования. С докладом об оценке повреждений лесов России  пожарами по данным прибора MODIS выступил д.т.н. Е. А. Лупян (ИКИ РАН). Основная проблема – связь интенсивности горения с повреждениями растительности от пожаров. На основе многолетних рядов данных MODIS выявлена зависимость гибели лесов от сезона и преобладающей породы – наибольшая вероятность гибели от пожаров характерна для хвойных (особенно лиственничных) лесов в летний сезон, а наименьшая вероятность – для лиственных лесов в весенний сезон. Приведена оценка ежегодной динамики с 2001 по 2024 г. как площади погибших лесов, так и площади, пройденной лесными пожарами. Увеличения площади лесов, пройденных огнем, не происходит, но площадь лесов, погибших от последствий пожара, имеет тенденцию к росту. В основном прирост отмечен в Восточной Сибири. В докладе также затронута насущная задача дистанционного мониторинга: проблема перехода от данных MODIS к другим спутниковым данным в связи с приближающимся сроком окончания эксплуатации спутников Terra/Aqua с радиометром  MODIS.

Заведующий лабораторией мониторинга лесных экосистем ЦЭПЛ РАН Дмитрий Владимирович Ершов познакомил участников конференции с результатами оценки прямых эмиссий углерода от пожаров за 2011-2024 годы по территории России и развитием геоинформационных технологий создания карт лесных горючих материалов по данным MODIS (рис. 3). Создан полноценный программный продукт, позволяющий проводить ежегодные оценки эмиссий углерода на национальном и региональном уровнях. Наибольшие объемы прямых эмиссий углерода от пожаров фиксировались в 2012 и 2021 годах, среднее значение за период 2011–2024 гг. составило 104.9 МтС. Основным источником прямых пожарных эмиссий углерода и других парниковых газов являются леса Сибири и Дальнего Востока.

Рисунок 3. Ершов Д. В. выступает с пленарным докладом на IX Всероссийской (с международным участием) научной конференции «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии» 15.04.2025 г.

Во второй день конференции пленарные доклады касались важных проблем закономерностей формирования очагов вспышек лесных насекомых и зарастания лесом бывших сельскохозяйственных земель в России. В своем докладе д.б.н., профессор В. Г. Суховольский (Институт леса им. В. Н. Сукачева СО РАН) выдвинул две гипотезы возникновения очагов вспышки насекомых на примере развития очага сибирского шелкопряда в Красноярском крае в 2019–2020 гг. (рис. 4). В качестве показателя, характеризующего состояние деревьев, предложено использовать показатель восприимчивости вегетационного индекса растительности NDVI в течение сезона к изменению радиационной температуры территории LST, рассчитанных по данным MODIS. С использованием этих дистанционных данных можно заблаговременно выявить потерю устойчивости насаждения к воздействию насекомых и прогнозировать возможные масштабы будущих повреждений лесов (Суховольский, Ковалев, 2025).

Рисунок 4. Суховольский В. Г. выступает с пленарным докладом на IX Всероссийской (с международным участием) научной конференции «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии» 16.04.2025 г.

Представитель Ассоциации «Охрана природы» А. Ю. Ярошенко ознакомил участников конференции с проблемой учета и оценки динамики зарастания заброшенных сельскохозяйственных земель в России древесными породами. Затронут вопрос неопределенности правового положения лесов на этих землях и невозможности проведения лесоводственных мероприятий. Площадь лесов на сельхозземлях может достигать 7% от площади всех земель России. Дистанционные данные необходимы для оценки площадей неиспользуемых земель сельхозназначения и динамики их зарастания лесом.

В заключительный день конференции пленарная сессия была посвящена анализу современных изменений в лесах России на региональном уровне и возможностям использования в геоинформационных системах архивных материалов геоботанических описаний. М. Ю. Грищенко (МГУ им. М. В. Ломоносова, Географический ф-т) познакомил слушателей с результатами совместной работы российских ученых из разных организаций по оценке изменений в бореальных темнохвойных лесах Северо-Восточной Азии с доминированием ели аянской (Picea jezoensis) за 20-летний период по спутниковым данным Landsat. Общая точность классификации временных рядов композитов Landsat GLAD ARD довольно высокая – 97%. С 2001 года отмечено снижение площади темнохвойных лесов в Хабаровском и Приморском краях. На 2021 год площадь темнохвойных лесов составляет 47.6 тыс. км², по сравнению с 2001 г она снизилась минимум на 10%. Основные причины гибели лесов это пожары и вырубки – 64% (Дудов и др., 2025).

Важный доклад был представлен д.б.н. А. А. Масловым (ИЛ РАН) на тему о возможных проблемах и особенностях применения архивных многолетних материалов геоботанических описаний для геоинформационного анализа многолетней динамики в лесах (рис. 5).

Рисунок 5. Маслов А. А. выступает с пленарным докладом на IX Всероссийской (с международным участием) научной конференции «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии» 17.04.2025 г.

Особое внимание в докладе было уделено методическим проблемам геопривязки точек геоботанических описаний из архивных материалов. На примере Московской обл., где за период 1980–1991 гг. было сделано более 200 лесоводственно-геоботанических описаний заповедных лесных участков. Ошибка привязки зависит от размера таксационного выдела и составляет в среднем около 30 м. На примере нескольких пробных площадок показано, что смещение в 30-50 м при повторных геоботанических описаниях не должно существенно влиять на анализ динамики изменения растительности.

Секционные доклады. Секционные доклады конференции были сгруппированы в несколько близких по тематике блоков и охватывали следующие направления:

• методы комплексной обработки данных дистанционного зондирования Земли различного пространственного, спектрального и временного разрешения для изучения лесов;
• дистанционные методы оценки ресурсного потенциала лесов, нарушений в результате пожаров, рубки леса и вспышек массового размножения насекомых;
• развитие методов аэросъемки с БПЛА, воздушного и наземного лазерного сканирования для мониторинга лесов на локальном уровне и таксации лесных насаждений;
• применение нейронных сетей для автоматического распознавания отдельных деревьев и объектов лесной инфраструктуры на снимках;
• картографирование и дистанционная оценка масштабов зарастаний заброшенных сельскохозяйственных земель;
• геоинформационные технологии для оценки динамики лесов и пространственного анализа данных государственной инвентаризации лесов (ГИЛ);
• Web-технологии и геосервисы для сбора и анализа информации о лесах и лесной инфраструктуре по наземным и спутниковым данным.

В первый день конференции в секционных докладах освещались особенности лесотакционного дешифрирования, картографирования лесного покрова и классификации земель по спутниковым данным, возможности использования вегетационных индексов и биофизических параметров, рассчитанных по данным космической съемки. Так, и.о. директор ФБУ ВНИИЛМ В. М. Сидоренков в своем докладе сделал акцент на методических аспектах технологии дешифрирования горных лесов на примере горных районов Южной Сибири. Для создания карты границы леса использовались данные с российского спутника Метеор-М, а обобщение предыдущих исследований и анализ результатов экспериментальных работ позволили создать математические модели роста леса с учётом особенностей рельефа (Сидоренков и др., 2025). Сотрудники ЦЭПЛ РАН ознакомили слушателей с результатами работ лаборатории мониторинга лесных экосистем по картографированию наземных экосистем и древесных пород, геопространственному моделированию биометрических характеристик лесов на основе спутниковых данных высокого и сверхвысокого пространственного разрешения (Белова и др., 2025; Сочилова и др., 2025; Князева и др., 2025). Была представлена методика определения запасов сырорастущей древесины для разных пород деревьев методом восстановления регрессионных зависимостей между спектральными яркостями на зимних изображениях Landsat-8 и таксационными характеристиками по данным лесоустройства на примере лесов Костромской области. Коэффициент детерминации немного больше для лиственных пород, чем для хвойных, но, в целом, превышает 0.8 (Сочилова и др., 2025). Большой интерес вызвали доклады, посвященные использованию ДДЗ для оценки эстетических характеристик ландшафтов заповедников и выделения экологических каркасов курортных городов Кавказских Минеральных Вод.

Во второй день конференции (16 апреля 2025 г.) утренние секционные выступления были посвящены лесопатологическому мониторингу с помощью ДДЗ. Ученые из Красноярска и Санкт-Петербурга познакомили слушателей с дистанционными возможностями выявления очагов вспышек хвоегрызущих насекомых и ранних стадий повреждения в лесах Сибири и Русской равнины. Для оценки повреждений использовались вегетационные индексы NDVI и SWVI, рассчитанные по данным MODIS и Sentinel-2B (Алексеев, Черниховский, 2025; Ковалев, Суховольский, 2025). Основной блок докладов второго дня конференции включал результаты применения данных оптических аэрофотоснимков с беспилотных летательных аппаратов (БПЛА), воздушного и наземного лазерного сканирования для оценки характеристик лесов. Доклады, иллюстрирующие применение аэрофотосъемки, освещали возможности автоматического распознавания на снимках крон древостоев при помощи нейросетей (Никитина, 2025) и геоинформационного анализа проекций крон деревьев по площади и форме (Браславская и др., 2025). Также было показано выявление разной степени нарушений почвенного покрова на сплошных вырубках (Ильинцев, Черкасов, 2025). 

Представители бизнес-сообщества сделали доклады о проблемах и перспективах дистанционной таксации леса и создания цифровых моделей рельефа с помощью воздушного лазерного сканирования. Сотрудниками ООО «Открытый лес» (Архангельская обл.) было разработано программное обеспечение «Арборитм» для автоматической обработки данных воздушного лазерного сканирования и получения таксационных показателей. Особенно стоит отметить классификатор породы на основе проекций деревьев. Результаты экспериментальных работ были продемонстрированы на примере тестовых полигонов, входящих в сеть мониторинга климатически активных веществ России (РИТМ углерода). Генеральный директор ООО «ГеосАэро» (Пенза) З. А. Савенков в своем докладе обосновал предпочтительный выбор осеннего сезона для съемки при помощи лазерных приборов в целях создания цифровой модели рельефа и выявления валежа. Сотрудники ЦЭПЛ РАН представили доклады с оценкой эффективности, как отдельных видов дистанционного зондирования, так и интегральных возможностей данных аэрофотосъёмки, воздушного лазерного сканирования, радарной и мультиспектральной спутниковой съемки на примере тестовых полигонов сети мониторинга в рамках программы РИТМ углерода  (Гаврилюк, 2025; Ершов и др., 2025; Тихонов и др., 2025). Первые результаты экспериментальных работ по определению пород деревьев, высоты, диаметра и объема стволов, запаса стволовой древесины и углерода подтверждают информативность комплексного анализа данных и необходимость апробации методики для разных лесорастительных условий. Интересные доклады по применению мобильного наземного лазера для получения координат деревьев и измерения диаметров представили специалисты из С-Петербурга и Москвы. Наиболее эффективно использование наземного лазера в загущенных молодых насаждениях и подросте, а разработанное собственное программно-алгоритмическое обеспечение позволяет увеличить точность детектирования стволов по сравнению с модулем на открытом программном коде CloudCompare (Мателенок, Семенов, 2025). Особо необходимо отметить выступление представителя ВНИИЛМ Н. В. Малышевой с большим докладом об оценке биологической продуктивности по данным ГИЛ на основе геостатического метода (рис. 6). В картографической форме были представлены результаты пространственного моделирования методом кригинга показателей биологической продуктивности, рассчитанных по разным наборам исходных данных на примере Республики Карелии. Сопоставление пространственных моделей фактического и расчетного по таблицам хода роста показателей позволило продемонстрировать снижение текущего прироста и потенциала продуктивности лесов в результате заготовки древесины и неблагоприятных воздействий природного характера (Малышева и др., 2025).

Рисунок 6. Малышева Н. В. выступает с секционным докладом на IX Всероссийской (с международным участием) научной конференции «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии» 16.04.2025 г.

В заключительный день конференции в утренней сессии были представлены доклады, посвященные анализу изменений лесных экосистем под воздействием антропогенной нагрузки, динамике породного состава лесов и лесопокрытых территорий на региональном и локальном уровне. Например, сотрудники Института биологии ФИЦ Коми НЦ УрО РАН привели оценку многолетних изменений годового стока водосборного бассейна р. Мезень под воздействием сплошных промышленных рубок, которые детектировались по ДДЗ. С момента начала активной лесозаготовительной деятельности на территории водосбора с 1980-х г. и до 2005 г. среднее значение пятилетней дисперсии годового стока выросло в два раза по сравнению с периодом 1960–1979 г. (Боровлев и др., 2025). Подробный доклад сделал представитель Карельского НЦ РАН В. В. Тарасенко о динамике растительности на островах национального парка (НП) «Ладожские шхеры». Были построены пространственные модели растительного покрова по временным рядам спутниковых данных Landsat-5 и Sentinel-2 за период 1987–2024 г. и выявлена по индексу гари динамика хвойных насаждений в результате пожаров антропогенного происхождения. Все результаты включены в специально разработанную геоинформационную систему для использования в природоохранной деятельности администрации НП (Тарасенко, Раевский, 2025). Тихонова Е. В. представила работу большого коллектива ученых по анализу динамики породного состава лесов в НП «Нижегородское Поволжье» за период 1985–2024 гг. В исследовании был задействован комплекс дистанционных съемок разного пространственного разрешения: разносезонная аэрофотосъемка с БПЛА, космический снимок сверх высокого пространственного разрешения Jilin, временные композиты Landsat. Дистанционные данные позволили выявить замещение пихто-ельников липовых лесами с преобладанием липы с елью (Тихонова и др., 2025).

Большое внимание участников конференции привлекли секционные доклады о разработке ГИС-инструментов и автоматизации сбора/обработки данных для мониторинга лесов, оценки лесной инфраструктуры, создания и применения геосервисов и возможностей облачных платформ. В докладе Д. В. Макурина представлен опыт дистанционного мониторинга лесов Пермского края средствами информационной системы с использование искусственного интеллекта для распознавания незаконных рубок и повреждений лесов от болезней и насекомых. Использованы разновременные и разносезонные композиты Sentinel и Landsat, данные российских спутников оказались мало пригодны для мониторинга вследствие небольшого покрытия территории края и трудностей предварительной обработки. Выделяется блок докладов, посвященных вопросу распознавания объектов лесной инфраструктуры и оценки транспортной доступности лесных участков. Процессы автоматизации анализа дистанционных и наземных данных в этих темах приобретают первостепенное значение. Обзорный доклад о возможностях современных нейросетей сделала сотрудник ЦЭПЛ РАН Е. С. Подольская. Наиболее широко применяемыми архитектурами, среди находящихся в открытом доступе нейросетей, для распознавания на снимках дорожной сети являются UNet и ResNet (Подольская, Кокуркин, 2024). Современная версия YOLOe (нейросетевая архитектура, специализирующаяся на обнаружении и распознавании объектов в реальном времени) учитывает геопространственную привязку данных и обладает повышенной устойчивостью к различным условиям съемки и атмосферным явлениям, что делает ее оптимальным вариантом выбора для анализа лесных территорий.  Начиная с 2025 г. в магистратуре по пространственным данным и прикладной геоаналитике Факультета географии и геоинформационных технологий НИУ ВШЭ ведется курс лекций и семинарских занятий «Машинное обучение в пространственных задачах» с использованием нейросетей (Подольская, Шайахметов, 2025).

Наши коллеги из Республики Беларусь ознакомили слушателей с первыми результатами работы национального специализированного информационного ресурса – геосервиса «Состояние лесов» (Пушкин и др., 2025). В качестве исходных данных используются данные космической съемки Sentinel и Landsat, а также специализированные картографические слои и атрибутивные базы данных, формируемые при проведении базового лесоустройства. Геосервис обеспечивает дистанционное детектирование и определение площадей повреждений лесов (массовые усыхания; ветровальные и буреломные повреждения; повреждения лесными пожарами), прогноз пожарной опасности лесных территорий, оценку устойчивости лесных насаждений. В настоящее время внедрение геосервиса «Состояние лесов» ограничивается территорией Минской области (20 лесхозов).

Живой интерес вызвал заключительный доклад конференции сотрудника Филиала ФБУ ВНИИЛМ «Центр лесной пирологии» из Красноярска Р. В. Котельникова о примерах использования  облачной платформы Yandex Cloud от компании Яндекс для картографической визуализации и анализа пожароопасных сезонов в лесах по субъектам РФ, плотности населения вблизи лесов, динамики лесопожарного зонирования и др. информации о лесных пожарах. Сервис можно использовать для автоматического сбора периодически обновляющихся данных от внешних организаций, например для обновления краткосрочного прогноза вероятности возникновения лесных пожаров. В качестве одного из интересных примеров можно отметить реализацию на данной платформе голосового навыка «Лесная пирология» для голосового ассистента «Алисы», когда в диалоговом режиме можно получить голосовую информацию об основных лесопирологических особенностях лесных районов (Котельников, 2025).

В целом, по итогам докладов конференции можно отметить некоторые тенденции в научных исследованиях.

• Очень небольшое использование данных с российских спутников (всего 2-3 доклада, где применяли эти данные). С большой вероятностью это связано с недостаточной обеспеченностью российской группировки спутников необходимой аппаратурой с широким диапазоном съемки.
• Крайне мало докладов с применением в научных исследованиях лесов спутниковых данных сверх высокого пространственного разрешения (Князева и др., 2025, Тихонова и др., 2025). Возможно, эта тенденция объясняется трудностями получения данных с зарубежных коммерческих спутников, а также большим вниманием к данным аэросъемки с БПЛА, которые заменили высокодетальные космические снимки на локальном уровне.
• Быстрый прогресс в разработке и использовании искусственного интеллекта для задач распознавания по дистанционным данным крон деревьев, рубок, объектов лесной инфраструктуры, повреждения насаждений и др. Есть продвижение в интеграции российских научных работ в образовательную деятельность, развитие учебных курсов по геоискусственному интеллекту.
• Широкое использование программных продуктов открытого доступа и облачных платформ для различных задач мониторинга, сбора и анализа данных о лесах.

Необходимо также отметить, что в отличие от конференций прошлых лет, на IX конференции не были представлены доклады, посвященные развитию в профильных вузах лесного образования с применением ДДЗ и ГИС-технологий.

В результате обсуждения докладов в ходе конференции от участников поступили следующие предложения:  1) развивать ИСДМ-Рослесхоз в части создания подсистемы мониторинга вспышек массового размножения насекомых в лесах России (А. С. Алексеев, СПбГЛТУ); 2) разрабатывать методы для ежегодной оценки площадей заросших лесом сельскохозяйственных земель России по спутниковым данным (А. Ю. Ярошенко, Ассоциация «Охрана природы»); 3) рекомендовать заинтересованным исследователям и разработчикам систем объединять усилия в части разработки единых подходов к тестированию и сравнению аэрокосмических методов оценки таксационных характеристик лесов с данными наземных наблюдений на тестовых лесных участках в разных лесорастительных условиях; 4) размещать научные рекомендации по результатам исследований для открытого доступа специалистам лесного хозяйства и экологии, а также  региональным структурам госуправления в целях поддержки  принятия управленческих решений (А. С. Плотникова, ЦЭПЛ РАН); 5) провести очередную X Всероссийскую научную конференцию «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии» в апреле 2028 г. в г. Москве.

По результатам конференции был подготовлен сборник тезисов докладов в электронном виде и размещен на сайте научной электронной библиотеки Elibrary (https://www.elibrary.ru/item.asp?id=82341845) с регистрацией в базе данных РИНЦ (Российский индекс научного цитирования). ‑ЗХ

Конференция проводилась в смешанном очно-дистанционном формате. Вся информация о Девятой Всероссийской научной конференции (программа, сборник материалов, видеотрансляции пленарных и секционных заседаний, презентации докладов) доступна по ссылке https://cepl.rssi.ru/confs/ASGIS2025/.

IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии» проведена в соответствии с государственным заданием по теме «Биоразнообразие и экосистемные функции лесов» (Регистрационный номер НИОКТР 124013000750-1).

Рисунок 7. Сотрудники ЦЭПЛ РАН – организаторы IX Всероссийской (с международным участием) научной конференции «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии», прошедшей с 15 по 17 апреля 2025  г. в Москве

Организационный комитет выражает большую благодарность администрациям и сотрудникам ЦЭПЛ РАН им. А. С. Исаева и ИКИ РАН за всестороннюю поддержку в организации и проведении конференции (рис. 7).

ФИНАНСИРОВАНИЕ

Работа выполнена в рамках государственного задания ЦЭПЛ РАН по теме «Биоразнообразие и экосистемные функции лесов» (Регистрационный номер НИОКТР 124013000750-1).

СПИСОК ЛИТЕРАТУРЫ

Алексеев А. С., Черниховский Д. М. Выявление ранних стадий повреждения еловых древостоев короедом типографом на основе совмещения данных наземных пробных площадей и материалов ДЗЗ // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 11–12.

Белова Е. И., Князева С. В., Королева Н. В., Ершов Д. В. Технология регионального картографирования наземных экосистем и древесных пород по разносезонным спутниковым изображениям Landsat // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 14–16.

Боровлёв А. Ю., Мыльникова Т. А., Елсаков В. В. Изменения объемов годового стока под влияем промышленных рубок леса на примере водосборного бассейна р. Мезень (Удорский район Республики Коми) // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 18–20.

Браславская Т. Ю., Никитина А. Д., Князева С. В. Оценка состояния древостоев с использованием данных съёмки БПЛА на основе распределения проекций крон деревьев по площади и форме // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 20–22.

Гаврилюк Е. А. Сравнительный анализ эффективности геопространственного моделирования запасов стволовой древесины и углерода древостоев на основе спутниковых данных и результатов воздушного лазерного сканирования // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 23–25.

Дудов С. В., Дзизюрова В. Д., Рябенко О. И., Грищенко М. Ю., Корзников К. А. Темнохвойные леса Дальнего Востока России: новые карты и причины потерь в  XXI веке // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 35–36.

Ершов Д. В., Гаврилюк Е. А., Тихонов Д. Н., Никитина А. Д., Белова Е. И. Методика определения таксационных характеристик верхнего яруса древостоя на основе обработки данных аэрофотосъемки и воздушного лазерного сканирования на примере модельной территории заповедника «Кивач» // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 36–39.

Ершов Д. В., Сочилова Е. Н., Ковганко К. А. Развитие технологии геопространственной оценки прямых эмиссий углерода от лесных пожаров России по спутниковым продуктам // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 39–40.

Ильинцев А. С., Черкасов Н. С. Анализ нарушений почвенного покрова на сплошных вырубках с помощью беспилотного летательного аппарата // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 43–45.

Князева С. В., Никитина А. Д., Белова Е. И. Оценка характеристик лесов по высокодетальным данным российского спутника Ресурс-П1 // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 49–51.

Ковалев А. В., Суховольский В. Г. Выявление очагов вспышек хвоегрызущих насекомых Сибири по данным ДЗЗ // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 51–52.

Котельников Р. В. Использование сервисов Yandex Cloud для интерактивной обработки и визуализации лесопожарной информации // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 54–56.

Макурин Д. В., Полевщикова Ю. А., Шевелев Д. А., Иванина Л. А. Опыт дистанционного мониторинга лесов Пермского края средствами региональной государственной информационной системы «Умный лес» // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 61–62.

Малышева Н. В., Золина Т. А., Филипчук А. Н., Сильнягина Г. В. Геостатистический метод оценки показателей биологической продуктивности по данным государственной инвентаризации лесов // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 63–64.

Мателенок И. В., Семенов Д. А. Возможности автоматизированной оценки положения стволов молодых деревьев по данным наземного лазерного сканирования // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 64–66.

Никитина А. Д. Переход от визуального дешифрирования к Mask R-CNN: оценка согласованности в определении характеристик сосновых лесов // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 70–71.

Подольская Е. С., Кокуркин А. Д. Результаты тестирования архитектур нейросетей для распознавания дорог // Региональные проблемы дистанционного зондирования Земли: материалы XI Международной научной конференции. Красноярск, 10–13 сентября 2024 г. / Сиб. федер. ун-т, Ин-т космич. и информ. технологий; отв. ред. Р. В. Брежнев. Красноярск: СФУ, 2024. C. 323–326.

Подольская Е. С., Шайахметов А. Р. Современные нейросети для распознавания объектов инфраструктуры лесного хозяйства // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 78–80.

Пушкин А. А., Коцан В. В., Ильючик М. А. Геосервис оценки состояния хвойных лесных насаждений и прогноза пожарной опасности земель лесного фонда на основе данных космической съемки // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 81–83.

Сидоренков В. М., Капиталинин Д. Ю., Ачиколова Ю. С., Астапов Д. О., Рябцев О. В. Особенности лесотаксационного дешифрирования горных лесов // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 84–86.

Сочилова Е. Н., Ершов Д. В., Королева Н. В. Метод и результаты геопространственного моделирования запасов стволовой древесины на основе комбинации наземных данных и спутниковых продуктов высокого пространственного разрешения на примере лесов Костромской области // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 90–91.

Суховольский В. Г., Ковалев А. В. Формирование очагов вспышек лесных насекомых: вид сверху // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 93–94.

Тарасенко В. В., Раевский Б. В. Исследование современного состояния и динамики растительного покрова архипелага Тулолансари (национальный парк «Ладожские шхеры») // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 95–96.

Тихонов Д. Н., Белова Е. И., Ершов Д. В. Оценка запасов углерода в древостое зарастающих сельскохозяйственных полей на основе данных беспилотной аэрофотосъемки, воздушного лазерного сканирования и оптических спутниковых снимков на примере Череповецкого района Вологодской области // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 96–98.

Тихонова Е. В., Горнов А. В., Ершов Д. В., Белова Е. И., Тихонов Д. Н., Гаврилюк Е. А., Никитина А. Д., Наумкин А. А., Титовец А. В., Кольцов Д. Б. Динамика породного состава лесов Килемарского участка национального парка «Нижегородское Поволжье» по данным наземных исследований и ДЗЗ // IX Всероссийская (с международным участием) научная конференция «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии»: сб. ст. 2025. С. 98–100.

Рецензент: к.б.н. Куприн А. В.

]]> https://jfsi.ru/anniversary_fedorchuk/ Wed, 14 Jan 2026 19:26:38 +0000 https://jfsi.ru/?p=7973

15 января 2026 года исполняется 90 лет Виктору Николаевичу Федорчуку, кандидату биологических наук, замечательному русскому лесоводу и геоботанику, занимающемуся всю свою жизнь исследованиями лесов средней и южной тайги Европейской России. Им опубликовано около двухсот научных работ, посвященных классификации лесов Северо-Запада России, включая две основательных монографии по классификации и характеристике лесных экосистем, включая заповедные участки тайги в этой части страны (Федорчук и др., 2005[1], 2012[2]). Виктор Николаевич, пожалуй, единственный геоботаник, успешно работающий всю свою жизнь строго по методике Л. Г. Раменского. Совместно с С. А. Дыренковым он принимал активное участие в организации национального парка (ранее ООПТ) «Вепсский лес» с обширной территорией нетронутой средней тайги и абсолютно-разновозрастными лесами на востоке Ленинградской области. Здесь уже более полувека ведутся исследования, результаты которых публиковались и докладывались на научных конференциях.

Отличительными чертами Виктора Николаевича являются доброжелательность, трудолюбие и скромность. Его уникальная деликатность в сочетании с достоинством вызывают уважение. Его огромное трудолюбие, тщательная проработка больших массивов первичных материалов также всегда вызывали у его коллег чувство глубокого уважения, иногда на грани изумления.

Интенсивная научная деятельность Виктора Николаевича всегда сочеталась у него с поэтическим творчеством. Говоря высоким слогом, он певец русского леса. И не только, его стихи о жизни и войне трогают до глубины души. Им опубликовано около двух десятков сборников стихов в различных издательствах Ленинграда / Санкт-Петербурга. Он блокадник (в статусе ветерана Великой отечественной войны), ребенок, выживший в блокадном городе в то тяжелое время.

Пожелаем же Виктору Николаевичу здоровья, душевного комфорта и продолжения жизни в творчестве!

 [1] Федорчук В. Н., Нешатаев В. Ю., Кузнецова М. Л. Лесные экосистемы северо-западных районов России. Типология, динамика, хозяйственные особенности / Отв. ред. О. Г. Чертов. СПб: Санкт-Петербургский НИИ лесн. хоз-ва. 2005. 381 с.

[2] Федорчук В. Н. Шорохов А. А., Шорохова Е. В., Кузнецова М. Л., Тетюхин С. В. Массивы коренных еловых лесов: структура, динамика, устойчивость – Pristine spruce dominated forest landscapes: structure, dynamics, stability / Отв. ред. В. Н. Федорчук. Мин. природных ресурсов и экологии, Федеральное агентство лесного хоз-ва, Федеральное бюджетное учреждение «Санкт-Петербургский НИИ лесного хоз-ва». Санкт-Петербург: Изд-во Политехнического ун-та. 2012. 135 с.

Чертов О.Г.  –  д.б.н., главный научный сотрудник Центра по проблемам экологии и продуктивности лесов им. А.С. Исаева РАН

Е-mail: ochertov@rambler.ru

© 2025                                    В. И. Кравцова, М. В. Зимин, Е. Р. Чалова

Московский государственный университет имени М. В. Ломоносова, географический факультет, Россия, 119199, Москва, Ленинские горы, д.1, МГУ, Географический факультет

E-mail: valentinamsu@yandex.ru

Поступила в редакцию: 02.06.2025

После рецензирования: 08.11.2025

Принята к печати: 04.12.2025

Разработка нефтяных месторождений в лесных районах оказывает сильное воздействие на леса. Обустройство месторождений связано с расчисткой территории под площадки нефтедобычи, создание сооружений по первичной обработке нефти, нефтепроводов для ее транспортировки. Развитие нефтедобычи на уже обустроенном месторождении связано с потерями нефти при авариях на пунктах добычи и нефтепроводах и деградацией растительности на участках нефтяных разливов. Оба аспекта — сокращение площадей лесов и деградация растительности в районах нефтедобычи – определяют актуальность их исследований по космическим снимкам. Работа выполнена на примере участка Самотлорского месторождения в Западной Сибири. Материал для исследований – современные космические снимки со спутника WorldView-3 2019 г. и 2022 г., обзорно-топографическая карта 1980 г. Методы исследований – определение площадей лесов по карте 1980 г. и снимкам 2019 г.; дешифрирование нефтяных разливов по космическим снимкам; получение графиков спектральной яркости для участков с разными типами деградированной растительности в пределах разливов и для аналогичных типов растительности вне разливов, в естественных условиях, по снимкам, полученным в год разлива и через три года. В результате выявлено трехкратное сокращение площади лесов исследуемого участка с 1980 г. Полученные по снимкам WorldView-3 кривые спектральной яркости деградированной растительности по сравнению с естественной  характеризуются снижением NIR1-максимума до 60% у кустарниковой и до 80% у лесной растительности. Повторная съемка через три года показала уменьшение этих различий, фиксируя частичное естественное восстановление растительности.

Ключевые слова: техногенное воздействие, нефтяные разливы, деградация лесов, естественное восстановление растительности, космические снимки, спектральная яркость, дешифрирование

Разработка нефтяных месторождений, добыча и транспортировка нефти в районах таежной зоны сопровождаются сильнейшим воздействием на леса. Обустройство площадок нефтедобычи, сооружений по первичной обработке углеводородосодержащих продуктов, создание нефтепроводов предусматривают освобождение территории и связаны с прямым уничтожением лесной растительности. Дальнейшая транспортировка продуктов по нефтепроводам сопровождается потерями нефти, ее разливами при авариях, составляющими, по данным экологов России, около 1% добытой нефти, а нефтезагрязнение почв вызывает деградацию естественной растительности. Таким образом, леса первоначально страдают при обустройстве месторождений, когда их площади резко сокращаются, а затем в процессе разработки оставшиеся участки лесов подвергаются воздействию разливов нефти.

В нашем исследовании на примере Самотлорского месторождения в Западной Сибири – одного из крупнейших в мире и разрабатываемого с 1960-х годов – выявляются оба эти аспекта воздействия нефтедобычи на леса. Долговременные изменения, сокращение площади лесов фиксируются при сравнении топографических карт, создававшихся в 1930-1960-х годах, с современными космическими снимками, фиксирующими их площади в настоящее время. Второй аспект – влияние нефтяных разливов на лесную растительность – исследуется по космическим снимкам, на которых отображаются нефтяные разливы, причем используются снимки, полученные как в годы, когда происходили утечки нефти, так и в последующие годы, что позволяет прослеживать изменения в состоянии растительности после разливов.

Изучение воздействия нефтедобычи на состояние лесов привлекает широкий круг исследователей. Сложная задача изучения преобразования ландшафтов, их динамики под сильнейшим антропогенным воздействием безусловно требует тщательных и продолжительных наземных исследований и экспериментов на пробных площадях. Они широко проводятся западносибирскими исследователями и отражены в статьях и научных монографиях о воздействии добычи нефти на экосистемы Западной Сибири (Московченко, 1998; Чижов, 1998; Москаленко, 2006; Соромотин, 2010). Однако пространственной картины изменения ландшафтов региона с выходом на картографирование их динамики в этих работах не давалось. В 1970-1990-х гг. в нашей стране была выполнена космическая фотосъемка со спутников «Ресурс-Ф» и разработана Программа Комплексной Картографической Инвентаризации Природных Ресурсов (ККИПР) в Госцентре «Природа», после чего О. И. Котова составила обзорную карту изменений природной среды в районе озера Самотлор в связи с нефтедобычей (Космические…, 1998). Карта отражает различные виды воздействия на природу при нефтедобыче, но не отвечает на вопросы, как преобразуются лесоболотные ландшафты в условиях техногенного пресса, насколько сокращаются лесопокрытые площади и как изменяются оставшиеся участки лесов. Другое исследование районов нефтеразработок по космическим снимкам выполнено в 2007-2009 гг. в совместном проекте компании «Совзонд» и Научно-аналитического центра рационального природопользования им. В. И. Шпильмана Ханты-Мансийского автономного округа – Югры. По космическим снимкам ALOS-AVNIR-2 была создана цветная мозаика снимков с разрешением 10 м на всю территорию ХМАО и предложена технология обработки и анализа мультиспектральных данных ДЗЗ для автоматизированного выявления и картографирования нефтезагрязненных и нарушенных земель. Однако реальные результаты обработки снимков приводятся в публикации лишь для единичных частных примеров (Абросимов и др., 2009). Таким образом, и в этом случае задача картографирования долговременных изменений экосистем в условиях нефтедобычи оставалась невыполненной, актуальность такого исследования сохраняется.

В связи с этим в нашей работе поставлена задача: на примере одного из районов Самотлорского месторождения определить и закартографировать изменения в распространении лесов на участке нефтеразработок со времени начала нефтедобычи, когда площади лесов были зафиксированы топографическими картами.

Второй аспект – влияние происходящих при нефтедобыче разливов нефти на лесную растительность – исследуется по космическим снимкам, позволяющим проследить изменения растительности за время, прошедшее после разлива. Для такого исследования разлив вначале еще должен быть обнаружен на снимке (отдешифрирован). Вопросы дешифрирования нефтяных разливов в наше время решаются с привлечением гиперспектральных снимков (Кравцова, Зимин, 2023). Для выявления изменений в ландшафте после разлива исследователь обращается к снимкам за последующие годы, не ограничиваясь визуальными признаками состояния растительности, а прибегая к спектральным признакам, также фиксируемым космическими снимками. Такие исследования, как и изучение долговременных изменений распространения лесов, также опираются на наземное изучение влияния нефтяного загрязнения на таежные фитоценозы (Казанцева, 1994). На основе наземных исследований в Нефтеюганском районе делаются попытки обосновать индекс устойчивости биотопов к нефтяному загрязнению (Пижанков и др., 2024).

Проблема нефтяного загрязнения суши широко исследуется и за рубежом, причем стресс растительности служит его индикатором (Arellano et al., 2015). Космические исследования нефтяного загрязнения проводятся в тропических районах (Achard et al., 2018), бассейне Амазонки (Arellano et al., 2015), дельте Нигера (Ozigis et al., 2018). Дистанционные наблюдения сопровождаются лабораторными исследованиями влияния типа загрязнителей, времени воздействия (Lassalle et al., 2019). В ранних лабораторных спектроскопических исследованиях были обнружены пики поглощения гидрокарбонатов в SWIR-диапазоне (Cloutis, 1989), позже предложен гидрокарбонатный индекс HI (Horig et al., 2001;  Kühn et al., 2004). Это обусловило внимание к снимкам, использующим SWIR-диапазон, высокодетальным и суперспектральным. К ним относятся и снимки со спутника WorldView-3, которые удалось использовать в нашей работе.

В настоящей статье представлены примеры применения именно таких современных гиперспектральных космических снимков для решения обозначенных выше задач обеих типов – выявления долговременных изменений распространения лесов в районах нефтедобычи и оценки изменений состояния лесной растительности под влиянием нефтяного загрязнения в ближайшие годы, прошедшие после разлива. Исследование выполнено на примере одного из участков Самотлорского месторождения.

РАЙОН ИССЛЕДОВАНИЯ

Самотлорское месторождение в Нижневартовском районе Ханты-Мансийского автономного округа, являющееся одним из крупнейших в мире по запасам нефти, расположено в северной части Западно-Сибирской низменности на правобережье широтного отрезка долины р. Оби (рис. 1). Для этой территории характерны среднетаежные ландшафты низменных озерно-аллювиальных равнин с широким развитием верховых сфагновых и низинных мохово-травяных болот.

Рисунок 1. Юго-восточная часть Самотлорского месторождения на снимке со спутника Landsat. Прямоугольными границами выделен изучаемый участок. Цифрами I-V обозначено положение крупных нефтяных разливов, анализируемых в статье

На месторождении, открытом в 1965 г., уже в 1969 г. началась добыча нефти, которая ведется на протяжении 55 лет, и в течение этого периода природные экосистемы региона подвергаются сильнейшему антропогенному прессу. Наиболее заметные изменения в природный фон вносит строительный этап обустройства промыслов, включающий сооружение буровых площадок, площадок предприятий по подготовке и переработке нефти, строительство автодорог, трубопроводов, линий электропередач. На этапе добычи эксплуатация созданной инфраструктуры связана с аварийностью и нефтяными разливами в процессе добычи нефти на буровых скважинах и при ее транспортировке по нефтепроводам, при работе станций перекачки нефти, факелов сжигания попутных газов. Срок рентабельности скважин не превышает 20 лет, а уже к 2000 г. здесь было пробурено более 14 тысяч скважин, большая часть оборудования которых устарела, что обусловливает ежегодное увеличение роста аварий (Соромотин, 2010).  В течение 55-летнего срока эксплуатации месторождения темпы освоения территории и нефтедобычи были неравномерными, наиболее интенсивное развитие пришлось на 1980-е годы, для 1990-х характерно снижение добычи, сменившееся в 2000-х годах новым подъемом дальнейшего освоения месторождения и добычи нефти.

Границы исследуемого в работе участка размером 7.5 × 13.5 км определяются наличием снимков сверхвысокого пространственного и спектрального разрешения со спутника WorldView-3, послуживших основным материалом для оценки современного распространения лесов и состояния ландшафтов в районе нефтедобычи. Изучаемый участок находится в юго-восточной части Самотлорского месторождения – между юго-восточным берегом озера Самотлор на западе и меридиональным отрезком долины р. Вах перед ее впадением в р. Обь – на востоке. Это низменные озерно-аллювиальные и аллювиальные террасы с абсолютными высотами 50–55 м и превышениями над урезом р. Оби 20–27 м (Астапов и др., 2012). Толща горизонтально залегающих слоистых мелкозернистых песков и супесей (2–5 м) подстилается водоупорными ленточными глинами (Подкошникова, Сущеня, 1981). Наличие водоупорных горизонтов и многолетней мерзлоты при избыточном количестве осадков 600–700 мм приводят к сильной заболоченности местности. Район относится к подзоне средней тайги (Национальный…, 2007); смешанные темнохвойно-березовые леса, преобладающие породы в которых – сосна (Pinus sylvestris), кедр (Pinus sibirica), береза (Betula pubescens) (Овечкина, 2016), занимают лишь наиболее дренированные территории в восточной части района вдоль долины р. Вах. Большая часть района, окружающая озеро Самотлор, занята низинными и верховыми болотами. Для переходной зоны между болотами и лесами характерно сочетание островных участков лесов на микроповышениях рельефа на 0.5 м с ложбинами между ними, занятыми травянисто-кустарничковыми сообществами.

На всей территории развита густая сеть площадок кустовых нефтескважин, соединенных линиями дорог с тянущимися вдоль них трубопроводами, а также площадок предприятий по подготовке и первичной переработке нефти. Вдоль восточной границы участка проходит автотрасса Нижневартовск – Радужный, восточнее которой протягиваются магистральные нефтегазопроводы. Весь участок в разных направлениях пересекают коридоры трасс линий электропередач и систем трубопроводов.

МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЯ

В качестве основного материала, характеризующего природные ландшафты района в начальный период разработки месторождения, по истечении первого десятилетия добычи нефти, использована обзорно-топографическая карта масштаба 1:200 000 издания 1981 г., характеризующая состояние территории на 1980 г. (рис. 2). В ее основу положены материалы аэрофотосъемки, предназначенной для крупномасштабного топографического картографирования. Условными знаками предусмотрен показ границ лесных массивов (без указания породного состава). Для болот предусмотрены разные обозначения проходимых и непроходимых болот с указанием глубины последних, но без четкого разделения их контуров. Также без указания границ распространения дается по болотам знак редколесья. На карте показаны многочисленные элементы инфраструктуры, но в данном исследовании они использовались лишь для привязки природных объектов.

Рисунок 2. Фрагмент обзорно-топографической карты масштаба 1:200 000 на исследуемый район. Прямоугольными границами выделен изучаемый участок

В качестве основных материалов, характеризующих современное распространение и состояние лесов, как и состояние ландшафтов в целом, использованы снимки с запущенного в 2013 г. спутника WorldView-3, ведущего высокодетальную и мультиспектральную съемку: в панхроматическом канале с разрешением 31 см, в 8 каналах видимого и ближнего инфракрасного диапазона с разрешением 1.24 м и 8 каналах среднего инфракрасного диапазона (в англоязычной литературе – коротковолнового SWIR-диапазона) с разрешением 3.7 м (табл.).

Таблица. Спектральные диапазоны съемки спутника WorldView-3

Эти снимки привлекают внимание исследователей нефтяного загрязнения в связи с тем, что углеводороды, излившиеся при авариях, имеют спектральный отклик (полосы поглощения) в некоторых зонах SWIR-диапазона (Cloutis, 1989; Horig et al., 2001). В настоящем исследовании они обеспечили оценку современного состояния ландшафтов, подвергшихся нефтяным разливам.

Для прослеживания изменений растительности, происходящих в ближайшие годы после разлива, применяются материалы повторной съемки. В нашем случае удалось использовать снимки со спутника WorldView-3 на две даты: 01.07.2019 и 25.09.2022.

Снимок WorldView-3, полученный 1 июля 2019 г., показывает состояние растительности при ее максимальном сезонном развитии, а снимок 29 сентября 2022 г. – при осеннем увядании. Для суждения о влиянии нефтяного разлива на состояние растительности, необходимо при сравнении снимков учесть различия в фенологических условиях, что потребовало разработки дополнительных методических приемов.

Методика выявления долговременных изменений в распространении лесов очень проста и предусматривает составление двух карт (рис. 3), показывающих распространение лесов в 1980 г. (контуры лесов, выделенные по обзорно-топографической карте) и в 2019 г. (контуры лесов, отдешифрированных по снимку WorldView-3), с определением площадей лесов на обе даты.

Рисунок 3. Площади лесов на исследуемом участке Самотлорского месторождения в 1980 г. (по топографической карте масштаба 1:200 000) и 2019 г. (по снимку со спутника WorldView-3): 1– леса, 2 – травянисто-кустарниковые суходольные пустоши на месте уничтоженных лесов, 3 – верховые и низовые болота, 4 – участки предприятий по первичной переработке нефти, 5 – озера

Методика выявления изменений состояния растительности на участках нефтяных разливов в ближайшие годы после разлива значительно сложнее и предусматривает в первую очередь дешифрирование площади разлива. Предложенная нами методика основана на визуальном дешифрировании снимков WorldView-3 в специально подобранном варианте цветового синтеза SWIR1-NIR1-RedEdge с проверкой правильности выделения разливов по снимкам сверхвысокого разрешения, доступным в приложении GoogleEarth (Кравцова, Зимин, 2023). После определения территории разлива оценка состояния растительности в его пределах предусматривает построение по снимкам спектральных кривых деградированной растительности и их сопоставление с кривыми аналогичной естественной растительности вне зоны разлива. Для выявления изменений определенную сложность составляли неодинаковые сезонные условия развития растительности на повторных снимках с 3-летним интервалом, что потребовало дополнительного определения спектральных кривых естественной растительности на снимках за разные годы и повторного сравнения спектральных кривых естественной и деградированной растительности в порядке учета различий в сезонных условиях съемки. Таким образом была обеспечена своеобразная фенологическая коррекция.

РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ

Сокращение площади лесов

Первое, что бросается в глаза при сравнении карт на рис. 3, – значительное, более чем в три раза, сокращение площади лесов. Компактные лесные массивы, занимавшие в пределах исследуемого участка в 1980 г. площадь 63 км², теперь распространены вдоль долины р. Вах восточнее трассы Нижневартовск – Радужный. Западнее трассы леса сохранились в виде небольших островных участков общей площадью 20 км²  и по долинам двух притоков р. Вах в северной и южной частях района. На прежде залесенной территории сохранились лишь островные участки лесов площадью 1–5 га. На микроповышениях рельефа до 0.5 м сохранились преимущественно участки до 10 га, разделенные лишенными леса территориями с травянисто-кустарничковой и кустарниковой растительностью, приобретшими характер суходольных пустошей. Формирование таких пустошей обусловлено сведением лесов на участках нефтедобычи.

Изменился и характер оставшихся лесов. Пока еще сохранившиеся лесные  массивы сильно фрагментированы широкими (до 100 м) коридорами линий ЛЭП и систем трубопроводов, рассекающими их в  разных направлениях, значительными (порядка 1 км²) площадями нефтеперерабатывающих предприятий и многочисленными небольшими (1–2 га) площадками кустовых скважин, а также подходящими к ним дорогами с трубопроводами. Эти изменения в фрагментированности лесов, слабо отображаемой на топографической карте, на рис. 3 не показаны, но их следует иметь в виду.

Все отмеченные при сравнении карт изменения сопоставлялись с материалами наземных исследований и наблюдений на пробных площадях, выполнявшихся за эти годы западносибирскими учеными. В отношении увеличения фрагментированности специалисты указывают, что создание разветвленной сети различных коммуникаций приводит к массовому образованию новых опушек леса, недостаточно устойчивых к ветровому воздействию, что способствует увеличению ветровальности (Чижов, 1998).

Одна из причин исчезновения лесов – увеличение площадей вырубок для нужд предприятий нефтедобычи, сопровождающее развитие промышленной инфраструктуры месторождения. К тому же благодаря возможности использования дорожной сети, проложенной для нужд месторождения, активизируется деятельность лесохозяйственных предприятий (Скарятин, Тихомирова, 2012). Имеются и другие причины. Анализируя картину гибели лесов региона, исследователи приходят к выводу, что по глубине экологических изменений техногенное затопление и подтопление лесопокрытых площадей в местах перекрытия поверхностного стока насыпями автодорог и буровых площадок оказывается сильнее механического разрушения растительного покрова (Чижов, 1998).

Континентальность климата и значительное распространение сосняков определяют высокую естественную пожароопасность лесов района. По мере освоения территории под нефтегазодобычу увеличивается вероятность возникновения лесных пожаров (Скарятин, Тихомирова, 2012), что является одним из косвенных последствий воздействия антропогенных факторов. Катастрофическая ситуация сложилась в 1987–1991 гг., в период максимальной рубки лесов и добычи нефти, когда количество возгораний по сравнению с 1970-ми годами увеличилось в 3.5 раза и составляло 1–2.5 тыс. пожаров в год (Чижов, 1998).

Ко всем этим причинам сокращения площади лесов добавляется роль нефтяного загрязнения поверхности в связи с авариями и утечками на нефтепроводах. Древостой погибает полностью на участке разлива, если нефть сплошь покрывает почву и стоит большую часть года (Московченко, 1998). Замазученность выше 40% вызывает полную гибель хвойных пород, а свыше 45% – и лиственных. Наибольшую устойчивость к нефтяному загрязнению проявляет береза высотой более 0.5 м. Устойчивость растений травяно-кустарничкового яруса ниже, чем древесного, из-за неглубокого проникновения корневой системы. Но по мере деградации нефти происходит восстановление растительности. На аварийных разливах деградационные изменения древостоя обычно заканчиваются в течение 2–3 лет (Чижов, 1998). Аварии происходят в основном на внутрипромысловых нефтепроводах (плотность аварий на них в 150–200 раз выше, чем на магистральных), а на них преобладают небольшие разливы площадью менее 1 га. Поэтому. учитывая относительно малые площади повреждений и возможности самовосстановления, нефтяные разливы представляют собой лишь дополнительный фактор исчезновения лесов исследуемого района.

В какой мере сокращение площадей лесов сопровождалось изменением их породного состава? В смешанных темнохвойно-березовых лесах района основу составляют три породы – сосна, кедр, береза (Овечкина, 2016). Вырубаются в первую очередь хвойные насаждения. Наибольшую устойчивость к нефтяному загрязнению, как и к другим видам воздействия, проявляет береза (Чижов, 1998). По этим причинам в оставшихся островных участках лесов преобладает береза, а хвойные породы характерны для сохранившихся в восточной части района лесных массивов. На расчленяющих эти массивы трассах линейных сооружений в восстановлении растительного покрова в первые годы после его нарушений преобладают травы и мхи, позднее заметное участие в нем принимают кустарнички и кустарники, подрост деревьев. Однако прежняя роль лишайников в этих сообществах за исследованный томскими специалистами 33-летний период не восстановилась (Москаленко, 2006).

Состояние лесов на участках разливов нефти

Деградация растительности при разливах. Второе направление наших исследований по космическим снимкам – изучение состояния лесов, деградировавших при нефтяных разливах. Эти исследования опираются на анализ спектральных характеристик растительности, зафиксированных космическими съемочными системами. В нашей работе используются гиперспектральные космические снимки со спутника WorldView-3, на которых при использовании варианта цветового синтеза SWIR1-NIR1-RedEdge удается визуально дешифрировать нефтяные разливы по предложенной нами методике (Кравцова, Зимин, 2023).

Для обоснования в перспективе методики автоматизированного дешифрирования нефтяных разливов по гиперспектральным космическим снимкам используются спектральные характеристики – графики (кривые) спектральной яркости (либо спектральной отражательной способности) объектов, находящихся на участках нефтяных разливов и вне этих участков. На рис. 4 представлены кривые спектральной яркости для различных видов объектов на территории месторождения, полученные по снимкам WorldView-3 с использованием всего набора спектральных зон.

Рисунок 4. Кривые спектральной яркости объектов месторождения

Методология исследования предусматривает сравнение характеристик спектральной яркости участков с идентичной растительностью, находящихся вне разлива (естественное состояние) и в пределах разлива, с подразделением последних по степени нефтяного загрязнения в зависимости от состояния растительности (слабая, средняя, сильная деградация растительности). Для определения спектральной яркости выделялась площадь объекта данного вида, в пределах которой проведено осреднение спектральной яркости для каждого спектрального канала. Сравнение пар спектральных кривых естественной и деградированной растительности одинакового типа позволяет выявить спектральные признаки нефтяного загрязнения.

На рис. 5 представлено изображение значительных нефтяных разливов, наблюдавшихся в исследуемом районе и отдешифрированных по снимкам WorldView-3 (положение разливов отмечено на рис. 1). Охарактеризована растительность в районах разливов и указаны номера спектральных профилей, полученных в пределах разливов и вне их.

На рис. 6 приведены кривые спектральной яркости основных типов  растительности, распространенной на участках нефтяных разливов (травяно-кустарничковой, кустарниковой, мелколесной, лесной), полученные по снимку WorldView-3 01.07.2019 г. при различной степени нефтяного загрязнения, в сопоставлении со спектральными кривыми аналогичных типов растительности вне разливов, в естественном состоянии.

Рисунок 6. Кривые спектральной яркости травяно-кустарничковой (А), кустарниковой (Б), мелколесной (В), лесной растительности (Г) в естественном состоянии и в зонах нефтяных разливов: 1 – естественное состояние, 2 – среднее загрязнение, 3 – сильное загрязнение. По вертикальной оси – спектральная яркость, W/(m2∙μm∙sr); по горизонтальной оси – номера спектральных зон (см. таблицу)

Сравнение кривых спектральной яркости основных растительных объектов, находящихся в зонах нефтяного загрязнения и вне их (рис. 6), показывает основные характерные особенности спектральных кривых деградировавшей растительности – некоторое повышение яркости в красной зоне и резкое ее снижение в ближней инфракрасной. Присущее здоровой растительности снижение отражения солнечного излучения в красной зоне (Red-минимум, связанный с поглощением красных лучей хлорофиллом) в результате деградации при нефтяном загрязнении становится менее выраженным. В то же время на участках загрязнения у деградировавшей при разливе растительности существенно уменьшаются значения яркости в ближней инфракрасной зоне (снижение NIR1-максимума) – основного показателя активной вегетации растительности. Как следует из графиков (рис. 6), уменьшение яркости NIR1 достигает 50-60% у кустарниковой и 70-80% у лесной растительности. В результате ход кривой спектральной яркости деградировавшей растительности выравнивается, постепенно теряя на участках с сильным нефтяным загрязнением характерный для живой растительности вид, и приближается к ходу кривой спектральной яркости нефти. Эти особенности – уменьшение Red-минимума и резкое снижение NIR1- максимума – характерны для разных типов растительности, но особенно четко выражены для лесов.

Самовосстановление деградировавшей растительности. Для ряда участков нефтяных разливов, вызвавших гибель лесной растительности, при сравнении снимков за разные годы удается проследить обратные по отношению к деградации процессы самовосстановления растительности, привлекающие особое внимание исследователей (Зубайдуллин, 2020). Спектральные кривые таких участков деградировавшей из-за разлива растительности со временем вновь испытывают изменения, приобретая характерный для здоровой растительности вид – на них становится выраженным   Red-минимум и все более четко проявляется NIR1-максимум. Нам удалось проследить эти процессы по снимкам, сделанным через три года после разливов.

Приведенные на рис. 7 кривые естественной и деградировавшей при разливах растительности получены для упомянутых ранее участков исследуемого района с разными типами растительности по снимку со спутника WorldView-3 от 1 июля 2019 г., в год нефтяного разлива. Для прослеживания за изменениями состояния растительности в последующие годы 25 сентября 2022 г. была выполнена повторная съемка с того же спутника. Чтобы учесть различия в сезоне съемки в разные годы, была проведена своего рода «фенологическая коррекция». Для этого на участках  растительности разных типов, по которым определены их спектральные кривые по снимку 1 июля 2019 г., повторно получены графики  спектральных кривых естественной и деградировавшей растительности по снимку 25 сентября 2022 г. Значения спектральной яркости стали ниже, что отражает как снижение общей освещенности от июля к сентябрю, так и осеннее увядание растительности. Однако общий характер кривых живой растительности с ее экстремумами — Red-минимумом и NIR1-максимумом — сохраняется.

Рисунок 7. Кривые спектральной отражательной способности естественной (здоровой) и деградировавшей растительности: А – травянисто-кустарничковой, Б – кустарниковой, В – мелколесной, Г – лесной, полученные по снимкам 01.07.2019 (левая колонка) и 25.09.2022 (правая колонка): 1 – естественная растительность вне нефтяных разливов; деградировавшая растительность в пределах разливов при разной степени загрязнения: 2 – средней, 3 – сильной; 4 – расхождение в положении экстремумов NIR1. По вертикальной оси – спектральная яркость, W/(m2∙μm∙sr); по горизонтальной оси – номера спектральных зон (см. таблицу)

На рис. 7 представлены пары спектральных кривых естественной и деградировавшей при нефтяных разливах растительности четырех исследованных типов, полученные по снимкам 01.07.2019 г., в год разлива (левая колонка) и спустя три года 25.09.2022 г. (правая колонка). Меньшие значения яркости в экстремумах кривых естественной растительности в 2022 г. связаны, как указано выше, с осенним сроком съемки. Существенные изменения претерпели спектральные кривые деградировавшей растительности – на них более четко выражены Red-минимум и NIR1-максимум. Хорошим показателем степени угнетенности растительности может служить различие в яркости естественной и деградировавшей растительности в зоне NIR1-максимума. На графиках оно выделено особым знаком и может быть оценено количественно по шкале яркости.

У травяно-кустарничковой растительности различие в значениях NIR1-максимума естественной и деградировавшей растительности в 2022 г. сократилось вдвое. Несмотря на уменьшение этих значений у естественной растительности осенью, их возрастание у восстанавливающейся растительности приближает ее кривую к кривой естественной растительности.

У кустарников различие в значениях NIR1-максимума естественной и деградировавшей растительности тоже сократилось, но меньше – в полтора раза, также указывая на их успешное самовосстановление.

Для участков мелколесья, которое в нашем районе представлено молодыми посадками, воздействие разлива сказалось особым образом. Во время разлива не листва посадок, а земляные валы и канавы определяли спектральную кривую, существенно отличающуюся от кривых растительных объектов. Через три года спектральная кривая этого участка стала подобной кривым растительных объектов. Поэтому в данном случае показатель различий в значениях NIR1-максимума плохо срабатывает, но форма спектрального профиля редколесья в 2022 г. свидетельствует о восстановлении растительности и на этом участке.

На лесном участке, где воздействие разлива, вызвавшего гибель древостоя, проявилось наиболее ярко, не менее четко выявляются и процессы его естественного восстановления. Различие в значениях NIR1-максимума естественной и деградировавшей растительности сократилось более чем в три раза. У кривой деградировавшей растительности, при разливе почти потерявшей NIR1-максимум, появились оба четко выраженных экстремума, указывая на процесс восстановления лесной растительности.

В целом рис. 7 четко показывает, что расхождение в положении NIR1-максимума спектральных кривых здоровой и деградировавшей растительности, наибольшее в год нефтяного разлива, через три года существенно сокращается, у кривых деградировавшей растительности становится все более выраженным Red-минимум. В результате кривая деградировавшей растительности приближается к естественному аналогу, свидетельствуя о восстановлении жизнедеятельности растений. 

Подобное сопоставление, выполненное и для других участков нефтяных разливов, показывает, что и на них наблюдается обратное преобразование спектральных кривых от сглаженных, характерных для растительности, испытавшей высокую степень деградации в результате разлива, к кривым с характерными для живой растительности экстремумами (Red-минимум и NIR1-максимум).

ЗАКЛЮЧЕНИЕ

Космическая съемка сверхвысокого разрешения, в наше время регулярно выполняемая, представляет собой действенное средство контроля за состоянием лесов, подвергающихся в районах нефтедобычи сильнейшему техногенному воздействию. На примере участка Самотлорского месторождения в Западной Сибири при сравнении топографических карт на годы начала разработки месторождения с современными космическими снимками выявлено почти трехкратное сокращение площади лесов с образованием на месте уничтоженных лесов техногенных пустошей. В процессе эксплуатации месторождения оставшиеся леса подвергаются воздействию разливов нефти при ее добыче и транспортировке в связи с авариями нефтепроводов. По космическим снимкам сверхвысокого пространственного и спектрального разрешения со спутника WorldView-3 отдешифрированы нефтяные разливы. Выявлены различия в спектральной яркости растительности в естественном состоянии и при нефтяном загрязнении, обусловливающем снижение яркости в зоне NIR-1 до 60% у кустарников и до 80% у лесов. По материалам повторных съемок дана оценка изменений состояния растительности, деградировавшей при разливах. В выполненном исследовании по снимкам с 3-летним интервалом удалось проследить за процессами естественного восстановления деградировавшей растительности, в том числе лесной, на основе учета ее спектральных свойств. Таким образом, космические снимки представляют действенное средство учета как потерь леса, так и процессов его восстановления. Результаты исследования необходимо учитывать при разработке систем дистанционного мониторинга районов нефтедобычи.

БЛАГОДАРНОСТИ

Работа выполнена в рамках государственного задания по теме «Развитие методов и технологий картографии, геоинформатики и аэрокосмического зондирования в исследованиях природы и общества».

СПИСОК ЛИТЕРАТУРЫ

Абросимов А. В., Беленов А. В., Брагин Е. А. Совместный проект компании «Совзонд» и НАЦ РП им. В. И. Шпильмана – новое слово в космическом контроле недропользования и природопользования // Геоматика. 2009. № 4. С. 64–80.

Астапов А. П., Брадучан Ю. В., Боровский В. В., Воронин А. С. и др. Государственная геологическая карта Российской Федерации. Масштаб 1:1000 000 (третье поколение). Серия Западно-Сибирская. Лист Р-43-Сургут. Объяснительная записка. СПб: Картфабрика ВСЕГЕИ, 2012. 342 с.

Зубайдуллин А. А. Самовосстановление нарушенных фитоценозов на нефтезагрязненных участках суходолов и верховых болот // Наука и образование ХМАО – XXI веку: Сб. тез. докл. Окружной конф. молодых ученых и специалистов. Сургут: СурГУ. 2000. С. 23–26.

Казанцева М. Н. Влияние нефтяного загрязнения на таежные фитоценозы Среднего Приобья: автореф. дис. … канд. биол. наук: 03.03.16. Екатеринбург, 1994. 26 с.

Космические методы геоэкологии. М.: Изд-во Моск. ун-та, 1998. 104 с.

Кравцова В. И., Зимин М. В. Исследование эволюции участков нефтяных разливов по космическим снимкам высокого разрешения на примере Самотлорского месторождения // Актуальные проблемы нефти и газа. 2023. Т. 1. № 40. С. 45–66.

Москаленко Н. Г. Антропогенная динамика растительности тундр и таежных зон // Антропогенные изменения экосистем Западно-Сибирской газоносной провинции. Тюмень: Ин-т криосферы Земли, 2006. С. 61–96.

Московченко Д. В. Нефтегазодобыча и окружающая среда. Эколого-геохимический анализ Тюменской области. Новосибирск: Наука. Сибпредприятие РАН, 1998. 112 с.

Национальный атлас России. Т. 2. Природа. Экология. М., 2007. С. 331.

Овечкина Е. С. Краткий анализ распределения растительности Нижневартовского района // Актуальные вопросы науки и практики XXI в. Материалы 3 Международной научно-практической конф. Нижневартовск, 27-30 ноября 2016 г. Нижневартовск: Изд. центр «Наука и практика», 2016. С. 110–117.

Пижанков И. Н., Харькина М. А., Пижанкова Е. И. Техногенная трансформация эколого-геологических условий при разработке нефтяных месторождений и транспортировке нефтепродуктов (на примере участка Нефтеюганского района, Западная Сибирь) // Техносфера. Материалы I Всероссийской научной конференции с международным участием (17-18 сентября 2024 г.) / ФГБОУ ВО «КубГТУ». Краснодар: Издательский Дом – Юг, 2024. С. 134–137.

Подкошникова С. В., Сущеня В. А. Изменение растительности болот Самотлора под влиянием инженерных сооружений // Известия АН СССР. Серия географическая. 1981. № 4. С. 47–56.

Скарятин В. Д., Тихомирова О. М. Использование и обработка данных дистанционного зондирования при изучении нефте- и газоносных районов Западной Сибири // Аэрокосмический мониторинг объектов нефтегазового комплекса. М.: Научный мир, 2012. С. 435–441.

Соромотин А. В. Воздействие добычи нефти на таежные экосистемы Западной Сибири. Тюмень: Изд-во Тюменского гос. университета, 2010. 320 с.

Чижов Б. Е. Лес и нефть Ханты-Мансийского автономного округа. Тюмень: Изд-во Мандрики, 1998. 144 с.

Achard V., Fabre S., Alakian A., Dubucq D., Deliot P. Direct or indirect on shore hydrocarbon detection methods applied to hyperspectral data in tropical area // Earth Resources and Environmental Remote Sensing/GIS Applications IX. SPIE. 2018. Vol. 10790. P. 172–181. DOI: 10.1117/12.2325097

Arellano P., Tansey K., Balzter H., Boyd D. S. Detecting the effects of hydrocarbon pollution in the Amazon forest using hyperspectral satellite images // Environmental Pollution. 2015. Vol. 205. P. 225–239. DOI: 10.1016/j.envpol.2015.05.041

Cloutis E. A. Spectral reflectance properties of hydrocarbons: remote-sensing implications // Science. 1989. No. 245. P. 165–168. DOI: 10.1126/science.245.4914.165

Horig B., Kuhn F., Oschutz F., Lehmann F. HyMap hyperspectral remote sensing to detect hydrocarbons // International Journal of Remote Sensing. 2001. Vol. 22. P. 1413–1422. DOI: 10.1080/01431160120909

Kühn F., Oppermann K., Hörig B. Hydrocarbon Index – an algorithm for hyperspectral detection of hydrocarbons // International Journal of Remote Sensing. 2004. Vol. 25. P. 2467–2473. DOI: 10.1080/01431160310001642287

Lassalle G., Elger A., Credoz A., Hedacq R., Bertoni G., Dubucq D., Fabre S. Toward quantifying oil contamination in vegetated areas using very high spatial and spectral resolution imagery // Remote Sensing. 2019. Vol. 11. No. 19. P. 2241. DOI: 10.3390/rs11192241

Ozigis M. S., Kaduk J. D., Jarvis C. H. Mapping terrestrial oil spill impact using machine learning random forest and Landsat 8 OLI imagery: a case site within the Niger Delta region of Nigeria // Environmental Science and Pollution Research. 2018. Vol. 26. No. 4. P. 3621–3635. DOI: 10.1007/s11356-018-3824-y

Рецензент: к. г. н., в. н. с. Князева С. В.

]]>