1. На главную
  2. Электронные версии
  3. Лесоведение
  4. № 2, 2019

Лесоведение, 2019, № 2, стр. 83-92

Зависимость запасов древесины в лесах россии от климатических параметров

В. И. Грабовский a, *, Д. Г. Замолодчиков a, b

a Центр по проблемам экологии и продуктивности лесов РАН
117810 Москва, ул. Профсоюзная, д. 84/32, Россия

b Московский государственный университет имени М.В. Ломоносова, биологический факультет
119992 Москва, Ленинские горы, 1, стр. 12, Россия

* E-mail: wgrabo@mail.ru

Поступила в редакцию 01.10.2018
После доработки 07.10.2018
Принята к публикации 03.12.2018

Полный текст (PDF)

Аннотация

Проведена оценка зависимостей средних запасов древесины в различных породно-возрастных группах лесов согласно данным Государственного лесного реестра (ГЛР) по состоянию на 01.02.2013 г. с климатическими параметрами, усредненными за 1981–2000 г., посредством регрессионного анализа. Анализ проводили по группам пород: все породы, хвойные, твердолиственные, мягколиственные, прочие, в дифференциации по группам возраста: все группы возраста, молодняки, средневозрастные и приспевающие, спелые и перестойные. Всего было получено 20 сочетаний групп пород и групп возраста, для каждой из которых проведен корреляционный и регрессионный анализ. В качестве независимых переменных использованы среднегодовая температура, разность среднемесячных температур июля и января и годовое количество осадков. Средние запасы положительно коррелируют со среднегодовыми температурами и влажностью и отрицательно – с величиной разности между средними температурами июля и января. Отчетливый тренд возрастания величины коэффициента корреляции средних запасов и среднегодовой температуры наблюдается в ряду групп пород прочие – хвойные–твердолиственные–мягколиственные. Для всех сочетаний групп пород и групп возраста получены уравнения множественной полиномиальной регрессии, включающие все возможные сочетания независимых переменных и их квадратичных эффектов. Самые высокие коэффициенты детерминации (R2 > 0.7) обнаруживаются у всех лесов, у твердолиственных пород, а также спелых и средневозрастных лесов всех пород и твердолиственных пород. Наименее предсказуемыми (R2 < 0.5) оказались леса прочих пород, а также молодняки всех групп пород. По найденным уравнениям регрессии можно прогнозировать изменения средних запасов как лесов в целом, так и по отдельным группам возраста и пород на фоне изменений климата.

Ключевые слова: государственный лесной реестр, запасы древесины, климатические характеристики, статистический анализ.

Одно из наиболее востребованных направлений современной экологии – прогноз реакции биоты на текущие изменения климата (Walther et al., 2002; Johnson et al., 2011). Поскольку биосфера является активным участником разворачивающихся климатических событий, оценка перспектив ее изменений под воздействием меняющегося климата необходима для разработки эффективных методов сохранения климатической системы (Harper et al., 2018). Одним из важнейших комплексов экосистем в этом аспекте являются леса. Прогноз возможных сдвигов продуктивности лесных экосистем в связи с климатическими изменениями требует оценки количественных связей между продуктивностью лесов и климатом. Для получения таких оценок традиционно применяются два подхода: эмпирический (феноменологический, индуктивный) и эколого-физиологический (функциональный, механистический, дедуктивный). Эмпирический подход основан на анализе экспериментальной либо полевой информации для выявления закономерностей между независимыми (климатическими) и зависимыми (прирост, запас древесины, чистая первичная продукция, фитомасса) переменными. Применительно к продуктивности лесов этот подход развивается с середины XX в., когда были предложены климатические индексы (комбинации таких параметров, как температуры и осадки за те или иные интервалы года, продолжительности периодов с положительными температурами и так далее), имеющие высокие корреляции с приростом лесов по запасу (Weck, 1955; Paterson, 1956; и др.). Детальные описания различных климатических индексов и иных эмпирических форм связи продуктивности лесов с климатическими характеристиками приведено в сводках (Уткин, 1975; Усольцев, 2003, 2016).

Экофизиологический подход базируется на использовании теоретических представлений из области экофизиологии и более общих физических законов (например, закона сохранения энергии). Как правило, он реализуется в форме сложных математических моделей. По отношению к продуктивности лесов экофизиологический подход активно применяется с конца 1970-х годов (Dixon et al., 1978; Caldwell et al., 1986; Rauscher et al., 1990; и др.). Дальнейшее развитие обоих направлений привело к формированию так называемых гибридных моделей, комбинирующих механистические и эмпирические зависимости. Таковой, например, является популярная модель 3-PG, (Landsberg, Waring, 1997; Landsberg et al., 2003), активно используемая и в настоящее время (Meyer et al., 2017; Xie et al., 2017).

Отметим общую тенденцию в применении описанных выше подходов. В начале их развития исследователей в основном интересовали вопросы связи продуктивности и роста лесов с пространственными вариациями текущего климата. С начала 1990-х годов все большее внимание уделяется проблемам, связанным с прогнозированием воздействия климатических изменений на лесные экосистемы. Таким образом, центр внимания сместился с описательного на прогнозный аспект эмпирических уравнений и механистических моделей. В этой связи, конечно же, встает вопрос об адекватности исходных наборов, определяющих эмпирические зависимости или калибрующих механистические модели, тем сочетаниям климатических факторов, которые могут иметь место при изменениях климата. Вполне очевидно, что чем более объемен исходный массив данных, тем более надежными должны быть прогнозы.

В России существует огромный фактический материал по лесам, полученный в ходе лесоустроительных работ и обобщенный в базах данных Государственного лесного реестра (ГЛР). Главное и неоспоримое преимущество ГЛР перед другими источниками сведений о лесах – это его объем, распространяющийся на все леса России, произрастающие на землях лесного фонда. Однако использование данных ГЛР требует учета их специфики, которая определяется прежде всего тем, что этот информационный источник был сформирован для нужд лесного хозяйства. Данные ГЛР представлены по административным образованиям (лесничествам, субъектам Российской Федерации) в дифференциации по доминирующим древесным породам и их возрастным группам (молодняки 1 и 2 классов возраста, средневозрастные, приспевающие, спелые, перестойные). Временны́е интервалы возрастных групп устанавливаются в зависимости от возраста рубки и могут заметно отличаться даже для насаждений одной и той же доминирующей породы в пределах одного административного образования.

ГЛР активно используется для получения содержательных результатов по различным экологическим аспектам функционирования лесов. В частности, на основе данных ГЛР были выполнены оценки углеродного бюджета лесов России, в том числе используемые для отчетности в рамках РКИК ООН (Замолодчиков и др., 2011, 2013, 2017), площади листовой поверхности (Грабовский и др., 2015; Корзухин, Грабовский, 2018), продуктивности лесных охотничьих угодий для питания лося (Шабров, 2014) и др.

Цель настоящей работы состоит в эмпирической оценке связей средних запасов древесины в различных породно-возрастных группах лесов с климатическими параметрами посредством регрессионного анализа. Нахождение таких регрессионных уравнений позволит экстраполировать изменение продуктивности лесов как на локальном, так и на глобальном уровне в связи с имеющимися климатическими сценариями IPCC (Изменение …, 2013). При этом полученные прогнозы будут полностью совместимы с существующими форматами представления информации в ГЛР, что может облегчить использование прогнозов в деятельности управлению лесами, в том числе связанной с адаптацией к изменениям климата.

ОБЪЕКТЫ И МЕТОДИКА

В качестве “базового” климатического периода в настоящей работе выступает интервал с 1981 по 2000 гг. Поля климатических параметров были получены усреднением результатов расчетов по ансамблю 31 модели CMIP5. Описание проекта CMIP (Coupled Model Intercomparison Project) содержится в работе (Taylor et al., 2012). Детали применения ансамбля CMIP5 для характеристики климатических изменений на территории России приведены в докладе (Второй …, 2014). Исходные данные были распределены по узлам сетки с шагом в 1°. С использованием метода “сплайн” в ArcGIS были получены карты распределения среднегодовых температур и годового количества осадков. На основе полученных карт методом “зональной статистики” найдены усредненные для субъектов Российской Федерации климатические характеристики. На основе информации базы данных ГЛР по состоянию на 01.01.2013 г. рассчитаны средние запасы в агрегированных группах лесных насаждений по каждому из субъектов Российской Федерации. Агрегацию данных производили по группам пород: все породы, хвойные, твердолиственные, мягколиственные, прочие, в дифференциации по группам возраста: “все группы возраста”, “молодняки” (молодняки первой и второй групп возраста), “средневозрастные” (средневозрастные и приспевающие) и “спелые” (спелые и перестойные). Всего было получено 5 × 4 = 20 сочетаний групп пород и групп возраста, для каждой из которых проведен корреляционный и регрессионный анализ с использованием пакета “car” в среде R.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

В качестве независимых переменных в предлагаемом анализе рассмотрены показатели температуры (среднегодовая температура воздуха tas, разность среднемесячных температур июля и января DIF) и годовое количество осадков pre (мм год–1). Анализ корреляций между климатическими переменными и средними запасами древесины показал, что как для лесов в целом, так и для отдельных породных и возрастных эти корреляции обладают высокой достоверностью (табл. 1). Исключение составляет группа спелых насаждений прочих пород, средний запас которых недостоверно коррелирует со среднегодовой температурой (P > 0.05).

Таблица 1.  

Корреляции средних запасов и климатических факторов для лесов Российской Федерации

Группа пород Группа возраста tas pre DIF
R P R P R P
All All 0.460 1.53 × 10–5 0.609 1.67 × 10–9 –0.532 3.20 × 10–7
All YNG 0.526 4.70 × 10–7 0.536 2.47 × 10–7 –0.528 4.19 × 10–7
All MDA 0.467 1.10 × 10–5 0.527 4.30 × 10–7 –0.486 4.33 × 10–6
All ADL 0.433 5.34 × 10–5 0.673 6.14 × 10–12 –0.498 2.25 × 10–6
Cnf All 0.446 3.77 × 10–5 0.580 2.15 × 10–8 –0.451 3.09 × 10–5
Cnf YNG 0.470 1.25 × 10–5 0.354 1.35 × 10–3 –0.324 3.54 × 10–3
Cnf MDA 0.483 6.46 × 10–6 0.425 9.62 × 10–5 –0.365 9.33 × 10–4
Cnf ADL 0.700 5.40 × 10–12 0.560 2.64 × 10–7 –0.518 2.68 × 10–6
Bro All 0.437 3.08 × 10–4 0.613 7.20 × 10–8 –0.715 3.28 × 10–11
Bro YNG 0.334 1.10 × 10–2 0.500 7.60 × 10–5 –0.569 3.92 × 10–6
Bro MDA 0.453 1.90 × 10–4 0.543 4.22 × 10–6 –0.672 1.68 × 10–9
Bro ADL 0.329 1.04 × 10–2 0.546 6.54 × 10–6 –0.663 7.86 × 10–9
Sof All 0.455 2.00 × 10–5 0.492 3.09 × 10–6 –0.424 7.86 × 10–5
Sof YNG 0.431 7.45 × 10–5 0.345 1.83 × 10–3 –0.309 5.54 × 10–3
Sof MDA 0.481 5.48 × 10–6 0.447 2.82 × 10–5 –0.389 3.35 × 10–4
Sof ADL 0.324 3.16 × 10–3 0.468 1.06 × 10–5 –0.296 7.20 × 10–3
Oth All 0.319 1.07 × 10–2 0.498 3.32 × 10–5 –0.374 2.56 × 10–3
Oth YNG 0.401 0.004768 0.523 0.000139 –0.433 0.002134
Oth MDA 0.367 0.007485 0.457 0.000662 –0.35 0.011043
Oth ADL 0.185 1.56 × 10–1 0.492 6.59 × 10–5 –0.313 1.49 × 10–2

Примечание. В табл. 1 и 2 группы пород: All – все породы, Cnf – хвойные, Bro – твердолиственные, Sof – мягколиственные, Oth – прочие; группы возраста: Аll – все возраста, YNG – молодняки, MDA – средневозрастные, ADL – спелые; tas – среднегодовая температура, pre – годовое количество осадков, DIF – разница между среднеиюльской и среднеянварской температурами, R – коэффициент корреляции, P – значимость.

Таблица 1 показывает, что средний запас положительно коррелирует со среднегодовыми температурам и влажностью и отрицательно – с величиной разности между средними температурами июля и января. В разных группах возраста величина корреляции средних запасов со среднегодовыми температурами несколько убывает в ряду от молодых к средневозрастным и спелым лесам. При этом корреляция с разницей между среднеиюльскими и среднеянварскими температурами изменяется недостоверно в интервале от –0.6 до –0.5. С режимом осадков наиболее тесно коррелирована возрастная группа спелых. В группах пород наиболее тесные корреляции с климатическими факторами можно видеть у твердолиственных и хвойных. При этом особо тесно связаны средние запасы твердолиственных с размахом вариации среднегодовых температур. Отчетливый тренд возрастания величины коэффициента корреляции средних запасов и среднегодовой температуры наблюдается в ряду групп пород прочие – хвойные–твердолиственные– мягколиственные.

Корреляции между климатическими параметрами и средними запасами для агрегаций по породно-возрастному составу (3 группы возраста × × 4 группы пород = 12 агрегаций) приведены в табл. 1. Отчетливые тренды для групп возраста здесь можно отметить только для хвойных пород: с возрастом увеличивается связь средних запасов со всеми климатическими показателями.

Правило экологического оптимума предполагает, что существуют оптимальные для роста лесов величины климатических факторов, уклонения от оптимума в обе стороны ухудшают рост. Иными словами, на всем диапазоне связь межу климатическими переменными и ростом растений не может быть линейной. Действительно, как видно на рис. 1, линии тренда, которые отражают характер связи, куполообразны. Поэтому в расчет уравнений регрессии добавим квадратичные функции переменных: tas2, pre2 и DIF 2. Таким образом, с учетом взаимодействий между переменными, получим полное уравнение множественной полиномиальной регрессии, включающее все возможные сочетания параметров и квадратичные члены:

(1)
$\begin{gathered} V = b0 + b1 \times tas + b2 \times pre + b3 \times DIF + b4 \times ta{{s}^{2}} + \\ + \,\,b5 \times pr{{e}^{2}} + b6 \times DI{{F}^{2}} + \\ + \,\,b7 \times tas \times pre + \\ + \,\,b8 \times tas \times DIF + b9 \times pre \times DIF + \\ + \,\,b10 \times tas \times pre \times DIF, \\ \end{gathered} $
где V – средний запас древесины, м3 га–1; tas – среднегодовая температура, °C, pre – годовое количество осадков, мм год–1; DIF – разница между среднеиюльской и среднеянварской температурами, °C; b0, b1… b10 – коэффициенты уравнения регрессии.

Рис. 1.

Зависимость средних запасов лесов субъектов Российской Федерации от среднегодовой температуры (a), среднегодовой влажности (б) и разности между средними температурами июля и января (в).

Наша задача найти такие величины свободного члена (b0) и коэффициентов уравнения регрессии (bi), чтобы при минимуме оставшихся членов уравнения регрессии (1) (ненулевых bi) получить максимально возможную точность предсказаний (максимальную величину коэффициента детерминации). Для этого рассмотрим все возможные подмножества регрессионных моделей и выберем соответствующий задаче вариант. Поскольку при увеличении числа независимых переменных коэффициент детерминации всегда увеличивается, для оценки пригодности модели будем использовать скорректированный коэффициент детерминации, учитывающий это обстоятельство (Кабаков, 2014). Этим требованиям удовлетворяет функция regsubsets пакета leaps в R, которая рассчитывает величину скорректированного коэффициента детерминации при всех возможных сочетаниях и наборах независимых переменных. Выбор итогового набора переменных осуществляется по простому правилу. При близких коэффициентах детерминации предпочтение отдается уравнению с меньшим числом переменных. По результатам тестирования всех сочетаний независимых параметров коэффициенты уравнения (1), дающие максимально возможный коэффициент детерминации, представлены в табл. 2.

Таблица 2.  

Параметры b0–b10 уравнений регрессии (1) для лесов Российской Федерации

Группа пород Группа возраста b0 b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 R 2
All All 891 49.7 –2.63 – –1.74 0.00107 –0.341 0.0320 –1.72 0.0412 – 0.725
All YNG 63.6 – – – –0.415 –0.000248 –0.0478 0.0231 –0.209 0.00608 – 0.671
All MDA 969 52.6 –2.81 – –2.01 0.000993 –0.382 0.0381 –1.84 0.0465 – 0.702
All ADL –511 48.4 – 40.7 –1.65 – –0.592 0.0274 –1.55 – – 0.759
Cnf All 877 –23.5 –2.71 – –1.56 0.00127 –0.284 0.143 – 0.0378 –0.00234 0.613
Cnf YNG 120 – – – –0.917 –0.000702 –0.268 0.0967 0.457 0.0282 –0.00342 0.704
Cnf MDA –366 – –0.0506 29.0 –0.555 – –0.423 0.0320 –0.278 0.00170 – 0.565
Cnf ADL –10.5 –26.9 – – 0.158 – – 0.0566 0.670 0.00151 –0.00138 0.478
Bro All –147 – – 11.1 –0.374 – –0.146 – –0.277 – 0.000923 0.451
Bro YNG 581 – –1.27 – –2.16 – –0.215 0.0882 –0.842 0.0299 – 0.59
Bro MDA 53.8 –95.2 – 4.01 – – – 0.148 1.95 – –0.00160 0.669
Bro ADL 418 – –0.589 –11.0 –0.537 – – 0.0377 – 0.0171 –0.000932 0.447
Sof All 107 22.3 – – –1.27 –0.000707 –0.251 0.0785 – 0.0277 –0.00312 0.652
Sof YNG 820 –40.4 –2.35 – –1.86 – –0.660 0.256 1.98 0.0747 –0.00871 0.712
Sof MDA –21.6 – 0.200 – –0.0669 –0.000204 – – –0.109 – 0.000329 0.352
Sof ADL –233 – 0.281 15.2 –0.444 –0.000273 –0.201 – –0.411 – 0.00137 0.574
Oth All –781 44.0 0.202 51.3 –1.06 –0.000141 –0.723 – –1.46 – 0.000765 0.552
Oth YNG –25.6 – – – – – – 0.0129 –0.109 0.00205 – 0.494
Oth MDA 26.6 – – – –0.215 – – 0.0254 – – –0.000631 0.302
Oth ADL 19.2 –39.5 – – – – – 0.103 1.07 – –0.00288 0.525

Примечание. Обозначения см. в табл. 1. Прочерки означают, что включение данной независимой переменной не увеличивает точность регрессионного описания.

Самые высокие коэффициенты детерминации (R2 > 0.7) обнаруживаются у всех лесов (All-All), у твердолиственных пород (Bro), а также у спелых (All-ADL) и средневозрастных лесов всех пород (All-MDA) и спелых лесов твердолиственных пород (Bro-ADL). Наименее предсказуемыми (R 2 < 0.5) оказались леса прочих пород (Oth-All), а также молодняки всех групп пород (Cnf-YNG, Sof-YNG, Bro-YNG, Oth-YNG).

Для иллюстрации эффективности модели сравним эмпирические значения средних запасов всех лесов в разрезе субъектов Российской Федерации и предсказанные значения по уравнению регрессии (1) с соответствующими коэффициентами (табл. 2, строка All-All) и данными по климату. В идеальном случае все точки должны располагаться на диагонали графика. Как видно на рис. 2, точки концентрируются возле диагонали, т.е. соответствие натурных и модельных данных приемлемо. Отдельные выбросы относятся к регионам, либо занимающим несколько климатических областей, как, например, Красноярский край, либо малооблесенным, как Тульская и Мурманская области, где возможность ошибки возрастает из-за малых выборок. Таким образом, в целом предсказательная сила полученного уравнения регрессии вполне удовлетворительна.

Рис. 2.

Эмпирические и модельные значения средних запасов лесов субъектов Российской Федерации.

Содержательная часть результатов – найденные коэффициенты регрессионных уравнений, описывающих влияние климата на средние запасы древесины в лесах России – позволяет экстраполировать изменения ключевого свойства насаждений (средних запасов) в связи с прогнозируемыми климатическими изменениями. Причем делать это возможно для территории России как для лесов в целом, так и для каждой рассмотренной породной и возрастной группы в отдельности. Доля объясненной вариации при этом позволяет утверждать, что точность прогнозов является удовлетворительной.

Выбор параметров, характеризующих климат, проведен на основе следующих соображений. Поиску связи между климатом и продуктивностью лесов посвящено много исследований, пик которых пришелся на вторую половину прошлого века (см. обзоры (Уткин, 1975; Усольцев, 2003)). Были найдены индексы и уравнения, связывающие различные аспекты климата и продуктивности лесов (Weck, 1955; Paterson, 1956). Не вдаваясь в анализ преимуществ и недостатков каждого из подходов, отметим два важных для нас момента. Первый состоит в том, что во всех индексах так или иначе применялись данные по средним величинам температур и влажности, а также показатели вариабельности температур в виде либо амплитуды изменений температуры за интервал времени, либо различных индексов континентальности климата (Санников и др., 2012, Усольцев и др., 2015). Второй момент связан с тем, что использование более специальных характеристик климата (температуры за определенный период, дневные амплитуды температур, число дней в году, средняя температура которых превышает некоторую пороговую, и т.д.) повышало локальную (в географическом смысле) точность прогнозов, но давало значительные ошибки в применении к другим регионам (Luyssaert et al., 2007). Как известно, климатические параметры коррелированы друг с другом. Из матрицы корреляций климатических параметров видно, что среднегодовая температура положительно связана с годовым количеством осадков и оба этих параметра отрицательно – с размахом годовых колебаний среднемесячных температур. Поскольку климатические параметры скоррелированы, то имеет смысл использовать для анализа лишь самые общие характеристики климата. Кроме того, мы выбрали легкодоступные из климатических сводок параметры климата, которые не требуют специальной обработки и дополнительной информации. Эти же климатические характеристики представлены в прогнозных климатических сценариях IPCC, и их легко использовать в расчетах.

Ведущим аргументом в пользу полинома второй степени как формы уравнения регрессии послужили результаты предварительного анализа возможных вариантов уравнений и выбор из них простейшего, дающего удовлетворительный коэффициент детерминации. Здесь применялись как тесты, специально разработанные для подобных задач, так и арбитражные соображения баланса точности предсказаний и лаконичности формулы. Вторым аргументом является общеизвестное правило оптимума, согласно которому в градиенте факторов внешней среды есть оптимальный уровень значений, занижение или превышение которого приводит к снижению урожайности. Иными словами, зависимость свойства от фактора имеет форму колокола, которая хорошо описывается полиномом второй степени.

Заключение. С использованием полученных уравнений регрессии можно предсказать возможные изменения средних запасов лесов как в целом, так и по отдельным группам возраста и пород вследствие возможных изменений климата (среднегодовых температур, годового количества осадков и разности между среднеиюльскими и среднеянварскими температурами). Эти данные необходимы для коррекции таблиц хода роста при прогнозных расчетах лесной динамики в климатических сценариях. Однако полученные результаты будут корректны лишь тогда, когда скорость адаптации лесов к изменениям климата будет не ниже скорости климатических изменений. Иными словами, предлагаемые уравнения адекватны для предсказаний лишь в том случае, если леса в прогнозный период успевают адаптироваться к происходящим климатическим изменениям. В реальности ситуация может быть иной. Скорость изменений климата может быть столь высокой, что леса могут не успевать приспосабливаться к новым условиям. В этом случае могут возникать различные патологические состояния. Например, снижение устойчивости деревьев к различным заболеваниям может приводить к угнетению роста или даже массовому усыханию и гибели лесов. Оценка скоростей адаптации лесного покрова к изменениям климата – отдельная задача, решению которой уделяется большое внимание в экологической литературе (Замолодчиков, Краев, 2016).

Список литературы

  1. Второй оценочный доклад Росгидромета об изменениях климата и их последствиях на территории Российской Федерации. М.: Росгидромет, 2014. 1009 с.

  2. Грабовский В.И., Зукерт Н.В., Корзухин М.Д. Оценка индекса листовой поверхности для территории России по данным государственного лесного реестра // Лесоведение. 2015. № 4. С. 255–259.

  3. Замолодчиков Д.Г., Грабовский В.И., Коровин Г.Н., Гитарский М.Л., Блинов В.Г., Дмитриев В.В., Курц В.А. Бюджет углерода управляемых лесов Российской Федерации в 1990–2050 гг.: ретроспективная оценка и прогноз // Метеорология и гидрология. 2013. № 10. С. 73–92.

  4. Замолодчиков Д.Г., Грабовский В.И., Краев Г.Н. Динамика бюджета углерода лесов России за два последних десятилетия // Лесоведение. 2011. № 6. С. 16–28.

  5. Замолодчиков Д.Г., Грабовский В.И., Шуляк П.П., Честных О.В. Современное сокращение стока углерода в леса России // Доклады Академии наук. 2017. Т. 476. № 6. С. 719–721.

  6. Замолодчиков Д.Г., Краев Г.Н. Влияние изменений климата на леса России: зафиксированные воздействия и прогнозные оценки // Устойчивое лесопользование. 2016. № 4 (48). С. 23–31.

  7. Изменение климата, 2013 г. Физическая научная основа. Вклад Рабочей группы I в Пятый доклад об оценке Межправительственной группы экспертов по изменению климата. Резюме для политиков / Под ред. Т.Ф. Стокера и др., Кембридж: Кембридж Юниверсити Пресс, 2013. 28 с.

  8. Кабаков Р.И. R в действии. Анализ и визуализация данных в программе R. М.: ДМК Пресс, 2014. 588 с.

  9. Корзухин М.Д., Грабовский В.И. Оценка индекса листовой поверхности лесных ландшафтов России по данным государственного лесного реестра // Новые методы и результаты исследований ландшафтов в Европе, Центральной Азии и Сибири: в 5 т. М.: Изд-во ФГБНУ “ВНИИ агрохимии”, 2018. Том 3. С 65-70.

  10. Санников С.Н., Санникова Н.С., Петрова И.В. Очерки по теории лесной популяционной биологии. Екатеринбург: Изд-во УрО РАН, 2012. 273 с.

  11. Усольцев В.А. Фитомасса лесов Северной Евразии: предельная продуктивность и география. Екатеринбург: Изд-во УРО РАН, 2003. 407 с.

  12. Усольцев В.А. Биологическая продуктивность лесообразующих пород в климатических градиентах Евразии (к менеджменту биосферных функций лесов). Екатеринбург: Уральский гос. лесотех. университет, 2016. 384 с.

  13. Усольцев В.А., Субботин К.С., Кох Е.В., Богословская О.А. Биологическая продуктивность сосновых лесов Евразии: исследование системных связей, обеспечивающих эффективность принятия решений в лесном секторе средствами IT–технологий. Екатеринбург: Уральский гос. лесотех. университет, 2015. 157 с.

  14. Уткин А.И. Биологическая продуктивность лесов (методы изучения и результаты) // Итоги науки и техники. Лесоведение и лесоводство. М.: ВИНИТИ, 1975. Т. 1. С. 9–189.

  15. Шабров Ф.А. Об использовании данных государственного лесного реестра при оценке продуктивности лесных охотничьих угодий для питания лося (Alces alces L.) // Вестник Костромского гос. университета им. Н.А. Некрасова. 2014. № 7. С. 79–81.

  16. Caldwell M.M., Meister H.-P., Tenhunen J.D., Lange O.L. Canopy structure, light microclimate and leaf gas exchange of Quercus coccifera L. in a Portuguese macchia: measurements in different canopy layers and simulations with a canopy model // Trees. 1986. V. 1 (1). P. 25–41.

  17. Dixon K. R., Luxmoore R.J., Begovich C.L. CERES – A model of forest stand biomass dynamics for predicting trace contaminant, nutrient, and water effects. I. Model description // Ecological Modelling. 1978. V. 5. P. 17–38.

  18. Harper A.B., Powell T., Cox P.M., House J., Huntingford C., Lenton T.M., Sitch S., Burke E., Chadburn S.E., Collins W.J., Comyn-Platt E., Daioglou V., Doelman J.C., Hayman G., Robertson E., van Vuuren D., Wiltshire A., Webber C.P., Bastos A., Boysen L., Ciais P., Devaraju N., Jain A.K., Krause A., Poulter B., Shu S. Land-use emissions play a critical role in land-based mitigation for Paris climate targets // Nature communications. 2018. V. 9. Article number 2938. P. 1–13.

  19. Johnson K.G., Brooks S.J., Fenberg P.B., Glover A.G., James K.E., Lister A.M., Michel E., Spencer M., Todd J.A., Valsami-Jones E., Young J.R., Stewart J.R. Climate change and biosphere response: unlocking the collections vault // BioScience. 2011. V. 61. P 147–153.

  20. Landsberg J.J., Waring R.H. A generalised model of forest productivity using simplified concepts of radiation-use efficiency, carbon balance and partitioning // Forest Ecology and management. 1997. V. 95. P. 209–228.

  21. Landsberg J.J., Waring R.H., Coops N.C. Performance of the forest productivity model 3-PG applied to a wide range of forest types // Forest Ecology and Management. 2003. V. 172. P. 199–214.

  22. Luyssaert S., Inglima I., Jung M., Richardson A.D., Reichstein M., Papale D., Piao S.L., Schulze E.D., Wingate L., Matteucci G., Aragao L.E.O.C., Aubinet M., Beers C., Bernhofer C., Black G.K., Bonal D., Bonnefond J.M., Chambers J., Ciais P., Cook B., Davis K.S., Dolman A.J., Gielen B., Goulden M., Grace J., Granier A., Grelle A., Griffis T., Grünwald T., Guidolotti G., Hanson P.J., Harding R., Hollinger D.Y., Hutyra L.R., Kolari P., Kruijt B., Kutsch W.L., Lagergren F., Laurila T., Law B., Le Maire G., Lindroth A., Loustau D., Malhi Y., Mateu J., Migliavacca M., Misson L., Montagnani L., Moncrieff J., Moors E.J., Munger J.W., Nikinmaa E., Ollinger S.V., Pita G., Rebmann C., Roupsard O. CO2 balance of boreal, temperate, and tropical forests derived from a global database // Global Change Biology. 2007. V. 13. P. 2509–2537. (doi 10.1111/j.1365-2486.2007.01439.x).

  23. Meyer G., Black T.A., Jassal R.S., Nesic Z., Grant N.J., Spittlehouse D.L., Fredeen A.L., Christen A., Coops N.C., Foord V.N., Bowler R. Measurements and simulations using the 3-PG model of the water balance and water use efficiency of a lodgepole pine stand following mountain pine beetle attack // Forest Ecology and Management. 2017. V. 393. P. 89–104.

  24. Paterson S.S. The forest area of the world and its potential productivity. Göteborg: The Royal University, 1956. 216 p.

  25. Rauscher H.M., Isebrands J.G., Host G.E., Dickson R.E., Dickmann D.I., Crow T.R., Michael D.A. ECOPHYS: An ecophysiological growth process model for juvenile poplar // Tree Physiology. 1990. V. 7. P. 255–281.

  26. Taylor K.E., Stouffer R.J., Meehl G.A. An overview of CMIP5 and the experiment design // Bulletin of the American Meteorological Society, 2012. V. 93. P. 485–498.

  27. Walther G.R., Post E., Convey P., Menzel A., Parmesan C., Beebee T.J., Fromentin J.M., Hoegh-Guldberg O., Bairlein F. Ecological responses to recent climate change // Nature. 2002. V. 416. P. 389–395.

  28. Weck J. Forstliche Zuwachs- und Ertragskunde. Radebeul und Berlin: Neumann Verlag, 1955. 160 c.

  29. Xie Y., Wang H., Lei X. Application of the 3-PG model to predict growth of Larix olgensis plantations in northeastern China // Forest Ecology and Management. 2017. V. 406. P. 208–218.

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска содержание выпуска

Лесоведение

Архивы выпусков Информация о журнале Отправить рукопись в журнал