Аллометрические модели и таблицы для оценки биомассы отмерших ветвей растущих деревьев дистанционными методами

В условиях изменяющегося климата возросла актуальность оценки полного углеродного бюджета лесных экосистем и углеродного пула всех их компонентов, в том числе отмерших ветвей растущих деревьев. В опубликованных данных о биомассе деревьев доля отмерших ветвей в надземной биомассе варьирует в диапазоне от 1 до 22 %, однако попытки выявить факторы, объясняющие столь широкий ее диапазон, довольно редки. В настоящем исследовании предпринята первая попытка разработки аллометрических моделей, предназначенных для оценки массы отмерших ветвей (МОВ) растущих деревьев сосны обыкновенной по измеренным диаметру кроны и высоте деревьев естественных древостоев и культур в условиях степной зоны. Основу исследования составили 357 модельных деревьев, полученные на 40 пробных площадях. Аллометрическая модель МОВ, включающая такие независимые переменные, как диаметр кроны, высота дерева и происхождение древостоя, объясняет 84 % изменчивости МОВ на уровне p < 0,001. Величина МОВ у крупных деревьев может достигать 15–20 кг, при этом в культурах показатель вдвое выше, чем в естественных древостоях. В процентном выражении величина МОВ по отношению к надземной биомассе по мере увеличения размеров дерева возрастает в естественных древостоях от 2 до 6 % и в культурах от 3,5 до 11 %, и в среднем для естественных древостоев и культур составляет 5–6 %. Вклады диаметра кроны, высоты дерева и происхождения древостоя в объяснение изменчивости МОВ составили соответственно 19, 62 и 19 %. При включении надземной биомассы в модель МОВ в качестве дополнительной независимой переменной вклады диаметра кроны, высоты дерева, надземной биомассы и происхождения древостоя в объяснение изменчивости МОВ составили соответственно 18, 33, 17 и 32 %. Предложенные аллометрические модели могут быть использованы при оценках МОВ сосны обыкновенной на основе воздушного и наземного лазерного зондирования. При расчетах углеродных пулов в сосновых лесах степной зоны необходимо вносить в оценку пула поправку в виде 5–6%-ного повышения на величину МОВ.

1. Бабич Н. А., Мерзленко М. Д., Евдокимов И. В. Фитомасса культур сосны и ели в европейской части России. Архангельск : АГТУ, 2004. 112 с.

2. Залесов С. В., Лобанов А. Н., Луганский Н. А. Рост и производительность сосняков искусственного и естественного происхождения. Екатеринбург : УГЛТУ, 2002. 112 с.

3. Семечкина М. Г. Структура фитомассы сосняков. Новосибирск : Наука, 1978. 165 с.

4. Усольцев В. А. Моделирование структуры и динамики фитомассы древостоев. Красноярск : Изд-во Красноярского ун-та, 1985. 191 с. (http://elar.usfeu.ru/handle/123456789/3353).

5. Усольцев В. А. Фитомасса модельных деревьев лесообразующих пород Евразии: база данных, климатически обусловленная география, таксационные нормативы. Екатеринбург : Урал. гос. лесотехн. ун-т, 2016. 336 с. (http://elar.usfeu.ru/handle/123456789/5696).

6. Усольцев В. А., Цепордей И. С. Обновленные аллометрические модели биомассы 19 древесных видов и родов Евразии для бортового лазерного зондирования // Хвойные бореальной зоны. 2021. Т. 39, № 6. С. 469–479.

7. Усольцев В. А., Цепордей И. С., Норицин Д. В. Аллометрические модели для оценки биомассы корней лесообразующих родов Евразии дистанционными методами с учетом глобального потепления // Хвойные бореальной зоны. 2022. Т. 40. № 1. С. 65–75.

8. Уткин А. И., Ермолова Л. С. Первичная продуктивность культур сосны обыкновенной Ульяновского Поволжья // Биологическая продуктивность лесов Поволжья. М. : Наука, 1982. С. 186–195.

9. Ahmed R., Siqueira P., Hensley S., Bergen K. Uncertainty of forest biomass estimates in north temperate forests due to allometry: Implications for remote sensing // Remote Sensing. 2013. Vol. 5. P. 3007– 3036. doi:10.3390/rs5063007.

10. Baskerville G. L. Use of logarithmic regression in the estimation of plant biomass // Canadian Journal of Forest Research. 1972. Vol. 2. P. 49–53.

11. Blanchette D., Fournier R. A., Luther J. E., Côté J.-F. Predicting wood fiber attributes using local-scale metrics from terrestrial LiDAR data: A case study of Newfoundland conifer species // Forest Ecology and Management. 2015. Vol. 347. P. 116–129.

12. Brede B., Terryn L., Barbier N. et al. Nondestructive estimation of individual tree biomass: Allometric models, terrestrial and UAV laser scanning // Remote Sensing of Environment. 2022. Vol. 280. Article 113180. https://doi.org/10.1016/j.rse.2022.113180.

13. Calders K., Newnham G., Burt A. et al. Nondestructive estimates of above-ground biomass using terrestrial laser scanning // Methods in Ecology and Evolution. 2015. Vol. 6. No. 2. P. 198–208. doi: 10.1111/2041-210X.12301.

14. Camarretta N., Harrison P. A., Lucieer A. et al. Handheld laser scanning detects spatio-temporal differences in the development of structural traits among species in restoration plantings // Remote Sensing. 2021. Vol. 13. Article 1706.

15. Falster D. S., Duursma R. A., Ishihara M. I. et al. BAAD: a Biomass And Allometry Database for woody plants // Ecology. 2015. Vol. 96. P. 1445–1445. DOI: 10.1890/14-1889.1.

16. Machimura T., Fujimoto A., Hayashi K. et al. A novel tree biomass estimation model applying the pipe model theory and adaptable to UAV-derived canopy height models // Forests. 2021. Vol. 12. No. 2. Article 258.

17. Schepaschenko D., Shvidenko A., Usoltsev V. А. et al. A dataset of forest biomass structure for Eurasia // Scientific Data. 2017. Vol. 4. Article 170070.

18. Usoltsev V. A., Shobairi O., Tsepordey I. S. Feedback modelling of natural stand and plantation biomass to changes in climatic factors (temperatures and precipitation): A special case for two-needle pines in Eurasia // Journal of Climate Change. 2020. Vol. 6. No. 2. P. 15–32.

19. Vandendaele B., Fournier R. A., Vepakomma U. et al. Estimation of northern hardwood forest inventory attributes using UAV laser scanning (ULS): Transferability of laser scanning methods and comparison of automated approaches at the tree and stand-level // Remote Sensing. 2021. Vol. 13. Article 2796.