Влияние климата на состояние северной части елово-пихтовой подзоны темнохвойных бореальных лесов острова Сахалин
DOI:
https://doi.org/10.18413/2712-7443-2020-44-4-415-431Ключевые слова:
многозональные космические снимки, климатические условия, гидротермический коэффициент, елово-пихтовые леса, моделирование, ArcGISАннотация
Одним из регионов России, где сохранились большие массивы бореальных лесов, является остров Сахалин. В результате исследования определен характер изменения состояния северной части подзоны бореальных елово-пихтовых лесов Сахалина под влиянием современных климатических изменений на основе данных наблюдений на метеостанциях и космических съемок. Приводятся результаты исследования многолетней динамики лесов по данным космических съемок и регулярных наблюдений на метеостанциях «Погиби», «Ноглики», «Александровск-Сахалинский», «Тымовское». Оценка современного состояния лесных сообществ территории выполнена по многозональным космическим снимкам территории среднего разрешения, полученных со спутников Landsat. Установлено, что интенсивное развитие растительности и прирост фитомассы обусловлены условиями тепло- и влагообеспеченности территории, которые находят свое выражение в величине гидротермического коэффициента Селянинова (ГТК). Анализ климатических условий лесных растительных сообществ дал возможность понять тенденции и направленность их изменения, прогнозировать отдельные негативные природные явления (пожары, усыхание и др.).
Библиографические ссылки
Атаев З.В., Братков В.В., Гаджибеков М.И. 2018. Сезонная и многолетняя динамика полупустынных ландшафтов Северо-Западного Прикаспия (на примере можжевелового урочища «Буруны» Терско-Кумской низменности). Известия Дагестанского государственного педагогического университета. Естественные и точные науки, 12 (4): 34–48. https://doi.org/10.31161/1995–0675–2018–12–4–34–48
Бакаева Н.П. 2019. Влияние погодных условий, систем обработки почвы и удобрений на структуру урожая и качество зерна яровой пшеницы. Известия Самарской государственной сельскохозяйственной академии, 4: 12–19.
Барталев С.А., Егоров В.А., Жарко В.О., Лупян Е.А., Плотников Д.Е., Хвостиков С.А., Шабанов Н.В. 2016. Спутниковое картографирование растительного покрова России. Москва, Институт космических исследований Российской академии наук (ИКИ РАН), 208 с.
Белова Е.И., Ершов Д.В. 2019. Исследование возможности оценки возобновления лесной растительности после сплошных рубок по спутниковым данным LANDSAT (на примере Брянского Полесья). Вопросы лесной науки, 2 (4): 1–20.
Братков В.В., Кравченко И.В., Туаев Г.А., Атаев З.В., Абдулжалимов А.А. 2016. Применение вегетационных индексов для картографирования ландшафтов Большого Кавказа. Известия Дагестанского государственного педагогического университета. Естественные и точные науки, 10 (4): 97–111.
Данилова И.В., Корец М.А., Рыжкова В.А. 2017. Картографирование возрастных стадий лесной растительности на основе анализа разносезонных спутниковых изображений Landsat. Исследование Земли из космоса, 4: 12–24.
Керимов Р.М., Абдулов Р.Н., Агаев Ф.Г. 2016. Параметрические вегетационные индексы для обработки данных дистанционного зондирования. Вестник Алтайского государственного аграрного университета, 8 (142): 65–69.
Корец М.А., Скудин В.М. 2018. Автоматизированное дешифрирование лесотаксационных выделов по материалам космической съемки и цифровой модели рельефа местности. ИнтерКарто. ИнтерГИС, 24 (2): 94–105.
Крестов П.В., Баркалов В.Ю., Таран А.А. 2004. Ботанико-географическое районирование острова Сахалин. В кн.: Растительный и животный мир острова Сахалин: Материалы Международного сахалинского проекта. Владивосток, Дальнаука: 67–92.
Мазуров Б.Т., Аврунев Е.И., Хамедов В.А. 2017. Оперативный мониторинг лесных земель северных регионов на основе использования оптических и радарных космических снимков. Современные проблемы дистанционного зондирования Земли из космоса, 14 (4): 103–111.
Мелкий В.А., Верхотуров А.А., Сабиров Р.Н., Братков В.В. 2019. Анализ состояния лесных земель на острове Сахалин. Вестник Северо-Восточного федерального университета им. М.К. Аммосова. Серия: Науки о Земле, 2 (14): 68–73. https://doi.org/10.25587/SVFU.2019.14.35448
Муха В.С. 2020. Статистическая обработка метеорологических данных для выводов о наличии временных трендов. Доклады Белорусского государственного университета информатики и радиоэлектроники, 18 (1): 96–103. https://doi.org/10.35596/1729-7648-2020-18-1-96-103
Саворский В.П., Кашницкий А.В., Панова О.Ю. 2019. Информационные инструменты распределённого анализа данных спутникового мониторинга растительных ареалов при проведении специальных экспертиз. Современные проблемы дистанционного зондирования Земли из космоса, 16 (5): 99–110.
Терехин Э.А. 2018. Изменение лесистости овражно-балочных систем юга Среднерусской возвышенности за последние десятилетия. Научные ведомости Белгородского государственного университета. Серия: Естественные науки, 42 (2): 223–230.
Терехин Э.А. 2019. Оценка и автоматизированное картографирование современной лесистости овражно-балочных систем Белгородской области на основе спутниковых данных. Научные ведомости Белгородского государственного университета. Серия: Естественные науки, 43 (2): 173–181.
Толмачев А.И. 1955. Геоботаническое районирование острова Сахалина. М.-Л., Издательство АН СССР, 78 c.
Byer S., Jin Y. 2017. Detecting drought‐ induced tree mortality in Sierra Nevada forests with time series of satellite data. Remote Sensing, 9: 14–17.
Fick S.E., Hijmans R.J. 2017. WorldClim 2: new 1 km spatial resolution climate surfaces for global land areas. International Journal of Climatology, 37 (12): 4302–4315.
Gavrilov M.B., Marković S.B., Janc N., Nikolić M., Valjarević A., Komac B., Zorn M., Punišić M., Bačević N. 2018. Assessing average annual air temperature trends using the Mann–Kendall test in Kosovo. Acta geographica Slovenica, 58 (1): 7–25. https://doi.org/10.3986/AGS.1309.
Gonsamo A., Chen J.M. 2016. Circumpolar vegetation dynamics product for global change study. Remote Sensing of Environment, 182 (1): 13–26.
He C., Zhang Q., Liao M., Qu T., Wang D. 2019. Remote sensing and texture image classification network based on deep learning integrated with binary coding and Sinkhorn distance. Remote Sensing, 11 (23): 2870.
Herrera D., Ault T. 2017. Insights from a new high‐resolution drought atlas for the Caribbean spanning 1950–2016. Journal of Climate, 30: 7801–7825.
Khatami R., Mountrakis G., Stehmann S.V. 2016. A meta-analysis of remote sensing research on supervised pixel-based land-cover image classification processes: General guidelines for practitioners and future research. Remote Sensing of Environment, 177: 89–100.
Seidl R., Thom D., Kautz M., Martin-Benito D., Peltoniemi M., Vacchiano G., Wild J., Ascoli D., Petr M., Honkaniemi J., Lexer M.J., Trotsiuk V., Mairota P., Svoboda M., Fabrika M., Nagel T.A., Reyer C.P.O. 2017. Forest disturbances under climate change. Nature Climate Change, 7 (6): 395‒402.
Просмотров аннотации: 94
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2020 Региональные геосистемы
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
