| Аннотация |
Наземные исследования лесных территорий, пострадавших от ураганов, затруднительны или вовсе невозможны из-за их ограниченной доступности. Поэтому целью данной работы стала оценка поврежденных ураганом площадей на основе аэрофотосъемки и открытых данных о биоразнообразии. Исследования проводили в старовозрастных южнотаежных лесах заповедника «Кологривский лес» (Костромская область, Россия), пострадавших от катастрофического ветровала, вызванного ураганом 15.05.2021 г. Площадь исследованного участка составила 100 000 м2. Для оценки состояния древостоев перед ветровалом использовали открытые данные, доступные через репозиторий Global Biodiversity Information Facility, а также результаты собственных предыдущих наземных исследований. Аэрофотосъемку проводили при помощи беспилотного летательного аппарата, квадрокоптера DJI Phantom 4. Для фотограмметрической обработки полученных материалов использовали программное обеспечение Agisoft Metashape, в котором строили цифровую модель высот (digital elevation model) и ортофотоплан. Для автоматического детектирования поврежденных ветровалом участков использовали цифровую модель высот. На основе анализа распределения значений высот пикселей выделено три класса древесной растительности: участки сплошного ветровала, неповрежденные ветровалом древостои и окна в пологе леса, образовавшиеся в результате естественного распада липо-ельников до катастрофического ветровала. Упавшие деревья также детектировали вручную по ортофотоплану, по возможности определяя их видовую принадлежность. Анализ данных о составе древостоев до ветровала показал, что на исследованной территории преобладали старовозрастные леса, которые развивались без антропогенных воздействий в течение длительного времени. Это подтверждается сложной многоярусной и разновозрастной структурой древостоев, а также нормальными онтогенетическими спектрами популяций позднесукцессионных деревьев Picea abies (ель) и Tilia cordata (липа), доминирующих в древостое. Лесной покров представлял собой мозаику участков с доминированием ели, реже – липы, а также фрагментов распадающихся ельников, где деревья ели почти или полностью выпали из состава древостоя. В результате ветровала лесной покров исследованного участка значительно изменился. Результаты обработки цифровой модели высот показали, что 33.1% площади древостоев изучаемой территории выпали. Вручную детектировано 759 поваленных ветром деревьев, из них 82.9% приходились на сильно поврежденные участки, выделенные по модели высот. Остальные поваленные деревья были приурочены к менее поврежденным участкам, где сохранился древостой или отдельные группы деревьев. Такие участки не были детектированы по модели высот. Полученные результаты показывают, что для более точных оценок поврежденных ветровалом площадей необходимо использовать как модель высот, так и ортофотоплан. Результаты предварительного анализа повреждений древостоев разного состава показали, что, по всей видимости, еловые насаждения пострадали от ветровала сильнее, чем липовые. Это объясняется разной ветроустойчивостью ели и липы, а также различиями в плотности и видовом составе подроста в этих древостоях. |
| Список цитируемой литературы |
Agisoft. 2019. Agisoft Metashape (Version 1.5). Software. Available from https://www.agisoft.com/
Baumann M., Ozdogan M., Wolter P.T., Krylov A., Vladimirova N., Radeloff V.C. 2014. Landsat remote sensing of forest windfall disturbance. Remote Sensing of Environment 143: 171–179. DOI: 10.1016/j.rse.2013.12.020
Bobrovskiy M.V., Stamenov M.N. 2020. An impact of the year 2006 catastrophic windfall on structure and composition of forest vegetation in «Kaluzhskiye Zaseki» Nature Reserve. Russian Journal of Forest Science 6: 523–526. DOI: 10.31857/S0024114820050022 [In Russian]
Cardador L., Blackburn T.M. 2019. Human-habitat associations in the native distributions of alien bird species. Journal of Applied Ecology 56(5): 1189–1199. DOI: 10.1111/1365-2664.13351
Deigele W., Brandmeier M., Straub C. 2020. A hierarchical deep-learning approach for rapid windthrow detection on PlanetScope and high-resolution aerial image data. Remote Sensing 12(13): 2121. DOI: 10.3390/rs12132121
Dorland C., Tol R.S.J., Palutikof J.P. 1999. Vulnerability of the Netherlands and Northwest Europe to Storm Damage under Climate Change. Climatic Change 43(3): 513–535. DOI: 10.1023/A:1005492126814
Duan F., Wan Y., Deng L. 2017. A novel approach for coarse-to-fine windthrown tree extraction based on unmanned aerial vehicle images. Remote Sensing 9(4): 306. DOI: 10.3390/rs9040306
Dudin V.A. 2000. The history of forests of the Kostroma Region. Kostroma: DiAr. 256 p. [In Russian]
Dyderski M.K., Paź S., Frelich L.E., Jagodziński A.M. 2018. How much does climate change threaten European forest tree species distributions? Global Change Biology 24(3): 1150–1163. DOI: 10.1111/gcb.13925
Einzmann K., Immitzer M., Böck S., Bauer O., Schmitt A., Atzberger C. 2017. Windthrow detection in European forests with very high-resolution optical data. Forests 8(1): 21. DOI: 10.3390/f8010021
Gallagher R.V., Allen S., Wright I.J. 2019. Safety margins and adaptive capacity of vegetation to climate change. Scientific Reports 9(1): 8241. DOI: 10.1038/s41598-019-44483-x
Gardiner B. 2021. Wind damage to forests and trees: a review with an emphasis on planted and managed forests. Journal of Forest Research 26(4): 248–266. DOI: 10.1080/13416979.2021.1940665
GBIF. 2021. GBIF Occurrence Download. Available from https://doi.org/10.15468/dl.fk42jj
Hamdi Z.M., Brandmeier M., Straub C. 2019. Forest damage assessment using deep learning on high resolution remote sensing data. Remote Sensing 11(17): 1976. DOI: 10.3390/rs11171976
Heberling J.M., Miller J.T., Noesgaard D., Weingart S.B., Schigel D. 2021. Data integration enables global biodiversity synthesis. Proceedings of the National Academy of Sciences of the United States of America 118(6): e2018093118. DOI: 10.1073/pnas.2018093118
Honkavaara E., Litkey P., Nurminen K. 2013. Automatic Storm Damage Detection in Forests Using High‑Altitude Photogrammetric Imagery. Remote Sensing 5(3): 1405–1424. DOI: 10.3390/rs5031405
Hyvönen P., Heinonen J. 2018. Estimating storm damage with the help of low-altitude photographs and different sampling designs and estimators. Silva Fennica 52(3): 7710. DOI: 10.14214/sf.7710
Inoue T., Nagai S., Yamashita S., Fadaei H., Ishii R., Okabe K., Taki H., Honda Y., Kajiwara K., Suzuki R. 2014. Unmanned Aerial Survey of Fallen Trees in a Deciduous Broadleaved Forest in Eastern Japan. PLoS ONE 9(10): e109881. DOI: 10.1371/journal.pone.0109881
Isachenko A.G. 2001. Russian Ecological Geography. Saint-Petersburg: Saint-Petersburg State University. 328 p. [In Russian]
Ivanov A.N., Butorina E.A., Baldina E.A. 2012. Long-term dynamics of primary spruce forests (Southern taiga) in the Kologriv Forest Natural Reserve. Vestnik Moskovskogo Universiteta, Seriya Geografiya 3: 80–85. [In Russian]
Ivanova N.V. 2015. Factors limiting distribution of the rare lichen species Lobaria pulmonaria (in forests of the Kologriv Forest Nature Reserve). Biology Bulletin 42(2): 145–153. DOI: 10.1134/S1062359015020041
Ivanova N., Shanin V., Grozovskaya I., Khanina L. 2018. Forest vegetation of the northeastern part of the Kostroma region (European Russia). Version 1.3. Institute of Mathematical Problems of Biology RAS – the Branch of Keldysh Institute of Applied Mathematics of Russian Academy of Sciences. Sampling event dataset. Available from https://doi.org/10.15468/qemuyc
Ivanova N.V., Shashkov M.P. 2021a. The possibilities of GBIF data use in ecological research. Russian Journal of Ecology 52(1): 1–8. DOI: 10.1134/S1067413621010069
Ivanova N., Shashkov M. 2021b. Tree stand investigations at the old-growth taiga forest (the Core of the Kologrivsky Forest Nature Reserve, Russia). Version 1.1. Institute of Mathematical Problems of Biology RAS – the Branch of Keldysh Institute of Applied Mathematics of Russian Academy of Sciences. Sampling event dataset. Available from https://doi.org/10.15468/nd3wdv
Jarnevich C.S., Young N.E., Talbert M., Talbert C. 2018. Forecasting an invasive species' distribution with global distribution data, local data, and physiological information. Ecosphere 9(5): e02279. DOI: 10.1002/ecs2.2279
Khoroshev A.V., Nemchinova A.V., Koshcheeva A.S., Ivanova N.V., Petukhov I.N., Terentieva E.V. 2013. Landscape and succession factors determining the balance between nemoral and boreal features of the grass layer in the Kologriv Forest Reserve. Vestnik Moskovskogo Universiteta, Seriya 5: Geografiya 5: 11–18. [In Russian]
Kislov D.E., Korznikov K.A. 2020. Automatic windthrow detection using very-high-resolution satellite imagery and deep learning. Remote Sensing 12(7): 1145. DOI: 10.3390/rs12071145
Krinitsyn I.G., Lebedev A.V. 2019. Ecological characteristics of habitats of cenopopulations of linden heart-shaped and spruce fir in the Reserve «Kologrivsy Les». Prirodoobustrojstvo 3: 121–126. DOI: 10.34677/1997-6011/2019-3-121-126 [In Russian]
Lazecky M., Wadhwa S., Mlcousek M., Sousa J.J. 2021. Simple method for identification of forest windthrows from Sentinel-1 SAR data incorporating PCA. Procedia Computer Science 181: 1154–1161. DOI: 10.1016/j.procs.2021.01.312
Lebedev A.V., Chistyakov S.A. 2021a. Assessment of the impact of the wind 2021 on the Kologrvsky Forest Biosphere Reserve. In: A.V. Lebedev (Ed.): The contribution of Protected Areas to the ecological sustainability of regions: current state and prospects. Kologriv: Kologrivsky Forest State Nature Reserve. P. 71–77. [In Russian]
Lebedev A.V., Chistyakov S.A. 2021b. Long-term observations on permanent sample plots in stands of the Kologrivsky Forest Nature Reserve. In: A.V. Lebedev (Ed.): The contribution of Protected Areas to the ecological sustainability of regions: current state and prospects. Kologriv: Kologrivsky Forest State Nature Reserve. P. 31–43. [In Russian]
Mally R., Ward S.F., Trombik J., Buszko J., Medzihorský V., Liebhold A.M. 2021. Non-native plant drives the spatial dynamics of its herbivores: the case of black locust (Robinia pseudoacacia) in Europe. NeoBiota 69: 155–175. DOI: 10.3897/neobiota.69.71949
Mokroš M., Výbošt'ok J., Merganič J., Hollaus M., Barton I., Koreň M., Tomaštík J., Čerňava J. 2017. Early stage forest windthrow estimation based on unmanned aircraft system imagery. Forests 8(9): 306. DOI: 10.3390/f8090306
Mücke W., Deák B., Schroiff A., Hollaus M., Pfeifer N. 2013. Detection of fallen trees in forested areas using small footprint airborne laser scanning data. Canadian Journal of Remote Sensing 39(Sup.1): 32–40. DOI: 10.5589/m13-013
Olmo V., Tordoni E., Petruzzellis F., Bacaro G., Altobelli A. 2021. Use of Sentinel-2 Satellite Data for Windthrows Monitoring and Delimiting: The Case of «Vaia» Storm in Friuli Venezia Giulia Region (North-Eastern Italy). Remote Sensing 13(8): 1530. DOI: 10.3390/rs13081530
Polewski P., Yao W., Heurich M., Krzystek P., Stilla P. 2015. Detection of fallen trees in ALS point clouds using a Normalized Cut approach trained by simulation. ISPRS Journal of Photogrammetry and Remote Sensing 105: 252–271. DOI: 10.1016/j.isprsjprs.2015.01.010
Polewski P., Yao W., Heurich M., Krzystek P., Stilla P. 2017. Learning a constrained conditional random field for enhanced segmentation of fallen trees in ALS point clouds. ISPRS Journal of Photogrammetry and Remote Sensing 140: 33–44. DOI: 10.1016/j.isprsjprs.2017.04.001
QGIS Development Team. 2021. QGIS Geographic Information System. Open Source Geospatial Foundation Project. Available from http://qgis.osgeo.org
Rai A., Chettri M., Dewan S., Khandelwal B., Chettri B. 2021. Epidemiological study of snakebite cases in Sikkim: Risk modeling with regard to the habitat suitability of common venomous snakes. PLoS Neglected Tropical Diseases 15(11): e0009800. DOI: 10.1371/journal.pntd.0009800
Ribeiro B.R., Sales L.P., Loyola R. 2018. Strategies for mammal conservation under climate change in the Amazon. Biodiversity and Conservation 27(8): 1943–1959. DOI: 10.1007/s10531-018-1518-x
Ruel J.C. 1995. Understanding windthrow: Silvicultural implications. Forestry Chronicle 71(4): 434–445. DOI: 10.5558/tfc71434-4
Rüetschi M., Small D., Waser L.T. 2019. Rapid detection of windthrows using Sentinel-1 C-Band SAR data. Remote Sensing 11(2): 115. DOI: 10.3390/rs11020115
Seidl R., Schelhaas M.J., Lexer M.J. 2011. Unraveling the drivers of intensifying forest disturbance regimes in Europe. Global Change Biology 17(9): 2842–2852. DOI: 10.1111/j.1365-2486.2011.02452.x
Seregin A. 2021. Moscow University Herbarium (MW). Version 1.206. Lomonosov Moscow State University. Occurrence dataset. Available from https://doi.org/10.15468/cpnhcc
Shashkov M., Ivanova N. 2016. Database of finds of rare lichen species Lobaria pulmonaria in Russia. Version 1.4. Institute of Mathematical Problems of Biology RAS – the Branch of Keldysh Institute of Applied Mathematics of Russian Academy of Sciences. Occurrence dataset. Available from https://doi.org/10.15468/uennht
Smirnova O.V., Bobrovsky M.V., Khanina L.G., Zaugolnova L.B., Turubanova S.A., Potapov P.V., Yaroshenko A.Yu., Smirnov V.E. 2017. Methods of Investigation. In: O.V. Smirnova, M.V. Bobrovsky, L.G. Khanina (Eds.): European Russian Forests. Their Current State and Features of Their History. Dordrecht: Springer. P. 33–57. DOI: 10.1007/978-94-024-1172-0_2
Sokolov S.Ya., Svyazeva O.A., Kubli V.A. 1977. Distribution areas of trees and shrubs in the USSR. Vol. 1. Leningrad: Nauka. 164 p. [In Russian]
Sokolov V.E. (Ed.). 1986. Kologrivsky Les (Ecological studies). Moscow: Nauka. 128 p. [In Russian]
Tanase M.A., Aponte C., Mermoz S., Bouvet A., Le Toan T., Heurich M. 2018. Detection of windthrows and insect outbreaks by L-band SAR: A case study in the Bavarian Forest National Park. Remote Sensing of Environment 209: 700–711. DOI: 10.1016/j.rse.2018.03.009
Taylor R.A., Dracup E., MacLean D.A., Boulanger Y., Endicott S. 2019. Forest structure more important than topography in determining windthrow during Hurricane Juan in Canada's Acadian Forest. Forest Ecology and Management 434: 255–263. DOI: 10.1016/j.foreco.2018.12.026
Ueda K. 2012. iNaturalist Research-grade Observations. iNaturalist.org. Occurrence dataset. Available from https://doi.org/10.15468/ab3s5x
Ulanova N.G. 2000. The effects of windthrow on forests at different spatial scales: a review. Forest Ecology and Management 135(1–3): 155–167. DOI: 10.1016/S0378-1127(00)00307-8
Usbeck T., Wohlgemuth T., Dobbertin M., Pfister C., Bürgi A., Rebetez M. 2010. Increasing storm damage to forests in Switzerland from 1858 to 2007. Agricultural and Forest Meteorology 150(1): 47–55. DOI: 10.1016/j.agrformet.2009.08.010
Veselov V.M., Pribylskaya I.R., Mirzeabasov O.A. 2021. World Data Center (RIHMI-WDC). Roshydromet. Available from http://aisori-m.meteo.ru/waisori |
