CC BY
0Геоботаническое картографирование 2024 С. 25-43.
https://doi.org/10.31111/geobotmap/2024.25
© И. П. КОТЛОВ, 1 2 Т. В. ЧЕРНЕНЬКОВА,3 Н. Г. БЕЛЯЕВА3
ОПЫТ КАРТОГРАФИРОВАНИЯ ТИПОЛОГИЧЕСКОГО РАЗНООБРАЗИЯ ЛЕСОВ МОСКОВСКОЙ ОБЛАСТИ
I. P. Kotlov, 1 2 Т. V. Chernenkova3 N. G. Belyaeva3 Mapping experience on the forest typological diversity in the Moscow Region
1Институт проблем экологии и эволюции им. А. Н. Северцова (ИПЭЭ РАН).
119071, Москва, Ленинский пр-т, д. 33.
1A. N. Severtsov Institute of ecology and evolution of the RAS (IEE RAS).
E-mail: [email protected]
2 Национальный исследовательский университет «Высшая школа экономики».
109028, Москва, Покровский бульвар, д. 11.
2 National Research University "Higher School of Economics".
3 Институт географии РАН (ИГ РАН).
119017, Москва, Старомонетный переулок, д. 29, стр. 4.
3 Institute of Geography of the RAS (IG RAS).
Количественная оценка площади лесов имеет решающее значение при организации мониторинга и планирования лесопользования. Несмотря на длительную историю изучения лесов Московской области, до сих пор для региона не разработана оценка фонового состояния биоразнообразия лесов. В исследовании предлагается интеграция эколого-фитоценотического подхода к классификации растительности и картографического моделирования на основе совмещения полевых данных и данных дистанционного зондирования Земли и использования классификации с обучением. Общая сходимость классификации по группам ассоциаций составила 59 %. Пространственное распределение лесов на составленной карте сходно с тем, как они показаны на мелкомасштабной карте лесорастительных зон и на крупномасштабной карте-схеме преобладающих пород лесов Московской области.
Ключевые слова: картографирование лесов, типологическое разнообразие, эколого-фитоценотический подход, алгоритм «случайный лес», Московская область.
Key words: forest mapping, typological diversity, ecological-phytocoenotic approach, "random forest" algorithm, Moscow Region.
Номенклатура: Cherepanov, 1995; Ignatov et al., 2006.
Введение
Резкий рост площади урбанизированных территорий является одним из признаков изменения землепользования в начале текущего тысячелетия (Seto et al., 2012; Pan et al., 2019). Более 50 % населения планеты уже живет в городах; в ближайшие 30 лет прогнозируется увеличение данного показателя в среднем на 14 % (Lutz et al., 2001; Gong et al., 2020). В этих условиях леса являются ключевым ресурсом, обеспечивающим поддержание устойчивого развития городской и пригородной среды, выполняя функции поддерживающих, культурных и регулирующих
экосистемных услуг (Endreny et al., 2017; Pedersen Zari, 2019; Velasquez-Camacho et al., 2021). Количественная оценка площади и структуры лесов имеет решающее значение при организации мониторинга и ландшафтного планирования в урбанизированных регионах.
Леса Московской области подвергались рубке и распашке в промышленных масштабах до середины XX в. (Nizovtsev et al., 2020), что привело к их фрагментации и последовательному сокращению площади. Начавшаяся с 1950-х гг. активная посадка культур изменила эколого-ценотический ареал зональных хвойных и широколиственно-хвойных лесов на этой территории (Chernenkova et al., 2020; Kotlov, Chernenkova, 2020). Накоплен большой опыт в изучении разнообразия лесов региона и их динамики, а также в составлении систематизированного перечня типов леса (Kurnaev, 1968; Rysin, 1982). Разработана карта растительности Московской области масштаба 1 : 200 000, выполненная по материалам лесотаксаци-онных данных и полевых исследований (Ogureeva et al., 1996). Позднее перечень типов сообществ, использованный для пояснительного текста и легенды к карте, был существенно переработан и дополнен (Suslova, 2019).
Несмотря на длительную историю изучения лесов региона, отсутствует единая основа для оценки их современного состояния и мониторинга биоразнообразия. Доступная информация ограничивается данными Комитета лесного хозяйства Московской области в виде базовых лесохозяйственных единиц (Lesnoy..., 2023), что не позволяет интерпретировать эти данные в терминах биоразнообразия и эко-системных услуг.
Немаловажным представляется выбор объекта и методов исследования, отвечающих наиболее современным представлениям и технологиям. Типологический состав лесов отражает уровень биоразнообразия (Gardner, 2010). Эколого-фитоце-нотический подход является наиболее развитым подходом к картографированию, изучению биоразнообразия, организации мониторинга и ландшафтного планирования, в частности в урбанизированных регионах (Noss, 1999; Wang et al., 2019). При этом наиболее оперативный путь оценки пространственной структуры типологического разнообразия лежит через совмещение данных дистанционного зондирования, полевых измерений и картографического моделирования (Girardet, 2014; Thomson, Newman, 2018).
Использование данных дистанционного зондирования Земли (ДДЗЗ) для классификации с обучением, моделирования и картирования наземного покрова (Haase et al., 2019) позволяет создавать карты современного состояния лесов и вести дальнейший систематический и унифицированный мониторинг. Тем не менее в большинстве регионов РФ отсутствует единая система контроля за состоянием биоразнообразия лесов. Особое значение приобретает мониторинг не только редких и охраняемых видов, но и местообитаний — как отдельных видов, так и характерных групп и сочетаний видов. Это формирует современный запрос на совмещение полевых данных и ДДЗЗ при выполнении работ по инвентаризации, оценке состояния, мониторингу и охране растительных сообществ (Lavrinenko, 2020).
В данном исследовании предлагается интеграция эколого-фитоценотического подхода к классификации наземных описаний и картографического моделирования выделенных типов сообществ на основе ДДЗЗ. Целью работы является оценка фонового состояния лесов Московской области для создания основы регулярного мониторинга природно-ресурсного и экологического потенциала.
Характеристика района исследования
Московская область расположена в центральной части Восточно-Европейской равнины и занимает площадь 4.43 млн. га (без Москвы).
Кристаллический фундамент залегает на глубине 0.5-5.0 км, имеет сложное строение и перекрыт толщей осадочных пород, структурно связанных с блоками фундамента. Это известняки, мергели и глины девонского, каменноугольного и пермского возрастов, а также морские юрские глины и меловые пески (Annenskaya
а1., 1997). Характер рельефа определен ледниковыми и водно-ледниковыми процессами четвертичного периода и современными эрозионно-денудационными процессами (Зрт^поу, 1972).
На территории Московской области выделяется 7 физико-географических провинций: Верхне-Волжская, Московская, Смоленская, Москворецко-Окская, Мещерская, Заокская и Среднерусская (рис. 1) (Аппе^кауа е1 а1., 1997).
На схематической карте климатических областей и районов Московская область отнесена к умеренно континентальной области (Rivas-Martínez, 2004). Среднегодовая температура воздуха составляет 2.7-3.8 °С, количество осадков — 479-644 мм. Смоленская и Московская провинции характеризуются небольшим спадом летних температур. В центральных провинциях — Москворецко-Окской и Мещерской — наблюдается значительная среднегодовая амплитуда годовой суммы осадков — от 138 до 160 мм.
Рельеф территории в целом по-логохолмистый, высоты варьируют от 90 до 320 м и в среднем составляют 174 м над ур. м. Две провинции, связанные с понижением в кровле коренного фундамента, и, соответственно, с активной деятельностью водно-ледниковых потоков в четвертичное время — Верхне-Волж-ская и Мещерская — имеют самые низкие высотные уровни. Московская, Москворецко-Окская и Смоленская провинции являются водоразделами рек Волга и Ока; для них характерна большая расчлененность рельефа и крутизна склонов.
Мозаика суглинистого, песчаного и супесчаного субстратов создает неоднородные эдафические условия Московского региона (Аппе^кауа et а1., 1997; СЬегпеп^а et а1., 2020). Пески и супеси бедны питательными веществами, но хорошо дренированы и проницаемы для воздуха. Суглинистые моренные отложения обладают высокой трофностью, но
при этом слабопроницаемы и плохо дренированы. В зависимости от сочетания трофности, дренированности субстрата, уровня грунтовых вод и других условий формируются дерново-подзолистые, подзолистые, болотно-подзолистые, серые лесные почвы. По характеру поверхностных отложений Верхне-Волжская провинция отличается преобладанием зандровых песчаных отложений над водно-ледниковыми суглинистыми. В Смоленской провинции на общем фоне значительна роль богатых озерных отложений, в Мещерской провинции — древнеаллювиаль-ных песков и суглинков. Основной тип почв в провинциях 1-5 (рис. 1) — дерново-подзолистые. Заокская и Среднерусская провинции отличаются от остальных
Рис. 1. Физико-географические провинции, лесорастительные зоны и граница Московского оледенения.
Физико-географические провинции (по: An-nenskaya et al., 1997): 1 — Верхне-Волжская, 2 — Московская, 3 — Смоленская, 4 — Москво-рецко-Окская, 5 — Мещерская, 6 — Заокская, 7 — Среднерусская.
1 — граница Московского оледенения 120170 тыс. лет назад (по: Spiridonov, 1972); лесорастительные зоны (по: Kurnaev, 1968): 2 — хвойных лесов, 3 — смешанных лесов, 4 — лиственных лесов, 5 — лесостепная.
Fig. 1. Physiographic provinces, forest zones and the boundary of the Moscow glaciation.
Physiographic provinces (according to Annen-skaya et al., 1997): 1 — Verkhne-Volzhskaya, 2 — Moskovskaya, 3 — Smolenskaya, 4 — Moskvoretsko-Okskaya, 5 — Meshcherskaya, 6 — Zaokskaya, 7 — Srednerusskaya.
1 — the boundary of the Moscow glaciation 120170 thousand years ago (according to Spiridonov, 1972), forest zones (according to Kurnaev, 1968): 2 — coniferous forests, 3 — mixed forests, 4 — deciduous forests, 5 — forest-steppe.
преобладанием покровных лессовидных суглинков и развитых на них серых лесных почв.
В соответствии со схемой геоботанического районирования основная часть Московской области находится в пределах зоны хвойно-широколиственных лесов. На юге региона проходит граница с широколиственной зоной (Кигпаеу, 1973) (рис. 1). Смена зональных рубежей обусловлена особенностями рельефа, связанными с московским оледенением: слабодренированные суглинистые плато на северо-западе сменяются по направлению к юго-востоку хорошо дренированными эродированными междуречьями.
В настоящее время коренных лесов в Подмосковье практически не осталось. Вместе с тем в регионе представлены условно-коренные леса, под которыми принято понимать сообщества, близкие к коренным аналогам по составу древесного и подчиненных ярусов, но существенно отличающиеся по возрастной структуре древостоев. Леса Московского региона представлены сукцессионной мозаикой из массивов разного состава, возраста и происхождения. По данным Федерального агентства лесного хозяйства на 2015 г., доля лесов искусственного происхождения составляла около 20%. Периодически в регионе наблюдаются массовые вспышки короеда-типографа в еловых насаждениях, что приводит к выпадению древостоя и обусловливает посадки культур на освободившихся после вырубки территориях.
Материалы и методы
Сбор полевых геоботанических данных выполнен в 2015-2022 гг. на лесных участках без очевидных следов рубок и других антропогенных нарушений. Выбор точек описаний наземных исследований обусловлен разнородными по составу растительными сообществами и генезисом подстилающих пород. Геоботанические описания составлены по стандартной методике на площади 400-625 м2. Общее число описаний — 1694. На пробной площади фиксировался полный видовой состав и вертикальная структура сообществ. Покрытие видов оценивалось в процентах.
Данные по древесным видам в посадках взяты из лесотаксационных описаний, а также из полевых и спутниковых данных (монодоминантность, одновозраст-ность, признаки посадок в рядах). При оценке возрастной структуры искусственных лесов использовали принятое в лесной таксации деление хвойных пород по возрасту на группы (Anuchin, 1982).
Типизация сообществ выполнена на основе эколого-фитоценотической (доминантной) классификации с использованием матричного принципа (Chernenkova et al., 2023) (табл. 1). По доминирующей лесной породе выделены формации, каждая из которых представлена сообществами с разным сочетанием общих до-минантов в нижних ярусах. Выделение синтаксонов на уровне групп ассоциаций проведено по преобладающим эколого-морфологическим группам растений подчиненных ярусов. Выявление значимых различий видового состава классификационных единиц разного ранга (формаций и групп ассоциаций) выполнено с помощью дисперсионного анализа ANOVA post-hoc test с использованием критерия Дункана — критерия множественных сравнений (Winer, 1962). Для интерпретации экологического содержания групп применены методы непрямой ординации — неметрическое многомерное шкалирование (NMDS-ординация) в программной среде R (R Core Team, 2019) с использованием расстояния Брея-Кертиса, преобразованием квадратного корня и двойной Висконсинской стандартизацией.
При ординации и интерпретации осей для каждого описания рассчитаны его балльные показатели в шкалах Элленберга (Ellenberg et al., 1992). Оценены показатели температуры (Т), освещенности (L), богатства почв азотом (N), кислотность почв (R), влажность почв (M) в программе Juice 7.0. Таким образом, были получены значения факторов для каждого описания, которые использовались при наложении векторов на ординационное пространство и при оценке различий групп сообществ по факторам среды. Анализ дифференциации групп выполнен на основе
Таблица 1
Матрица групп ассоциаций эколого-фитоценотической классификации Ecological-phytocoenotic classification matrix
\ Формация Группа \ ассоциаций \ Еловая с березой, осиной, сосной, местами с дубом и липой Елово-осиново-березовая Сосново-еловая Сосновая с елью и березой, местами с липой и дубом Дубовая с липой, елью и березой Дубово-липово-еловая Липовая с дубом, местами с елью и березой Березово-осиновая с елью, местами с дубом и липой Осиновая с елью и дубом Сероольховая Черноольховая
1 2 3 4 5 6 7 8 9 10 11
Кустарничково-мелко- 1 5 9 13
травно-зеленомошная
Мелкотравная 2 6 10 14 22
Мелкотравно-широко- 3 7 11 15 23
травная
Широкотравная 4 8 12 16 19 20 21 24 29
Влажнотравно-широко- 25 30 31 32
травная
Травяно-болотная 26 33
Разнотравная 17 27
Кустарничково-травяно- 18 28
сфагновая
Примечание. Полужирным шрифтом выделены названия формаций. В ячейках указаны номера групп ассоциаций (см. табл. 3).
полного видового состава подчиненных ярусов (B, C, D).
В качестве ДДЗЗ использована полностью безоблачная мультиспектральная съемка Sentinel-2, выполненная в течение двух дней (20 и 23 июня 2021 г.) и соединенная в бесшовную мозаику (рис. 2). Кроме 11 спектральных каналов, рассчитан 41 спектральный индекс, включая индексы, оцененные как чувствительные к стрессовому состоянию растительности (Abdullah et al., 2019). Для повышения точности моделирования использована цифровая модель рельефа SRTM и рассчитанные на ее основе 8 морфометриче-ских характеристик (Kotlov, Puzachenko, 2006): крутизна склона, освещенность с юга при высоте солнца 30 градусов над горизонтом, среднеквадратическая ошибка абсолютной высоты (разнообразие рельефа), экспозиция, лапласиан, профильная и плановая кривизна, кривизна вертикального сечения. Также использованы радарные данные Palsar-2 (Shimada
Sentinel-2 даты съемки
| 20.06.2021
Рис. 2. Расположение тайлов Sen-tinel-2, использованных для создания мультиспектральной мозаики территории исследования.
Fig. 2. Location of Sentinel-2 tiles used to create a multispectral mosaic of the study
area.
et al., 2014). В общей сложности получены 63 растровых слоя. Использована система координат UTM, зона 37N, датум WGS 84.
Для снятия мультиколлинеарности растров применен метод удаления высоко скоррелированных слоев по границе отсечения 0.5 (Graham, 2003). В результате оставлено 7 растровых слоев, которые имеют парные корреляции не более 0.5: каналы синий (2) и красный край 2 (6), индексы NDWI2, BNDWI, GLI, абсолютная высота и согласованная поляризация (табл. 2).
Таблица 2
Использованные данные дистанционного зондирования Земли и их описание Remote sensing data used and their description
Индекс Описание Индекс Описание
B01 Канал 1, аэрозоли, 442.7 нм CCCI Индекс содержания
хлорофилла в раститель-
ном покрове
B02 Канал 2, синий, 492.4 нм CIG Зеленый индекс хлорофилла
B03 Канал 3, зеленый, 559.8 нм CVI Вегетационный индекс
хлорофилла
B04 Канал 4, красный 664.6 нм DRI Индекс повреждения
B05 Канал 5, красный край 1, 704.1 нм DSWI Индекс водного стресса при
заболеваниях
B06 Канал 6, красный край 2, GDVI Индекс разности ближнего
740.5 нм ИК и зеленого каналов
B07 Канал 7, красный край 3, 782.8 нм GI Индекс зелености
B08A Канал 8А, ближний ИК, 832.8 нм GLI Зеленый листовой индекс
B09 Канал 9, водяной пар, 945.1 нм GNDVI Индекс нормализованной
разности ближнего ИК и
зеленого каналов
B11 Канал 11, коротковолновый ИК1, LCI Индекс хлорофилла в листьях
1613.7 нм
B12 Канал 12, коротковолновый ИК2, NDRE2 Индекс нормализованной
2202.4 нм разности ближнего ИК и
красного края 2
NDVI Нормализованный разностный NDRE3 Индекс нормализованной
вегетационный индекс разности ближнего ИК и
Преобразованный красного края 3
TNDVI NG Индекс соотношения ближ-
нормализованный разностный него ИК и зеленого
вегетационный индекс каналов
RVI Вегетационный индекс NGDRI Индекс нормализованной
соотношения разности зеленого и
красного каналов
SAVI Индекс вегетации с поправкой на PBI Биохимический индекс
почву растительности
TSAVI Трансформированный индекс PGR Индекс зелености растений
растительности с поправкой на
почву
MSAVI Модифицированный индекс SR blue/ Индекс отношения синего и
вегетации с поправкой на red красного каналов
почву
MSAVI2 Модифицированный индекс SRSWIR Индекс отношения коротко-
растительности с поправкой на волновых ИК каналов
почву 2 Глобальный вегетационный
GEMI Глобальный индекс мониторинга VMI
окружающей среды влажностный индекс
IPVI Инфракрасный процентный DEM Абсолютная высота, метры
индекс растительности Slope deg
LAI Индекс площади листьев из Уклон, градусы
From логарифма МБУ!
NDVI
Log
Продолжение таблицы 2
Индекс Описание Индекс Описание
LAI Индекс площади листьев Shaded Освещенность с юга при
From из отражений с помощью высоте солнца 30 градусов
Refl линейной комбинации над горизонтом
Linear
LAI Индекс площади листьев по RMS Среднеквадратическая
From данным Formosat 2 error ошибка абс. высоты
NDVI
Formo
NDWI Нормализованный разностный Aspect Экспозиция
индекс воды Laplacian
NDWI2 Нормализованный разностный Лапласиан
индекс воды 2
MNDWI Модифицированный Prof conv Профильная кривизна
нормализованный разностный
индекс воды Plan conv
NDTI Нормализованный разностный Плановая кривизна
индекс мутности воды
RI Индекс «покраснения» Crssec Кривизна вертикального
conv сечения
CI Цветовой индекс Mincurv Минимальная кривизна
BI Индекс яркости Maxcurv Максимальная кривизна
BI2 Индекс яркости 2 HH Горизонтальная поляризация
ISU Индекс застроенных HV Вертикальная поляризация
BNDVI поверхностей
Индекс нормализованной
разности ближнего ИК и
синего канала
Примечание. Полужирным шрифтом выделены растровые слои с парными корреляциями менее 0.5.
Для выравнивания и увеличения обучающей выборки проведена дополнительная работа по оконтуриванию выделов редких типов сообществ. На основе высокодетальных спутниковых изображений, полученных в программе SAS.Планета (SAS...: [сайт]), по характеру спектральной яркости, текстуре и структуре изображения отрисованы контуры, которые с уверенностью можно отнести к присвоенной группе ассоциаций. При максимально консервативной процедуре оконтурива-ния удалось увеличить обучающую выборку в 2.7 раза (табл. 3).
При моделировании пространственной структуры лесов использован метод «случайный лес» (Breiman, 2001; Gislason et al., 2004; Grabska et al., 2020). Этот алгоритм не требует особой подготовки данных (выравнивания дисперсий, трансформации распределений и др.) и чувствителен к скоррелированности между переменными (Brosofske et al., 2014). Использовано программное обеспечение OrfeoToolbox (Inglada, Christophe, 2009).
Оценка качества моделирования осуществлялась с помощью матрицы сходимости, построенной на основе сравнения результатов моделирования с тестовой выборкой. Размер тестовой выборки составлял 30 %; она была подготовлена методом случайного стратифицированного отбора точек описаний (равная пропорция тестовых точек в каждой группе ассоциаций) и не участвовала в качестве эталонов для обучения (только на этапе оценки качества) (Cochran, 1977). По матрице сходимости рассчитывалась доля точек тестовой выборки, для которых правильно определена принадлежность к группе ассоциаций — сходимость группы ассоциаций. Общая доля правильно определенных групп ассоциаций обозначает общую сходимость.
Полученные карты синхронизированы с маской леса Global Forest Watch (Hansen et al., 2013). Слои сельхозугодий, водных объектов и населенных пунктов подготовлены с использованием данных OpenStreetMap (Haklay, Weber, 2008).
Таблица 3
Характеристики обучающей выборки точек, полигонов, сходимость классификации по формациям и группам ассоциаций, площадные характеристики синтаксонов Characteristics of training sample of points, polygons, convergence of classification by formations and groups of associations, area characteristics of taxonomic units
Характеристика группы ассоциаций (по: Chernenkova et al., 2023)
S «
е
а
* £ еа
и
se а сои
Еловые (Picea abies)
1 Еловые с березой (Betula pendula, B. pubescens), осиной (Po-pulus tremula) и сосной (Pinus sylvestris) кустарничковые мелкотравно-зеленомошные (Vaccinium myrtillus, V. vitis-idaea, Oxalis acetosella, Calamagrostis arundinacea, Luzula pilosa, Pleu-rozium schreberi, Hylocomium splendens).
2 ** Еловые с березой и осиной мелкотравные (Oxalis acetosella).
3 ** Еловые с березой, осиной и сосной лещиновые (Corylus avellana) мелкотравно-широкотравные (Oxalisacetosella, Carex pilosa, Galeobdolon luteum).
4 ** Еловые с березой, осиной, сосной, дубом и липой (Quercus robur, Tilia cordata) широкотравные (Galeobdolon luteum, Aego podium podagraria, Carex pilosa, Anemonoides nemorosa, Oxalis acetosella).
Елово-мелколиственные
5 ** Елово-березово-осиновые кустарничковые мелкотравно-зеленомошные (Vaccinium myrtillus, Oxalis acetosella, Calamagrostis arundinacea, Orthilia secunda, Pleurozium schreberi, Hylocomium splendens).
6 ** Елово-березовые и елово-осиновые мелкотравные (Oxalis acetosella, Dryopteris carthusiana, Rubus saxatilis, Plagiomnium affine).
7 ** Елово-березовые и елово-осиновые лещиновые мелкотрав-но-широкотравные (Athyrium filix-femina, Dryopteris carthusiana, D. filix-mas, Oxalis acetosella, Rubus saxatilis, Ajuga reptans, Convallaria majalis, Galeobdolon luteum, Atrichum undulatum, Hylocomium splendens).
8 ** Елово-березовые с дубом, липой и кленом (Acer platanoides) лещиновые широкотравные (Aegopodium podagraria, Carex pilosa, Pulmonaria obscura, Dryopterisfilix-mas, Galeobdolon luteum, Eurhynchium angustirete).
Сосново-еловые
9 ** Сосново-еловые с березой кустарничковые мелкотравно-зеленомошные (Vaccinium myrtillus, Oxalis acetosella, Dryopteris carthusiana, Pleurozium schreberi, Hylocomium splendens).
10 ** Сосново-еловые мелкотравные (Oxalisacetosella).
11 ** Сосново-еловые лещиновые мелкотравно-широкотравные (Oxalis acetosella, Galeobdolon luteum, Dryopteris carthusiana).
12 ** Сосново-еловые c березой, лещиной и жимолостью (Lonicera xylosteum) широкотравные (Athyrium filix-femina, Galeobdolon luteum, Carex pilosa, Oxalis acetosella).
Сосновые
13 * Сосновые с елью и березой кустарничковые мелкотравно-зеленомошные (Vaccinium myrtillus, V. vitis-idaea, Pteridium aquilinum, Calamagrostis arundinacea, Convallaria majalis, Luzula pilosa, Maianthemum bifolium, Hylocomium splendens, Pleurozium schreberi, Dicranum scoparium).
14 ** Сосновые с елью и березой лещиновые мелкотравные и
+ кустарничково-мелкотравные (Oxalis acetosella, Vaccinium myr-
15 tillus, Calamagrostis arundinacea).
32
35 124
132
22
13 62
91
31
16 41
38
46
56
84
197 155
166
45
30 71
104
69
65 132
88
134
182
60
18
30
67 13
21
41
41
69
54
1
2
3
4
Продолжение таблицы 3
22
23
16 ** Сосновые с елью, березой, дубом, липой и кленом лещино вые широкотравные (Carex pilosa, Convallaria majalis, Gale obdolon luteum, Ranunculus cassubicus, Oxalis acetosella).
17 ** Сосновые с елью и березой разнотравные (Calamagrostis arundinacea, Poa angustifolia, Convallaria majalis, Fragaria vesca)
18 Сосновые с березой (Betula pubescens) кустарничковые травя-но-сфагновые (Chamaedaphne calyculata, Ledumpalustre, Vacci-nium myrtillus, V. uliginosum, Oxycoccus palustris, Eriophorum va-ginatum, Sphagnum angustifolium, S. magellanicum).
Широколиственные и широколиственно-еловые леса
19 Дубовые с липой, елью и березой лещиновые широкотравные (Aegopodium podagraria, Carex pilosa, Galeobdolon luteum).
20 * Липовые широкотравные (Carex pilosa, Aegopodium podagraria, Mercurialisperennis, Pulmonaria obscura).
21 * Дубово-липово-еловые лещиновые широкотравные (Carex pilosa, Galeobdolon luteum, Aegopodium podagraria, Asarum europaeum, Pulmonaria obscura, Ranunculus cassubicus, Stellaria nemorum).
МЕЛКОЛИСТВЕННЫЕ ЛЕСА Березовые
Березовые с елью и осиной мелкотравные (Oxalis acetosella, Pyrola rotundifolia, Luzula pilosa).
** Березовые с елью и осиной мелкотравно-широкотравные (Oxalis acetosella, Athyrium filix-femina, Calamagrostis arundinacea, Rubus saxatilis, Galeobdolon luteum, Aegopodium podagraria, Pyrola rotundifolia, Cirriphyllum piliferum).
** Березовые с елью, ольхой серой (Alnus incana), местами с дубом и липой лещиновые широкотравные (Aegopodium podagraria, Carex pilosa, Galeobdolon luteum, Pulmonaria obscura, Stellaria nemorum).
** Березовые с осиной, ольхой серой, ивой козьей (Salix caprea), елью влажнотравно-широкотравные (Filipendula ul-maria, Athyrium filix-femina, Urtica dioica, Calamagrostis arundinacea, Impatiens noli-tangere, Pulmonaria obscura, Geum rivale, Atrichum undulatum).
26 Березовые с елью и осиной травяно-болотные (Filipendula ulmana, Calamagrostis canescens, Phragmites australis, Carex acuta, C. elongata, C. vesicaria, Scirpus sylvaticus, Aulacomnium palustre, Climacium dendroides).
27 ** Березовые с елью, осиной и ивой козьей разнотравные (Bromopsis inermis, Calamagrostis arundinacea, С. epigeios, Fra gana vesca, Lysimachia nummularia, Veronica chamaedrys, Des champsia cespitosa).
28 ** Березовые с елью кустарничковые травяно-сфагновые (Chamaedaphne calyculata, Vaccinium uliginosum, Eriophorum vaginatum, Carex lasiocarpa, виды р. Sphagnum, Polytrichum com mune).
Осиновые
29 ** Осиновые с березой, елью, дубом и липой лещиновые ши рокотравные (Aegopodium podagraria, Galeobdolon luteum, Carex pilosa, Mercurialis perennis).
30 ** Осиновые с березой, елью, дубом и черемухой (Padus avium) влажнотравно-широкотравные (Athyrium filix-femina, Crepis paludosa, Filipendula ulmaria, Urtica dioica, Pulmonaria obscura, Equisetum pratense, Stellaria nemorum, Impatiens noli-tangere, Atrichum undulatum, Plagiomnium cuspidatum).
Сероольховые
31 ** Сероольховые (Alnus ncana) влажнотравно-широкотравные (Urtica dioica, Campanula latifolia, Filipendula ulmaria, Rubus idaeus, Aegopodium podagraria, Chrysosplenium alternifolium, Myosoton aquaticum, Stellaria nemorum, Plagiomnium undulatum).
24
25
63
14 46
52 109
35
26
131 13
18 22 10
65 7
28
148
85 422
233 470 82
58
212 59
73 50 66
109 19
65
46
81 89
71 77
53
80
55 46
46 44 54
46 100
36
1
2
3
4
Продолжение таблицы 3
1 2 3 4
MepHoo^bxoBwe
32 * HepHoo.bxoBbie (Alnus glutinosa) B.a^HOTpaBHO-mHpoKO- 22 55 71
TpaBHbie (Impatiens noli-tangere, Urtica dioica, Milium effusum,
Paris quadrifolia, Ranunculus cassubicus).
33 HepHoo.bxoBbie TpaBHHO-6o.oTHbie (Urtica dioica, Filipendula 31 68 77
ulmaria, Phragmites australis, Carex appropinquata, C. vesicaria,
Calla palustris, Humulus lupulus).
Примечание. ** — производные сообщества, * — сообщества разного генезиса, являющиеся в одних случаях коренными, в других производными вследствие хозяйственного преобразования условий местообитаний.
Результаты и обсуждение
В результате классификации полевых описаний выделено 33 группы ассоциаций (СЬегпепкоуа е1 а1., 2023) (табл. 1). Общая сходимость по группам ассоциаций составила 59 % (табл. 3). Как видно из таблицы, сходимость групп ассоциаций варьирует от 13 до 100 %. Наименьшие сходимости наблюдаются для следующих групп ассоциаций: елово-мелколиственная мелкотравно-широкотравная (7) — 13 %; еловая широкотравная (4) — 18 %; елово-мелколиственная широкотравная (8) — 21 %; еловая мелкотравно-широкотравная (3) — 23 %; елово-мелколи-ственная кустарничково-мелкотравно-зеленомошная (5) — 30 %; сероольховая влажнотравно-широкотравная (31) — 36 %.
Наибольшая неопределенность наблюдалась при разделении еловых мелкотравных и мелкотравно-широкотравных, елово-мелколиственных широкотравных и осиновых широкотравных, а также березовых влажнотравно-широкотравных и осиновых влажнотравно-широкотравных групп ассоциаций. Это вполне закономерно и объясняется различием видов древесного яруса и наличием общих видов наземного яруса сообществ или, напротив, общим составом древесных видов верхнего яруса и разным составом видов подчиненного яруса. В частности, пришлось объединить попарно группы ассоциаций 14 и 15, а также 22 и 23.
Выполнено визуальное сравнение карты групп ассоциаций с ранее изданными картой растительности Московской области (^игееуа е1 а1., 1996) и картой-схемой лесов Московской области по преобладающим породам по данным лесоустройства 1999-2001 гг. Для карты растительности Московской области характерны значительная генерализация и обусловленность распределения растительности особенностями рельефа. Несмотря на то, что тематическое содержание контуров часто совпадает с полученным картографическим продуктом, контуры выделов во многих случаях не согласуются: на представленной карте (рис. 3) они более детальные, характеризуются минимальной генерализацией. Карта-схема лесов по преобладающим породам имеет сравнимый уровень детализации, т. к. была отрисована по-выдельно. В общем случае наблюдается совпадение большинства контуров и их тематического содержания, однако наблюдаются несоответствия преобладающей породы и группы ассоциаций. Вероятно, это связано с самим характером понятия «преобладающая порода», которая зависит от хозсекции, в которую отнесен выдел. Например, при соотношении по запасу березы и ели как 60 % и 40 %, если данный выдел отнесен к хвойной хозсекции, в качестве преобладающей породы ему будет присвоена ель.
Анализ видового состава растительности еловых и елово-мелколиственных лесов демонстрирует в спектрах сочетание бореального и неморального элементов. В пределах региона отмечена субширотная дифференциация еловых и елово-мелколиственных сообществ. 30-40 % площади еловых и елово-мелколиственных сообществ приходится на Смоленскую и Московскую физико-географические провинции (север и северо-запад региона), в меньшей степени эти сообщества представлены в восточной и южной частях Московской области. Минимальную
37°2б'е 37°30'е 37°35'е 37°40'е 37d45'e 37°50'е 37°55'е
Рис. 3. Карта растительности территории городского округа Серпухов в ранге групп ассоциаций.
1-33 — группы ассоциаций (см. табл. 3); 34 — водные объекты, 35 — населенные пункты.
Fig. 3. Vegetation map of the territory of the Serpukhov urban district in the ranking of association groups.
1-33 — association groups on the map according to Table 3; 34 — water bodies, 35 — settlements.
площадь (менее 10 %) занимают ельники в Заокской и Среднерусской провинциях, переходных к зоне широколиственных лесов. Смешанный состав древостоя может формироваться также в результате активного возобновления березы в еловых культурах при несоответствующем качестве ухода. В составе елово-мелколиствен-ных сообществ в равных долях присутствуют ель и береза (с небольшой примесью
осины), тогда как в еловых лесах примесь мелколиственных видов деревьев незначительна (рис. 4).
Сосновые леса можно встретить на почвах разного гранулометрического состава и режима увлажнения. Часть сосновых лесов, таких как мелкотравно-зелено-мошные и кустарничковые травяно-сфагновые сосняки, являются естественными по происхождению, в том числе условно-коренными. Сосновые и сосново-еловые леса наиболее распространены на флювиогляциальных, зандровых и моренно-вод-но-ледниковых отложениях равнинных Мещерской и Верхне-Волжской провинций, а также на песчаных отложениях Заокской провинции. На территориях с выраженным моренным ландшафтом данные сообщества встречаются реже.
Соотношение широколиственных и хвойно-широколиственных лесов по физико-географическим провинциям характеризуется сильной вариабельностью (от 1 до 90 %), связанной с зональным положением. Так, в Верхне-Волжской, Московской и Мещерской провинциях данные леса встречаются очень редко. При движении на юг к зоне широколиственных лесов их участие резко увеличивается,
36° 37° 38° 39° 40°
Рис. 4. Карта лесов Московской области в ранге формаций и групп формаций. Леса: 1 — еловые, 2 — елово-мелколиственные, 3 — сосново-еловые, 4 — сосновые,
5 — широколиственные, 6 — мелколиственные. Прочие объекты: 7 — нелесные земли, 8 — водные объекты, 9 — населенные пункты.
Fig. 4. Map of forests of Moscow Region in the rank of formations and groups of formations. Forests: 1 — spruce, 2 — spruce-small-leaved, 3 — pine-spruce, 4 — pine, 5 — broad-leaved,
6 — small-leaved. Other objects: 7 — non-forest lands, 8 — water bodies, 9 — settlements.
достигая почти 90 % в Среднерусской провинции. Леса с преобладанием широколиственных пород встречаются небольшими фрагментами с общей тенденцией увеличения их присутствия в юго-восточном направлении в составе зональных подразделений (хвойно-широколиственной и широколиственной зон). Дубовые и липовые леса произрастают на наиболее плодородных почвах, поэтому всегда подвергались особенно интенсивной рубке с последующей распашкой территории. Распространение дубово-липовых лесов на Русской равнине связано с богатыми почвообразующими породами, залегающими в условиях более расчлененного рельефа по сравнению с липовыми лесами (Kurnaev, 1968).
Мелколиственные леса широко распространены на территории Московской области. Однако в самых южных провинциях (Заокской и Среднерусской) их участие снижается. Вероятно, это связано с благоприятными условиями для ведения сельского хозяйства и высокой долей обрабатываемых земель. В результате небольшие сохранившиеся массивы лесов представляют собой широколиственные сообщества, а новые земли не зарастают мелколиственными видами деревьев. Разнообразие лесов в первую очередь связано с экологией видов берез (Betula pendula и B. pubescens), которые могут существовать в различных условиях увлажнения, богатства и кислотности почв, а также приуроченностью лесов из ольхи серой и черной к переувлажненным либо богатым приручьевым местообитаниям. Фрагмент карты для территории городского округа Серпухов с участками широколиственных и мелколиственных лесов приведен на рис. 4.
Преобладание мелколиственных лесов в регионе связано с формированием мо-лодняков на вырубках, а в последние десятилетия — с восстановительной сукцессией на месте выведенных из хозяйственного использования пахотных земель. Большая часть мелколиственных лесов являются вторичными и могут развиваться в большом диапазоне экотопических условий. К коренным лесам относятся серо-ольховые и черноольховые сообщества в переувлажненных или долинных местообитаниях. Основным фактором, влияющим на дифференциацию состава сообществ, является увлажненность почв. В различных типах сообществ в зависимости от экологических условий местообитаний участие коренных видов деревьев сильно варьирует. Вторичные мелколиственные леса из березы с осиной способны произрастать на почвах разного гранулометрического состава, влажности и богатства, создавая условия для восстановления условно-коренных сообществ.
Заключение
Исследование основано на обширной базе геоботанических описаний Московской области. Они использованы для эколого-фитоценотической классификации, в результате которой выделено 33 группы ассоциаций. Карта растительности, построенная на основе этой классификации, согласуется как с картами лесорасти-тельных зон и растительности Московской области, так и с лесохозяйственной инвентаризацией по главным породам. Точки геоботанических описаний с установленными формациями использованы для картографического моделирования лесов исследуемого региона методом «случайный лес».
Использованные методы позволили экстраполировать многочисленные геоботанические данные, полученные в результате трудоемких полевых исследований, выразить их картографическим способом и перейти к оценке пространственной неоднородности типологических единиц растительности.
Представленный картографический продукт независим от данных региональной лесотаксации, государственной инвентаризации лесов, иных источников картографических данных о состоянии наземных экосистем исследуемой территории и, следовательно, может использоваться для их верификации. Растровый характер не подразумевает какой-либо генерализации контуров, по сравнению, например, с методикой лесоустройства, а подготовка обучающей и тестовой выборок позволяет с равной вероятностью моделировать как широко распространенные
характерные группы ассоциаций, так и редкие либо не представляющие хозяйственной ценности. Благодаря этому карта обнаруживает отличия от лесотаксаци-онных документов для мелколиственных лесов, особенно сероольховых и черно-ольховых.
Вместе с тем проделанная работа дает понимание, что имеющийся объем полевых данных по-прежнему недостаточен, и что еще важнее — неравномерно распределен как в отношении типологического разнообразия, так и географически, в том числе с учетом удаленности от населенных пунктов и дорог. На основе карты на сегодняшний день ведется планирование новых точек описаний, что позволит через непродолжительное время выполнить еще один этап итеративной процедуры, повысить частные и общую сходимости групп сообществ. Использованный алгоритм классификации прост и надежен, картографирование на его основе может быть масштабировано на другие территории или объекты исследования для решения прикладных задач. При этом ведется оценка применимости и других непараметрических алгоритмов (например, K ближайших соседей, сегментация и др.).
* * *
Работа выполнена в рамках плановой темы Института географии РАН (№1021051703468-8) по части сбора первичных данных, а также в рамках реализации важнейшего инновационного проекта государственного значения «Разработка системы наземного и дистанционного мониторинга пулов углерода и потоков парниковых газов на территории Российской Федерации, обеспечение создания системы учета данных о потоках климатически активных веществ и бюджете углерода в лесах и других наземных экологических системах» (рег. № 1230303000316). Исследование осуществлено в рамках Программы фундаментальных исследований НИУ ВШЭ. Авторы благодарны Е. Г. Сусловой и другим специалистам за участие в полевых исследованиях и предоставление геоботанических описаний.
СПИСОК ЛИТЕРАТУРЫ
Abdullah H., Skidmore A. K., Darvishzadeh R., Heurich M. 2019. Sentinel-2 accurately maps green-attack stage of European spruce bark beetle (Ips typographus, L.) compared with Landsat-8 // Remote sensing in ecology and conservation. Vol. 5. P. 87-106. https://doi. org/10.1002/rse2.93.
[Annenskaya et al.] Анненская Г. Н., Жучкова В. К., Калинина В. Р., Мамай И. И., Низов-цев В. А., Хрусталева М. А. Цесельчук Ю. Н. 1997. Ландшафты Московской области и их современное состояние. 296 с.
[Anuchin] Анучин Н. П. 1982. Лесная таксация: Учебник для вузов. Изд. 5-е. М. 552 с.
Breiman L. 2001. Random forests // Machine learning. Vol. 45. P. 5-32. https://doi. org/10.1023/A:1010933404324.
Brosofske K. D., Froese R. E., Falkowski M. J., Banskota A. 2014. A review of methods for mapping and prediction of inventory attributes for operational forest management // Forest Science. Vol. 60. P. 733-756. https://doi.org/10.5849/forsci.12-134.
[Cherepanov] Черепанов С. К. 1995. Сосудистые растения России и сопредельных государств (в пределах бывшего СССР). СПб. 992 с.
Chernenkova T., Kotlov I., Belyaeva N., Suslova E., Morozova O., Pesterova O., Arkhipova M. 2020. Role of Silviculture in the formation of norway spruce forests along the southern edge of their range in the Central Russian Plain // Forests. Vol. 11. № 7. P. 778. https://doi.org/10.3390/ f11070778.
Chernenkova T. V., Kotlov I. P., Belyaeva N. G., Suslova E. G., Morozova O. V., Belyaeva N. G. 2023. Mapping and Assessment of the Cenotic Diversity of the Forests of the Moscow Region // Russian Journal of Ecology. Vol. 54. No. 6. P. 682-692. https://doi.org/10.1134/ S1067413623070044.
Cochran W. G. 1977. Sampling techniques. 3rd ed. // Wiley series in probability and mathematical statistics. New York. 442 p.
Ellenberg H., Weber H. E., Dull R., Wirth V., Werner W., Paulifien D. 1992. Zeigerwerte von Pflanzen in Mitteleuropa // Scripta Geobotanica. Vol. 18. P. 297-401.
Endreny T., Santagata R., Perna A., Stefano C. D., Rallo R. F., Ulgiati S. 2017. Implementing and managing urban forests: A much-needed conservation strategy to increase ecosystem services
and urban wellbeing // Ecological Modelling. Vol. 360. P. 328-335. https://doi.org/10.1016/j. ecolmodel.2017.07.016.
Gardner T. 2010. Monitoring forest biodiversity: Improving conservation through ecologically-responsible management. London. 388 p. https://doi.org/10.4324/9781849775106.
Girardet H. 2014. Creating regenerative cities. London. 216 p. https://doi. org/10.4324/9781315764375.
Gislason P. O., Benediktsson J. A., Sveinsson J. R. 2004. Random forest classification of multisource remote sensing and geographic data // 2004 IEEE International Geoscience and Remote Sensing Symposium. Anchorage, AK, USA. P. 1049-1052. https://doi.org/10.1109/ IGARSS.2004.1368591.
Gong J., Liu C., Huang X. 2020. Advances in urban information extraction from high-resolution remote sensing imagery // Science China. Earth Sciences. Vol. 63. P. 463-475. https://doi. org/10.1007/s11430-019-9547-x.
Grabska E., Frantz D., Ostapowicz K. 2020. Evaluation of machine learning algorithms for forest stand species mapping using Sentinel-2 imagery and environmental data in the Polish Carpathians // Remote Sensing of Environment. Vol. 251. Art. no. 112103. https://doi. org/10.1016/j.rse.2020.112103.
Graham M. H. 2003. Confronting multicollinearity in ecological multiple regression // Ecology. Vol. 84. P. 2809-2815. https://doi.org/10.1890/02-3114.
Haase D., Clemens J., Thilo W. 2019. Front and back yard green analysis with subpixel vegetation fractions from earth observation data in a city // Landscape and Urban Planning. Vol. 182. P. 44-54. https://doi.org/10.1016/j.landurbplan.2018.10.010.
Haklay M., Weber P. 2008. Openstreetmap: User-generated street maps // IEEE Pervasive Computing. Vol. 7. P. 12-18. https://doi.org/10.1109/MPRV.2008.80.
Hansen M. C., Potapov P. V., Moore R., Hancher M., Turubanova S. A., Tyukavina A., Thau D., Stehman S. V., Goetz S. J., Loveland T. R., Kommareddy A. , Egorov A., Chini L., Justice C. O., Townshend J. R. G. 2013. High-resolution global maps of 21st-century forest cover change // Science. Vol. 342. P. 850-853. https://doi.org/10.1126/science.1244693.
Ignatov M. S., Afonina O. M., Ignatova E. A., Abolina A., Akatova T. V., Baisheva E. Z., Bardunov L. V., Baryakina E. A., Belkina O. A., Bezgodov A. G., Boychuk M. A., Cherdantse-va V. Ya.,Czernyadjeva I. V., Doroshina G. Ya., Dyachenko A. P., Fedosov V. E., Goldberg I. L., Ivanova E. I., Jukoniene I., Kannukene L., Kazanovsky S. G., Kharzinov Z. Kh., Kurbatova L. E., Maksimov А. I., Mamatkulov U. K., Manakyan V. A., Maslovsky O.M., Napreenko M. G., Otnyu-kova T. N., Partyka L. Ya., Pisarenko O. Yu., Popova N. N., Rykovsky G. F., Tubanova D. Ya., Zheleznova G. V., Zolotov V. I. 2006. Check-list of mosses of East Europe and North Asia // Arc-toa. Vol. 15. P. 1-130. https://doi.org/10.15298/arctoa.15.01.
Inglada J., Christophe E. 2009. The Orfeo Toolbox remote sensing image processing software // 2009 IEEE International Geoscience and Remote Sensing Symposium. Cape Town. P. IV-733-736. https://doi.org/10.1109/IGARSS.2009.5417481.
Kotlov I., Chernenkova T. 2020. Modeling of forest communities' spatial structure at the regional level through remote sensing and field sampling: constraints and solutions // Forests. Vol. 11. P. 1088. https://doi.org/10.3390/f11101088.
[Kotlov, Puzachenko] Котлов И. П., Пузаченко Ю. Г. 2006. Структура рельефа Русской равнины как ландшафтообразующего фактора // Международная школа-конференция «Ландшафтное планирование: общие основания, методология, технология». М. С. 166-171.
[Kurnaev] Курнаев С. Ф. 1968. Основные типы леса средней части Русской равнины. М. 356 с.
[Kurnaev] Курнаев С.Ф. 1973. Лесорастительное районирование СССР. М. 203 с.
[Lavrinenko] Лавриненко И. А. 2020. Подходы европейских экологов к типологии и картографированию местообитаний // Геоботаническое картографирование. 2020. С. 51-77. https://doi.org/10.31111/geobotmap/2020.51.
[Lesnoy...] Лесной план Московской области на 2019-2028 гг. 2023. М. Кн. 1. 222 c.
Lutz W., Sanderson W., Scherbov S. 2001. The end of world population growth // Nature. Vol. 412. P. 543-545. https://doi.org/10.1038/35087589.
[Nizovtsev et al.] Низовцев В. А., Кочуров Б. И., Эрман Н. М., Мироненко И. В., Логунова Ю. В., Костовска С. К., Ивашкина И. В., Алексеева В. О. 2020. Ландшафтно-экологические исследования Москвы для обоснования территориального планирования города. М. 342 c.
Noss R. F. 1999. Assessing and monitoring forest biodiversity: a suggested framework and indicators // Forest ecology and management. Vol. 115. P. 135-146. https://doi.org/10.1016/ S0378-1127(98)00394-6.
[Ogureeva et al.] Огуреева Г. Н., Микляева И. М., Суслова Е. Г., Швергунова Л. В. 1996. Растительность Московской области. Пояснительный текст и легенда к карте м. 1: 200 000. М. 45 с.
Pan T., Kuang W., Hamdi R., Zhang C., Zhang S., Li Z., Chen X. 2019. City-level comparison of urban land-cover configurations from 2000-2015 across 65 countries within the global belt and road // Remote Sensing. Vol. 11. No. 13. P. 1515. https://doi.org/10.3390/rs11131515.
Pedersen Zari M. 2019. Devising urban biodiversity habitat provision goals: Ecosystem services analysis // Forests. Vol. 10. No. 5. P. 391. https://doi.org/10.3390/f10050391.
R Core Team. 2019. R: A language and environment for statistical computing. http://www.R-project.org/ (дата обращения: 25.11.2024).
Rivas-Martínez S. 2004. Global bioclimatics. Clasificación bioclimática de la Tierra. Madrid. 29 p.
[Rysin] Рысин Л. П. 1982. Леса Западного Подмосковья. М. 234 с.
SAS GIS software. https://www.sasgis.org/ (date of access: 26.11.2024).
Seto K. C., Guneralp B., Hutyra L. R. 2012. Global forecasts of urban expansion to 2030 and direct impacts on biodiversity and carbon pools // Proceedings of the National academy of sciences. Vol. 109. No. 40. P. 16083-16088. https://doi.org/10.1073/pnas.1211658109.
Shimada M., Itoh T., Motooka T., Watanabe M., Shiraishi T., Thapa R., Lucas R. 2014. New global forest/non-forest maps from ALOS PALSAR data (2007-2010) // Remote Sensing of environment. Vol. 155. P. 13-31. https://doi.org/10.1016/j.rse.2014.04.014.
[Spiridonov] Спиридонов А. И. 1972. Краевые образования московского оледенения в центральных областях Русской равнины // Краевые образования материковых оледенений. М. С. 94-99.
[Suslova] Суслова Е. Г. 2019. Леса Московской области // Экосистемы: экология и динамика. Т. 3. № 1. C. 119-190.
Thomson G., Newman P. 2018. Urban fabrics and urban metabolism-from sustainable to regenerative cities // Resources, Conservation and Recycling. Vol. 132. P. 218-229. https://doi. org/10.1016/j.resconrec.2017.01.010.
Velasquez-Camacho L., Cardil A., Mohan M., Etxegarai M., Anzaldi G., de-Miguel S. 2021. Remotely sensed tree characterization in urban areas: A review // Remote Sensing. Vol. 13. No. 23. P. 4889. https://doi.org/10.3390/rs13234889.
WangK., Wang T., Liu X. 2019. A review: Individual tree species classification using integrated airborne LiDAR and optical imagery with a focus on the urban environment // Forests. Vol. 10. No. 1. P. 1. https://doi.org/10.3390/f10010001.
Winer B. J. 1962. Statistical principles in experimental design. New York. 672 p. https://doi. org/10.1037/11774-000.
Получено 4 ноября 2024 г.
Подписано к печати 28 декаьря 2024 г.
SUMMARY
Quantitative assessment of forest area and forest structure is crucial for monitoring and landscape planning in urban regions. Despite the long history of forest research in the Moscow Region, there is no unified basis for one-step assessment of the background condition and monitoring of forest biodiversity. One of the most promising aspects of biodiversity is the typological diversity of forests, assessed within the framework of the ecological-phytocoenotic approach. At the same time, the most effective way to assess the spatial structure of typological diversity is through the combination of remote sensing data, field measurements and cartographic modelling. This study proposes the integration of ecological and phytocoenotic approaches together with the use of remote sensing for transformed forest area. The aim of the work is to assess the background condition of forests in the Moscow Region to create a basis for regular monitoring of natural resource and ecological potential.
Field geobotanical data collection was carried out in 2006-2019 in forest areas without obvious traces of logging and other anthropogenic disturbances. The localization of points is related to the coverage of habitats, heterogeneous in terms of vegetation composition and genesis of underlying rocks, by ground surveys. Sample plots were made according to the standard methodology on the area of 400-625 m2 and 100 m2 when describing plantations. The total number of sample plots is 1694. Full species composi-
tion and vertical structure were recorded at sample plots. Species coverage is given in percent.
The remote sensing data used was a completely cloud-free multispectral Sentinel-2 survey taken over two days (20 and 23 June 2021) and merged into a seamless mosaic (Fig. 2). In addition to 11 spectral channels, 41 spectral indices were calculated, including indices assessed as sensitive to vegetation stress (Abdullah et al., 2019). SRTM digital elevation model and 10 morphometric features calculated from it were used to improve modelling accuracy. Palsar-2 radar data (Shimada et al., 2014) were obtained also. A total of 63 raster layers were got. UTM coordinate system, zone 37 north, WGS datum 84 was used. To remove the multicollinearity of the rasters, the method of removing highly correlated layers by the cut-off boundary of 0.5 (Graham, 2003) was applied. As a result, 7 raster layers that have pairwise correlations not exceeding 0.5 were left: the blue (2) and red edge (6) channels, NDWI2, BNDWI, GLI, elevation, and HH coordinated polarization (Table 2).
The random forest method was applied to model the spatial structure of forests (Breiman, 2001; Gislason et al., 2004; Grabska et al., 2020). This algorithm requires no special data preparation (variance equalization, distribution transformation, etc.) and is sensitive to correlation between variables (Brosofske et al., 2014). OrfeoToolbox software (Inglada, Christophe, 2009) was used, with a test sample size of 30 %. The resulting maps were synchronized with the Global Forest Watch Forest mask (Hansen et al., 2013). Layers of farmland, water bodies and settlements were prepared using OpenStreetMap data (Haklay, Weber, 2008).
The overall convergence across association groups was 59 %. The convergence of association groups varies from 13% to 100 (Table 3). The lowest convergence is observed for the following association groups 7 — 13 %, 4 — 18 %, 8 — 21 %; 3 — 23 %, 5 — 30 %, 31 — 36 %.
The spatial distribution of forests corresponds to both small-scale sources, such as the map of forest zones, and large-scale sources, such as the vegetation map of the Moscow region. Analysis of the vegetation composition of spruce and spruce-small-leaved forests demonstrates a transition from boreal to nemoral species composition. At the landscape level, sub-latitudinal differentiation of spruce and spruce-small-leaved communities is observed within the region. Most of the forest cover (30-40 %) of spruce and spruce-small-leaved communities was observed in the Smolensk and Moscow physiographic provinces (north and north-west of the region), to a lesser extent — in the eastern and southern parts of the Moscow Region. The minimum projective cover of spruce forests (less than 10 %) is recorded in the Zaokskaya and Srednerusskaya provinces, where there is a transition to the zone of broad-leaved forests. Mixed stand composition of trees can also be formed as a result of active birch regeneration in spruce crops with inadequate quality of care. Spruce and birch (with a small admixture of aspen) are present in equal proportions in spruce-small-leaved communities, while spruce forests are dominated by spruce with a small admixture of small-leaved tree species (Fig. 3).
References
Abdullah H., Skidmore A. K., Darvishzadeh R., Heurich M. 2019. Sentinel-2 accurately maps green-attack stage of European spruce bark beetle (Ips typographus, L.) compared with Land-sat-8. Remote sensing in ecology and conservation. 5: 87-106. https://doi.org/10.1002/rse2.93.
Annenskaya G. N., Zhuchkova V. K., Kalinina V. R., Mamai I. I., Nizovtsev V. A., Khrusta-leva M. A., Tseselchuk Y. N. 1997. Landshafty Moskovskoy oblasti i ikh sovremennoye sostoyaniye [Landscapes of the Moscow region and their present state]. Smolensk. 296 p. (In Russian).
Anuchin N. P. 1982. Lesnaya taksatsiya: Uchebnik dlya vuzov. Izd. 5-ye. [Forest taxation: Textbook for universities. Ed. 5th]. Moscow. 552 p. (In Russian).
Breiman L. 2001. Random forests. Machine learning. 45: 5-32. https://doi. org/10.1023/A:1010933404324.
Brosofske K. D., Froese R. E., Falkowski M. J., Banskota A. 2014. A review of methods for mapping and prediction of inventory attributes for operational forest management. Forest Science. 60: 733-756. https://doi.org/10.5849/forsci.12-134.
H. n. KOMOB, T. B. HepHeHtKOBa, H. r. Be^aeBa
Cherepanov S. K. 1995. Sosudistyye rasteniya Rossii i sopredelnykh gosudarstv (v predelakh byvshego SSSR) [Vascular plants of Russia and adjacent states (within the former USSR)]. St. Petersburg. 992 p. (In Russian).
Chernenkova T., Kotlov I., Belyaeva N., Suslova E., Morozova O., Pesterova O., Arkhipova M. 2020. Role of Silviculture in the Formation of Norway Spruce Forests along the Southern Edge of Their Range in the Central Russian Plain. Forests. 11 (7): 778. https://doi.org/10.3390/ f11070778.
Chernenkova T. V., Kotlov I. P., Belyaeva N. G., Suslova E. G., Morozova O. V., Belyaeva N. G. 2023. Mapping and Assessment of the Cenotic Diversity of the Forests of the Moscow Region // Russian Journal of Ecology. Vol. 54. No. 6. P. 682-692. https://doi.org/10.1134/ S1067413623070044.
Cochran W. G. 1977. Sampling techniques. 3rd ed. Wiley series in probability and mathematical statistics. New York. 442 p.
Ellenberg H., Weber H. E., Dull R., Wirth V., Werner W., Paulifien D. 1992. Zeigerwerte von Pflanzen in Mitteleuropa. Scripta Geobotanica. 18: 297-401.
Endreny T., Santagata R., Perna A., Stefano C. D., Rallo R. F., Ulgiati S. 2017. Implementing and managing urban forests: A much needed conservation strategy to increase ecosystem services and urban well-being. Ecological Modelling. 360: 328-335. https://doi.org/10.1016/j. ecolmodel.2017.07.016.
Gardner T. 2010. Monitoring forest biodiversity: Improving conservation through ecologically-responsible management. London. 388 p. https://doi.org/10.4324/9781849775106.
Girardet H. 2014. Creating regenerative cities. London. 216 p. https://doi. org/10.4324/9781315764375.
Gislason P. O., Benediktsson J. A., Sveinsson J. R. 2004. Random forest classification of multisource remote sensing and geographic data. 2004 IEEE International Geoscience and Remote Sensing Symposium. Anchorage, Ak, USA. P. 1049-1052. https://doi.org/10.1109/IG-ARSS.2004.1368591.
Gong J., Liu C., Huang X. 2020. Advances in urban information extraction from highresolution remote sensing imagery. Science China. Earth Sciences. 63: 463-475. https://doi. org/10.1007/s11430-019-9547-x.
Grabska E., Frantz D., Ostapowicz K. 2020. Evaluation of machine learning algorithms for forest stand species mapping using Sentinel-2 imagery and environmental data in the Polish Carpathians. Remote Sensing of Environment 251(15): 112103. https://doi.org/10.1016/j. rse.2020.112103.
Graham M. H. 2003. Confronting multicollinearity in ecological multiple regression. Ecology. 84: 2809-2815. https://doi.org/10.1890/02-3114.
Haase D., Clemens J., Thilo W. 2019. Front and back yard green analysis with subpixel vegetation fractions from earth observation data in a city. Landscape and Urban Planning. 182: 44-54. https://doi.org/10.1016Zj.landurbplan.2018.10.010.
Haklay M., Weber P. 2008. Openstreetmap: User-generated street maps. IEEE Pervasive Computing. 7: 12-18. https://doi.org/10.1109/MPRV.2008.80.
Hansen M. C., Potapov P. V., Moore R., Hancher M., Turubanova S. A., Tyukavina A., Thau D., Stehman S. V., Goetz S. J., Loveland T. R. 2013. High-resolution global maps of 21st-century forest cover change. Science. 342: 850-853. https://doi.org/10.1126/science.1244693.
Ignatov M. S., Afonina O. M., Ignatova E. A., Abolina A., Akatova T. V., Baisheva E. Z., Bardu-nov L. V., Baryakina E. A., Belkina O. A., Bezgodov A. G., Boychuk M. A., Cherdantseva V. Ya., Czernyadjeva I. V., Doroshina G. Ya., Dyachenko A. P., Fedosov V. E., Goldberg I. L., Ivanova E. I., Jukoniene I., Kannukene L., Kazanovsky S. G., Kharzinov Z. Kh., Kurbatova L. E., Maksimov A. I., Mamatkulov U.K., Manakyan V.A., Maslovsky O. M., Napreenko M. G., Otnyu-kova T. N., Partyka L. Ya., Pisarenko O. Yu., Popova N. N., Rykovsky G. F., Tubanova D. Ya., Zheleznova G. V., Zolotov V. I. 2006. Check-list of mosses of East Europe and North Asia. Arctoa. 15: 1-130. https://doi.org/10.15298/arctoa.15.01.
Inglada J., Christophe E. 2009. The Orfeo Toolbox remote sensing image processing software. 2009 IEEE International Geoscience and Remote Sensing Symposium. Cape Town. P. IV-733-736. https://doi.org/10.1109/IGARSS.2009.5417481.
Kotlov I. P., Chernenkova T. V. 2020. Modeling of forest communities spatial structure at the regional level through remote sensing and field sampling: constraints and solutions. Forests. 11(10): 1088. https://doi.org/10.3390/f11101088.
Kotlov I. P., Puzachenko Ju. G. 2006. Struktura relyefa Russkoy ravniny kak landshaftoobra-zuyushchego faktora [Structure of the relief of Russian Plain as landscape forming factor]. Land-
shaftnoye planirovaniye: obshchiye osnovaniya, metodologiya, tekhnologiya [Landscape planning: common base, methodology, technology]. Moscow. P. 166-171. (In Russian).
Kurnaev S. F. 1968. Osnovnyye tipy lesa sredney chasti Russkoy ravniny [The main forest types of the middle part of the Russian Plain]. Moscow. 356 p. (In Russian).
Kurnaev S. F. 1973. Lesorastitelnoye rayonirovaniye SSSR [Forest zoning of the USSR]. Moscow. 203 p. (In Russian).
Lavrinenko I. A. 2020. Approaches of European ecologists to habitat typology and mapping. Geobotanical mapping 2020: 51-77. https://doi.org/10.31111/geobotmap/2020.51. (In Russian).
Lesnoy plan Moskovskoy oblasti na Ha 2019-2028 gg. [Moscow Region forest plan for 20192028]. 2023. Moscow. Book 1. 222 p. (In Russian).
Lutz W., Sanderson W., Scherbov S. 2001. The end of world population growth. Nature. 412: 543-545. https://doi.org/10.1038/35087589.
Nizovtsev V., Kochurov B., Erman N., Mironenko I., Logunova Y., Kostovska S., Ivashkina I., Alekseeva V. 2020. Landshaftno-ekologicheskiye issledovaniya Moskvy dlya obosnovaniya territo-rialnogo planirovaniya goroda [Landscape-ecological studies of Moscow to substantiate the territorial planning of the city]. Moscow. 342 p. (In Russian).
Noss R. F. 1999. Assessing and monitoring forest biodiversity: a suggested framework and indicators. Forest ecology and management. 115: 135-146. https://doi.org/10.1016/S0378-1127(98)00394-6.
Ogureeva G. N., Miklyaeva I. M., Suslova E. G., Shvergunova L. V. 1996. Rastitelnost Moskovskoy oblasti. Poyasnitelnyy tekst i legenda k karte m. 1: 200 000 [Vegetation of the Moscow Region. Explanatory text and legend to the map M 1: 200 000]. Moscow. 45 p. (In Russian).
Pan T., Kuang W., Hamdi R., Zhang C., Zhang S., Li Z., Chen X. 2019. City-level comparison of urban land-cover configurations from 2000-2015 across 65 countries within the global belt and road. Remote Sensing. 11(13): 1515. https://doi.org/10.3390/rs11131515.
Pedersen Zari M. 2019. Devising Urban Biodiversity Habitat Provision Goals: Ecosystem Services Analysis. Forests. 10(5): 391. https://doi.org/10.3390/f10050391.
R Core Team. 2019. R: A language and environment for statistical computing. http://www.R-project.org/ (date of access: 25.11.2024)
Rivas-Martínez S. 2004. Global bioclimatics. Clasificación bioclimática de la Tierra. Madrid. 29 p.
Rysin L. P. 1982. Lesa Zapadnogo Podmoskoviya [Forests of the western Moscow Region]. Moscow. 234 p. (In Russian).
SAS GIS software. https://www.sasgis.org/ (date of access: 26.11.2024).
Seto K. C., Guneralp B., Hutyra L. R. 2012. Global forecasts of urban expansion to 2030 and direct impacts on biodiversity and carbon pools. Proceedings of the National academy of sciences. 109: 16083-16088. https://doi.org/10.1073/pnas.1211658109.
Shimada M., Itoh T., Motooka T., Watanabe M., Shiraishi T., Thapa R., Lucas R. 2014. New global forest/non-forest maps from ALOS PALSAR data (2007-2010). Remote Sensing of environment. 155: 13-31. https://doi.org/10.1016/j.rse.2014.04.014.
Spiridonov A. I. 1972. Krayevyye obrazovaniya moskovskogo oledeneniya v tsentralnykh oblastyakh Russkoy ravniny [Edge formations of the Muscovite glaciation in the central regions of the Russian Plain. Krayevyye obrazovaniya materikovykh oledeneniy [Edge formations of continental glaciations]. Moscow. P. 94-99. (In Russian).
Suslova E. G. 2019. Lesa Moskovskoy oblasti [Forests of the Moscow Region]. Ecosystems: Ecology and Dynamics. 3: 119-190. (In Russian).
Thomson G., Newman P. 2018. Urban fabrics and urban metabolism-from sustainable to regenerative cities. Resources, Conservation and Recycling. 132: 218-229. https://doi.org/10.1016/j. resconrec.2017.01.010.
Velasquez-Camacho L., Cardil A., Mohan M., Etxegarai M., Anzaldi G., de-Miguel S. 2021. Remotely Sensed Tree Characterization in Urban Areas: A Review. Remote Sensing. 13(23): 4889. https://doi.org/10.3390/rs13234889.
Wang K., Wang T., Liu X. 2019. A review: Individual tree species classification using integrated airborne LiDAR and optical imagery with a focus on the urban environment. Forests. 10(1): 1. https://doi.org/10.3390/f10010001.
Winer B. J. 1962. Statistical principles in experimental design. New York. 672 p. https://doi. org/10.1037/11774-000.
