Отклик древесной растительности западного макросклона Приполярного Урала на современное потепление климата

   Цель. Провести качественную и количественную оценку изменения лесопокрытых площадей и трансформации древесной растительности на верхнем пределе её произрастания в пределах западного макросклона Приполярного Урала.

   Процедура и методы. На постоянных пробных площадях, заложенных на склонах разных экспозиций в экотоне верхней границы леса, сделано описание 750 деревьев на общей площади 2,32 га. Выполнено повторное пейзажное фотографирование древесной растительности с той же точки. Проведён сравнительный анализ пространственного и высотного расположения верхней границы редколесий на аэрофотоснимках и спутниковых изображениях 1963 и 2022 г. С использованием геоинформационных технологий сделаны расчёты изменения пространственно-временного положения верхней границы редколесий. На основе данных ширины годичных колец и аллометрических уравнений зависимости фитомассы деревьев от их диаметра произведена реконструкция погодичного накопления фитомассы древостоев. Проведён анализ динамики радиального прироста деревьев в последнем столетии.

   Результаты. Установлено, что за последние 50–70 лет на западном макросклоне Приполярного Урала произошёл сдвиг верхней границы распространения редколесий в сообщества горных тундр. Показано, что наиболее интенсивное кумулятивное изменение общей надземной фитомассы происходило в последнем столетии, особенно после 1950-х гг. Установлено, что в последние десятилетия (с 1990-х гг. по настоящее время) происходило увеличение радиального прироста деревьев независимо от их возраста. Отмечено, что продвижение и трансформация древесной растительности в последнем столетии происходила более медленными темпами, чем в других ранее исследованных частях Урала (Южный Урал, Северный Урал, Полярный Урал). Это может объясняться увеличением количества осадков в твёрдом виде и более поздними сроками схода снежного покрова.

   Теоретическая и/или практическая значимость. Результаты исследования могут быть использованы при создании сценарных моделей климатогенной трансформации высокогорных экосистем Приполярного Урала.

1. Высоцкая А. А., Медведков А. А. Информационные ресурсы для оценки экологического потенциала геосистем (на примере территории Енисейского Севера) // ИнтерКарто. ИнтерГИС. 2023. Т. 29. № 1. С. 20–33. DOI: 10.35595/2414-9179-2023-1-29-20-33

2. Высоцкая А. А., Медведков А. А. Климатогенные изменения ландшафтов курумов на западе Среднесибирского плоскогорья в зональных условиях Средней тайги // Вестник Московского университета. Серия 5: География. 2024. № 4. С. 17–29. DOI: 10.55959/MSU0579-9414.5.79.4.2

3. Горчаковский П. Л. Растительность хребта Сабля на Приполярном Урале // Растительность Крайнего Севера СССР и её освоение. М: АН СССР, 1958. С. 95–127.

4. Горчаковский П. Л., Шиятов С. Г. Фитоиндикация условий среды и природных процессов в высокогорьях. М.: Наука, 1985. 208 с.

5. Гофман Э. Северный Урал и береговой хребет Пай-хой. Т. 2. СПб.: Тип. Имп. Акад. наук, 1856. 52 с.

6. Григорьев А. А., Моисеев П. А., Нагимов З. Я. Динамика верхней границы древесной растительности в высокогорьях Приполярного Урала под влиянием современного изменения климата // Экология. 2013. № 4. С. 284–295.

7. Капралов Д. С., Шиятов С. Г., Моисеев П. А. и др. Изменения в составе, структуре и высотном положении мелколесий на верхнем пределе их произрастания в горах Северного Урала // Экология. 2006. № 6. С. 403–410.

8. Климатический атлас СССР. В 2 т. / под ред. Ф. Ф. Давитая. М.: ГУГМС СССР, 1960. 164 c.

9. Комплексная оценка климатогенной трансформации высокогорных лесных экосистем Южного Урала (на примере массива Иремель) / А. А. Григорьев, Ю. В. Шалаумова, Е. В. Болотник, Д. С. Балакин, П. А. Моисеев // Журнал Сибирского федерального университета. Биология. 2022. Т. 15. № 2. С. 148–166.

10. Матвеев А. К. Вершины Каменного Пояса: Названия гор Урала. Челябинск: Юж.-Урал. кн. изд-во, 1990. 288 с.

11. Изменение климата, 2021 год: Физическая научная основа / рук. научн. группы: С. Л. Коннорс [Электронный ресурс]. URL: https://www.ipcc.ch/report/ar6/wg1/downloads/report/IPCC_AR6_WG1_SPM_Russian.pdf (дата обращения: 25. 10. 2025).

12. Методы дендрохронологии Ч. I: Основы дендрохронологии. Сбор и получение древесно-кольцевой информации / С. Г. Шиятов, Е. А. Ваганов, А. В. Кирдянов, В. Б. Круглов и др. Красноярск: КрасГУ, 2000. 80 с.

13. Непараметрические байесовские сети как инструмент комплексирования данных мультимасштабного анализа временных рядов и дистанционного зондирования / Н. С. Пыко, Д. В. Тишин, П. Ю. Искандиров, А. М. Гафуров и др. // Известия высших учебных заведений России. Радиоэлектроника. 2023. Т. 26. № 3. C. 32–47.

14. Моисеев П. А. Структура и динамика древесной растительности на верхнем пределе её произрастания на Урале : автореф. дис. док. биол. наук. Екатеринбург, 2011. 43 с.

15. Обручев В. А. Открытие ледников на Северном Урале // Природа. 1930. № 1. С. 84–89.

16. Шиятов С. Г. Дендрохронологические исследования // Уральская экологическая школа: вехи становления и развития / отв. ред. Н. Г. Смирнов. Екатеринбург: Гощицкий, 2005. С. 134–174.

17. Шиятов С. Г., Терентьев М. М., Фомин В. В. и др. Вертикальный и горизонтальный сдвиги верхней границы редколесий и сомкнутых лесов в XX столетии на Полярном Урале // Экология. 2007. № 4. С. 243–248.

18. Шиятов С. Г. Динамика древесной и кустарниковой растительности в горах Полярного Урала под влиянием современных изменений климата. Екатеринбург: УрО РАН, 2009. 216 с.

19. Шиятов С. Г., Моисеев П. А., Григорьев А. А. Фотомониторинг древесной и кустарниковой растительности в высокогорьях Южного Урала за последние 100 лет. Екатеринбург: УМЦ УПИ, 2020. 191 с.

20. Are treelines advancing? A global meta-analysis of treeline response to climate warming / M. A. Harsch, P. E. Hulme, M. S. McGlone et al. // Ecology Letters. 2009. Vol. 12. P. 1040–1049. DOI: 10.1111/j.1461-0248.2009.01355.x

21. A review of the global climate change impacts, adaptation, and sustainable mitigation measures / A. Kashif, M. Z. Qasim, H. Song, et al. // Environmental Science and Pollution Research. 2022. Vol. 29. P. 42539–42559. DOI: 10.1007/s11356-022-19718-6

22. A rewiew of factors controlling Southern Hemisphere treelines and the implications of climate change on future treeline dynamics / A. Hansson, J. Shulmeister, P. Dargusch, G. Hill // Agricultural and Forest Мeteorology. 2023. Vol. 332. P. 1–19. DOI: 10.1016/j.agrformet.2023.109375

23. Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery / G. L. Feyisa, H. Meilby, R. Fensholt, et al. // Remote Sensing of Environment. 2014. Vol. 140. P. 23–35. DOI: 10.1016/j.rse.2013.08.029

24. BANSHEE–A MATLAB toolbox for non-parametric Bayesian networks / D. Paprotny, O. Morales-Nápoles, D. T. Worm, E. Ragno // SoftwareX. 2020. Vol. 12. DOI: 10.1016/j.softx.2020.100588

25. Bogachev M. I., Yuan N., Bunde A. Fractals and multifractals in geophysical time series // Fractals / eds. B. Ghanbarian, A. G. Hunt. Florida: CRC Press, 2017. P. 231–271. DOI: 10.1201/9781315152264-9

26. Cannone N., Malfasi F. Climate change triggered synchronous woody plants recruitment in the treeline ecotone of the Northern Hemisphere // Science of The Total Environment. 2024. Vol. 921. DOI: 10.1016/j.scitotenv.2024.170953

27. Climate change evidence in tree growth and stand productivity at the upper treeline ecotone in the Polar Ural Mountains / N. M. Devi, V. V. Kukarskih, A. A. Galimova, et al. // Forest Ecosystems. 2020. Vol. 7. P. 1–16. DOI: 10.1186/s40663-020-0216-9

28. Climate change impacts on cultural heritage : A literature review / E. Sesana, A. S. Gagnon, C. Ciantelli, et al. // Advenced review. WIREs Clim Change. 2021. Vol. 12. DOI: 10.1002/wcc.710

29. Detection and evaluation of anthropogenic impacts on natural forest ecosystems from long-term tree-ring observations / M. I. Bogachev, A. A. Grigoriev, N. S. Pyko, et al. // Forest Ecology and Management. 2024. Vol. 558. DOI: 10.1016/j.foreco.2024.121784

30. Evidence for 40 Years of Treeline Shift in a Central Alpine Valley / E. R. Frei, I. Barbeito, L. M. Erdle, et al. // Forests. 2023. Vol. 14. P. 412. DOI: 10.3390/f14020412

31. Forest-tundra ecotone response to climate change / V. I. Kharuk, S. G. Shiyatov, E. Kasischke, E. V. Fedotova, M. M. Naurzbaev // Проблемы экологического мониторинга и моделирования экосистем. 2002. Т. 18. С. 234–260.

32. Gitelson A. A., Kaufman Y. J., Stark R., et al. Novel Algorithms for Remote Estimation of Vegetation Fraction // Remote Sensing of Environment. 2002. Vol. 80. № 1. P. 76–87. DOI: 10.1016/S0034-4257(01)00289-9

33. Google Earth Engine: Planetary-scale geospatial analysis for everyone / N. Gorelick, M. Hancher, M. Dixon, et al. // Remote Sensing of Environment. 2017. Vol. 202. P. 18–27. DOI: 10.1016/j.rse.2017.06.031

34. Keyserling A., Krusenstern P. Wissenschaftliche Beobachtungen auf einer Reise in das Petschora-Land im Jahre 1843. St.-Pb., Gedr. u. zu haben bei C. Kray. 1846. 465 p.

35. Latitudinal decline in stand biomass and productivity at the elevational treeline in the Ural mountains despite a common thermal growth limit / H. Frank, M. A. Dawes, M. O. Bubnov, et al. // Journal of Biogeography. 2020. Vol. 47. P. 1827–1842. DOI: 10.1111/jbi.13867

36. Lymburner L., Beggs P. J., Jacobson C. R. Estimation of canopy-average surface-specific leaf area using Landsat TM data // Photogrammetric Engineering and Remote Sensing. 2000. Vol. 66. № 2. P. 183–191.

37. MODIS snow-cover products / D. K. Hall, G. A. Riggs, V. V. Salomonson, et al. // Remote Sensing of Environment. 2002. Vol. 83. P. 181–194.

38. No treeline shift despite climate change over the last 70 years / M. Beloiu, D. Poursanidis, A. Tsakirakis, et al. // Forest Ecosystems. 2022. Vol. 9. P. 100002. DOI: 10.1016/j.fecs.2022.100002

39. Radiometric correction of multi-temporal Landsat data for characterization of early successional forest patterns in western Oregon / T. A. Schroeder, W. B. Cohen, C. Song, M. J. Canty, Z. Yang // Remote sensing of environment. 2006. Vol. 103.P. 16–26. DOI: 10.1016/j.rse.2006.03.008

40. Radiometric normalization of temporal images combining automatic detection of pseudo-invariant features from the distance and similarity spectral measures, density scatterplot analysis, and robust regression / O. A. de Carvalho Júnior, R. F. Guimarгes, N. S. Silva, A. R. Gillespie, et al. // Remote Sensing. 2013. Vol. 5. P. 2763–2794. DOI: 10.3390/rs5062763

41. Reversal in the drought stress response of the Scots pine forest ecosystem: Local soil water regime as a key to improving climate change resilience / M. I. Bogachev, A. M. Gafurov, P. Y. Iskandirov, D. I. Kaplun, et al. // Heliyon. 2023. Vol. 9. № 11. DOI: 10.1016/j.heliyon.2023.e21574

42. Setting the tree-ring record straight / J. Ludescher, A. Bunde, U. Büntgen, H. J. Schellnhuber // Climate Dynamics. 2020. Vol. 55. P. 3017–3024. DOI: 10.1007/s00382-020-05433-w

43. Shiyatov S. G., Mazepa V. S. Climate-driven dynamics of the forest-tundra vegetation in the Polar Ural Mountains // Contemporary Problems of Ecology. 2011. Vol. 4. № 7. P. 758–768. DOI: 10.1134/S1995425511070071

44. Shrub facilitation promotes advancing of the Fagus sylvatica treeline across the Apennines (Italy) / G. Bonanomi, V. Mogavero, A. Rita, M. Zotti, et al. // Allevato Journal of Vegetation Science. 2021. Vol. 32. № 4. DOI: 10.1111/jvs.13054

45. Stand Biomass at Treeline Ecotone in Russian Subarctic Mountains Is Primarily Related to Species Composition but Its Dynamics Driven by Improvement of Climatic Conditions / P. A. Moiseev, F. Hagedorn, D. S. Balakin, M. O. Bubnov, et al. // Forests. 2022. Vol. 13. P. 254. DOI: 10.3390/f13020254

46. The influence of decision-making in tree ring-based climate reconstructions / U. Büntgen, K. Allen, K. J. Anchukaitis, D. Arseneault, et. al. // Nature communications. 2021. Vol. 12. DOI: 10.1038/s41467-021-23627-6

47. The 50-Year Landsat Collection 2 Archive / C. J. Crawford, D. P. Roy, S. Arab, C. Barnes, et al. // Science of Remote Sensing. 2023. Vol. 8. DOI: 10.1016/j.srs.2023.100103

48. The impact of Grey Heron (Ardea cinerea L.) colony on soil biogeochemistry and vegetation: a natural long-term in situ experiment in a planted pine forest / M. I. Bogachev, D. V. Tishin, A. M. Gafurov, B. I. Gareev, et al. // Frontiers in Environmental Science. 2023. Vol. 11. DOI: 10.3389/fenvs.2023.1197657

49. Treeline advances along the Urals mountain range ‒ driven by improved winter conditions? / F. Hagedorn, S. G. Shiyatov, V. S. Mazepa, N. M. Devi, et al. // Global Change Biology. 2014. Vol. 20. № 11. P. 3530–3543.

50. Using Landsat Spectral Indices in Time-Series to Assess Wildfire Disturbance and Recovery / S. Hislop, S. Jones, M. Soto-Berelov, A. Skidmore, et al. // Remote Sensing. 2018. Vol. 10. № 3. DOI: 10.3390/rs10030460

51. VIIRS Snow Cover Algorithm Theoretical Basis Document / G. A. Riggs, D. K. Hall, M. O. Román. NASA Goddard Space Flight Center Greenbelt: Maryland. 2015. 34 p.

52. Vincini M., Frazzi E., D’Alessio P. A broad-band leaf chlorophyll vegetation index at the canopy scale // Precision Agriculture. 2008. Vol. 9. № 5. P. 303–319. DOI: 10.1007/s11119-008-9075-z

53. Xu H. Modification of Normalised Difference Water Index (NDWI) to Enhance Open Water Features in Remotely Sensed Imagery // International Journal of Remote Sensing. 2006. Vol. 27. № 14. P. 3025–3033. DOI: 10.1080/01431160600589179

54. Zhou M, Li D, Liao K, Lu D. Integration of Landsat time-series vegetation indices improves consistency of change detection // International Journal of Digital Earth. 2023. Vol. 16. № 1. P. 1276–1299. DOI: 10.1080/17538947.2023.2200040