Без рубрики

Биоклиматическое моделирование ареала сосны обыкновенной (Pinus sylvestris L.) в Якутии.

А.П. Исаев1,2, Б.З. Борисов1, Е.Н. Никифорова1
DOI 10.31242/2618-9712-2019-24-3-11

Показать больше

1Институт биологических проблем криолитозоны СО РАН
2Северо-Восточный федеральный университет им. М.К. Аммосова
[email protected]

Поступила в редакцию 12.06.2019
Принята к публикации 07.08.2019

УДК 581.9

Информация для цитирования
Исаев А.П., Борисов Б.З., Никифорова Е.Н. Биоклиматическое моделирование ареала сосны обыкновенной (Pinus sylvestris l.) в Якутии // Природные ресурсы Арктики и Субарктики. 2019. Т. 24, № 3. С. 121–133. https://doi.org/10.31242/2618-9712-2019-24-3-11

Аннотация. С помощью геоинформационного моделирования в программной среде MaxEnt была создана биоклиматическая модель ареала сосны обыкновенной – Pinus sylvestris L., на основе которой построена новая карта ареала этого вида с зонированием на «предпочтительные», «пригодные» и «мало пригодные» местопроизрастания. Также были выявлены климатические факторы, ограничивающие ареал этого вида на территории Республики Саха (Якутия), и оценена их роль в создании модели (%). К этим факторам относятся: Bio 01 – cреднегодовая температура (значение вклада в модель 52,2 %) и Bio 08 – средняя температура самой влажной четверти года (34,5 %). Остальные биоклиматические переменные имели слишком высокий коэффициент пермутации, или же их значение вклада в модель меньше 1 %. С помощью вегетационного индекса EVI была проведена верификация модели. Схожесть данных модели MaxEnt и положительных значений индекса EVI за апрель 2016 г. была оценена в 69,5 %. Данные проведенного анализа могут послужить основой для создания новой карты ареала сосны обыкновенной на территории не только Якутии, но и всей Северной Евразии. Кроме того, модель позволяет понять, как изменится породный состав лесов, лесистость Якутии при различных климатических сценариях.

Ключевые слова: ГИС, WorldClim, Pinus sylvestris, Якутия, биоклиматические переменные, ареал сосны обыкновенной, карта.

Благодарности. Работа выполнена в рамках госзадания ИБПК СО РАН на 2017-2021 гг. по теме:«Фундаментальные и прикладные аспекты изучения разнообразия растительного мира Северной и Центральной Якутии» (рег. номер АААА-А17-117020110056-0).

Список литературы
  1. Шубин В.И., Гелес И.С., Крутов В.И. Повышение производительности культур сосны и ели на вырубках. Петрозаводск, 1991. 176 с.
  2. Саковец В.И., Германова Н.И., Матюшкин В.А. Экологические аспекты гидромелиорации в Карелии. Петрозаводск: КарНЦ РАН, 2000. 155 с.
  3. Hellkvist J., Parsby J. The water relations of Pinus sylvestris. III. Diurnal and seasonal patterns of water potential // Physiol. Plant. 1976. V. 38. P. 61–68.
  4. Соколов А.И. Лесовосстановление на СевероЗападе России. Петрозаводск, 2006. 215 с.
  5. Сазонова Т.А., Болондинский В.К., Придача В.Б. Эколого-физиологическая характеристика сосны обыкновенной. Петрозаводск: Verso, 2011. 206 с.
  6. Щепащенко Д.Г., Швиденко А.З., Лесив М.Ю. и др. Площадь лесов России и ее динамика на основе синтеза продуктов дистанционного зондирования // Лесоведение. 2015. № 3. C. 163–171.
  7. Замолодчиков Д.Г. Оценка климатогенных изменений разнообразия древесных пород по данным учетов лесного фонда // Успехи современной биологии, 2011. Т. 131, № 4. С. 382–392.
  8. Тимофеев П.А., Исаев А.П., Щербаков И.П. и др. Леса среднетаежной подзоны Якутии. Якутск: Якутский научный центр СО РАН, 1994. 140 с.
  9. Troeva E.I., Isaev A.P., Cherosov M.M. et al. The Far North: Plant Biodiversity and Ecology of Yakutia // Plant and Vegetation. V. 3. Springer, 2010. P. 165.
  10. Elith J., Graham C.H., Anderson R.P. et al. Novel methods improve prediction of species distributions from occurrence data // Ecography. 2006. V. 29. P. 129–151.
  11. Gibson L., Barrett B., Burbidge A. Dealing with uncertain absences in habitat modeling: a case study of a rare ground-dwelling parrot // Divers. Distribut. 2007. V. 13(6). Р. 704–713.
  12. Hernandez P.A., Franke I., Herzog S.K. et al. Predicting species distributions in poorly-studied landscapes // Biodivers. Conserv. 2008. V. 17. Р. 1353–1366.
  13. Franklin J. Mapping species distribution; spatial inference and prediction. Cambridge: Cambridge University Press, 2010. 320 p.
  14. Ward G. Statistics in ecological modeling; presenceonly data and boosted mars. Palo Alto: Stanford University, 2007.
  15. Phillips S.J., Anderson R.P., Schapire R.E. Maximum entropy modeling of species geographic distributions // Ecol. Modeling. 2006. V. 190. Р. 231–259.
  16. Олонова М.В. Использование гербарных коллекций для экологического моделирования // Материалы III межд. научно-практ. конф. «Проблемы сохранения биологического разнообразия и использования биологических ресурсов» (7–9 октября 2015). Ч. 1. Минск. Беларусь, 2015. С. 446–449.
  17. Schelderman X., van Zonneveld M. Training manual on spatial analysis of plant diversity and distribution. Rome: Biodiversity International, 2007. 180 р.
  18. Stohlgren K.S. MaxEnt modeling for predicting suitable habitat for threatened and endangered tree Canacomyrica monticola in New Caledonia // Journal of Ecology and Natural Environment, 2009. V. 1(4). Р. 094-098.
  19. Khafaga O., Hatab E.E., Omar K. Predicting the potential geographical distribution of Nepeta septemcrenata in Saint Katherine Protectorate, South Sinai, Egypt using MaxEnt // Academia Arena. 2011. V. 3(7). Р. 45–50.
  20. Егошин А.В. Моделирование пространственного распределения видов на территориях ООПТ Западного Кавказа с использованием геоинформационных систем // Priroda.su – 2012-1, http://www.priroda. su/item/2981
  21. Gaston K.J. Species richness: measure and measurement. Biodiversity: a biology of numbers and difference / ed. K.J. Gaston. Oxford: Blackwell Science, 1996. Р. 77–113.
  22. Hijmans R.J., Cameron S.E., Parra J.L. et al. Very high resolution interpolated climate surfaces for global land areas // Int. J. Climatol. 2005. V. 25. Р. 1965–1978.
  23. Якутия / под ред. И.С. Герасимова. М.: Наука,1965. 464 с.
  24. Атлас лесов СССР. М.: ГУГК, 1973. 222 с.
  25. www.wordclim.org
  26. Guisan A., Graham C.H., Elith J., Huettmann F. and the NCEAS. Species Distribution Modelling Group. Sensitivity of predictive species distribution models to change in grain size // Divers. Distrib. 2007. V. 13. Р. 332–340.
  27. Pearson R.G., Raxworthy C.J., Nakamura M., Peterson A.T. Predicting species distributions from small numbers of occurrence records: a test case using cryptic geckos in Madagascar // J. Biogeo. 2007. V. 34. Р. 102–117.
  28. Murienne J., Guilbert E., Grandcolas P. Species’ diversity in the New Caledonian endemic genera Cephalidiosus and Nobarnus (Insecta: Heteroptera: Tingidae), an approach using phylogeny and species’ distribution modelling // Bot. J. Linn. Soc. 2009. V. 97. Р. 177–184.
  29. Phillips S.J., Dudik M. and Schapire R.E. A maximum entropy approach to species distribution modeling // Proceed. of the 21st Int. Conf. on Machine Learning. New York: ACM Press, 2006. Р. 655–662.
  30. Wiley E.O., McNyset K.M., Peterson A.T. et al. Niche modeling and geographic range predictions in the marine environment using a machine-learning algorithm // Oceanography. 2003. V. 16. Р. 120–127.
  31. Щербаков И.П. Лесной покров Северо-Востока СССР. Новосибирск: Наука, 1975. 344 с.
  32. Yu M, Wang G., Parr D., Ahmed K.F. Future changes of the terrestrial ecosystem based on a dynamic vegetation model driven with RCP8.5 climate projections from 19 GCMs // Climatic Change. 2014. V. 127. P. 257–271.
  33. Замолодчиков Д.Г., Кобяков К.Н., Кокорин А.О. и др. Лес и климат. М.: Всемирный фонд дикой природы (WWF), 2015. 40 с.

Добавить комментарий

Ваш адрес email не будет опубликован.