Tree ring characteristics depend on various factors. Typically, when analyzing the influence of external factors, the contribution of age to radial increment is removed. Along with individually fitted curves for each tree, regional growth curves are used for this step. Regional growth curves are empirically determined curves describing the relationship between age and tree ring characteristics in a given area. The aim of this study is to identify differences in radial increment of Siberian spruce at the upper limit of its distribution in the Southern Urals by analyzing regional growth curves. In total, growth measurements from 989 trees were used in the analysis. The expected tree ring width of Siberian spruce in the Southern Urals is described using the Hugershoff curve. Spruce populations were studied on three ridges: Nary, Zigalga, and Taganay. Since the Siberian spruce is currently spreading across the alpine tundra, it was not possible to estimate the parameters of the regional curves at all altitude levels. The highest value of the expected maximum increase (from 2.1 to 2.7 millimeters) was noted at the lower altitude levels of the south-eastern slope in the pass between Mount Poperechnaya and Mount Kruglaya (Zigalga ridge), which can be explained by favorable insolation conditions and low wind speed, compared to the Taganay ridge.
Southern Urals, regional growth curves, radial increment, Siberian spruce
Древесные кольца растений являются ценным архивом, в котором отражены изменения популяции и экосистемы в годичном разрешении. Характеристики колец деревьев зависят от различных факторов, которые обобщенно можно разделить на климат, возраст и возмущения. Возмущения, в свою очередь, подразделяются на локальные (например, падение соседнего дерева) и на общие для некоторой популяции (например, нашествие насекомых); иногда общие возмущения имеют глобальный масштаб [1]. Для оценки влияния одних факторов из ряда измерений исследователи извлекают вклад других факторов. Так, удаление возмущений из исходных рядов производят через алгоритмическое разделение сигналов [2], а также с помощью отсеивания местообитаний и особей на этапе отбора проб.
Для получения климатической составляющей из исходного ряда наблюдений изымают зависимость характеристики кольца от возраста. Причем этот шаг производят как на уровне отдельных деревьев, так и на уровне пробной площади или района с использованием региональной кривой роста (РКР)[3]. Под РКР понимают эмпирически определенную кривую, предназначенную для описания зависимости характеристики древесного кольца от возраста. Особенности РКР представляют интерес не только при выявлении возрастного тренда, но и для отслеживания изменений в популяции, а также для оценки влияния климата на прирост. В исследовании Наурзбаева и др. дан анализ параметров РКР, полученных через аппроксимацию по кривой отрицательной экспоненты: обнаружен широтный, высотный и температурный градиенты для ширины годичного кольца (ШГК) лиственницы в Сибири. Также показана зависимость формы РКР Pinus sylvestris от плотности популяции и от условий увлажнения субстрата [4]. Разделение на типы РКР было выполнено для отслеживания изменений в радиальном приросте для Picea albertiana и Picea glauca [5].
Монотонно убывающая функция отрицательной экспоненты не единственный вид зависимости, используемый для описания связи возраста и характеристик годичных колец. Широко используется кривая Хугерсхоффа [6], которая, по сути, является расширенной версией кривой отрицательной экспоненты с возможностью роста характеристики кольца в начале временной оси. Такая динамика характерна для особей в популяциях с высокой степенью сомкнутости крон, например, подобная форма кривой встречается у елей Picea albertiana и Picea glauca в Канаде [5].
Ель сибирская (Picea obovata Ledeb.) широко распространена на Урале: при продвижении на север этот вид чаще встречается на равнинах и речных поймах, в то же время, на юге произрастает в основном в высокогорьях[6]. Показано, что свойства субстрата в условиях дражных отвалов после золотодобычи (Средний Урал) влияют на высоту ели сибирской, а также на годичный линейный прирост ствола и ветвей [7]. На Южном Урале из-за глобального изменения климата [8] верхняя граница распространения ели сибирской смещается выше в горы [9, 10, 11], что с одной стороны, способствует увеличению депонирования углерода из атмосферы, а с другой - приводит к вымиранию эндемиков горной тундры [12; 13; 14; 15]. При этом связь радиального прироста (по данным после удаления возрастной изменчивости) ели сибирской со средней температурой лета слабая. В этой связи зависимость морфометрических характеристик от возраста на верхней границе ареала ели сибирской на Южном Урале представляет особый интерес.
Цель данной работы - выявление различий в радиальном приросте ели сибирской на верхней границе распространения на Южном Урале с помощью анализа региональных кривых роста (РКР). Для достижения поставленной цели были решены следующие задачи: заложение пробных площадей, измерение радиального прироста, оценка возраста особей, аппроксимация РКР с помощью кривой Хугерсхоффа и сопоставление параметров РКР различных вершин и склонов по высотным уровням.
Определяющую роль при формировании леса на границе с тундрой играет температурный фактор: логично ожидать наибольших показателей прироста при уменьшении географической широты и снижении высоты над уровнем моря. При этом весь анализируемый материал был отобран по одному и тому же принципу на высотных уровнях, выделенных по сомкнутости крон деревьев вдоль экотона «таежный лес – горная тундра», следовательно, различия условий среды были частично учтены на стадии отбора проб. В связи с этим «нулевая гипотеза» данной работы заключается в том, что все деревья одного уровня на разных вершинах и склонах должны иметь близкие значения параметров РКР, так как они сходятся по популяционному показателю (сомкнутость крон), который, в свою очередь, зависит от условий среды и стадии зарастания.
1. Hantemirov R. M. Sobytiya Miyake: obzor sovremennogo sostoyaniya issledovanij. Lesotekhnicheskii zhurnal [Miyake events: a review of the state-of-the-art] Forestry Engineering journal, 2023, Vol. 13, №. 4 (52), part 2: 174-211. – DOI: https://doi.org/10.34220/issn.2222-7962/2023.4/23.
2. Guiterman C.H., Lynch A.M., Axelson, J.N. dfoliatR: An R package for detection and analysis of insect defoliation signals in tree rings. Dendrochronologia. 2020; 63: 125750. – DOI: https://doi.org/10.1016/j.dendro.2020.125750.
3. Homfeld I.K., Büntgen U., Reinig F., Torbenson M.C.A., Esper J. Application of RCS and signal-free RCS to tree-ring width and maximum latewood density data. Dendrochronologia. 2024; 85: 126205. – DOI: https://doi.org/10.1016/j.dendro.2024.126205.
4. Lozhkin G.I., Chizhikova N.A., Tishin D.V., Nasyrova E.I. Regional'nye krivye rosta sosny obyknovennoj v mestoobitaniyakh raznoj uvlazhnennosti. Rossijskij zhurnal prikladnoj ehkologii [Regional growth curves of Scots pine in habitats with different moisture content]. Russian Journal of Applied Ecology, 2023; 3: 22–27. – DOI: https://doi.org/10.24852/2411-7374.2023.3.22.27.
5. Strong W. L. Picea (spruce) growth rate (mm year−1) changes in southwest Yukon (Canada) since the mid 19th century. Vegetation History and Archaeobotany. 2020; 29(1): 91-100. – DOI: https://doi.org/10.1007/s00334-019-00737-2.
6. Helama S., Herva H., Arppe L., Gunnarson B., Frank T., Holopainen J., Nöjd P., Mäkinen H., Mielikäinen K., Sutinen R., Timonen M., Uusitalo J., Oinonen M. Disentangling the Evidence of Milankovitch Forcing From Tree-Ring and Sedimentary Records. Front. Earth Sci. 2022; 10: 871641. – DOI: https://doi.org/10.3389/feart.2022.871641.
7. Chukina N.V., Lukina N.V., Filimonova E.I., Glazyrina M.A. Anatomomorfologicheskie i biokhimicheskie pokazateli Picea obovata Ledeb. v posadkakh na drazhnom otvale posle zolotodobychi (Srednij Ural). Lesotekhnicheskii zhurnal. [Anatomical, Morphological and Biochemical Characteristics of Picea obovata Ledeb. in Plantings on a Dredge Dump After Gold Mining (Middle Urals)]. Forestry Engineering journal, 2025. Vol. 15, №. 4 (60): 294-309. – https://doi.org/DOI:https://doi.org/10.34220/issn.2222-7962/2025.4/17.
8. Masson-Delmotte V., et al. (eds.). Climate Change 2021: The Physical Science Basis. United Kingdom, NY, 2021: 3–32. – DOI: https://doi.org/10.1017/9781009157896.
9. Shiyatov S.G., Moiseev P.A., Grigor'ev A.A. Fotomonitoring drevesnoj i kustarnikovoj rastitel'nosti v vysokogor'yakh Yuzhnogo Urala za poslednie 100 let [Photomonitoring of trees and shrubs in the highlands of the Southern Urals over the past 100 years]. Ekaterinburg: Izdatel'stvo UMC UPI, 2020. 191 p.
10. Zhang P., Liang Y., Liu B. Ma T., Wu M.M. A coupled modelling framework for predicting tree species’ altitudinal migration velocity in montane forest. Ecol. Model. 2023; 484: 110481. – https://doi.org/10.1016/j.ecolmodel.2023.110481.
11. Körner C. The cold range limit of trees. Trends Ecol. Evol. 2021; 36: 979-989. – https://doi.org/10.1016/j.tree.2021.06.011.
12. Grigoriev A.A., Shalaumova Yu.V., Terentyeva M.V., Vyukhin S.O., Balakin D.S., Moiseev P.A. Gornye tundry Yuzhnogo Urala: sovremennoe rasprostranenie i ugroza ischeznoveniya v xxi veke. Geograficheskaya sreda i zhivye sistemy. [Alpine tundras of the Southern Urals: current distribution and threat of extinction in the 21 st century]. Geographical Environment and Living Systems, 2024; 3: 26–46. – DOI: https://doi.org/10.18384/2712-7621-2024-3-26-46.
13. Grigoriev A.A., Mikhailov Y.E., Shalaumova Y.V., V’yukhin S.O., Balakin D.S., Ermakov A.I., Terent’eva, M.V., Erokhina O.V., Moiseev P.A., Kudryavtsev P.P. Upward Expansion of Trees and Shrubs Leads to Alpine Tundra Contraction and Local Extinction of Species in the Southern Urals. Ecosystems. 2025; 28(3). – DOI: https://doi.org/10.1007/s10021-025-00973-w.
14. Grigoriev A.A., Lozhkin G.I., Vyukhin S.O., Chizhikova N.A., Kudryavtsev P.P. Modelirovanie i prognozirovanie dinamiki verkhnej granicy lesa na khrebte Zigal'ga (Yuzhnyj Ural). Geograficheskaya sreda i zhivye sistemy. [Modeling and forecasting the dynamics of the upper forest limit on the Zigalga ridge (Southern Urals)]. Geographical Environment and Living Systems, 2025; 3: 32–51. – DOI: https://doi.org/10.18384/2712-7621-2025-3-32-51.
15. Grigoriev A.A., Klyam R.S., Vyukhin S.O., Gromov A.M., Balakin D.S., Vorobyov I.B., Shalaumova Y. V. Prostranstvenno-vremennaya dinamika drevesnoy i kustarnikovoy rastitelnosti v gornuyu tundru Dalnego Taganaya (Yuzhnyy Ural). Lesa Rossii i khozyaystvo v nikh. [Spatial-temporal dynamics of tree and shrub vegetation in the mountain tundra of Dalniy Taganay (Southern Urals)]. Forests of Russia and economy in them, 2023; 3 (86): 28-38. – DOI: https://doi.org/10.51318/FRET.2023.3.86.004.
16. Hengl T., Parente L. Long-term MODIS LST day-time and night-time temperatures, sd and differences at 1 km based on the 2000-2020 time series (Version 1.1) [Online resource]. Zenodo, 2022. URL: https://doi.org/10.5281/zenodo.6458406 (date of access: 07.12.2025).
17. Hengl T., Parente L. Monthly precipitation in mm at 1 km resolution (multisource average) based on SM2RAIN-ASCAT 2007–2021, CHELSA Climate and WorldClim (Version 0.3) [Online resource]. Zenodo, 2022. URL: https://doi.org/10.5281/zenodo.6458580 (date of access: 07.12.2025).
18. Velastegui-Montoya A., Montalván-Burbano N., Carrión-Mero P., Rivera-Torres H., Sadeck L., Adami M. Google Earth Engine: A Global Analysis and Future Trends. Remote Sens. 2023; 15: 3675. – https://doi.org/10.3390/rs15143675.
19. Pinheiro J, Bates D, R Core Team. nlme: Linear and Nonlinear Mixed Effects Models. R package version 3.1-164. 2023. – URL: https://CRAN.R-project.org/package=nlme.
20. R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. 2024. – URL: https://www.R-project.org.
21. Kostanek J., Karolczak K., Kuliczkowski W., Watala C. Bootstrap Method as a Tool for Analyzing Data with Atypical Distributions Deviating from Parametric Assumptions: Critique and Effectiveness Evaluation. Data 2024; 9 (95). – https://doi.org/10.3390/data9080095.
