The research is aimed at developing an integrated approach to assessing the taxation characteristics (stock, average diameter and height) of tundra stands in the Arctic land area. The methodology is based on the integration of data from the State Forest Inventory (SFI) for 2021 with high-resolution aerial photography in 2022. The paper adapts the classical allometric models of Woda, Reinecke and Hilmi for the conditions of tundra forests and rare-coniferous taiga for Siberian spruce stands (Picea obovata L.) of the V class of bonity. The exponent in the equations is fixed at the theoretical level of -0.5, which made it possible to calculate the regional constants of the models. To determine the key parameter of the models, the density of the stand, aerial photographs were decoded using stereoscopic analysis in the PHOTOMOD program. Adapted parameters of the equations wereobtained: for the stand stock (C₁=3279.63, R2=0.816), the average diameter (c₃=404.76, R2=0.703) and the average height (c₂=298.47, R2=0.550). Testing of the Uoda model at control sites revealed a systematic discrepancy with the SFI data, which is explained by the need to accurately account for the relative density of stands when switching from remote sensing data to taxation parameters. The practical significance of the work lies in the creation of a methodological framework for remote inventory of forest resources in hard-to-reach Arctic territories, which makes it possible to reduce the amount of expensive ground work.
modeling, allometric models, high-resolution aerial photography, forest taxation, Arctic land area, taxation parameters
Введение
Мониторинг лесных ресурсов сухопутной территории Арктики представляет собой сложную научно-практическую задачу, обусловленную труднодоступностью, низкой продуктивностью и уязвимостью притундровых экосистем.
Согласно лесорастительному районированию [1], леса Архангельской области относятся к 2 зонам и 3 лесным районам. При этом 12,3% их площади занимают притундровые леса и редкостойная тайга [2]. Данная территория входит в состав Арктической зоны РФ [3], что подчеркивает
её экологическую ценность и сложность мониторинга из-за труднодоступности.
Специфика притундровых лесов, выражающаяся в замедленных процессах роста, высокой уязвимости и сложности мониторинга, отмечается рядом исследователей [4-6].
Актуальность настоящей работы обусловлена комплексом научно-практических задач, связанных с масштабами лесоучетных работ на труднодоступных территориях лесов. В этих
условиях традиционные методы наземной таксации становятся экономически нецелесообразными, что актуализирует развитие дистанционных методов оценки лесного фонда. Д.Ю. Капиталинин и др. (2024) [7] отмечают, что материалы спутниковой съёмки демонстрируют значительный потенциал для решения задач таксации леса.
На современном этапе для изучения труднодоступных территорий перспективна интеграция данных государственной инвентаризации лесов (ГИЛ), спутниковых технологий и наземных наблюдений для моделирования продуктивности, и динамики лесов [8-11].
Информация с постоянных пробных площадей (ППП) служит незаменимым эталоном для калибровки и верификации дистанционных методов. Одним из наиболее перспективных направлений является разработка моделей, связывающих таксационные показатели с характеристиками, дешифрируемыми по снимкам. Исследования демонстрируют эффективность использования данных аэрофотосъемки сверхвысокого разрешения и материалов с БПЛА для оценки структуры древостоев. В.К. Хлюстов и др. (2021) [11] отмечает инвентаризацию леса, как один из основных методов получения объективных данных о состоянии лесного фонда России на основе сети ППП, что устанавливает методологическую базу для исследований на основе данных с примененением различных методов.
Л.В. Стоноженко и К.А. Жирнова (2021) [12] в своих исследованиях проводили сравнительную оценку методов наземной таксации, инвентаризации и съемки с БПЛА для выделения однородных участков леса, выявляли корреляционные зависимости между размерами кроны и ствола, а также оценивали точность ортофотопланов на основе данных отдельных деревьев. A. P. Dalla Corteдр (2020) [13] доказывает эффективность автоматизированного дешифрирования для оценивания индивидуальных параметров деревьев с высокой точностью, что является основой для перехода к оценке характеристик всего древостоя.
Особое методологическое значение в этом контексте имеют аллометрические модели, устанавливающие количественные связи между различными параметрами деревьев и насаждений.
Классические работы, такие как правило 3/2 (модель Йоды) и производные от него зависимости Рейнеке и Хильми, представляют собой теоретическую основу для оценки запаса, среднего диаметра и высоты по густоте древостоя.
Современные исследования в области лесной биометрии и дистанционного зондирования активно развивают направление интеграции аллометрических уравнений с данными дистанционного зондирования Земли (ДЗЗ) для целей крупномасштабной оценки фитомассы и запаса древесины. Так, А. Не и соавторы (2018) [14] на примере бореальных лесов демонстрируют высокую точность разработанных аллометрических уравнений при оценке надземной биомассы кустарникового яруса. В свою очередь, O. Fradette
с коллегами (2021) [15] обосновывают целесообразность использования аллометрических моделей, включающих показатели высоты и диаметра, для повышения точности оценки биомассы ветвей, что особенно значимо при фракционировании фитомассы.
Параллельно ведётся разработка комплексных параметрических моделей, учитывающих множественные связи между диаметром ствола, высотой дерева и шириной кроны, а также прогнозирующих динамику запаса в зависимости от видового состава древостоев. Особого внимания заслуживает подход, предложенный В.А. Усольцевым (2025) [16], который заключается в построении аллометрических зависимостей между параметрами крон деревьев, дешифрируемыми по данным ДЗЗ, и таксационными характеристиками древостоев. Данный подход открывает возможности для оперативного определения таксационных показателей без проведения трудоёмких наземных измерений, что существенно повышает эффективность лесоинвентаризационных работ на региональном уровне.
Y. Wu и др. (2023) [17] подчеркивают перспективность метода оценки запаса древостоя на основе аллометрической модели роста и данных ДЗЗ, который обладает высокой точностью и оперативностью при оценке таксационных показателей на труднодоступных территориях.
D. Dijak (2025) [18] рассматривает метод прогнозирования изменений запаса древостоев с учетом видового состава и возрастной динамики, что показывает возможность комплексного подхода к моделированию таксационных характеристик, основанный на данных государственной инвентаризации лесов и подтверждает перспективность оценки запаса на основе аллометрической модели роста и данных ДЗЗ.
Однако для арктических лесов притундровой зоны сохраняется пробел в адаптированных аллометрических моделях и методиках, комплексно связывающих данные с постоянных пробных площадей ГИЛ и ДЗЗ для оценки таксационных характеристик.
Цель исследования – разработка моделей оценки основных таксационных характеристик насаждений (запаса, средних диаметра и высоты) ели сибирской (Picea obovata L.) притундровых лесов Арктической зоны Архангельской области на основе интеграции данных ГИЛ и снимков высокого разрешения с применением адаптированных аллометрических моделей.
Задачи исследования:
1. On approval of the List of Forest Vegetation Zones of the Russian Federation and the List of Forest Regions of the Russian Federation: Order of the Ministry of Natural Resources and Environment of the Russian Federation No. 367 dated 18.08.2014 (ed. 02.08.2023). ConsultantPlus. https://www.consultant.ru/document/cons_docLAW_169590/ (accessed: 15.01.2026).
2. On approval of the Forest Plan of the Arkhangelsk Region: Decree of the Governor of the Arkhangelsk Region No. 116-u dated 14.12.2018 (ed. 15.12.2021).
3. On the Land Territories of the Arctic Zone of the Russian Federation: Presidential Decree No. 296 dated 02.05.2014 (ed. 05.03.2020). ConsultantPlus. https://www.consultant.ru/document/cons_doc_LAW_162553/ (accessed: 15.01.2026).
4. Pakhuchiy, V. V., & Pakhuchaya, L. M. (2022). Proizvoditel'nost' i vozobnovlenie nasazhdeniy pritundrovogo lesa v Respublike Komi [Productivity and regeneration of forest-tundra forest stands in the Komi Republic]. Izvestiya Komi nauchnogo tsentra UrO RAN, 6(58), 71–77. (In Russ.). https://doi.org/10.19110/1994-5655-2022-6-71-77.
5. Gavrilieva, L. D. (2022). Vozdeystvie geologorazvedochnykh rabot na rastitel'nost' podzony pritundrovykh lesov [Impact of geological exploration on vegetation of the forest-tundra subzone]. Problemy regional'noy ekologii, 5, 28–31. (In Russ.). https://doi.org/10.24412/1728-323X-2022-5-28-31.
6. Bogdanov, A. P., Tretyakov, S. V., & Tsvetkov, I. V. (2023). Otsenka tochnosti opredeleniya zapasa v molodnyakakh i srednevozrastnykh drevostoyakh po rezul'tatam nablyudeniy na statsionarnykh ob"yektakh v Murmanskoy oblasti razlichnymi sposobami [Accuracy assessment of determining the growing stock in young and middle-aged stands based on observations at stationary plots in the Murmansk region by various methods]. Uspekhi sovremennogo estestvoznaniya, 5, 13–18. (In Russ.). https://doi.org/10.17513/use.38035.
7. Kapitalinin, D. Yu., Sidorenkov, V. M., & Achikolova, Yu. S. (2024). Otsenka kachestva taksatsii po rezul'tatam lesotaksatsionnogo deshifrirovaniya dannykh sputnikovoy s"yemki Sentinel-2 [Quality assessment of forest inventory based on results of forest inventory interpretation of Sentinel-2 satellite imagery data]. Izvestiya Sankt-Peterburgskoy lesotekhnicheskoy akademii, 251, 62–77. (In Russ.). https://doi.org/10.21266/2079-4304.2024.251.62-77.
8. Berdov, A. M., Fedorov, S. V., & Pristavko, A. A. (2020). Analiz rezul'tatov pervogo tsikla gosudarstvennoy inventarizatsii lesov i predlozheniya po sovershenstvovaniyu metodiki ee provedeniya vo vtorom tsikle [Analysis of the results of the first cycle of the state forest inventory and proposals for improving the methodology for its implementation in the second cycle]. Lesokhozyaystvennaya informatsiya, 3, 67–80. (In Russ.). https://doi.org/10.24419/LHI.2304-3083.2020.3.06.
9. Poryadok provedeniya gosudarstvennoy inventarizatsii lesov [Procedure for Conducting State Forest Inventory] (approved by Order of the Ministry of Natural Resources and Environment of the Russian Federation No. 592 dated 14.11.2016). ConsultantPlus. https://docs.cntd.ru/document/420383930 (accessed: 12.01.2026).
10. Metodicheskie rekomendatsii po provedeniyu gosudarstvennoy inventarizatsii lesov [Methodological Recommendations for Conducting State Forest Inventory] (approved by Order of the Federal Forestry Agency No. 472 dated 10.11.2011, as amended by Order No. 173 dated 15.03.2018). ConsultantPlus. http://docs.cntd.ru/document/902325555 (accessed: 12.01.2026).
11. Khlustov, V. K., Ganikhin, A. M., & Khlustov, D. V. (2021). Novaya metodika i analiticheskaya sistema distantsionnoy inventarizatsii lesov [New methodology and analytical system for remote forest inventory]. Uspekhi sovremennogo estestvoznaniya, 2, 51–63. (In Russ.). https://doi.org/10.17513/use.37574.
12. Stonozhenko, L. V., & Zhirnova, K. A. (2020). Sinkhronizatsiya nazemnykh i distantsionnykh metodov issledovaniya lesnykh nasazhdeniy [Synchronization of ground and remote methods for studying forest stands]. Aktual'nye napravleniya nauchnykh issledovaniy XXI veka: teoriya i praktika, 8(3), 62–68. (In Russ.). https://elibrary.ru/item.asp?id=44561163.
13. Dalla Corte, A. P., Souza, D. V., Rex, F. E., Sanquetta, C. R., Mohan, M., Silva, C. A., Zambrano, A. M. A., Prata, G., Almeida, D. R. A., Trautenmüller, J. W., Klauberg, C., Moraes, A., Sanquetta, M. N., Wilkinson, B., & Broadbent, E. N. (2020). Forest inventory with high-density UAV-Lidar: Machine learning approaches for predicting individual tree attributes. Computers and Electronics in Agriculture, 179. https://doi.org/10.1016/j.compag.2020.105815.
14. He, A., McDermid, G. J., Rahman, M. M., Strack, M., Saraswati, S., & Xu, B. (2018). Developing Allometric Equations for Estimating Shrub Biomass in a Boreal Fen. Forests, 9(9), 569. https://doi.org/10.3390/f9090569.
15. Fradette, O., Marty, C., Tremblay, P., Lord, D., & Boucher, J.-F. (2021). Allometric Equations for Estimating Biomass and Carbon Stocks in Afforested Open Woodlands with Black Spruce and Jack Pine, in the Eastern Canadian Boreal Forest. Forests, 12(1), 59. https://doi.org/10.3390/f12010059.
16. Usoltsev, V. A. (2025). Modeli dlya otsenki diametra stvolov derev'ev i drevostoev lesoobrazuyushchikh vidov Severnoy Evrazii po morfometrii kron i pologa [Models for estimating stem diameter of trees and stands of forest-forming species in Northern Eurasia based on crown and canopy morphometry]. Lesovedenie, 3, 304–320. (In Russ.). https://doi.org/10.31857/S0024114825030022.
17. Wu, Y., Mao, Z., Guo, L., Li, C., & Deng, L. (2023). Forest Volume Estimation Method Based on Allometric Growth Model and Multisource Remote Sensing Data. Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 16, 8900–8912. https://doi.org/10.1109/JSTARS.2023.3313251.
18. Dijak, J. (2025). Predicting Timber Board Foot Volume Using Forest Landscape Model and Allometric Equations Integrating Forest Inventory Data. Forests, 16(3), 543. https://doi.org/10.3390/f16030543.
19. Khil'mi, G. F. (1957). Teoreticheskaya biogeofizika lesa [Theoretical Biogeophysics of the Forest]. Izdatel'stvo AN SSSR. (In Russ.).
20. Mikhailova, A. A., & Vagizov, M. R. (2018). Metodika obrabotki dannykh distantsionnogo zondirovaniya zemli s primeneniem informatsionnykh tekhnologii i allometricheskikh zavisimostei dlya opredeleniya lesotaksatsionnykh pokazatelei drevostoev [Methodology for processing remote sensing data using information technologies and allometric dependencies to determine forest taxation indicators of stands]. Uspekhi sovremennogo estestvoznaniya, 4, 80–85. (In Russ.). https://natural-sciences.ru/article/view?id=36729.
21. Arkhipov, V. I., Baskov, V. I., Belov, V. A., Berezin, V. I., & Chernikhovskiy, D. M. (Comp.). (2021). Rukovodstvo po taksatsii lesov deshifrovochnym sposobom: metodicheskie polozheniya lesnogo stereoskopicheskogo deshifrirovaniya aerokosmicheskikh izobrazheniy (snímkov) [Guidelines for Forest Inventory by Interpretation Method: Methodological Provisions for Forest Stereoscopic Interpretation of Aerospace Images]. Part 1–4. OOO «Lesproekt». (In Russ.).
