Воронеж, Воронежская область, Россия
Воронеж, Воронежская область, Россия
Совершенствование системы превентивного управления лесопожарными рисками является глобальной проблемой в области охраны лесов. Вид возникшего пожара, его интенсивность и дальнейшее распространение на территории лесных экосистем определяются запасами и влажностью лесных горючих материалов. Одним из важнейших компонентов накопления горючих материалов в насаждениях являются параметры древесного опада (лесной подстилки). При этом, динамика накопления древесного опада, а также особенности насаждений, формирующих его структуру, учитывается недостаточно, как в действующих нормативных и правовых документах при определении класса природной пожарной опасности в лесах, так и при оценке лесопожарных рисков. В связи с этим, основной целью работы является составление табличной модели, характеризующей динамику накопления древесного опада в разновозрастных насаждениях, произрастающих различных типах лесорастительных условий на территории Воронежской области. Для измерения толщины лесной подстилки проведено натурное обследование и заложены временные пробные площадки в разновозрастных насаждениях. При подборе объектов исследования и проведении полевых работ применялись принципы сочетания случайной и систематической выборки, использованы общепринятые методики. Для оценки превентивной пожарной опасности в лесах проанализирован комплекс лесоводственно-биологических факторов лесопожарного риска в части накопления древесного опада. Установлено, что наиболее значимыми критериями для формирования общей массы лесной подстилки являются доля хвойных пород в составе (F=18) и диаметр кроны (F=12). Группа возраста насаждений (F=9) и тип лесорастительных условий (F=6) также оказывают существенное влияние на интенсивность накопления древесного опада. Составленная табличная модель динамики накопления древесного опада (толщины лесной подстилки) в чистых хвойных и смешанных древостоях с различной долей хвойных пород в составе, для насаждений различных групп возраста, произрастающих в разных ТЛУ позволяет использовать дистанционные методы при определении динамики накопления древесного опада. Выявлена прямая связь увеличения толщины лесной подстилки в зависимости от доли хвойных пород в составе, что является дополнительным критерием для повышения природной пожарной опасности в лесах. Также установлено, что лесная подстилка в сухих лесорастительных условиях накапливается медленнее, чем в свежих.
древесный опад (лесная подстилка), лесные горючие материалы, тип лесорастительных условий, охрана лесов, природная пожарная опасность
Текст (PDF): Читать Скачать
Текст (PDF): Читать Скачать
Текст (PDF): Читать Скачать
Текст (PDF): Читать Скачать
Введение
В лесных насаждениях, одновременно с приростом фитомассы первичной продукции древесной части (ствол, ветви, листья), происходит опад органического вещества, который аккумулирует накопление лесных горючих материалов (ЛГМ).
Возникновение и распространение лесных пожаров тесно связаны со структурой и состоянием напочвенного покрова и древесного опада (лесной подстилки) [1, 2]. Основными пирогенными характеристиками древесного опада, определяющими возникновение пожароопасной ситуации в лесах, влияющими на количество возгораний и легкость воспламенения, являются его мощность (высота) и видовой состав [3]. Эти параметры характеризуются высокой изменчивостью и коррелируют с расположением стволов деревьев, рельефом местности и наличием подлесочной растительности [4]. Кроме того, структура и влажность лесной подстилки динамичны во времени, зависят от возраста древостоя, разнообразия почвообразующих пород и особенностей напочвенного покрова [5].
Вид возникшего пожара, его интенсивность и дальнейшее распространение определяются запасами и влажностью горючих материалов, в т.ч. параметрами лесной подстилки. Этот факт подтверждается в работах отечественных и зарубежных авторов: Н.П. Курбатского[20], В.В. Усени[21], В.Г. Мамонтова и др. [7], Шахматова Е.Ю. [8], С.Н. Жаринова (с соавт.) [9], P. Labenski (et. all) [10], Fu Zexin (et. all) [11] и мн. др. По данным Г. Я. Климчика [12, 13], ключевым показателем, который определяет способность горючего материла к возникновению загорания, является его влагосодержание, зависящее от лесорастительных условий и метеорологических факторов.
Несмотря на то, что лесная подстилка является важным фактором лесопожарного риска, динамика накопления и особенности насаждений, формирующих структуру древесного опада, учитывается недостаточно [14], как в действующих нормативных и правовых документах при определении класса природной пожарной опасности в лесах[22] [23], так и при оценке лесопожарных рисков [15]. Основной причиной поверхностного учета параметров лесной подстилки является сложность их оценки и контроля. При дистанционных методах определение характеристик лесной подстилки зачастую невозможно из-за высокой сомкнутости крон древостоя [16], а наземное натурное обследование является излишне долговременным и трудоемким процессом [17, 18]. Следовательно, вопрос об определении характеристик древесного опада в различных условиях произрастания насаждений и изучении его влияния на возникновение пожароопасной ситуации в лесах, является актуальным в области совершенствования системы лесопожарного мониторинга.
Целью работы является составление табличной модели, характеризующей динамику накопления древесного опада в разновозрастных насаждениях, произрастающих различных типах лесорастительных условий на территории Воронежской области и определение уровней значимости лесоводственно-таксационных показателей при формировании лесной подстилки.
Материалы и методы
Для измерения толщины лесной подстилки проведено натурное обследование и заложены временные пробные площадки (ВПП) в разновозрастных насаждениях. Размер ВПП варьировал от 0,25 до 0,5 га, в зависимости от конфигурации и площади выдела.
Измерения осуществляли с использованием принципов сочетания случайной и систематической выборки, когда замеры толщины лесной подстилки на ВВП проводились линейкой, с точностью до 0,1 см, через каждые 5 м в пределах лесотаксационного выдела. Количество измерений составляло не менее 50 шт. на каждой ВПП. Замеры проводили в весенний период после полного листораспускания; следовательно, измерялась толщина слоя лесной подстилки, уплотнившегося под воздействием снегового покрова.
Кроме того, на ВПП определяли основные таксационные характеристики насаждения методом глазомерно-измерительной таксации[24]. Диаметр кроны определяли по проекции в двух противоположных направлениях (С-Ю/З-В) у 3-х средних деревьев с каждой ступени толщины с помощью лазерного дальномера. Точность измерения – 0,5 м. Учитывалось количество подроста и подлеска по степени густоты и крупности[25].
Для определения типов лесорастительных условий (ТЛУ) использовали классификационную схему П.С. Погребняка [19]. Тип леса определяли по классификации В.Н. Сукачева [16].
С помощью программы STATISTICA 13[26] и СтатСофт 2,5 проведен статистический последовательный анализ на основе рекомендаций Б.А. Доспехова[27]. Использованы методы описательной статистики, корреляционно-регрессионного и дисперсионного анализа.
Оценку адекватности составленной регрессивной модели оценивали с помощью коэффициента детерминации R2 и скорректированный R² adj. [20]. С помощью теста Колмогорова-Смирнова (D) проверили нормальность остатков (отклонений наблюдаемых значений от теоретических) в уравнениях линейной регрессии [21]. С помощью вычисленного фактора инфляции дисперсии (VIF) вычислили уровень мультиколлинеарности (VIF = 1 - отсутствие мультиколлинеарности; VIF между 1 и 5 - умеренная мультиколлинеарность; VIF > 5 – высокая мультиколлинеарность; VIF > 10 - серьёзная мультиколлинеарность):
_4+3.files/image024.png)
(1)
где VIF – фактор инфляции дисперсии;
R² – коэффициент детерминации, полученный путём регрессии этой независимой переменной против всех других независимых переменных в модели.
При проведении дисперсионного анализа, рассчитывали силу влияния действующего фактора на результативный признак (1) и устанавливали их уровни значимости, а для проверки достоверности различий между средними значениями изучаемых факторов и определения их статистической значимости, использовали t-критерий Стьюдента, рассчитываемый по формуле (2):
_4+3.files/image025.png)
где М1 – средняя арифметическая первой сравниваемой совокупности (группы);
М2 – средняя арифметическая второй сравниваемой совокупности (группы);
m1 – средняя ошибка первой средней арифметической;
m2 – средняя ошибка второй средней арифметической.
Объекты исследований
Древесный опад, формирующий лесную подстилку, относится к наиболее быстро воспламеняющимся ЛГМ. В целях изучения динамики накопления хвои (листвы) и корректировки класса природной пожарной опасности в лесах, необходимо определить толщину лесной подстилки. Для обеспечения репрезентативности выборки заложено более 100 временных пробных площадок (ВПП), расположенных в наиболее типичных для Воронежской области ТЛУ.
Исследованиями охвачены чистые хвойные древостои (доля сосны в составе 90-100%), смешанные хвойные древостои (доля сосны 50-80%), хвойно-лиственные древостои (доля сосны 30-40%), произрастающие в различных группах ТЛУ (сухие, свежие, влажные) и разделенные по группам возраста. Данные по местоположению ВПП (лесничество, участковое лесничество, квартал, выдел) приведены в таблицах 1-3.
Таблица 1
Сведения о местоположении ВПП, заложенных в чистых хвойных древостоях (квартал/выдел)
Table 1
Information on the location of the runway laid in pure coniferous stands (quarter/section)
|
Возраст/ТЛУ | Age/FGC |
А1 | А1 |
А2 | А2 |
В2 | В2 |
В3 | В3 |
С2 | С2 |
С2Д | С2D |
|
Молодняки | Youngsters |
35/11 |
36/12 |
33/12 48/18 |
108/20 |
48/3 |
3/24 |
|
Средневозрастные | Middle aged |
36/14 |
76/19 89/21 |
79/5 36/25 |
78/11 |
42/3 |
8/56 |
|
Приспевающие | Coming soon |
54/8 32/5 |
46/25 |
48/5 57/9 |
109/41 |
42/11 21/18 |
34/3 |
|
Спелые и перестойные | Ripe and overripe |
102/24 |
74/9 6/12 |
44/10 60/11 |
48/4 62/28 |
21/1 |
21/18 |
Источник: собственная композиция авторов
Source: author’s composition
1. Slavskiy V., Litovchenko D. Matveev S. Sheshnitsan S. Larionov M.V Assessment of Biological and Environmental Factors Influence on Fire Hazard in Pine Forests: A Case Study in Central Forest-Steppe of the East European Plain. Land. 2023; 12: 103. – DOI:https://doi.org/10.3390/land12010103
2. Kumar G., Kumar A., Saikia P., Roy P.S., Khan M.L. Ecological impacts of forest fire on composition and structure of tropical deciduous forests of central India. Phys. Chem. Earth. 2022; 128: 103240. – DOIhttps://doi.org/10.1016/j.pce.2022.103240
3. Лиханова И.А., Денева С.В., Холопов Ю.В, Рудь Е.А., Е.А. Скребенков, Лаптева Е.М. Особенности лесных подстилок в разных типах среднетаёжных лесов // Теорeтическая и прикладная экология. – 2024. – № 2. – С. 72-81. – DOI:https://doi.org/10.25750/1995-4301-2024-2-072-081
4. Van The Pham, Tuyet Anh Thi Do, Hau Duc Tran, Anh Ngoc Thi Do. Classifying forest cover and mapping forest fire susceptibility in Dak Nong province, Vietnam utilizing remote sensing and machine learning. Ecological Informatics. 2024; 79: 102392. – DOI:https://doi.org/10.1016/j.ecoinf.2023.102392.
5. Аксенов С.Г., Леткина О.Г. Пирогенное воздействие на растительный покров // Научный аспект. – 2024. – Т. 3 (6). – С. 336-342. – URL: https://elibrary.ru/qiwovn/
6. Vilaplana D.F., Lucas-Borja M.E., Soria R., Miralles I., Ortega R., Abdennbi S., Carmona-Yáñez M.D., Plaza-Alvarez P.A., Santana V.M., Zema D.A. One-year effects of stand age, pre-fire treatments, and hillslope aspect on recovery of plant diversity and soil properties in a Mediterranean forest burnt by a severe wildfire. Forest Ecology and Management. 2024; 566: 122068. – DOI:https://doi.org/10.1016/j.foreco.2024.122068.
7. Мамонтов В.Г., Савичев А.Т., Ефимов О.Е. Сравнительная характеристика лесных подстилок дерново-подзолистых почв Лесной опытной дачи РГАУ–МСХА имени К.А. Тимирязева // Бюллетень Почвенного института имени В.В. Докучаева. – 2022. – Т. 111. – С. 185-204. – DOI:https://doi.org/10.19047/0136-1694-2022-111-185-204
8. Шахматова Е.Ю., Убугунов Л.Л., Сымпилова Д.П. Послепожарные трансформации в сосновых лесах селенгинского среднегорья (Западное Забайкалье) // География и природные ресурсы. – 2021. – Т. 42 (1). – С. 65-72. – DOI:https://doi.org/10.15372/GIPR20210108
9. Жаринов С.Н., Голубева Е.И., Зимин М.В. Концептуальные основы организации охраны лесов от пожаров // Вопросы лесной науки. – 2020. – Т. 3 (3). – С. 1-8. – DOI:https://doi.org/10.31509/2658-607x-2020-3-3-1-8.
10. Labenski P., Ewald M., Schmidtlein S., Ewald Fassnacht F. Classifying surface fuel types based on forest stand photographs and satellite time series using deep learning. International Journal of Applied Earth Observation and Geoinformation 29 April. 2022; 102799. – DOI:https://doi.org/10.1016/j.jag.2022.102799.
11. Zexin Fu, Adu Gong, Jinhong Wan, Wanru Ba, Haihan Wang, Jiaming Zhang. Forest fire risk assessment model optimized by stochastic average gradient descent. Ecological Indicators. 2025; 170: 113006. – DOI:https://doi.org/10.1016/j.ecolind.2024.113006.
12. Климчик Г. Я., Шалимо П. В., Бельчина О. Г. Оценка косвенного ущерба от лесных пожаров в сосняках // Труды БГТУ. Сер. 1, Лесное хоз-во, природопользование и перераб. возобновляемых ресурсов. – 2024. – Т. 1 (276). – С. 31–38. – DOI:https://doi.org/10.52065/2519-402X-2024-276-4.
13. Климчик Г. Я. Влияние лесных пожаров на запасы подстилки и потери элементов питания // Лесное хозяйство: материалы 88-й научно-технической конференции профессорско-преподавательского состава, научных сотрудников и аспирантов, Минск, 24 января–16 февраля 2024 г. – Минск : БГТУ. – 2024. – С. 146-148. – URL: https://elibrary.ru/item.asp?edn=lxkjlc.
14. Славский В.А., Матвеев С.М., Мироненко А.В., Литовченко Д.А. Совершенствование методологии дистанционного мониторинга пожарной опасности в лесах // Труды Санкт-Петербургского научно-исследовательского института лесного хозяйства. – 2024. Т. 3. – С. 113–131. – DOI:https://doi.org/10.21178/2079-6080.2024.3.113.
15. Иванов С.А. Системный анализ факторов, влияющих на возникновение лесных пожаров в Северо-Западном федеральном округе // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2022. – Т. 4. – С. 26–34. – DOI:https://doi.org/10.24143/2073-5529-2022-4-26-34.
16. Slavskiy V., Matveev S., Sheshnitsan S., Litovchenko D., Larionov M.V., Shokurov A., Litovchenko P., Durmanov N. Assessment of Phytomass and Carbon Stock in the Ecosystems of the Central ForestSteppe of the East European Plain: Integrated Approach of Terrestrial Environmental Monitoring and Remote Sensing with Unmanned Aerial Vehicles. Life. 2024; 14: 632. – DOI:https://doi.org/10.1051/bioconf/202414502013.
17. Славский В.А., Матвеев С.М. Некоторые аспекты закладки пробных площадей при проведении государственной инвентаризации лесов // Лесотехнический журнал. – 2021. – Т. 11. – 1(41). – С. 56-63. – DOI:https://doi.org/10.34220/issn.2222-7962/2021.1/5.
18. Ivanova N., Fomin V., Kusbach A. Experience of Forest Ecological Classification in Assessment of Vegetation Dynamics. Sustainability. 2022; 14: 3384. – DOIhttps://doi.org/10.3390/su14063384
19. Мигунова Е.С. Лесная типология Г.Ф. Морозова – А.А. Крюденера – П.С. Погребняка – теоретическая основа лесоводства // Лесной вестник. Forestry Bulletin. – 2017. – Т. 21 (5). – С. 52–63. – DOI:https://doi.org/10.18698/2542-1468-2017-5-52-63
20. Шевелина И.В., Нуриев Д.Н. Статистическая обработка лесоводственно-таксационной информации в среде STATISTICA. Екатеринбург: УГЛТУ. – 2022. – 112 с. – URL: https://elibrary.ru/PCJKNN
21. Sheldon M. Ross 11-Statistical validation techniques. Simulation (Sixth edition). 2023; 255-277. – DOI:https://doi.org/10.1016/B978-0-32-385738-3.00016-X
