Исследование направлено на разработку комплексного подхода к оценке таксационных характеристик (запас, средние диаметр и высота) притундровых насаждений сухопутной территории Арктики. Методология основана на интеграции данных государственной инвентаризации лесов (ГИЛ) за 2021 год с материалами аэрофотосъёмки высокого разрешения 2022 года. В работе адаптированы классические аллометрические модели Уоды, Рейнеке и Хильми для условий притундровых лесов и редкостойной тайги для насаждений ели сибирской (Picea obovata L.) V класса бонитета. Показатель степени в уравнениях зафиксирован на теоретическом уровне -0.5, что позволило вычислить региональные константы моделей. Для определения ключевого параметра моделей – густоты древостоя выполнено дешифрирование аэрофотоснимков с использованием стереоскопического анализа в среде PHOTOMOD. Получены адаптированные параметры уравнений: для запаса древостоев (c₁=3279.63, R²=0.816), среднего диаметра (c₃=404.76, R²=0.703) и средней высоты (c₂=298.47, R²=0.550). Апробация модели Уоды на контрольных участках выявила систематическое расхождение с данными ГИЛ, что объясняется необходимостью точного учета полноты насаждений при переходе от данных дистанционного зондирования к таксационным показателям. Практическая значимость работы заключается в создании методической основы для дистанционной инвентаризации лесных ресурсов труднодоступных арктических территорий, позволяющей сократить объём дорогостоящих наземных работ.
моделирование, аллометрические модели, аэрофотосъемка высокого разрешения, таксация леса, сухопутная зона Арктики, таксационные параметры
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. Об утверждении Перечня лесорастительных зон Российской Федерации и Перечня лесных районов Российской Федерации от 18.08.2014 № 367 (ред. от 02.08.2023) // КонсультантПлюс: справочная правовая система. – URL: https://www.consultant.ru/document/cons_doc_LAW_169590/ff850d27514bc742e55aa77db5c6ac1998f0a75e/ (дата обращения: 15.01.2026). – Текст: электронный.
2. Об утверждении Лесного плана Архангельской области: Указ Губернатора Архангельской области от 14.12.2018 № 116-у (ред. от 15.12.2021) // Официальный интернет-портал правовой информации Архангельской области.
3. О сухопутных территориях Арктической зоны Российской Федерации от 2 мая 2014 г. № 296 (ред. от 05.03.2020) // КонсультантПлюс: справочная правовая система. –URL: https://www.consultant.ru/document/
4. Пахучий В.В., Пахучая Л.М. Производительность и возобновление насаждений притундрового леса в Республике Коми // Известия Коми научного центра УрО РАН. – 2022. – № 6(58). – С. 71-77. – DOI: https://doi.org/10.19110/1994-5655-2022-6-71-77.
5. Гаврильева Л.Д. Воздействие геологоразведочных работ на растительность подзоны притундровых лесов // Проблемы региональной экологии. – 2022. – № 5. – С. 28-31. – DOI: https://doi.org/10.24412/1728-323X-2022-5-28-31.
6. Богданов А.П., Третьяков С.В., Цветков И.В. Оценка точности определения запаса в молодняках и средневозрастных древостоях по результатам наблюдений на стационарных объектах в Мурманской области различными способами // Успехи современного естествознания. – 2023. – № 5. – С. 13-18. – DOI: https://doi.org/10.17513/use.38035.
7. Капиталинин Д.Ю., Сидоренков В.М., Ачиколова Ю.С. Оценка качества таксации по результатам лесотаксационного дешифрирования данных спутниковой съемки Sentinel-2 // Известия Санкт-Петербургской лесотехнической академии. – 2024. – № 251. – С. 62-77. – DOI: https://doi.org/10.21266/2079-4304.2024.251.62-77.
8. Бердов А.М., Федоров С.В., Приставко А.А. Анализ результатов первого цикла государственной инвентаризации лесов и предложения по совершенствованию методики ее проведения во втором цикле // Лесохозяйственная информация. – 2020. – № 3. – С. 67-80. – DOI: https://doi.org/10.24419/LHI.2304-3083.2020.3.06.
9. Порядок проведения государственной инвентаризации лесов (утвержден приказом Минприроды России от 14.11.2016 – № 592). – URL: https://docs.cntd.ru/document/420383930 (дата обращения: 12.01.2026).
10. Методические рекомендации по проведению государственной инвентаризации лесов (утверждены приказом Рослесхоза от 10.11.2011 № 472, в редакции приказа Рослесхоза от 15.03.2018 № 173). – URL: http://docs.cntd.ru/document/902325555 (дата обращения: 12.01.2026).
11. Хлюстов В.К., Ганихин А.М., Хлюстов Д.В. Новая методика и аналитическая система дистанционной инвентаризации лесов // Успехи современного естествознания. – 2021. – № 2. – С. 51-63. – DOI: https://doi.org/10.17513/use.37574.
12. Стоноженко Л.В., Жирнова К.А. Синхронизация наземных и дистанционных методов исследования лесных насаждений // Актуальные направления научных исследований XXI века: теория и практика. – 2020. – Т. 8, № 3(50). – С. 62-68.– URL: 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. Forest inventory with high-density UAV-Lidar: Machine learning approaches for predicting individual tree attributes. Computers and Electronics in Agriculture. 2020; 179. DOI: https://doi.org/10.1016/j.compag.2020.105815.
14. He A., McDermid G.J., Rahman M.M., Strack M., Saraswati S. & Xu B. Developing Allometric Equations for Estimating Shrub Biomass in a Boreal Fen. Forests. 2018; 9 (9): 569. DOI: https://doi.org/10.3390/f9090569.
15. Fradette O., Marty C., Tremblay P., Lord D. & Boucher J.-F. 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. 2021; 12 (1): 59. DOI: https://doi.org/10.3390/f12010059.
16. Усольцев В.А. Модели для оценки диаметра стволов деревьев и древостоев лесообразующих видов Северной Евразии по морфометрии крон и полога. Лесоведение. – 2025.- T.3.- C. 304–320. DOI: https://doi.org/10.31857/S0024114825030022.
17. Wu Y., Mao Z., Guo L., Li C. & Deng L. 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. 2023; 16: 8900–8912. DOI: https://doi.org/10.1109/JSTARS.2023.3313251.
18. Dijak J. Predicting Timber Board Foot Volume Using Forest Landscape Model and Allometric Equations Integrating Forest Inventory Data. Forests. 2025; 16 (3): 543. DOI: https://doi.org/10.3390/f16030543.
19. Хильми Г.Ф. Теоретическая биогеофизика леса. М.: Изд-во АН СССР, 1957. 205 с.
20. Михайлова А.А., Вагизов М.Р. Методика обработки данных дистанционного зондирования земли с применением информационных технологий и аллометрических зависимостей для определения лесотаксационных показателей древостоев // Успехи современного естествознания. – 2018. – № 4. – С. 80-85. – URL: https://natural-sciences.ru/article/view?id=36729.
21. Руководство по таксации лесов дешифровочным способом: метод. положения лесного стереоскопического дешифрирования аэрокосмических изображений (снимков) / сост.: В.И. Архипов, В.И. Басков, В.А. Белов, В.И. Березин, Д.М. Черниховский; под общ. ред. Д.М. Черниховского. – Санкт-Петербург: ООО «Леспроект», 2021. – Ч. 1–4. – [2] 99 c.
