Voronezh, Voronezh, Russian Federation
Voronezh, Voronezh, Russian Federation
Improving the system of preventive management of forest fire risks is a global problem in the field of forest protection. The type of fire that occurs, its intensity and further spread in the territory of forest ecosystems are determined by the reserves and humidity of forest combustible materials. One of the most important components of the accumulation of combustible materials in stands is the parameters of wood litter (forest litter). At the same time, the dynamics of accumulation and features of stands that form the structure of wood litter are not taken into account sufficiently, both in the current regulatory and legal documents when determining the class of natural fire hazard in forests and in assessing forest fire risks. In this regard, the main goal of the work is to compile a tabular model characterizing the dynamics of accumulation of wood litter in stands of different ages growing in different types of forest growth conditions in the Voronezh region. To measure the thickness of the forest litter, a field survey was carried out and temporary test sites were laid in stands of different ages. When selecting the objects of study and conducting field work, the principles of combining random and systematic sampling were used, and generally accepted methods were used. To assess the preventive fire hazard in forests, a set of silvicultural and biological factors of forest fire risk in terms of accumulation of wood litter was analyzed. It was found that the most significant criteria for the formation of the total mass of wood litter are the proportion of coniferous species in the composition (F = 18) and the crown diameter (F = 12). The age group of stands (F = 9) and the type of forest growing conditions (F = 6) also have a significant impact on the intensity of wood litter accumulation. The compiled tabular model of the dynamics of wood litter accumulation (forest litter thickness) in pure coniferous and mixed stands with different proportions of coniferous species in the composition, for stands of different age groups growing in different TLUs allows using remote sensing methods in determining the dynamics of wood litter accumulation. A direct connection between the increase in forest litter thickness and the proportion of coniferous species in the composition has been revealed, which is an additional criterion for increasing the natural fire hazard in forests. It has also been established that forest litter accumulates more slowly in dry forest conditions than in fresh ones.
wood litter, forest combustible materials, type of forest growing conditions, forest protection, natural fire hazard
Text (PDF): Read Download
Text (PDF): Read Download
Text (PDF): Read Download
Text (PDF): Read Download
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. – DOI: https://doi.org/10.1016/j.pce.2022.103240.
3. Lihanova I.A., Deneva S.V., Holopov Ju.V, Rud' E.A., E.A. Skrebenkov, Lapteva E.M. Osobennosti lesnyh podstilok v raznyh tipah srednetajozhnyh lesov [Features of forest litter in different types of middle taiga forests]. Teoreticheskaja i prikladnaja jekologija, 2024; 2: 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. Aksenov S.G., Letkina O.G. Pirogennoe vozdejstvie na rastitel'nyj pokrov [Pyrogenic effect on vegetation]. Nauchnyj aspekt. 2024; 3; 6: 336-342.
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. Mamontov V.G., Savichev A.T., Efimov O.E. Sravnitel'naja harakteristika lesnyh podstilok dernovo-podzolistyh pochv Lesnoj opytnoj dachi RGAU–MSHA imeni K.A. Timirjazeva [Comparative characteristics of forest litter of sod-podzolic soils of the Forest Experimental Dacha of the Russian State Agrarian University – Moscow Agricultural Academy named after K.A. Timiryazev]. Bjulleten' Pochvennogo instituta imeni V.V. Dokuchaeva. 2022; 111: 185-204. – DOI: https://doi.org/10.19047/0136-1694-2022-111-185-204.
8. Shahmatova E.Ju., Ubugunov L.L., Sympilova D.P. Poslepozharnye transformacii v sosnovyh lesah selenginskogo srednegor'ja (Zapadnoe Zabajkal'e) [Post-fire transformations in pine forests of the Selenga midlands (Western Transbaikalia)]. Geografija i prirodnye resursy. 2021; 42; 1: 65-72. – DOI: https://doi.org/10.15372/GIPR20210108.
9. Zharinov S.N., Golubeva E.I., Zimin M.V. Konceptual'nye osnovy organizacii ohrany lesov ot pozharov [Conceptual foundations for organizing forest fire protection]. Voprosy lesnoj nauki. 2020; 3; 3: 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. Klimchik G. Ja., Shalimo P. V., Bel'china O. G. Ocenka kosvennogo ushherba ot lesnyh pozharov v sosnjakah [Estimation of indirect damage from forest fires in pine forests]. Trudy BGTU. Ser. 1, Lesnoe hoz-vo, prirodopol'zovanie i pererab. vozobnovljaemyh resursov. 2024; (276): 31–38. – DOI: https://doi.org/10.52065/2519-402X-2024-276-4.
13. Klimchik G.Ja., Bel'china O.G. Vlijanie lesnyh pozharov na zapasy podstilki i poteri jelementov pitanija [The impact of forest fires on litter supply and nutrient losses]. Lesnoe hozjajstvo: materialy 88-j nauchno-tehnicheskoj konferencii professorsko-prepodavatel'skogo sostava, nauchnyh sotrudnikov i aspirantov, Minsk, 24 janvarja–16 fevralja 2024 g. – Minsk: BGTU. 2024: 146-148.
14. Slavskiy V.A., Matveev S.M., Mironenko A.V., Litovchenko D.A. Sovershenstvovanie metodologii distancionnogo monitoringa pozharnoj opasnosti v leash [Improving the methodology of remote monitoring of forest fire hazards]. Trudy Sankt-Peterburgskogo nauchno-issledovatel'skogo instituta lesnogo hozjajstva. 2024; 3: 113–131. – DOI: https://doi.org/10.21178/2079-6080.2024.3.113.
15. Ivanov S.A. Sistemnyj analiz faktorov, vlijajushhih na vozniknovenie lesnyh pozharov v Severo-Zapadnom federal'nom okruge [A systems analysis of factors influencing the occurrence of forest fires in the Northwestern Federal District]. Vestnik Astrahanskogo gosudarstvennogo tehnicheskogo universiteta. Serija: Upravlenie, vychislitel'naja tehnika i informatika. 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. Slavskiy V.A., Matveev S.M. Nekotorye aspekty zakladki probnyh ploshhadej pri provedenii gosudarstvennoj inventarizacii lesov [Some aspects of laying out test plots during the state forest inventory]. Lesotehnicheskij zhurnal. 2021: 11; 1(41): 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. Migunova E.S. Lesnaja tipologija G.F. Morozova – A.A. Krjudenera – P.S. Pogrebnjaka – teoreticheskaja osnova lesovodstva [Forest typology of G.F. Morozov – A.A. Krudener – P.S. Pogrebnyak – theoretical basis of forestry]. Lesnoj vestnik. Forestry Bulletin. 2017; 21; 5: 52–63. – DOI: https://doi.org/10.18698/2542-1468-2017-5-52-63.
20. Shevelina I.V., Nuriev D.N. Statisticheskaja obrabotka lesovodstvenno-taksacionnoj informacii v srede STATISTICA [Statistical processing of forestry and taxation information in the STATISTICA environment]. Ekaterinburg: UGLTU. 2022: 112.
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.
