employee
Russian Federation
Due to the widespread dieback of spruce forests, reforestation following sanitary measures has become an urgent priority. When surveying large areas, remote sensing methods are more practical. Interannual linear trends of the Normalized Difference Vegetation Index (NDVI) and spectral brightness coefficients (SBC) in the red band were calculated for regenerating clear-cut areas of dried-up spruce forests affected by the bark beetle (Ips typographus L.) using Landsat satellite imagery for the period 2014-2025 within the coniferous-broadleaf forest zone of Perm Krai. The study included 26 logged areas where clear sanitary cuts were carried out in 2014. Three control sites, subjected to clear cutting of mature and overmature stands, were selected for comparison. Time-series analysis of NDVI using the Mann-Kendall non-parametric test revealed a predominance of statistically significant positive trends in the recovery of deciduous species, both on cleared dried-up spruce plots (77% of sites) and control sites (100% of sites). On half of the logged dried-up spruce areas, post-sanitary cutting regeneration involved a shift to less valuable deciduous species. Forest regeneration dominated by young spruce trees was observed in only 12% of the dried-up spruce clear-cuts, which is corroborated by statistically significant decreasing trends in SBC values in the red band. Analysis of red-band SBC values by forest type indicated more successful spruce regeneration in green-moss forests (mean SBC – 0.2741) and less successful regeneration in lime-dominated forests (mean SBC – 0.4388). Conversely, deciduous species regenerated more successfully in lime forests: the rate of increase in mean NDVI values reached 249.2% on experimental plots and 225.9% on control plots. In green-moss and oxalis forest types, logged dried-up spruce plots regenerated more actively than areas previously occupied by healthy stands: in green-moss forests, the NDVI increase was 200.6% on experimental plots versus 57.9% on controls; in oxalis forests, the increase was 194.8% versus 26.8%, respectively. According to the authors, this pattern can be explained by lower initial NDVI values in the time series for regenerating logged dried-up spruce forests, as well as by more favorable growing conditions associated with increased soil nutrient availability due to the decomposition of fallen spruce needles resulting from stand drying.
Dried-Up Spruce Forests, Remote Sensing, Landsat imagery, NDVI, Early-stage forest regeneration, Forest Regeneration, Linear Trend, Spruce Forests, spectral brightness coefficients (SBC) in the red band
Введение
В последние десятилетия как в нашей стране, так и за ее пределами наблюдается массовое усыхание еловых лесов [1, 2, 3]. Единого мнения о причинах этого явления среди ученых не существует [4, 5]. При этом следует отметить, что процесс массового усыхания еловых лесов неразрывно связан с размножением и развитием стволового вредителя – короеда-типографа (Ips typographus Linnaeus) [6]. В целях улучшения санитарного и лесопатологического состояния лесов, снижения ущерба от воздействия биотических и абиотических неблагоприятных факторов, борьбы с болезнями и вредителями леса лесным законодательством предусмотрено проведение санитарно-оздоровительных мероприятий, в частности санитарных рубок (Приказ Минприроды (МПР) РФ от 09.11.2020 г. № 912).
В связи с непрекращающимся воздействием неблагоприятных факторов окружающей среды становится актуальным вопрос восстановления вырубленных в результате усыхания лесных территорий. В научной литературе имеются работы, посвященные изучению возобновления указанных вырубок полевыми методами [7], что является трудоемким процессом [8]. При необходимости обследования значительных площадей целесообразнее пользоваться дистанционными методами. Дистанционное зондирование предоставляет возможности для отслеживания изменений растительного покрова [9, 10, 11]. Для мониторинга состояния растительности наиболее широко используемым показателем является нормализованный разностный индекс растительности (NDVI) [12, 13, 14].
Индекс отражает количество фотосинтетически активной растительной биомассы и широко применяется для количественного анализа растительного покрова, включая процессы естественного зарастания ландшафтов [15]. При этом следует отметить, что NDVI более информативен для участков, на которых произрастают лиственные леса [15, 16]. Дешифрировать произрастание еловых древостоев возможно по зимним снимкам с помощью значений яркости красного канала [17]. Указанное позволит установить, какими породами возобновляются вырубки и произошла ли смена пород.
Научные работы по мониторингу заращивания вырубок усохших ельников дистанционными методами практически не проводились, что свидетельствует о новизне исследования. В этом контексте целью исследования является оценка динамики естественного возобновления вырубок усохших ельников, расположенных в зоне хвойно-широколиственных лесов Пермского края, с помощью данных дистанционного зондирования Земли.
Материалы и методы
С целью изучения зарастания вырубок после проведения санитарно-оздоровительных мероприятий, назначенных актами лесопатологического обследования, подобраны лесные выделы 26 вырубок 2014 г. (табл. 1), расположенные в лесном районе хвойно-широколиственных (смешанных) лесов Пермского края. Район занимает южную часть региона и характеризуется наибольшей интенсивностью нарушений. Участки расположены в условиях самых распространенных в исследуемом лесном районе типов леса: ельник зеленомошный, ельник кисличный и ельник липовый. В пределах рассмотренной территории (Чайковский, Еловский, Частинский, Осинский, Большесосновский, Оханский и Березовский муниципальные округа) также подобраны «контрольные» участки, в пределах которых усыхание деревьев ели не зафиксировано.
Оценка санитарного состояния елового древостоя выполнена в соответствии классификацией, представленной в Правилах санитарной безопасности в лесах (Постановление Правительства РФ от 09.12.2020 г. № 2047).
Сведения о количестве подроста предварительной генерации приводятся в соответствии с материалами актов лесопатологических обследований. При этом следует отметить, что в документах учтен подрост темнохвойных пород. Оценка достаточности подроста для естественного лесовосстановления путем мероприятий по сохранению подроста проведена согласно шкале, представленной в
действующих Правилах лесовосстановления (Приказ МПР РФ от 29.12.2021 г. № 1024).
Ниже приводится описание типов леса, послуживших объектами исследования (Основные положения организации и развития лесного хозяйства Пермской области. Т. 1. – Пермь, 2000):
Ельник зеленомошный (Е.зм.). Почвы под насаждениями ельника зеленомошного глубокоподзолистые малогумусные суглинистые. В составе древостоев преобладают ель и пихта. Средний класс бонитета – III (II).
Ельник кисличный (Е.к.). Указанный тип леса формируется на неглубокоподзолистых среднегумусных суглинистых почвах. Распространенными породами, составляющими древостой, являются ель, пихта и береза. Средний класс бонитета – II (III).
Ельник липовый (Е.лп.). Почвы ельника липового дерново-подзолистые среднегумусные суглинистые. В составе древостоев участвуют ель,
1. Agafonova T.N., Iteshina N.M., Zalesov S.V. Sostoyanie elovyh nasazhdenij v Udmurtskoj Respublike pri menyayushchemsya climate [State of spruce stands in the Udmurt Republic under the changing climate]. Vestnik Izhevskoy gosudarstvennoy sel'skokhozyaystvennoy akademii = The Bulletin of Izhevsk State Agricultural Academy. 2025; 2(82): 36-42. (In Russ.). DOI: https://doi.org/10.48012/1817-5457_2025_2_36-42. URL: https://elibrary.ru/item.asp?id=82539202.
2. Merzlenko M.D., Melnik P.G., Tishkov A.S. El’ evropeyskaya kak lesoobrazovatel’ na Smolensko-Moskovskoy vozvyshennosti [Forest forming species of European spruce in Smolensk-Moscow uplands]. Lesnoy vestnik / Forestry Bulletin = Lesnoy vestnik / Forestry Bulletin. 2024; 28(1): 5–13. (In Russ.). DOI:https://doi.org/10.18698/2542-1468-2024-1-5-13. URL: https://elibrary.ru/item.asp?id=63776263.
3. Hlásny T., König L., Krokene P., Lindner M., Montagné-Huck C., Müller J., Qin H., Raffa K.F., Schelhaas M.-J., Svoboda M., Viiri H., Seidl R. Bark beetle outbreaks in Europe: State of knowledge and ways forward for management. Current Forestry Reports. 2021; 7: 138–165. DOI:https://doi.org/10.1007/s40725-021-00142-x.
4. Chebakova N.M., Bazhina E.V., Parfenova E.I., Senashova V.A. V poiskah faktora “iks”: obzor publikacij po probleme usyhaniya temnohvojnyh lesov Severnoj Evrazii [In search of an x factor: a review of publications on the issue of dark-needled forest decline/dieback in Northern Eurasia]. Meteorologiya i gidrologiya = Russian Meteorology and Hydrology. 2022; 5: 123-140. (In Russ.). DOI:https://doi.org/10.52002/0130-2906-2022-5-123-140. URL: https://elibrary.ru/item.asp?id=49308019&ysclid=mmojpa8sdc199641569.
5. Ivanchina L., Kovalev V., Makurin D., Poplyakov E., Solontsov O., Korotaeva N. The influence of the type of forest and the type of forest growing conditions on the stability of spruce stands in the zone of coniferous-deciduous forests of the Perm Krai. Siberian Journal of Life Sciences and Agriculture. 2023; 15(4): 92-111. (In Russ.). DOI: https://doi.org/10.12731/2658-6649-2023-15-4-92-111. URL: https://elibrary.ru/item.asp?id=57709453.
6. Nardi D., Jactel H., Pagot E., Samalens J.-C., Marini L. Drought and stand susceptibility to attacks by the European spruce bark beetle: A remote sensing approach. Agricultural and Forest Entomology. 2023; 25(1): 119-129. DOI:https://doi.org/10.1111/afe.12536.
7. Pukinskaya M.YU. Rekonstrukciya dinamiki temnohvojnyh lesov Teberdinskogo zapovednika i perspektivy ih estestvennogo vosstanovleniya posle massovogo usyhaniya [Reconstruction of the dynamics of the dark coniferous forests of the Teberdinsky Nature Reserve and prospects for their natural recovery after mass drying out]. Povolzhskij ehkologicheskij zhurnal = Povolzhskiy Journal of Ecology. 2022; 4: 431–451. (In Russ.). DOI: https://doi.org/10.35885/1684-7318-2022-4-431-451. URL: https://elibrary.ru/item.asp?id=49948485&ysclid=mmokvr7oto15650276.
8. Isoaho A., Elo M., Marttila H., Rana P., Lensu A., Räsänen A. Monitoring changes in boreal peatland vegetation after restoration with optical satellite imagery. The Science of the total environment. 2024; 957: 177697. DOI: https://doi.org/10.1016/j.scitotenv.2024.177697.
9. Mashala M.J., Dube T., Mudereri B.T., Ayisi K.K., Ramudzuli M.R. A Systematic Review on Advancements in Remote Sensing for Assessing and Monitoring Land Use and Land Cover Changes Impacts on Surface Water Resources in Semi-Arid Tropical Environments. Remote Sensing. 2023; 15(16): 3926. DOI: https://doi.org/10.3390/rs15163926
10. Podryadchikova E.D., Martynova N.G., Kustysheva I.N., Raeva I.V. Monitoring rastitel'nogo pokrova na osnove dannyh distancionnogo zondirovaniya Zemli [Vegetation cover monitoring based on earth remote sensing data]. Mezhdunarodnyj sel'skohozyajstvennyj zhurnal = International agricultural journal. 2025; 4 (406): 420-423. (In Russ.). DOI:https://doi.org/10.55186/25876740_2025_68_4_420. URL: https://elibrary.ru/item.asp?id=82885663.
11. Ikkala L., Ismail I., Wolff F., Marttila H., Ronkanen A.-K., Alekseychik P., Rana P., Kohv M., Tahvanainen T., Tolvanen A., Haghighi A.T., Kumpula T., Osborne C., Ilmonen J., Haapalehto T., Kløve B., Räsänen A. Remote sensing applications for monitoring restoration outcomes in boreal forestry-drained peatlands - Reviewed applications and future potential. Remote Sensing of Environment. 2026; 333: 115093. DOI: https://doi.org/10.1016/j.rse.2025.115093.
12. Huang S., Tang L., Hupy J.P., Wang Y., Shao G. A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forestry Research. 2021; 32: 1-6. DOI: https://doi.org/10.1007/s11676-020-01155-1.
13. Pei F., Zhou Y., Xia Y. Application of Normalized Difference Vegetation Index (NDVI) for the Detection of Extreme Precipitation Change. Forests. 2021; 12(5): 594. DOI: https://doi.org/10.3390/f12050594
14. Asam S., Eisfelder C., Hirner A., Reiners P., Holzwarth S., Bachmann M. AVHRR NDVI Compositing Method Comparison and Generation of Multi-Decadal Time Series—A TIMELINE Thematic Processor. Remote Sens. 2023; 15(6): 1631. DOI: https://doi.org/10.3390/rs15061631.
15. Baldina E.A., Ilyushina P.G., Vasiliev P.K. Ocenka kosmicheskih snimkov raznogo spektral'nogo razresheniya dlya analiza sostoyaniya rastitel'nogo pokrova [Evaluation of satellite images with different spectral resolution for analyzing the vegetation cover condition]. Interkarto. InterGIS = InterCarto. InterGIS. 2025; 31: 5–20. (In Russ.). DOI:https://doi.org/10.35595/2414-9179-2025-2-31-5-20. URL: https://elibrary.ru/item.asp?id=88577486.
16. Drechsel J., Forkel M. Remote sensing forest health assessment – a comprehensive literature review on a European level. Central European Forestry Journal. 2025; 71(1): 14-39. DOI: https://doi.org/10.2478/forj-2024-0022
17. Pivovar M., Näsi R., Honkavaara E., Blaženec M., Skvarenina J., Modlinger R., Rožnovský J., Jakuš R. Spectral signatures discrimination of Norway spruce trees under experimentally induced drought and acute thermal stress using hyperspectral imaging. Forest Ecology and Management. 2025; 586: 122692. DOI: https://doi.org/10.1016/j.foreco.2025.122692.
18. Popova V.V., Bokuchava D.D., Matveeva T.A. Ehkstremal'naya zasuha na vostochno-evropejskoj ravnine v period potepleniya serediny HH stoletiya: klimaticheskie harakteristiki i analogi v usloviyah sovremennogo klimata [Extreme drought on the East European plain during the heat wave in the middle of the 20th century: climatic characteristics and analogues in the modern climate conditions]. Aridnye ehkosistemy = Arid Ecosystems. 2022; 2(95): 3-11. (In Russ.). DOI:https://doi.org/10.24412/1993-3916-2023-2-3-11. URL: https://elibrary.ru/item.asp?id=54312207.
19. Ivanova E.A., Danilova M.A., Smirnov V.E., Ershov V.V. Sravnitel'naya ocenka skorosti razlozheniya rastitel'nogo opada v elovyh i sosnovyh lesah na severnom predele rasprostraneniya [Comparative assessment of the decomposition rate of plant litterfall in spruce and pine forests at the northern distribution limit]. Voprosy lesnoj nauki = Forest science issues. 2023; 6 (3): 132. (In Russ.). DOI:https://doi.org/10.31509/2658-607x-202363-132. URL: https://elibrary.ru/item.asp?id=67224208.
20. Bagaev E.S., Chudetsky A.I., Makarov S.S. Otsenka vozmozhnosti ispol'zovaniya bystrorastushchikh form osiny dlya zakladki lesosyr'evykh plantatsii s korotkim oborotom rubki [Evaluation of the Possibility of the Use of Fast-growing Aspen Forms for Laying Timber Plantations with a Short Turnover of Felling]. Lesokhozyaistvennaya informatsiya = Forestry information. 2023; 1: 55–67. (In Russ.). DOI:https://doi.org/10.24419/LHI.2304-3083.2023.1.05. URL: https://www.elibrary.ru/item.asp?id=50372387.
21. Usoltsev V.A., Tsepordey I.S., Paramonov A.A., Tretyakov S.V., Koptev S.V., Karaban A.A., Tsvetkov I.V., Davydov A.V., Chasovskikh V.P. Sravnitel'nyi meta-analiz allometricheskikh modelei biomassy bystrorastushchikh listvennykh porod [Comparative meta-analysis of allometric models of fast-growing hardwood biomass]. Biosfera = Biosfera. 2023; 15 (1): 7-20. (In Russ.). DOI:https://doi.org/10.24855/biosfera.v15i1.789. URL: https://www.elibrary.ru/item.asp?id=53211437&ysclid=mnaly8c9lk71965818.
22. Pukinskaya M.Yu. Tree Species Change in Nemoral Spruce Forests of the Central Forest Reserve. Biology Bulletin. 2021; 48(10): 1912-1923. DOI:https://doi.org/10.1134/S1062359021100216.
