Характеристики колец деревьев зависят от различных факторов. Как правило, в ходе анализа влияния внешних факторов производят удаление вклада возраста в радиальный прирост. Наряду с индивидуально подобранными по каждому дереву зависимостями, для этого шага используют региональных кривые роста, под которыми понимают эмпирически определенные кривые, описывающие связь между возрастом и характеристиками годичных колец на некоторой территории. Целью данной работы обозначено выявление различий в радиальном приросте ели сибирской на верхней границе распространения на Южном Урале с помощью анализа региональных кривых роста. Суммарно в анализе использованы измерения прироста 989 деревьев. Ожидаемая ширина годичных колец ели сибирской на Южном Урале описана с помощью кривой Хугерсхоффа. Исследованы популяции ели на трех хребтах: Нары, Зигальга и Таганай. Так как в настоящее время происходит расселение ели сибирской на территории горной тундры, не на всех высотных уровнях удалось оценить параметры региональных кривых. Наибольшее значение ожидаемого максимального прироста (от 2.1 до 2.7 миллиметров) отмечено на нижних высотных уровнях юго-восточного склона в перевале между горой Поперечная и горой Круглая (хребет Зигальга), что может быть объяснено благоприятными условиями инсоляции и не высокой скоростью ветра, по сравнению с хребтом Таганай.
Южный Урал, региональные кривые роста, радиальный прирост, ель сибирская
Древесные кольца растений являются ценным архивом, в котором отражены изменения популяции и экосистемы в годичном разрешении. Характеристики колец деревьев зависят от различных факторов, которые обобщенно можно разделить на климат, возраст и возмущения. Возмущения, в свою очередь, подразделяются на локальные (например, падение соседнего дерева) и на общие для некоторой популяции (например, нашествие насекомых); иногда общие возмущения имеют глобальный масштаб [1]. Для оценки влияния одних факторов из ряда измерений исследователи извлекают вклад других факторов. Так, удаление возмущений из исходных рядов производят через алгоритмическое разделение сигналов [2], а также с помощью отсеивания местообитаний и особей на этапе отбора проб.
Для получения климатической составляющей из исходного ряда наблюдений изымают зависимость характеристики кольца от возраста. Причем этот шаг производят как на уровне отдельных деревьев, так и на уровне пробной площади или района с использованием региональной кривой роста (РКР)[3]. Под РКР понимают эмпирически определенную кривую, предназначенную для описания зависимости характеристики древесного кольца от возраста. Особенности РКР представляют интерес не только при выявлении возрастного тренда, но и для отслеживания изменений в популяции, а также для оценки влияния климата на прирост. В исследовании Наурзбаева и др. дан анализ параметров РКР, полученных через аппроксимацию по кривой отрицательной экспоненты: обнаружен широтный, высотный и температурный градиенты для ширины годичного кольца (ШГК) лиственницы в Сибири. Также показана зависимость формы РКР Pinus sylvestris от плотности популяции и от условий увлажнения субстрата [4]. Разделение на типы РКР было выполнено для отслеживания изменений в радиальном приросте для Picea albertiana и Picea glauca [5].
Монотонно убывающая функция отрицательной экспоненты не единственный вид зависимости, используемый для описания связи возраста и характеристик годичных колец. Широко используется кривая Хугерсхоффа [6], которая, по сути, является расширенной версией кривой отрицательной экспоненты с возможностью роста характеристики кольца в начале временной оси. Такая динамика характерна для особей в популяциях с высокой степенью сомкнутости крон, например, подобная форма кривой встречается у елей Picea albertiana и Picea glauca в Канаде [5].
Ель сибирская (Picea obovata Ledeb.) широко распространена на Урале: при продвижении на север этот вид чаще встречается на равнинах и речных поймах, в то же время, на юге произрастает в основном в высокогорьях[6]. Показано, что свойства субстрата в условиях дражных отвалов после золотодобычи (Средний Урал) влияют на высоту ели сибирской, а также на годичный линейный прирост ствола и ветвей [7]. На Южном Урале из-за глобального изменения климата [8] верхняя граница распространения ели сибирской смещается выше в горы [9, 10, 11], что с одной стороны, способствует увеличению депонирования углерода из атмосферы, а с другой - приводит к вымиранию эндемиков горной тундры [12; 13; 14; 15]. При этом связь радиального прироста (по данным после удаления возрастной изменчивости) ели сибирской со средней температурой лета слабая. В этой связи зависимость морфометрических характеристик от возраста на верхней границе ареала ели сибирской на Южном Урале представляет особый интерес.
Цель данной работы - выявление различий в радиальном приросте ели сибирской на верхней границе распространения на Южном Урале с помощью анализа региональных кривых роста (РКР). Для достижения поставленной цели были решены следующие задачи: заложение пробных площадей, измерение радиального прироста, оценка возраста особей, аппроксимация РКР с помощью кривой Хугерсхоффа и сопоставление параметров РКР различных вершин и склонов по высотным уровням.
Определяющую роль при формировании леса на границе с тундрой играет температурный фактор: логично ожидать наибольших показателей прироста при уменьшении географической широты и снижении высоты над уровнем моря. При этом весь анализируемый материал был отобран по одному и тому же принципу на высотных уровнях, выделенных по сомкнутости крон деревьев вдоль экотона «таежный лес – горная тундра», следовательно, различия условий среды были частично учтены на стадии отбора проб. В связи с этим «нулевая гипотеза» данной работы заключается в том, что все деревья одного уровня на разных вершинах и склонах должны иметь близкие значения параметров РКР, так как они сходятся по популяционному показателю (сомкнутость крон), который, в свою очередь, зависит от условий среды и стадии зарастания.
1. Хантемиров Р.М. События Мияке: обзор современного состояния исследований. Лесотехнический журнал. – 2023. – Т. 13. – № 4 (52). – Ч. 2. – С. 174-211. – DOI: https://doi.org/10.34220/issn.2222-7962/2023.4/23.
2. Guiterman C.H., Lynch A.M., Axelson, J.N. dfoliatR: An R package for detection and analysis of insect defoliation signals in tree rings. Dendrochronologia. 2020; 63: 125750. – DOI: https://doi.org/10.1016/j.dendro.2020.125750.
3. Homfeld I.K., Büntgen U., Reinig F., Torbenson M.C.A., Esper J. Application of RCS and signal-free RCS to tree-ring width and maximum latewood density data. Dendrochronologia. 2024; 85: 126205. – DOI: https://doi.org/10.1016/j.dendro.2024.126205.
4. Ложкин Г.И., Чижикова Н.А., Тишин Д.В., Насырова Э.И. Региональные кривые роста сосны обыкновенной в местообитаниях разной увлажненности. Российский журнал прикладной экологии. – 2023. – Т.3 – С. 22-27. – DOI: https://doi.org/10.24852/2411-7374.2023.3.22.27.
5. Strong W. L. Picea (spruce) growth rate (mm year−1) changes in southwest Yukon (Canada) since the mid 19th century. Vegetation History and Archaeobotany. 2020; 29(1): 91-100. – DOI: https://doi.org/10.1007/s00334-019-00737-2.
6. Helama S., Herva H., Arppe L., Gunnarson B., Frank T., Holopainen J., Nöjd P., Mäkinen H., Mielikäinen K., Sutinen R., Timonen M., Uusitalo J., Oinonen M. Disentangling the Evidence of Milankovitch Forcing From Tree-Ring and Sedimentary Records. Front. Earth Sci. 2022; 10: 871641. – DOI: https://doi.org/10.3389/feart.2022.871641.
7. Чукина Н.В., Лукина Н.В., Филимонова Е.И., Глазырина М.А. Анатомоморфологические и биохимические показатели Picea obovata Ledeb. в посадках на дражном отвале после золотодобычи (Средний Урал). Лесотехнический журнал. – 2025. – Т. 15. – № 4 (60). – С. 294-309. – DOI: https://doi.org/10.34220/issn.2222-7962/2025.4/17.
8. Masson-Delmotte V., et al. (eds.). Climate Change 2021: The Physical Science Basis. United Kingdom, NY, 2021: 3–32. – DOI: https://doi.org/10.1017/9781009157896.
9. Шиятов С.Г., Моисеев П.А., Григорьев А.А. Фотомониторинг древесной и кустарниковой растительности в высокогорьях Южного Урала за последние 100 лет. – Екатеринбург: Издательство УМЦ УПИ, 2020. – 191 с.
10. Zhang P., Liang Y., Liu B. Ma T., Wu M.M. A coupled modelling framework for predicting tree species’ altitudinal migration velocity in montane forest. Ecol. Model. 2023; 484: 110481. – https://doi.org/10.1016/j.ecolmodel.2023.110481.
11. Körner C. The cold range limit of trees. Trends Ecol. Evol. 2021; 36: 979-989. – https://doi.org/10.1016/j.tree.2021.06.011.
12. Григорьев А.А., Шалаумова Ю.В., Терентьева М.В., Вьюхин С.О., Балакин Д.С., Моисеев П.А. Горные тундры Южного Урала: современное распространение и угроза исчезновения в ХХI веке. Географическая среда и живые системы. – 2024. – № 3. – C. 26-46. – DOI: https://doi.org/10.18384/2712-7621-2024-3-26-46.
13. Grigoriev A.A., Mikhailov Y.E., Shalaumova Y.V., V’yukhin S.O., Balakin D.S., Ermakov A.I., Terent’eva, M.V., Erokhina O.V., Moiseev P.A., Kudryavtsev P.P. Upward Expansion of Trees and Shrubs Leads to Alpine Tundra Contraction and Local Extinction of Species in the Southern Urals. Ecosystems. 2025; 28(3). – DOI: https://doi.org/10.1007/s10021-025-00973-w.
14. Григорьев А.А., Ложкин Г.И., Вьюхин С.О., Чижикова Н.А., Кудрявцев П.П. Моделирование и прогнозирование динамики верхней границы леса на хребте Зигальга (Южный Урал). Географическая среда и живые системы. – 2025. – № 3. – C. 32-51. – DOI: https://doi.org/10.18384/2712-7621-2025-3-32-51.
15. Григорьев А.А., Клям Р.С., Вьюхин С.О., Громов А.М., Балакин Д.С., Воробьев И.Б., Шалаумова Ю.В. Пространственно-временная динамика древесной и кустарниковой растительности в горную тундру Дальнего Таганая (Южный Урал). Леса России и хозяйство в них. – 2023. – № 3 (86). – C. 28-38. – DOI: https://doi.org/10.51318/FRET.2023.3.86.004.
16. Hengl T., Parente L. Long-term MODIS LST day-time and night-time temperatures, sd and differences at 1 km based on the 2000-2020 time series (Version 1.1) [Электронный ресурс]. Zenodo, 2022. URL: https://doi.org/10.5281/zenodo.6458406 (дата обращения: 07.12.2025).
17. Hengl T., Parente L. Monthly precipitation in mm at 1 km resolution (multisource average) based on SM2RAIN-ASCAT 2007–2021, CHELSA Climate and WorldClim (Version 0.3) [Электронный ресурс]. Zenodo, 2022. URL: https://doi.org/10.5281/zenodo.6458580 (дата обращения: 07.12.2025).
18. Velastegui-Montoya A., Montalván-Burbano N., Carrión-Mero P., Rivera-Torres H., Sadeck L., Adami M. Google Earth Engine: A Global Analysis and Future Trends. Remote Sens. 2023; 15: 3675. – https://doi.org/10.3390/rs15143675.
19. Pinheiro J, Bates D, R Core Team. nlme: Linear and Nonlinear Mixed Effects Models. R package version 3.1-164. 2023. – URL: https://CRAN.R-project.org/package=nlme.
20. R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. 2024. – URL: https://www.R-project.org.
21. Kostanek J., Karolczak K., Kuliczkowski W., Watala C. Bootstrap Method as a Tool for Analyzing Data with Atypical Distributions Deviating from Parametric Assumptions: Critique and Effectiveness Evaluation. Data 2024; 9 (95). – https://doi.org/10.3390/data9080095.
