Productivity of forest ecosystems in dependence on ecological conditions of growing

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Proposed is a method for assessing the biological productivity of forest ecosystems, which allows to overcome the disadvantages inherent in the traditional methods, not taking into account the significant statistical heterogeneity of stands on a number of morphometric parameters that change in the process of forest ecosystem development. The concepts and tools of the theory of stationary random functions were used in the development of the method. The central idea of the proposed method is the concept of a hypothetical average tree characterizing the growth of a pure stand at the main stages of its development. The final result of this methodological approach is the stand bioproductivity index, which provides a quantitative assessment of bioproductivity and allows comparing the bioproductivity of pure stands growing in different climatogeographical conditions. The practical application of the method is considered on the example of stands of Siberian fir (Abies sibirica Ledeb.). The relative error of the bioproductivity index of fir stands is estimated. The method was validated on the basis of revealing correlations between the index of fir stand bioproductivity and ecological assessments of habitats obtained using phytoindicator properties of the ground cover.

Full Text

Restricted Access

About the authors

S. I. Tarasov

Institute of Biology, Komi Science Centre, Ural Branch, RAS

Author for correspondence.
Email: tarasov@ib.komisc.ru
Russian Federation, Kommunisticheskaya st., 28, Syktyvkar, Komi Republic, 167982

N. V. Gerling

Institute of Biology, Komi Science Centre, Ural Branch, RAS

Email: gerling@ib.komisc.ru
Russian Federation, Kommunisticheskaya st., 28, Syktyvkar, Komi Republic, 167982

References

  1. Алексеев А.С., 1992. Балансовая модель продукционного процесса в лесной экосистеме // Экология. № 2. С. 35–40.
  2. Алексеев В.В., Крышев И.И., Сазыкина Т.Г., 1992. Физическое и математическое моделирование экосистем. СПб.: Гидометеоиздат. 368 с.
  3. Атлас почв Республики Коми, 2010. Сыктывкар: Ин-т биологии, Коми науч. центр УрО РАН. 356 с.
  4. Атлас Республики Коми по климату и гидрологии, 1997. М.: Дрофа. 116 с.
  5. Базилевич Н.И., Гребенщиков О.С., Тишков А.А., 1986. Географические закономерности структуры и функционирования экосистем. М.: Наука. 297 с.
  6. Базыкин А.Д., 2003. Нелинейная динамика взаимодействующих популяций. М.; Ижевск: Институт компьютерных исследований. 368 с.
  7. Бузыкин А.И., Гавриков В.Л., Секретенко О.П., Xлебопрос Р.Г., 1985. Анализ структуры древесных ценозов. Новосибирск: Наука. 94 с.
  8. Виноградов Б.В., 1964. Растительные индикаторы и их использование при изучении природных ресурсов. М.: Высш. шк. 328 с.
  9. Гавриков В.Л., 2013. Рост леса: уровни описания и моделирования. Красноярск: Сиб. федер. ун-т. 176 с.
  10. Должанский А.М., Бондаренко О.А., Петлёваный Е.А., 2017. Влияние вида средней взвешенной оценки на зависимость комплексного показателя качества от параметров объекта // Приборы и методы измерений. Т. 8. № 4. С. 398–407.
  11. Исаев А.С., Суховольский В.Г., Хлебопрос Р.Г., Бузыкин А.И., Овчинникова Т.М., 2005. Моделирование лесообразовательного процесса: феноменологический подход // Лесоведение. № 1. С. 3–11.
  12. Лотов А.В., Поспелова И.И., 2014. Конспект лекций по теории и методам многокритериальной оптимизации. М. http://www.ccas.ru/mmes/mmeda/Lotov&Posp.pdf
  13. Мамаев С.А., 1973. Формы внутривидовой изменчивости древесных растений (на примере семейства Pinaceae на Урале). М.: Наука. 283 с.
  14. Одум Ю., 1986. Экология. М.: Мир. Т. 1. 328 с.
  15. ОСТ 56-69-83, 1983. Пробные площади лесоустроительные. Метод закладки. М.: ЦБНТИ Гослесхоза СССР. 60 с.
  16. Полевая геоботаника, 1964. М.: Наука. Т. 3. 530 с.
  17. Суховольский В.Г., 2004. Экономика живого: Оптимизационный подход к описанию процессов в экологических сообществах и системах. Новосибирск: Наука. 140 с.
  18. Тарасов С.И., Герлинг Н.В., 2022. Оценка надземной биомассы Abies sibirica (Pinaceae) на Северо-Востоке европейской части России (Республика Коми) // Растительные ресурсы. Т. 58. № 4. С. 342–353.
  19. Толстова Ю.Н., 2000. Анализ социологических данных. Методология, дескриптивная статистика, изучение связей между номинальными признаками. М.: Научный мир. 352 с.
  20. Усольцев В.А., Залесов С.В., 2005. Методы определения биологической продуктивности насаждений. Екатеринбург: Урал. гос. лесотехн. ун-т. 147 с.
  21. Штойер Р., 1992. Многокритериальная оптимизация. Теория, вычисления и приложения. М.: Радио и связь. 504 с.
  22. Юдин Ю.П., 1954. Темнохвойные леса // Производительные силы Коми АССР. Т. 3. Ч. 1. Растительный мир. М.; Л.: Изд-во АН СССР. С. 42–126.
  23. Яглом А.М., 1981. Корреляционная теория стационарных случайных функций. Л.: Гидрометеоиздат. 280 с.
  24. Ecological Modeling in Risk Assessment: Chemical Effects on Populations, Ecosystems, and Landscapes, 2002 / Ed. Pastorok R.A., et al. Boca Raton: CRC Press LLC. 302 p.
  25. Kloeppel B.D., Harmon M.E., Fahey T.J., 2007. Estimating aboveground net primary productivity in forest-dominated ecosystems // Principles and Standards for Measuring Primary Production / Eds Fahey T.J., Knapp A.K. N.-Y.: Oxford Univ. Press. P. 63–81.
  26. Koya P.R., Goshu A.T., 2013. Generalized mathematical model for biological growths // Open J. Model. Simul. V. 1. P. 42–53.
  27. Morganstein D., Marker D., 1997. Continuous quality improvement in statistical agencies // Measurement and Process Quality. N.-Y.: Wiley. P. 475–500.
  28. Newbould P.J., 1970. Methods for Estimating the Primary Production of Forests. Oxford: Blackwell Scientific. 62 p.
  29. Weiskittel A.R., Hann D.W., Kershaw J.A., Vanclay J.K., 2011. Forest Growth and Yield Modeling. N.-Y.: John Wiley & Sons Ltd. 415 p.

Supplementary files

Supplementary Files
Action
1. JATS XML
2. Fig. 1. Dynamics of annual growth of the j-th tree: 1 – share of annual growth in the above-ground phytomass of the tree.

Download (64KB)
3. Fig. 2. An ensemble of realizations of random functions characterizing the growth of trees of one thickness level: 1, 2, 3, …, n is the number of the tree or realization of the random stationary growth function.

Download (80KB)
4. Fig. 3. Regression graph for PPP1: 1 – regression; 2 – observed data; 3 – predicted values ​​used to estimate the bioproductivity index.

Download (72KB)
5. Fig. 4. Graphs of regressions R̂uᵢ= v(uᵢ), given in accordance with the experimental plots.

Download (122KB)

Copyright (c) 2025 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».