REGIONALIZATION OF FORESTED LANDSCAPES IN RUSSIATO OPTIMIZE REGIONAL MODELLING OF GREENHOUSE GAS FLOWS

Cover Page

Cite item

Full Text

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

Abstract

The regionalization of Russian forest landscapes for spatial extrapolation of greenhouse gas fluxes at regional and national scales was performed. Using the method of simple linear iterative clustering based on 12 variables, the study area was divided into 78 ecoregions. The spatial data on climatic characteristics, surface topography, soil cover and vegetation were collected from open sources and resampled to a grid of 0.0025° × 0.0025°. The results of the clustering were compared with expert-defined geobotanical and physical-geographical regionalization schemes of the territory of the Russian Federation. The identified ecoregions can serve as a basis for establishing new greenhouse gas monitoring sites in forest ecosystems.

About the authors

T. I. Kharitonova

Shirshov Institute of Oceanology; Lomonosov Moscow State University

Email: kharito@geogr.msu.ru
Moscow, Russia; Moscow, Russia

M. A. Krinitskiy

Shirshov Institute of Oceanology

Email: kharito@geogr.msu.ru
Moscow, Russia

V. Yu. Rezvov

Shirshov Institute of Oceanology

Email: kharito@geogr.msu.ru
Moscow, Russia

A. I. Maksakov

Shirshov Institute of Oceanology

Email: kharito@geogr.msu.ru
Moscow, Russia

A. V. Olchev

Shirshov Institute of Oceanology; Lomonosov Moscow State University

Email: kharito@geogr.msu.ru
Moscow, Russia; Moscow, Russia

S. K. Gulev

Shirshov Institute of Oceanology

Author for correspondence.
Email: kharito@geogr.msu.ru
Moscow, Russia

References

  1. Upton S., Reichstein M., Gans F., Peters W., Kraft B., Bastos A. Constraining biospheric carbon dioxide fluxes by combined top-down and bottom-up approaches // Atmos. Chem. Phys. 2024. № 24. P. 2555–2582.
  2. Xiao J., Chevallier F., Gomez C., Guanter L., Hicke J.A., Huete A.R., Ichii K., Ni W., Pang Y., Rahman A.F., Sun G. Remote sensing of the terrestrial carbon cycle: A review of advances over 50 years // Remote Sensing of Environment. 2019. № 233. P. 111383.
  3. Pastorello G., Trotta C., Canfora E. et al. The FLUXNET2015 dataset and the ONEFlux processing pipeline for eddy covariance data // Sci Data. 2020. V. 7(225).
  4. Jung M., Reichstein M., Bondeau A. Towards global empirical upscaling of FLUXNET eddy covariance observations: validation of a model tree ensemble approach using a biosphere model // Biogeosciences. 2009. V. 6(10). P. 2001–2013.
  5. Hersbach H., Bell B., Berrisford P. et al. The ERA5 global reanalysis // Quarterly Journal of the Royal Meteorological Society. 2020. V. 146(730). P. 1999–2049.
  6. Fick S.E., Hijmans R.J. WorldClim 2: new 1 km spatial resolution climate surfaces for global land areas // International Journal of Climatology. 2017. V. 37(12). P. 4302–4315.
  7. Wikle C.K. Spatio-temporal methods in climatology // Encyclopedia of Life Support Systems (EOLSS). 2002.
  8. Yamazaki D., Ikeshima D., Tawatari R. et al. A high accuracy map of global terrain elevations // Geophysical Research Letters. 2017. V. 44(11). P. 5844–5853.
  9. Achanta R., Shaji A., Smith K. et al. SLIC superpixels compared to state-of-the-art superpixel methods //IEEE transactions on pattern analysis and machine intelligence. 2012. V. 34(11). P. 2274–2282.
  10. Golikov V., Krinitskiy M., Borisov D. Visual clustering of ocean sediment grains using a combination of unsupervised machine learning methods / Proceeding of the 6th International Workshop on Deep Learning in Computational Physics (DLCP-2022). Dubna, Russia. 2022. 429 p.
  11. Огуреева Г.Н., Леонова Н.Б., Булдакова Е.В. и др. Биомы России. Карта в серии карт природы для высшей школы. Масштаб 1:7500000. Издание 2-е, переработанное и дополненное. М.: Всемирный фонд дикой природы (WWF), 2018.
  12. Карта физико-географического районирования СССР. Гвоздецкий Н.А., Самойлова Г.С. (ред.). Масштаб 1:8000000. М.: ГУГК, 1986.
  13. Hargrove W.W., Hoffman F.M. Potential of multivariate quantitative methods for delineation and visualization of ecoregions // Environmental management. 2004. V. 34. P. S39–S60.
  14. Mackey B.G., Berry S.L., Brown T. Reconciling approaches to biogeographical regionalization: a systematic and generic framework examined with a case study of the Australian continent // Journal of Biogeography. 2007. V. 35. No. 2. P. 213–229.
  15. Ольчев А.В., Гулев С.К. Карбоновые полигоны Российской Федерации: цели, задачи, перспективы // Изменения климата: причины, риски, последствия, проблемы адаптации и регулирования / Под ред. академика РАН И.И. Мохова, члена-корреспондента РАН А.А. Макоско, к.ф.-м.н. А.В. Чернокульского. М.: РАН, 2024. С. 343–355.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

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».