Рисунок 6 класс леса а 4: УРОК ПО РИСОВАНИЮ НА ТЕМУ «ЁЛКА ЗИМОЙ В ЛЕСУ» (6 КЛАСС ГУО)

Содержание

УРОК ПО РИСОВАНИЮ НА ТЕМУ «ЁЛКА ЗИМОЙ В ЛЕСУ» (6 КЛАСС ГУО)

Цель: развивать творчество детей через использование нетрадиционной техники рисования (рисование при помощи ладошки).

Задачи.

Развивать мелкую моторику и координацию движения, операции соотнесения, фантазию, наблюдательность и внимание, закреплять умение правильно располагать изображение на листе бумаги.

Коррекция умения обследовать предметы по форме, величине, цвету.

Воспитывать эстетическое отношение к природе, чувство уверенности в своих силах и умение восхищаться красотой вокруг нас.

Оборудование: мультимедийная презентация, ппоектор, колонки, ветки ели, елочки искусственные, поделки — елки, геометрические фигуры, кинетический песок, аудиозаписи песен:  «В лесу родилась ёлочка» (первый куплет и припев), хруст снега.

Для учащихся:

  • Листы голубой бумаги;

  • Гуашь;

  • Ватные палочки;

  • Стаканчик с водой;

  • Салфетка.

Ход урока.

I. Подготовительная часть.

1. Организационный этап. Проверка готовности к уроку.

Ну, ребята, чур, молчок.

Начинается урок.

Все мы любим рисовать,

Только надо наблюдать!


2. Вводная беседа.

— Какое сейчас время года? (На доске картинки о зиме)

Звучит песня «В лесу родилась ёлочка», куплет и припев.(дети подпевают)

-Как вы думаете, о каком времени года мы сегодня будем говорить? (Ответы детей).

Постановка темы урока: «Да, за окном зима! И сегодня на уроке мы будем говорить о красоте зимней природы».

— Каждое время года красиво по-своему.

-А сейчас я предлагаю вам поехать в зимний лес! Занимайте места в вагоне. Поезд отправляется…(презентация слайд паровозик)

— Поехали!

Поезд подаёт сигнал. Тянут «ту-у-у-у»
Он стоять уже устал. Произносят «чух-чух-чух»
Набирает поезд ход. Произносят на выдохе с ускорением «пш-пш-пш»
Быстро едет он вперёд.
Вагончики зелёные бегут,бегут, бегут.
А круглые колёсики Тук-тук, тук-тук, тук-тук.
Произносят, выполняя круговые движения руками.


— Посмотрите в окно. Дети смотрят на экран слайд шоу «Зима».
(достаточно 5-6 зимних пейзажей)

— Какая тишина! Слышно даже как снежок скрипит у нас под ногами.(аудиозапись хруст снега)

— Сколько кругом деревьев! Деревья и большие, и маленькие. (показывает учитель на картинках) Вот ель высокая, а вот и ёлочка, колючая иголочка.

— Какой самый весёлый праздник мы отмечаем зимой? (Показ слайда новогоднего фото)

Новый год – это праздник чудес! Разные чудеса свершаются в новогоднюю ночь. Дети наряжаются в разные костюмы, шутят, играют в игры, рассказывают стихи! Это очень весёлый праздник.

— Какое дерево мы украшаем на Новый год? (Ёлку)

— А мы сегодня тоже ждём гостью на урок.

— Как вы думаете, как зовут нашу гостью?

К нам домой под Новый год

Кто-то из лесу придет,

Вся пушистая в иголках,

А зовут ту гостью …(Елка)

(Рассмотреть елочки – поделки, выполненные детьми совместно с родителями).

— Как выглядит елка? (Нарядно). Вот какая красивая у нас ёлочка! Зимой в лесу все деревья запорошены снегом, но елочка наряднее всех.

Презентация елки в зимнем наряде

— Какого она цвета? (Зеленого). Её веточки остаются зелёными даже зимой.

— Есть ли у ёлки листочки? (Нет).

— А что у неё вместо листочков? (Иголки).

— Я вам принесла веточку от настоящей ёлки, которая растёт в лесу. Потрогайте иголочки. Они какие? (Колючие) (Разминаю иголки и предлагаю понюхать детям хвойный запах).

— Вам нравится как пахнет веточка ёлки?

— А на нашей ёлочке есть ветки? (Есть)

(Сравнивание живой елки и искусственной).

— Молодцы, ребята! А теперь давайте составим из этих фигур нашу елочку.

(Составление елочки из геометрических фигур)

— Обратите внимание на свои руки и пальчики. Что можно делать руками и пальчиками (Держать ложку – кушать, хлопать, держать зубную щетку – чистить зубы, держать карандаш и кисточку – рисовать. А еще рисовать можно одними пальчиками, без кисточки).

Мы сегодня с вами будем волшебниками – будем рисовать, пальчиками.

— А для того чтобы нам начать рисовать, нужно приготовить наши пальчики к работе. Давайте поиграем с ними в песочницу. (Составление из кинетического песка песочной формы ёлочки).

— Сегодня на уроке мы будем рисовать ёлочку необычным способом – ладошками. Мы с вами уже раньше рисовали таким приёмом. Как можно это сделать, сейчас выясним.

— Как лучше расположить лист бумаги вертикально или горизонтально?

— Почему ? (Ёлка высокая, большая)

— Откуда удобнее начать рисовать? (Сверху)

Напоминаю о правилах расположения листа бумаги. Даю конкретные указания по композиции: где расположить ёлочку, какой величины. Даю рекомендации по технике работы гуашью.

Поощряю, активизирую и стимулирую деятельность учащихся. Если необходимо показываю приёмы изображения деталей рисунка (на отдельном листе.

Гимнастика для глаз (презентация)

Вырастала елка в лесу на горе.

У неё иголки зимой в серебре,

У неё на шишках ледышки стучат,

Снежное пальтишко лежит на плечах…

— Что нужно дорисовать, чтобы получился зимний лес? (Снег)

— Что нужно дорисовать, чтобы получились снежные сугробы? (Снег)

— Ребята, посмотрите на этот лес. (

Слайды зимних картинок. Рассматривание иллюстраций зимнего леса). Снег лежит повсюду: и на веточках, и на земле. А вот здесь настоящий снегопад!

— Давайте вспомним, как мы рисовали снег. Когда снег падает – рисуем точки (ватными палочками). Если снег ложится на веточки точки, на землю- рисуем линии на веточках, на земле.

— Давайте мы оденем свои елочки в снежное пальтишко.

— Ребята, скажите какого цвета снег?

— Какой ещё бывает снег? (холодный, пушистый, мягкий, мокрый)

Ребята давайте нарисуем много – много снега.

Отмечаю, что ёлочке не холодно, в лесу, на ней снежная шубка. Она маленькая, а вокруг большие деревья растут, защищают её от ветра.

Начинаем рисовать.

Самостоятельная работа детей. Индивидуальная помощь, показ.

(Дети приступают к работе. Во время работы учитель помогает детям, испытывающим затруднения. Закончив работу, дети вытирают руки влажными салфетками).

Подведение итогов урока.

— Молодцы, ребята! Посмотрите, мы с вами постарались, и у нас получись красивые рисунки. Ребятки, вам понравилось рисовать ладошкой? (Ответы детей). Сегодня мы устроим выставку для того, чтобы родители тоже могли полюбоваться на ваши работы.

Дети рассказывают о красках, которыми они рисовали. Спрашиваю ребят, чем акварель отличается от гуаши. Уточняю ответы детей: акварель разводится водой, это прозрачная краска, гуашь, тоже разводится водой, но эта краса густая и непрозрачная.

Все рисунки просматриваются и обсуждаются. При анализе рисунков отмечаю красивые композиции, выразительные образы зимних деревьев, хорошо переданное пространство в рисунках и т. д.

Сочинения на тему «Зимний лес»

2 класс. Сочинения «Зимний лес»

Наступила зима. В лесу замело все дорожки. Медведь ложится в зимнюю спячку на всю зиму. Как прекрасен,и загадочен этот зимний лес. Вокруг летят, кружатся белоснежные, лёгкие снежинки. Куда не глянь по всюду белым бело, чистый снег ложится на холодную землю. Повсюду сугробы и метель. Птицы улетают на юг. Зима-это сказочное и волшебное время года,особенно в лесу.

3 класс. Сочинения на тему «Лес зимой»

Вокруг холодно. Зайцы в лесу поменяли шубку. Волчьи и лисьи следы лежат на белом серебристом снегу. Снегири сидят нахохлившись на ветвях снежных деревьев. Но кто там? Так это же ведь зима! Она идет словно лебедь плывущий по озеру.Зимушка идет и покрывает всё вокруг инеем, а снежинки падают словно вата. Зима в лесу как хозяйка, ухаживает за не прикрытыми снегом деревьев, украшает зимний лес снегом. Как хороша зима!

4 класс. Сочинения на тему «Зима в лесу»

Я люблю бывать зимой в лесу. Все деревья покрыты снежными кружевами, а вершины заснеженных елок украшены необычными гирляндами из шишек. Зимой в лесу на поляне особняком красуются крохотные березки. Как хороши они теперь, как пригожи! Вьюга посеребрила пышную прическу стройных сосен. Глубок зимний сон леса, но теплится жизнь под снегом, и на лесных полянах видны дорожки из следов животных: лисицы, зайца-беляка, лося. Зимой в непроходимых лесах медведи спят в свои берлоги. В колючих ветвях ели строят свои домики – гнезда белки.

5 класс. Сочинения на тему «Зимний лес»

Зима – прекрасное время года. А особенно хорошо зимой в лесу.

Нам кажется, что в зимнем лесу царит покой и беззвучие, но это только на первый взгляд. Когда появляется солнце, весь лес преображается и блестит. Многие лесные жители легли в спячку, а те, кто остался, прикладывают большие усилия, чтобы прокормить себя. Вот заяц-трусишка, сдирает кору с березы, а вот и синичка перелетает с дерева на дерево. Вдруг с огромной ветки ели упал снег, это белка скачет с орешком в зубах. Даже волк и лиса не сидят на месте, они рыщут по лесу в поисках добычи. Снегири, как ягоды рябины. Присели на ветке. Вдалеке важно бродит лось с огромными рогами.

А сам лес принаряжен пушистым, белоснежным снегом, искрящимся в лучах солнца. Как хорошо зимой в лесу!

6 класс. Сочинения на тему «Зимой в лесу»

Особенно красив зимой лес. Это зрелище похоже на сказку. Огромные деревья-великаны, стоят в белых снежных шубах, пушистые ветви покрыты охапками снега, кое-где на земле видны следы животных. Прекрасен зимний лес! Больше всего я люблю прогуливаться в зимнем лесу на лыжах.

Оденешься потеплее, возьмешь лыжи, палки и прямиком в лес. Легкие, слегка похрустывающие снежинки ломаются под ногами, создается впечатление, что идешь не по заснеженной лесной дороге, а скользишь по мягким пушистым легким облакам.

Прекрасна зимняя прогулка в лесу, но лучше всего, на мой взгляд, это катание на санках и коньках. Незабываемое ощущение, когда летишь с горы на санках, в лицо слегка дует ветер, под тобой проносятся сугробы, сверху голубое-голубое ясное небо.

Прекрасна природа зимой: заледеневшие реки, словно зеркало играют на солнце, снежные шапки деревьев игриво качаются на ветру, легкие снежинки падают кружась на землю. Я любви зиму, ведь эта пора напоминает мне о сказке, веселье, и я понимаю, что чудеса случаются и зима – прямое тому доказательство.

7 класс. Сочинения на тему «Лес зимой»

Когда в лесу, за шумным и сырым городом, царит самая настоящая зима, ее холодной красе подвластен даже тот, кто считает это время года слишком докучливым и суровым. И действительно, именно в лесистой местности вся прелесть зимы раскрывается в своем истинном значении, поражая воображение чудесными и удивительными картинами. Как величественно прекрасны своей гордой неподвижностью высокие сосны, чьи лапы клонятся к земле под тяжестью снежных покровов. Какими волшебными и загадочными кажутся оледеневшие кусты и ветви деревьев, словно кружевным узором обрамляющие темные стволы. Каким контрастно-ярким и неожиданным может вдруг показаться алое пятно рябиновой грозди на белоснежно-искрящемся фоне, как увлекательно наблюдать следы птиц и зверей на нетронутом полотне чистейшего снега. Зимой даже ночной лес преображается, теряя свое сумрачное и подчас устрашающее лицо и заменяя его изысканной таинственностью, голубым отблеском лунного света и замысловатыми тенями, которые, словно странные мифические существа, меняют свое обличье и являются лишь с приходом тьмы. Хорошо в лесу зимой, когда стоит безветренная и морозная погода, а под ногами поскрипывает чистый и свежий снег. Хорошо, когда мягкие хлопья тихо опадают на ветки деревьев и сладостно тают на ладони. В этот час так тихо и благостно, что в душе царят лишь добро и умиротворение, наслаждение истинной красотой и радостью жизни.

9-11 класс. Сочинения на тему «Зимний лес»

Зима, словно заботливая хозяйка, пришла в наши леса. У опушки небольшой холмик. Подул шаловливый ветер и снес с него белую шапку. Зима нарядила деревья в тяжелые снеговые шубы, нахлобучила на их верхушки белоснежные шапки, даже о ветках не позабыла — одела им пуховые варежки. А рябине подарила белую шаль, из-под которой виднеются гроздья ягод, словно янтарные серьги.Вдруг из-за серой тучи выглянуло солнышко, и сказочную полянку уже не узнать. Все вокруг заискрилось, засверкало, проснулись и потянулись к солнцу мохнатые ветви елей. Может хвастаются своим нарядом? Вот на ветке засуетился глухарь. Вот рябчик на ели сидит. Настойчиво застучал дятел. Белка выглянула из дупла, ей тоже хочется погреться на солнышке. Весело перекликаются птицы. Радуются.А воздух такой чистый, искристый, словно пропитанный свежестью леса. В зимнем лесу дышится легко. Здесь хорошо проводить выходные. Лес красив всегда. Но зимой он красив по настоящему. Это красота природы, красота чистоты и тишины.Зима дарит пришедшим в лес людям радость и спокойствие. Как здорово смотреть на могучие ели, на вершинах которых висят гирлянды шишек! Как легко они поддерживают снег своими ветвистыми руками. Их коричневатый ствол, темная зелень хвои, белый снег на сучьях, голубизна неба сверху сливаются в неповторимую палитру.Пойдешь в зимний лес и на сердце становится радостно и светло, так и хочется спеть какую-нибудь хорошую песню. Но несмотря на завораживающую красоту этого зимнего леса, мне почему-то стало в нем грустно.Замерзнув и загрустив, я уже собралась возвращаться домой, и тут встретила взглядом совсем неприметную зеленую елочку. Незаметная среди высоких деревьев, она была просто королевой леса! Тоненькие, но уже сильные лапки-веточки слегка присыпаны снежными блестками, яркий узор кроны будто нарисован на зимнем сугробе.Я всерьез задумалась: какой же главный смысл моего сочинения о зиме? Возможно, я хочу призвать людей, чтобы они берегли и охраняли природу. Ведь если мы не сохраним природу, то не сможем любоваться такой необыкновенной красотой зимнего леса.

Посмотрите также: Сочинение на тему Зима

Сочинение на тему Лес зимой или Зимний лес

Когда приходит зима, всё вокруг меняется. Природа чувствует, что настало время отдохнуть от роскошных убранств. Она наряжается во всё белое и красивое. Лес покрывается снежными хлопьями, которые без конца падают на верхушки деревьев. На зелёных иголках сосен и елей появляются едва заметные сосульки. Вокруг всё красивое и невероятное. Кажется, что лес превращается в сказку.

Каждое дерево спешит надеть новый наряд. Каждый зверёк становится пушистым и проворным. Лес меняется. Белое покрывало закрывает собой всё, что видит. Это делает деревья сказочными. Каждая их веточка блестит на солнце и привлекает к себе много внимания. Если присмотреться, то можно заметить, как снежинки кружатся и падают на тропки. Они украшают всё вокруг.

Зимний лес невероятен, он привлекает людей своей таинственностью. Здесь каждая веточка и каждый кустик словно собрал в себе всю красоту зимы. Снег аккуратно украшает деревья, наряжает их в белые шубки. Они выглядят очень счастливыми и довольными. Люди, которые приходят в лес, это замечают. Каждому человеку хочется прикоснуться к невероятным убранствам.

Даже звери надевают новые шубки. Зайцы становятся беленькими, они не хотят выделяться. Только светлый мех сможет спрятать их от хищников. Лес знает это и сам наряжается только в белое. Он помогает маленьким животным обрести спокойствие.

Один раз посетив такой лес, о нём сложно забыть. Он чарует своей чистотой и непорочностью. Каждое дуновение ветра или движение веточки приносит что-то новое. Никакая сила не может разрушить красоту, которая создаётся природой. Она неповторима и превращает всё вокруг словно в другой мир. Эта таинственная жизнь леса открывается всего на мгновение, но её уже трудно забыть.

Только зимой начинается настоящая сказка, которую могут прочитать только самые внимательные.

6 класс, 3 класс, 5 класс, 4 класс.

Вариант 2

Зима – очень красивая и таинственная пора года. Это хорошо можно увидеть, прогуливаясь по заснеженному лесу. Земля укрыта белоснежным ковром, деревья одели сказочные наряды. Всё украшено ослепительным снегом, прозрачным льдом и серебристой изморозью. Стоит выглянуть солнышку и всё начинает под его лучами искрится и переливаться всеми цветами радуги. Находясь в зимнем лесу, ты словно попадаешь в сказку.

Прогуливаясь по тропинкам зимнего леса можно услышать, как скрипят и трещат замёрзшие деревья от мороза. А хруст только выпавшего снега нарушает звенящую тишину леса. На сугробах можно увидеть не только узоры, оставленные морозным ветром, но и следы животных, которые бродят в поисках пропитания. Зима – тяжёлая и голодная пора для животных. Многие делают осенью запасы, чтобы пережить это нелёгкое время, а некоторые звери, такие как медведи и барсуки, впадают в спячку до самой весны. Птиц тоже редко встретишь в лесу: много птиц улетает в тёплые края, а некоторые ищут пропитания в городе. Жизнь в лесу затихает, но не останавливается.

Вдохновлённые волшебством и сказочной красотой зимнего леса, много композиторов и поэтов создали замечательные произведения. А также художники, любуясь зимними пейзажами, нарисовали множество хороших картин.

Зимой часто бывают сильные снегопады и метели, из-за которых не получается прогуляться по лесу. В такие моменты лес становится суровым. Все зверушки и птицы прячутся в своих норках, и стараются не высовываться пока утихнет вьюга. Сильные ветра сдувают с верхушек деревьев снег и образуют на земле большие сугробы и снежные завалы.

В зимнем лесу время словно останавливается. Заснеженная мирная природа дарит ощущение спокойствия, покоя и умиротворения. Мне нравится бродить по заснеженным тропинкам и любоваться красотой. Это хорошая возможность побыть вдали от городской суеты и наслаждаясь тишиной леса, погрузится в свои размышления. Общение с природой многому учит. Например, заботиться о диких животных, ведь зимой им трудно найти себе пищу. Можно соорудить кормушки и повесить их на деревья, чтобы птицы и белки могли лакомиться едой. Заботясь об окружающем мире, мы всегда будем счастливы, ведь будем постоянно лицезреть красивые пейзажи. Прививая своим деткам любовь к природе и животным, мы сможем сохранить наш красивый мир как можно дольше. За хорошее отношение природа всегда нас отблагодарит.

Зимний лес (сочинение рассуждение)

Зима-это изначально очень красивое время года, но какой восторг приходит, когда ее красота посещает лес. Есть много причин, почему стоит восхищаться этой картиной, но лучше просто описать ее, тогда будут наиболее близко переданы те ощущения, которые возникают при виде леса в зимнюю пору.

Зимний лес похож на огромный дворец, где живет зима, суровые деревья, как стражи, стоят смирно, одетые в ледяные латы, которые им создал мороз. Все устлано блестящим снегом, словно ковром, он кажется пушистым и мягким, но на самом деле обжигает холодом. Если остаться в лесу одному, то можно услышать, как ветер недовольно воет, он приносит новые снега.

Да, не зря столько олицетворений, ведь зимний лес кажется живым, все шумит, трещит от мороза, а ощущается, что это старые деревья скрипят оттого, что устали стоять годами на одном месте. Действительно есть чувство, будто мороз специально бродит по лесу, оставляя свои знаки. А насчет снежного ковра-будто кто-то из снежинок, словно из пряжи, соткал это чудо, да так, что оно сказочно переливается.

Описывая зимний лес невольно появляются мысли о мистике в нем. А ведь правда, из-за падающего снега, создается ощущение тумана, и кажется, что лес-это непроходимые далекие края, обитель темноты и чего-то таинственного. Особенно красиво и завораживающе выглядит зимний лес в лунную ночь. Лунный свет, пробивающийся сквозь снег создает яркое сверкание, и начинаешь верить, что по этой дорожке можно достать до самой луны. Как можно забыть про ночные звуки зимнего леса? Ночью наступает тишина, какой в жизни нам нигде не поймать. Слух обостряется и можно услышать самые глубинные звуки леса: где-то ухает филин, вдали скрипит снег, тихий шепот ветра среди деревьев.

И все-таки, если просто посмотреть на лес, не вдаваясь в его тайны и не пытаясь придать ему мистики-ведь это очень красивое природное место, пушистые ели под снегом, хочется прийти туда и просто послушать, как скрипит снег от шагов. Мороз кусает за щеки, а вокруг-красота, и уже все равно, что холод обитает вокруг. В зимнем лесу особенный воздух, такой легкий, освежающе холодный.

Очень много можно рассказать о лесе в зимнюю пору, можно описать его в самых разных красках, но лучше просто взять и сходить в это потрясающее место, чтобы лично насладиться шедевром природы.

Вариант 4

Приход зимы много меняет вокруг нас. Яркую, с волшебными красками, осень меняет зимняя сказка. Природа знает, что это пора, когда можно немного отдохнуть от ярких нарядов. Зима накрывает всё своим волшебным покрывалом и всё кругом становится белым, и очароватeльно красивым. Именно в лесу зимой деревья накрывают снежные хлопья. Они без конца падают с неба. На ёлках видны слегка заметные сосульки, свисающие с веток. Зимний лес, покрытый снегом похож на сказку. Он очаровывает своей красотой и необычными пейзажами. В нём стоит полная тишина. Лишь скрипт снега под ногами может нарушить её.

Нет таких деревьев, что не надели белый наряд. Каждая веточка у дерева блестит и отражает всю красоту. Можно увидеть, как снежинки кружась в нeбe и падая на землю украшают всё кругом.

Зимний лес необыкновенен, поэтому и привлекает к себе. Не даром художники любят рисовать зимние пейзажи, животных в зимнем саду и в целом эту зимнюю сказку. Такие работы притягивают к себе всё больше внимания и глядя на эти картины так хочется прикоснуться и побывать в таких волшебных местах, прикоснуться к красивейшим убранствам. Известные поэты приобретают вдохновение лишь побывав в этой сказке и пишут стихи которые через время становятся известными на весь мир.

Животные зимой прячутся по своим норкам, а те, кому не страшны холода, становятся более пушистыми и проворно передвигаются по снегу так, что людям их можно не заметить вовсе. Даже они не против надеть на себя белоснежные шубки. Зайцы, к примеру, свой привычный серый окрас меняют на белый потому что не хотят выделяться в такое время года. А также только такой образ сможет спасти небольших зверьков от более больших хищников, так как он помогает им слиться с природой и остаться незамеченными. Жизнь зимой в любом лесу затихает, но вовсе не останавливается.

Каждый, кому хоть раз в жизни повезет оказаться в зимнем лесу, запомнит эту картину надолго. Ведь она завораживает и не может оставить безразличным.  Каждое шевеление веточки на деревьях, лёгкий зимний ветерок, падающие белоснежные хлопья приносят что-то новое. Природа создает красоту неведомой силы и ничто не может ее разрушить, ведь она превращает наш обыденный мир в маленькую сказку.

Сочинение 5

Каждое время года по-своему красиво, имеет свой характер, свои индивидуальные особенности. Весну мы любим за пробуждение, лето – за расцвет, осень – за закат, а вот зиму – за то, что она даёт нам волшебство.

Богатства, которые нам дарит природа, невозможно описать, ими нужно любоваться и наслаждаться. Зима, как время года, всегда выглядит сурово, холодно. Многие писатели и поэты описывают так зиму, примеряя на неё разные образы, например в творчестве А.С. Пушкина этих сравнений очень много. Прочитав, одни становится немного жутковато, хочется сидеть, укрывшись пледом, и не выходить на улицу. А если прочесть другие строки о прекрасном дне, наполненном солнцем и морозом, то моментально хочется выбежать на улицу, веселиться, играть, как маленький ребёнок.

А вот самым лучшим местом, где можно насладиться природой, её красотой является – лес. А зимний лес – это вообще сказка!

Как только выпал первый снег, и держится лёгкий морозец, нужно немедленно идти в лес! Будет большой ошибкой пропустить такую красоту. Зайдя в зимний лес, в голове навеваются строки Ф. Тютчева:

«Чародейкою Зимою
Околдован лес, стоит,
И под снежной бахромою,
Неподвижною, немою,
Чудной жизнью он блестит…»

И на самом деле попадаешь в зимнюю сказку. Деревья стоят в снежных, пушистых, белоснежных шапках. Лапы сосен и елей немного опустились под снежной тяжестью. Задев нечаянно ветку, на тебя сыплет снегопад. А вот здесь, аккуратно пройдя мимо деревьев, снова снегопад, а его уже  сделала синичка, испугавшись и встрепенувшись с ветки. Где-то вдалеке слышен стук, можно подумать, что это лесник рубит дерево, но пройдя на звук и присмотревшись можно увидеть чёрненькую птичку с ярко-алой шапочкой на голове – это дятел.

Вот вдалеке сломалась ветка, и становится страшно, боязно, кто бы это мог быть? Скорее всего это кто-то из животных может лось, олень или косуля, а возможно и кабан. В зимнем лесу звуки слышатся громче из-за мороза и тишины.

Пройдя немного, можно набрести на тропинку из следов, похожих на кошачьи лапки или лапки мелкой собаки. Эти следы – лисицы. В это время этот зверь предстаёт во всей своей красе. Мех становится пушистым, огромный хвост – и всё рыжего цвета – красота! Вся добыча лисица находится под снегом (мыши, полёвки), но это не преграда. Вот и рыщет рыжая плутовка в поисках корма.

Если повезёт и погода будет солнечная, то прогулка по лесу останется  в памяти на долго. Снег на солнце искрится и переливается, как драгоценные самоцветы. На солнышко выходят погреться птицы и звери, если тихонько стоять, не двигаясь, можно за ними понаблюдать.  Очень интересно в зимнем лесу детям, они всегда послушны, спокойны, словно попали в таинственное место, им там очень интересно, да и взрослым так же, ведь все мы родом из детства.

№6

Зима чудесное и необыкновенное время года. Это очень заметно гуляя по зимнему лесу или парку. Словно белым ковром укутаны поляны и деревья. Украшено прозрачным как стекло льдом и изморозью. На солнце все блестит и переливается всеми возможными цветами.

Находясь в зимнем лесу, ты ощущаешь, что находишься в сказке. Прогуливаясь зимой по лесу можно слышать, как скрипит под ногами белый как вата снег. Также на снегу можно увидеть не только чудные узоры, но и оставленные животными следы, которые ищут себе пропитание, чтобы не голодать. Некоторые делают себе припасы осенью, а другие как медведи впадают в зимнюю спячку вплоть до самой весны. Зимой животным очень сложно добывать себе пропитание, это очень тяжелая пора для их существования. Птиц не особо много в лесу в это время года, большинство улетает зимовать в теплые края. Течение жизни в лесу зимой заметно сокращается, но никогда не останавливается насовсем.

Вдохновение приходило поэтам, рассказчикам и художникам. И те и другие создавали прекрасные композиции в виде стихотворений и картин, наблюдая за ослепительно белоснежной зимой в лесу.

Есть и минусы у этого чудесного времени года, Снегопады, метели из-за которых нет шанса погулять по лесу. Лес становится мрачным. Даже звери не выходят из своих убежищ, пока не кончится вьюга. После нее образуются снежные сугробы.

Зимний лес сам по себе дарит приятные успокаивающие ощущения, мир и покой. Многим очень понравится побродить по снежным тропам и наслаждаться всем ее великолепием. Чувствуешь как тебе тепло хоть на улице и стоит мороз, приятные ощущения от такого вида и воспоминания которые останутся. Это хорошая возможность отдохнуть от гнетущей городской суматохи, есть время подумать, и восстановить силы. Также можно помочь животным зимой с пропитанием, повесить кормушки. Нужно всегда заботиться об окружающей среде имы будем рады наблюдать за ее чудесной красотой.

Рассуждение 7

Наступила долгожданная зима. Землю прикрыло снегом, словно толстым, пушистым, искрящимся на солнце ковром.  Лесной наряд выглядит торжественно, словно лес приготовился к встрече дорогого гостя. Ели в нарядных платьях, укутанные в расписные шали, кустарники в огромных мохнатых шапках застыли в ожидании чуда. Деревья, покрытые инеем, сверкают в солнечных лучах.  Стоит потянуть за ветку и сразу попадаешь под снежный водопад.

Кругом глубокие сугробы и только тоненькая тропка петляет среди них. Шаг в сторону с тропинки и сразу проваливаешься в пушистый снег, переливающийся всеми цветами радуги.

Стоит звенящая тишина. Ее может нарушить только скрип снега под ногами, или треснувшая на морозе веточка. Ветер не спеша сдувает снежинки с верхушек деревьев и несет их дальше. Если поймать снежинку на ладонь, можно увидеть из каких тончайших узоров она сплетена.

То здесь, то там на снегу заметны следы.  По ним, как по книге, можно прочитать истории лесных жителей. Вон вдалеке видны следы лосей, они приходили к кормушке, поесть вкусно пахнущего сена, которое заботливо оставили им лесники.

 Здесь, совсем рядом с тропинкой пробежал заяц. Он теперь в новой белой шубке, почти незаметен на снегу. А чуть дальше, под большой сосной видны остатки шишки, это лакомилась белка. Если присмотреться, то видно, как она шустро передвигается по стволу дерева.

На ветках рябины виднеются красные пятна. Это красногрудые снегири облепили дерево, пушистые комочки нашли любимое лакомство. Где-то вдалеке слышно стрекотание сорок.

Как же красив лес в солнечный день!

Но бывает лес и другим. Угрюмым и мрачным. Стоит скрыться солнцу, и сказочная картина меняется. Становится темно, завывает метель. Проносящиеся один за другим снежные вихри, заметают следы на снегу, засыпают дорожки. Лесные жители спешат спрятаться от непогоды.

Страшная тишина нависает над лесом, только слышен вой ветра. Проходит несколько минут и уже не понятно где небо, где земля, повсюду только снежные хлопья. Все смешалось в этом вихре, кажется, что нет конца этому представлению.

Но проходит совсем немного времени и неожиданно воцаряется тишина, пробиваются сквозь тучи лучики солнца. Непогода отступает, оставляя после себя сверкающие сугробы необычных форм. Лес оживает, наполняется звуками, возвращается к своей неторопливой размеренной жизни.

Сочинение 8

Каждый человек что-то любит. Животных, путешествия, компьютерные игры. Я люблю лес и зиму. Поэтому зиму в лесу люблю вдвойне.

Лес зимой очень красив, пусть и присутствует всего 3 цвета: белый, зелёный и коричневый. Встречаются и другие цвета: красные гроздья рябины, рыжие шубы зверей, но основных всё-таки 3. В начале зимы снег ещё не грязный, как весной. А белый и пушистый. Ёлки и сосны в снегу даже в феврале напоминают о Новом годе.

Когда заходишь в зимний лес, поначалу он только кажется пустым. Приглядевшись и прислушавшись, можно увидеть и услышать многое. На сухом дереве дятел долбит ствол, ищет себе пропитание. Вездесущие синички перелетают с куста на куст. Реже можно встретить снегирей. Недалеко за городом люди в лесу вешают кормушки для птиц. Иногда в эти кормушки заглядывают и белки, кто ж откажется от еды в суровое время года? Зимой белок виднее, чем летом. На снегу рыжая шубка хорошо заметна на снегу.

Интересно читать следы, которые животные оставляют на снежном покрове. Птичьи – большие и маленькие, заячьи, которые легко узнать. Чуть глубже в лес, там, где зимой человек не ходит, встречаются следы лисы, кабана или лося. Ну, а лесной снеговик с морковкой говорит о присутствии человека.

Грибников зимой не увидишь, а вот спортсменов легко. Лыжники в зимнем лесу – обычное дело. В морозный солнечный день хорошо покататься по лесу. Можно пробежаться по уже раскатанной лыжне, а можно проложить свою. Пешком по глубокому снегу ходить очень сложно, а вот лыжи не дают провалиться под снег. Главное, не уехать далеко, а то можно заблудиться. Для тех, кто не любит лыжи, есть и другие зимние развлечения: санки, ватрушки, коньки. Катание на коньках по лесному озеру нельзя сравнить с катком – места гораздо больше! А горки для санок, самодельные или природные, можно найти в любом лесу.

Хорошо зимой уехать подальше и развести в лесу костёр. Сразу вспоминается сказка «12 месяцев». Посидеть, погреться у костра, попить чаю из термоса и пожарить на огне кусочек припасённого хлеба – это очень интересно и напоминает небольшое приключение.

Прогулки по зимнему лесу хороши для здоровья. Свежий воздух, спорт, морозец укрепляют иммунитет лучше, чем любое лекарство. А если взять с собой фотоаппарат, то останется много красивых кадров зимы в лесу.

2, 3, 4, 5, 6 класс

Другие сочинения:

Лес зимой или Зимний лес

Несколько интересных сочинений

  • Сочинение Образ Мцыри в одноименной поэме Лермонтова

    Мцыри – это герой одноимённой поэмы замечательного русского поэта и писателя М. Ю. Лермонтова. Волей судьбы он вынужден жить в монастыре

  • Революция в романе Пастернака Доктор Живаго

    В центре романа находится главный герой, врач и интеллигент по имени Юрий. Живаго приходится переживать непростые времена, когда менялись установленные порядки, и им на смену приходили новые законы и власть

  • Сочинение Всегда ли нужно избегать конфликтов (итоговое)

    Все люди постоянно в своей жизни встречают конфликты. Многие люди стараются избегать открытого противоречия. Если у людей разное мнение по одному вопросу, то возникает почва для выяснения отношений

  • Сочинение на тему Вера в человека (9 класс рассуждение 15.3)

    Человек – особенное существо, которое способно на многое. Но ключевая особенность заключается в вере. Если человек не поверит в то, что он что-то может, из него ничего не выйдет. Благодаря

  • Тема творчества в романе Мастер и Маргарита Булгакова сочинение

    В романе Михаила Булгакова «Мастер и Маргарита» поднимаются различные проблемы, в том числе и касательно творчества, творческого пути, роли творца.

Ориентирование на местности — Рабочая тетрадь 6 класс Сиротин (Ответы и гдз)

Цель работы: формирование умений ориентироваться на местности с помощью компаса, плана; обучение сосавлению простейшего плана местности.

Задание 1. Заполните таблицы 4,5, указав направления расстояния на схемах (рис.3а, 4).


Задание 2. Составьте схему вашего движения по маршруту (рис.3б). С помощью условных знаков нанесите окружающие объекты.

Таблица 4. 

Основные пункты маршрута Направление движения Азимут (А) Расстояние (Р)
на плане на местности
1 — начало маршрута Севро-восток (СВ) А=45 8 см 800 м
2 — φ Юг (Ю) А=180 8 см 800 м
3 —  Запад (З) А=270 4 см 400 м
4 —   Северо-запад (СЗ) А=315 3,5 см 350 м

Рис. 3а. Схема маршрута.

 Рис.3б. Схема маршрута, пройденного на экскурсии.

Ориентирование по плану.

Таблица 5.

Наблюдаемый объект Расположение объекта по отношению к месту наблюдения
Азимут движения к объекту

Расстояние до объекта
на плане на местности
Холм Север (С) А=0 4,5 см 450 м
Опушка леса Юго-Запад (ЮЗ) А=225 3,5 см 350 м
Мост через реку Сура Восток (В) А=90 3 см 300м

Рис.4. Схема расположения географических объектов относительно места наблюдения.


Задание 3. Определите направление и расстояния до объектов на плане местности (рис.5) из точек наблюдения (Т1, Т2).


Итоги регионального заочного конкурса «Дети о лесе»

Район

Название ШЛ, Лесничество, лесхоз

МОУ

Ф.И. автора, класс

Руководитель, сот. телефон

Место

Номинация «Жизнь леса» (эссе)

1

Братский

 

МКОУ «Наратаевская средняя общеобразовательная школа»

Шкергина Нина, 11 класс

Савицкая Юлия Вячеславовна

1 место

2

Катангский

«Зеленая аптека»

МКОУ ДО ЦДО с. Ербогачен

Валиулин Соломон, 6 класс

Андреева Т.Г.

1 место

3

Баяндаевский

 

МБОУ «Тургеневская средняя общеобразовательная школа»

Морозова Майя, 11 класс

Давидович Татьяна  Анатольевна

2 место

4

Боханский

 

МБОУ «Укырская средняя общеобразовательная школа»

Табинаев Альберт, 5 класс

Табинаева Валентина Поликарповна

2 место

5

Баяндаевский

 

МБОУ
«Половинская
средняя общеобразовательная школа»

Карась
Марина,
5 класс

Галимулина
Елена
Ильинична

3 место

6

г. Иркутск

 

МБОУ г. Иркутска «Средняя общеобразовательная школа с УИОП №2».

Степаненко Артур, 3 класс

ЕрмоленкоЛ.В.

3 место

Номинация «Жизнь леса» (поэзия)

7

г. Иркутск

 

МБОУ г.Иркутска «Средняя общеобразовательная школа №40»

Коренева Юлия,  7  класс

Сапожкова Ольга Алексеевна

1 место

8

г. Усолье-Сибирское

 

МБУДО «Станция юных натуралистов

Павлова Дарья, 9 класс

Золотарева Любовь Николаевна

1 место

9

Зиминский

«Vita», Карымский филиал АУ      «Лесхоз Иркутской области»

МБОУ «Средняя общеобразовательная школа №26»

Худякова Дарья, 6 класс

Ипатенкова С. В.

2 место

10

Нижнеудинский

ТУМинистерства лесного комплекса
Иркутской области
по Нижнеудинскому лесничеству

МКОУ «Атагайская средняя общеобразовательная школа»

Евдокимова Софья, 3 класс

Яхонтова О.А.

2 место

11

 Аларский

«Юный эколог»

ФГКОУ «Средняя общеобразовательная школа № 178»

Писарев Антон, 6 класс

Писарева Е.Ю.

3 место

12

Осинский

 

МБОУ «Русско-Янгутская средняя общеобразовательная школа»

Шипицына Алёна, 8 класс

Наумова Татьяна Владимировна

3 место

Номинация «Жизнь леса» (сказки)

13

г. Братск

Братский филиал ОГАУ «Лесхоз Иркутской области»

МБУДО «Эколого-биологический Центр»

Румянцева
Дария,
5 класс

Молчанова Наталия Викторовна

1 место

14

Нижнеудинский

 

МКОУ «Солонецкая средняя общеобразовательная школа»

Климов Даниил, 2 класс

Усова Ирина Николаевна

1 место

14

г. Иркутск

 

МАОУ ЦО № 47 г. Иркутска

Стебунов Виталий, 6 класс

Саловарова Анна Викторовна

2 место

15

Усольский, п. Усолье-7

 

МБОУ «Средняя общеобразовательная школа №20»

Шлычкова Софья,
8 класс

Шестакова Ирина Геннадьевна

2 место

16

Тулунский

«Зеленый патруль»,
ОГАУ Присаянский филиал  «Лесхоз Иркутской области»

МОУ «Утайская основная общеобразовательная школа»

Никитенко Иван,
6 класс

Никитенко Евгения Александровна

3 место

17

г. Иркутск

 

МБОУ
г. Иркутска «Средняя общеобразовательная школа № 23»

Космаков Вячеслав, 6 класс

Белобородова Галина Николаевна

3 место

Номинация «С лесом связанные судьбы»

18

Нижнеудинский г. Алзамай

 

МКУДО «Дом детского творчества г. Алзамай»

Корсакова Надежда Владимировна,  директор
Худякова Наталья Сергеевна, п.д.о.

 

1 место

19

Куйтунский

Эко- отряд «Лесовик», ТОУ АЛХ «Куйтунское л-во»

МУ ДО «Дом детского творчества – Город мастеров»

Кучук Алина, 7 класс

Михайлик Алена Николаевна

2 место

20

Жигаловский

Жигаловское лесничество

МКОУ «Жигаловская средняя общеобразовательная школа №1»

Ахметов Захар, 6 класс

Мулягина Елена Арсеньевна

3 место

Номинация «Дети о лесе» (1-11классы)

21

Иркутский район

 

ИРМО МОУ «Средняя общеобразовательная школа посёлок Молодёжный»

Телегина Мария, 1 класс

Декабрёва Вера Николаевна

1 место

22

Бодайбинский 

 

МКОУ «Мамаканская средняя общеобразовательная школа»

Грачева Светлана, 6 класс

Войчак С. К.

1 место

23

г. Иркутск

ЮЗЛ (Юные защитники леса) «Лесной патруль»

МБОУ г. Иркутска
«Средняя общеобразовательная школа № 9»

Косымбекова Нурия,
7 класс

Аксеновская Елена Михайловна

1 место

24

г. Иркутск

 

МБОУ г. Иркутска «Средняя общеобразовательная школа №38»

Кольцова Алёна, 9 класс

Лебедева Екатерина Алексеевна

1 место

25

г. Иркутск

 

МБОУ «Средняя общеобразовательная школа № 50»

Карташова Надежда, 9 класс

Жаворонкова Татьяна Александровна

1 место

26

Катангский

 «Лесовичок» Катангский лесхоз

МКОУ  «Средняя общеобразовательная школа  с. Ербогачен»

Веохотурова Арина 11 класс

Жданова Татьяна Александровна

1 место

27

г. Иркутск

 

Объединения «Палитра» МБУ ДО г. Иркутска ЦДТ «Октябрьский»

Толмачева Полина, 11 лет

Касьянова Ю.В.

2 место

28

Чунский

«Сосновые родники», Чунский филиал ОГАУ «Лесхоз ИО»

МБОУ «Средняя общеобразовательная школа №3 п. Октябрьский»

Огородникова Софья, 5 класс

Кулакова О.В.

2 место

29

Жигаловский

Жигаловкое лесничество

МКОУ «Жигаловская средняя общеобразовательная школа №1».

Зинченко Виталия, 5 кл

Мулягина Елена Арсеньевна

2 место

30

Осинский

 

МБОУ «Русско-Янгутская средняя общеобразовательная школа»

Костомарова Александра, 6 класс

Литвинова Маргарита Анатольевна

2 место

31

Ольхонский

«Эдельвейс»,
ТУ МЛК по Ольхонскому лесничеству
Ольхонский участок  Межрайонный филиал «Лесхоз ИО»

МОУ «Куретская средняя общеобразовательная школа»

Раевская Ирина,
9 класс

Брянская Надежда Николаевна

2 место

32

Иркутский

 

МОУ ИРМО «Хомутовская средняя общеобразовательная школа №2»

Кетусинх Оливия, 10 класс

Перевалова Л. А.

2 место

33

Бодайбинский 

 

МКОУ «Мамаканская Средняя общеобразовательная школа»

Чевелёва Светлана, 4 класс

Войчак С.К.

3 место

34

Куйтунский

«Лесные» гномы, Карымский филиал ОГАУ «Лесхоз ИО»

МКОУ «Карымская средняя общеобразовательная школа»

Ярослава Александра, 7 класс

Зинченко Надежда Алексеевна

3 место

35

Усть-Кутский

«Хранители леса»
Усть-Кутское лесничество

МКОУ «Средняя общеобразовательная школа №6 им. А.Н. Шерстянникова»

Гудкова Карина, 12 лет

Марисова Марина Петровна

3 место

36

Куйтунский

ТОУ АЛХ «Куйтунское лесничество»

МКОУ «Средняя общеобразовательная школа №1»,  р. п. Куйтун

Сулекова Татьяна, 8 класс

Сизых Ирина Николаевна

3 место

37

Усольский

«Саяны», Усольский участок, Межрайонный филиал ОГАУ «Лесхоз ИО»

МБОУ «Тальянская средняя общеобразовательная школа №17»

Чирухина Дарья,  9 класс

Проводина Любовь Николаевна

3 место

38

г. Усть-Кут

«Лесной патруль», Усть-Кутский филиал ОГАУ «Лесхоз ИО»

МОУ «Средняя общеобразовательная школа №10».

Перетягин Сергей, 10 класс

Новгородская Н.Ю.

3 место

Номинация «Дети о лесе» (детский сад)

39

Нижнеудинский

 

МКДОУ № 130

Дружинин Михаил, 5 лет

Ромашева Н. В.

1 место

40

Нижнеудинский

 

МКДОУ «Школа – сад  № 16 Алзамай»

Павлушенко Егор, 5 лет

Чупина О.Ш.

2 место

41

Нижнеудинский

 

МКДОУ «Сказка» г. Нижнеудинск»

Барчишина Диана, 5 лет

Журавлева Елена Владимировна

3 место

Номинация «Весенний лес»

42

г. Усолье-Сибирское

 

МБУДО «Станция юных натуралистов

Жуков Константин, 5 класс

Золотарева Любовь Николаевна

1 место

43

Нижнеудинский

 

МКОУ «Средняя общеобразовательная школа № 10 г. Нижнеудинск»

Товмасян Софья,
3 класс

 

1 место

44

Нижнеудинский

 

МКОУ «Средняя общеобразовательная школа № 12 г. Нижнеудинск»

Сергеев Михаил,
1 класс

Жукова Елена Николаевна

2 место

45

г. Иркутск

 

МБОУ г. Иркутска «Средняя общеобразовательная школа №11»,  МАОУ ДО г. Иркутска «Дворец творчества»

Загородникова Алиса, 3 класс

Мальченко Ирина Алексеевна

3 место

46

Нижнеудинский

 

МКОУ «Чеховская основная общеобразовательная школа»

Кобленев Прохор,
9 класс

Король Л.Х.

3 место

6 класс. Математика. Никольский.

Учебник. Ответы к стр. 10

Отношения, пропорции, проценты


Масштаб


Ответы к стр. 10

21. Что показывает численный масштаб:
а) 1 : 100; б) 1 : 1000; в) 1 : 20 000.

а) расстояние на карте в 100 раз меньше расстояния на местности;
б) расстояние на карте в 1000 раз меньше расстояния на местности;
в) расстояние на карте в 20 000 раз меньше расстояния на местности.

22. Определите численный масштаб, если известно, что 1 см на плане (географической карте) изображает отрезок длиной:
а) 10 см; б) 50 см; в) 6 дм; г) 10 м;
д) 100 м; е) 1 км; ж) 6 км; з) 10 км.

а) 1 : 10;
б) 1 : 50;
в) 1 : 60, так как 6 дм = 60 см;
г) 1 : 1000, так как 10 м = 1000 см;
д) 1 : 10 000, так как 100 м = 10 000 см;
е) 1 : 100 000, так как 1 км = 100 000 см;
ж) 1 : 600 000, так как 6 км = 600 000 см;
з) 1 : 1 000 000, так как 10 км = 1 000 000 см.

23. Расстояние между двумя городами равно 200 км. Определите расстояние между изображениями этих городов на карте, если численный масштаб карты равен:
а) 1 : 1 000 000; б) 1 : 200 000; в) 1/5000000.

а) 200 км = 20 000 000 см
1 : 1 000 000 = 1/1000000
20 000 000 см • 1/1000000 = 20000000/1000000 см = 20 см
О т в е т: 20 см.

б) 200 км = 20 000 000 см
1 : 200 000 = 1/200000
20 000 000 см • 1/200000 = 20000000/200000 см = 100 см
О т в е т: 100 см.

в) 200 км = 20 000 000 см
20000000 см • 1/5000000 = 20000000/5000000 см = 4 см
О т в е т: 4 см.

24. Масштаб карты равен 1/50000. Определите расстояние на местности, если на карте оно равно:
а) 1 см; б) 5 см; в) 22 см; г) 37 мм; д) 1 1/5 дм; е) 146 мм.

а) 1 см : 1/50000 = 1 см • 50000/1 = 50 000 см = 500 м
О т в е т: 500 м.

б) 5 см : 1/50000 = 5 см • 50000/1 = 250 000 см = 2500 м = 2 км 500 м
О т в е т: 2 км 500 м.

в) 22 см : 1/50000 = 22 см • 50000/1 = 1 100 000 см = 11 000 м = 11 км
О т в е т: 11 км.

г) 37 мм = 37/10 см
37/10 см : 1/50000 = 37/10 см • 50000/1 = 37•50000/10 см = 37 см•5000/1 = 185 000 см = 1850 м = 1 км 850 м
О т в е т: 1 км 850 м.

д) 1 1/5 дм = 6/5 дм = 6/5 • 10 см = 6•10/5 см = 60/5 см = 12 см
12 см : 1/50000 = 12 см • 50000/1 = 600 000 см = 6000 м = 6 км
О т в е т: 6 км.

е) 146 мм = 146/10 см = 73/5 см
73/5 см : 1/50000 = 73/5 см • 50000/1 = 73•50000/5 см = 73 см•10000/1 = 730 000 см = 7300 м = 7 км 300 м
О т в е т: 7 км 300 м.

25. План комнаты имеет вид прямоугольника со сторонами 40 мм и 31 мм. Определите длину и ширину комнаты, если численный масштаб плана равен 1 : 200.

1 : 200 = 1/200
Длина α = 40 мм : 1/200 = 40 мм • 200/1 = 8000 мм = 800 см = 8 м
Ширина b = 31 мм : 1/200 = 31 мм • 200/1 = 6200 мм = 620 см = 6 м 20 см
О т в е т: длина α = 8 м, ширина b = 6 м 20 см.

26. Огород имеет вид прямоугольника, длина которого 340 м, а ширина 220 м. Какие размеры будет иметь изображение этого огорода на плане, выполненном в масштабе 1 : 500?

1 : 500 = 1/500
Длина α = 340 м • 1/500 = 340/500 м = 34/50 м = 17/25 м = 1700/25 см = 68 см
Ширина b = 220 м • 1/500 = 220/500 м = 22/50 м = 11/25 м = 1100/25 см = 44 см
Ответ: длина изображение на плане α = 68 см, ширина изображения на плане b = 44 см.

27. Прямоугольник со сторонами 12 см и 6 см изображает на плане поле, занятое под овёс. Определите масштаб плана, если бóльшая сторона поля имеет длину 360 м. Определите меньшую сторону поля.

Масштаб М = 12 см : 360 м = 12 см : 36 000 см = 12/36000 = 1/3000 = 1 : 3000
Ширина b = 6 см 1/3000 = 6 см • 3000/1 = 18 000 см = 180 м
О т в е т: масштаб 1 : 3000, ширина поля b = 180 м.

28. Используя план местности (рис. 2) определите:
а) расстояние от А до B;
б) расстояние от А и от B до моста через реку;
в) расстояние от B до смешанного леса.

 

а) 1 : 10 000 = 1/10000
расстояние на плане от А до B примерно 70 мм = 7 см
расстояние на местности от А до B: s = 7 см : 1/10000 = 7 см • 10000/1  = 70 000 см = 700 м.
О т в е т: от А до В 700 м.

б) 1 : 10000 = 1/10000
расстояние на плане от А до моста через реку примерно 20 мм = 2 см
расстояние на плане от В до моста через реку примерно 50 мм = 5 см
расстояние на местности от А до моста через реку: s = 2 см : 1/10000 = 2 см • 10000/1 = 20 000 см = 200 м
расстояние на местности от В до моста через реку: s = 5 см : 1/10000 = 5 см • 10000/1 = 50 000 см = 500 м.
О т в е т: от А до моста 200 м, от В до моста 500 м.

в) 1 : 10000 = 1/10000
расстояние на плане от B до смешанного леса примерно 15 мм = 15/10 см = 3/2 см
расстояние на местности от B до смешанного леса: s3/2 : 1/10000 = 3/2 • 10000/1 = 30000/2 = 15 000 см = 150 м.
О т в е т: от В до смешанного леса 150 м.

Ответы по математике. 6 класс. Учебник. Никольский С.М., Потапов М.К., Решетников Н.Н., Шевкин А.В.

Математика. 6 класс

Landsat MSS для лесных задач

Для лучшего понимания динамики лесных экосистем очень полезно иметь дистанционную информацию за как можно более долгий период. C открытием архива снимков Landsat стали доступными и снимки сенсоров MSS, работавших с 1972 по 1999 г. Таким образом, стала доступна информация о лесных экосистемах начиная с 70х гг прошлого века, и это уникальный источник, поскольку в 70-е-80-е других аппаратов ДЗЗ с таким разрешением и пространственным покрытием не было.
Снимки с описываемого сенсора имеют ряд ограничений по сравнению с Landsat TM и более поздними изображениями. В данной статье будут описаны характеристики и особенности дешифрирования изображений MSS, а также будет рассмотрен примерный круг задач, решаемых с помощью этих снимков, и опыт дешифрирования MSS в реальном лесном проекте.

[править] Характеристики сенсора

Сенсор MSS работал с июля 1972 года по январь 1999 на борту спутников Landsats с 1 по 5. В то время это была настоящая революция в области ДЗЗ; мало того, после поломки в ноябре 2011 года Landsat 5 TM, инструмент MSS снова был включен и работал с июня 2012 года до января 2013 года [1].
Изображения MSS поставляются с уровнем обработки L1T (радиометрическая и геометрическая коррекция с использованием цифровых моделей рельефа), разрешение 60 м/пиксель. Характеристики каналов и иную информацию можно получить здесь. Обратим внимание, что разрешение сенсора и разрешение снимка — разные вещи. Нумерация каналов у MSS не такая, как у более новых Landsat’ов, а 4 5 6 7 соответственно.

У многих изображений в центре изображения во всех диапазонах отсутствует полоса в 8 пикселей, что примерно составляет 18000 пикселей, а также имеются многочисленные полосы в случайных местах изображения рис. 1 — полосы на Landsat MSS

[править] Что можно увидеть на MSS и что нельзя

Итак, изображения MSS обладают невысоким пространственным разрешением и дефектами — полосами. Кроме того, в отличие от более поздних Ландсатов, доступных каждые 2 недели, удачных MSS намного меньше, хорошо если попадется 1-2 пригодных к обработке снимка на одну и ту же территорию. Однако даже такие «слепенькие» снимки поддаются обработке и могут дать исследователю полезную информацию.

[править] Синтезы

Сравним характеристики диапазонов MSS и TM (таблица 1)

табл. 1 — диапазоны Landsat MSS и TM

как видно из этой таблицы, сопоставить «в лоб» синтезы MSS и TM нельзя. Мы пришли к выводу, что привычнее всего глазу синтез 4-3-1 (или, в оригинальной нумерации MSS 7-6-4(рис. 2).

рисунок 2 — снимок Landsat MSS, синтез 4-3-1

[править] Лесные экосистемы на MSS

В силу несовершенства снимков MSS по сравнению с более поздними, не стоит ожидать от них слишком многого, но кое-что увидеть можно. Рис. 2 показывает, какие основные объекты видны на MSS и как они выглядят на TM

рисунок 2 — снимок Landsat MSS и TM на ту же территорию

1 — лес (можно попытаться разделить на хвойный и лиственный, но надежно пока не получалось) 2 — вырубка на месте этого леса 3 — возможно, молодой лиственный лес, видно несколько лучше, чем смешанный с хвоей 4 — вырубка на MSS, как видно, она зарастает листвой на TM.
На рис. 3 показаны разные виды рубок и лиственные массивы. Хорошо виден дефект в виде полосы.

рисунок 3 — снимок Landsat MSS

1 — рубки со сжиганием порубочных остатков: «на снимках, полученных для Коми, видно, что в некоторых местах леса были сначала вырублены, а затем выжжены» [2]
2 — лиственные насаждения 3 — зарастающие рубки 4 — смешанные насаждения

[править] Особенности обработки

Особенности изображений Landsat MSS (невысокое пространственное разрешение, дефекты, всего 4 спектральных канала) обуславливают некоторые хитрости в их обработке. Как уже говорилось выше, особенностью MSS является наличие полос и артефактов. Условно их можно разделить на три класса: Полосы 1-го рода. Перед классификацией шумы сенсора нужно убирать. Есть как минимум 2 способа: а) Метод главных компонент, удалив или уменьшив вес 3-й и 4-й компонент можно избавиться от шумов, например, как описано здесь [3] б) быстрое преобразование Фурье. В GRASS можно делать и то и другое: [4] Полосы 2 рода — сдвиг отдельных участков на некоторое количество пикселей. Полосы 3 рода — артефакты совершенно другого цвета, никак не связанные со снимком, в случайных местах изображения. При автоматизированной классификации с обучением приходится кроме обычных классов (хвойные, вода, болота…)выделять еще и отдельные тестовые участки для полос третьего рода, иногда даже 2-3 класса для полос разного цвета. При этом для классификации бесполезно использовать сложные и долго выполняющиеся алгоритмы (SVM, нейронные сети), поскольку разделимость тестовых участков очень невелика. На практике в итоге было решено использовать алгоритм максимального правдоподобия, т.к. его точность по нашему опыту чуть выше, чем у методов Махалонобиса или минимального расстояния (см. например, [5]),а дешифрирование проходит очень быстро.

Результирующее изображение содержит паразитный класс «полосы». Увы, с ними нельзя поступить как с облаками и тенями на традиционных Landsat 5 или 7,т.е. отмаскировать и попробовать закрыть получившиеся лакуны информацией с другого снимка. Для этого сцен MSS на одну и ту же территорию слишком мало. Бороться с полосами можно по-разному, например, попытаться отмаскировать их еще на этапе предобработки. Также можно воспользоваться графическим редактором — открыть результат классификации в редакторе, и глядя на исходный снимок и какой-нибудь ближайший по времени Landsat 5, вручную «замазать» полосы цветами тех классов, которые скорее всего должны быть на месте полос. Для того, чтобы не потерять привязку, нужно сохранить результат классификации в tiff со всеми возможными файлами привязки (tfw, world. ..) или, если есть деньги, воспользоваться плагином для Фотошопа Avenza Geographic Imager. Это, конечно, эрзац, и служит он только для создания красивых изображений, поэтому для дальнейшего анализа нужно все равно работать с исходным «полосатым» результатом классификации.

[править] Возможность использования снимков MSS в лесном хозяйстве

Теперь, когда мы знаем непростой характер снимков MSS, выясним, для чего же можно их использовать
1) для установления факта лесонарушений. На рис. 4 показан снимок на участок респ. Коми, хорошо видны вырубки и гарь

рисунок 4 — снимок Landsat MSS показывает нарушения в лесных насаждениях Коми

2) для установления возраста и происхождения насаждений на месте нарушений (например, вторичные лиственные на месте вырубок 40-50 гг
3) для оценки потери лесов в результате природных или антропогенных факторов. Например, «южный массив» в респ. Коми с 70х гг прошлого века сократился вдвое (рис. 5)

рисунок 5 — снимки Landsat MSS (1973) и TM (2011) на Южный массив лесов в респ. Коми

Рисунок 6 иллюстрирует потерю лесов юга Коми в результате рубок. Нами было сделано сопоставление результатов дешифрирования спутниковой съемки с Атласом лесов СССР [6]. Получилось, что почти все лесные массивы, представленные в Атласе как ельники и сосняки, на самом деле вырублены как раз примерно на момент создания атласа.

рисунок 6 — результат дешифрирования снимка Landsat MSS (1973) и фрагмент карты лесов Коми. Желтым и серым на снимке показаны старые вырубки и свежие вырубки и гари соответственно

4) для уточнения состава насаждений при анализе временных рядов снимков. На рис. 7 показано, что сосняк (возможно, лишайниковый) отлично определяется на MSS и Landsat TM 1990х гг, но выглядит как обычный смешанный лес на снимке 2003 г. Соответственно, применяя анализ временных рядов снимков, получаем уточненный состав — смешанный лес с участием сосны.

рисунок 7 — снимки Landsat MSS (1973), Landsat TM (1990-е)и Landsat TM (2003). Можно проследить изменение состава леса с сосняка на смешанный

Таким образом, Landsat MSS можно использовать для анализа временных рядов Landsat, помня об ограничениях по разрешению и дефектах.

[править] Опыт использования снимков Landsat MSS в проекте НП «Прозрачный мир» «Интенсивное и устойчивое лесопользование в России»

Проект «Интенсивное и устойчивое лесопользование в России» начался в 2010 г., основным спонсором был печально известный USAID. Проект должан был продлиться 3 года, но из-за того, что USAID в России запретили, был свернут раньше времени.
Цель проекта: Информационная поддержка совершенствования управления лесами России с учетом передового отечественного и зарубежного опыта, современных подходов и практик ведения устойчивого лесного хозяйства, в том числе, механизмов Киотского протокола
Для этого, в частности, были созданы карты лесов на Республики Коми и Карелия, Вологодскую, Ленинградскую, Архангельскую, Мурманскую области. При этом использовались снимки Landsat за три временных периода — 70-е, 2000-е и 2010-е гг. Рисунок 8 иллюстрирует, какие классы были получены для разных снимков.

рисунок 8 — классы на снимках Landsat MSS (1973), Landsat TM (2000-е и 2010-е гг). Слайд взят из презентации А.М Крылова

На основе 3 карт была создана результирующая, включающая 25 классов. Удалось разделить вторичные лиственные и смешанные леса на 3 группы возраста. Фрагмент такой карты показан на рис. 9.

рисунок 9 — фрагмент результирующей карты. Слайд взят из презентации А.М Крылова.

Дальше с полученной картой можно проводить разнообразную работу, например, анализ доступности тех или иных лесов, анализ пригодности территорий под лесные плантации и т.п. Предполагалось выложить результаты в Интернет в виде интерактивной карты, но из-за свертывания проекта этого сделать не удалось. Более подробно наша работа описана в [7] и в [8].
Итак, снимки MSS, если знать их возможности и ограничения, представляют собой интересный источник информации для анализа временных рядов снимков и лучшего понимания изменений в лесных экосистемах.

  1. ↑ http://landsat.usgs.gov/NewMSSProduct.php
  2. ↑ http://ria.ru/forest_news/20111201/503714057. html
  3. ↑ http://academic.emporia.edu/aberjame/student/tucker1/es775.html
  4. ↑ http://grasswiki.osgeo.org/wiki/Image_destriping
  5. ↑ Владимирова Н.А. Космические изображения Aster как источник данных для лесного хозяйства: характеристики, методика дешифрирования, перспективы использования // Вестник Московского государственного университета леса -Лесной вестник, № 1(64), 2009, с. 163-173
  6. ↑ Атлас лесов СССР. М.: ГУГК при СМ СССР, 1973. 222 с.
  7. ↑ Владимирова Н.А., Есипова Е.С. Использование данных космической съемки Landsat для создания общедоступных карт лесов севера европейской России // “Земля из космоса — наиболее эффективные решения”, пятая международная конференция 29 ноября — 1 декабря 2011 г. / Сборник тезисов. — М.: Инженерно-технологический Центр СканЭкс, НП “Прозрачный мир”, Издательство Бином, 2011 — 416 с. С. 61-64
  8. ↑ Владимирова Н.А., Есипова Е.С. Крылов А.М. Использование данных космической съемки Landsat для создания общедоступной карты лесов Архангельской области и выявления изменений в лесном покрове с середины 70-х гг. XX века // АЭРОКОСМИЧЕСКИЕ МЕТОДЫ И ГЕОИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В ЛЕСОВЕДЕНИИ И ЛЕСНОМ ХОЗЯЙСТВЕ: Доклады V Всероссийской конференции, посвященной памяти выдающихся ученых-лесоводов В.И. Сухих и Г.Н. Коровина (Москва, 22-24 апреля 2013 г.) — М.: ЦЭПЛ РАН, 2013 г. 348 с. с. 106-108

6.2 Обзор индекса участка — измерения леса

Для определения качества участка с использованием высоты деревьев в качестве индикатора в насаждении отбираются соответствующие деревьев участка каждого вида. Высота и возраст деревьев на участке измеряются в поле, а затем наносятся на график или с индексом на кривых роста для конкретных видов или в таблицах (см. Рисунок 6.3). Эти кривые зависимости высоты дерева от возраста получены на основе исторических данных о росте и урожайности полей и показывают, как лучшие деревья из различных участков росли с течением времени без интенсивного управления или вмешательства в качество участка.Для данного вида дерево, которое достигает 120 футов в высоту в возрасте 50 лет, обычно имеет лучшие условия для роста, чем дерево, которое имеет высоту всего 80 футов в возрасте 50 лет. И, как показывают кривые роста, более короткое дерево, скорее всего, продолжит расти. с возрастом растут медленнее (рис. 6.3). Конечно, есть исключения из этих общих тенденций, но для большинства сайтов общие тенденции достаточно надежны.

Рисунок 6.3. Указатель сайтов Кингса о Дугласовом пиле в западном Вашингтоне. Для определенного возраста дерево высотой 120 футов будет продолжать расти быстрее, чем дерево высотой 80 футов.(Взято из King 1966.)

Индекс местонахождения (SI) определяется как высота доминантных и кодоминантных деревьев в некотором базовом возрасте. Следовательно, древостой со средним индексом участка за 50 лет, равным 120, будет означать, что деревья способны достигать общей высоты 120 футов за 50 лет. Установив базовый возраст, можно оценивать и сравнивать насаждения любого возраста, и, таким образом, число «120» становится показателем продуктивности участка. Затем это можно оценить как высокое или низкое место по сравнению с другими высотами деревьев в этом возрасте.

Индексы участков для некоторых видов сгруппированы в классов участков , причем участок класса I является самым высоким участком, а класс участка V или VI — самым низким. В первом примере, приведенном выше для пихты Дугласа, дерево, 50-летний индекс местоположения которого составляет 80 футов, относится к классу IV, тогда как 120-футовое дерево растет на земле класса II (рис. 6.3).

Деревья, растущие на землях первого класса, являются высокопродуктивными, обычно растут на плодородных почвах, имеют доступ к влаге и защиту от ветра.Аллювиальные участки на низких высотах часто попадают в эту категорию. И наоборот, деревья класса V обычно растут на бедных почвах, в засушливом климате или на верхней границе своего диапазона высот.

Рисунок 6.4. Высота деревьев-доминантов одного возраста на разных склонах. Темная окраска показывает глубину почвы; пунктирными линиями обозначен уровень грунтовых вод. (A) Накопление почвы и органического материала у основания склона приводит к более глубоким почвам и более высоким деревьям. (B) Если край склона подвержен высокому уровню грунтовых вод, ограниченное укоренение может уменьшить рост в высоту.Источник: по Сперру и Барнсу, 1980.

Класс площадки также может меняться на одном склоне. Вершина хребта, подверженная воздействию ветра и эрозии, может давать деревья, которые попадают в Зону класса III, в то время как основание склона с менее обнаженными камнями и более глубокими почвами, собирающими этот эродированный материал, относится к Зоне класса II (рис. 6.4: A). Кроме того, деревья, растущие на среднем склоне с хорошим дренажом и большим количеством солнца, могут вырасти выше, чем те же виды у основания склона в прибрежной зоне, если глубина укоренения ограничена высоким уровнем грунтовых вод (Рисунок 6.4: В).

Эффект размерного класса способствует сбору древесных пород, влияя на расселение в тропических лесах

Abstract

Мы исследовали процессы сборки сообщества с использованием классов размеров деревьев. В частности, в нашей работе было исследовано: (1) дают ли модели точечных процессов, включающие эффект класса размера, более реалистичные итоговые результаты, чем модели без этого эффекта; (2) какая из трех отобранных моделей, включающая, соответственно, экологические эффекты, рассредоточение и совместный эффект обоих из них, наиболее полезна для объяснения взаимосвязей между видами и площадей (SAR) и точечных схем рассеивания.Для этой оценки мы использовали данные о древесных породах с участка динамики леса площадью 50 га на острове Барро-Колорадо, Панама, и сопоставимого участка площадью 20 га в Бубенге, Юго-Западный Китай. Наши результаты показали, что включение эффекта размерного класса резко улучшило оценку SAR на обоих участках, когда использовалась модель только рассеивания. Модель совместного воздействия дала аналогичные улучшения, но только для участка площадью 50 га в Панаме. Результаты точечных шаблонов не были улучшены за счет включения эффектов класса размера с использованием любой из трех моделей. Наши результаты показывают, что рассредоточение, вероятно, будет ключевым процессом, определяющим как SAR, так и точечные паттерны. Модель только для окружающей среды и модель совместных эффектов были эффективны на уровне видов и сообществ, соответственно. Мы пришли к выводу, что при моделировании пространственных структур на уровне видов и сообществ критически важно использовать несколько сводных характеристик, если требуется всестороннее понимание экологических процессов, которые определяют распределение видов; без этого результаты могут иметь врожденные предубеждения.Влияя на расселение, размерный класс способствует сборке видов и расширяет наше понимание сосуществования видов.

Образец цитирования: Hu Y-H, Kitching RL, Lan G-Y, Zhang J-L, Sha L-Q, Cao M (2014) Эффект размерного класса способствует формированию древесных пород, влияя на распространение в тропических лесах. PLoS ONE 9 (9): e108450. https://doi.org/10.1371/journal. pone.0108450

Редактор: Гил Борер, Университет штата Огайо, Соединенные Штаты Америки

Поступило: 26 марта 2014 г .; Принята к печати: 29 августа 2014 г .; Опубликовано: 24 сентября 2014 г.

Авторские права: © 2014 Hu et al.Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Финансирование: Это исследование было поддержано Национальным фондом естественных наук Китая (31300358), фондом West Light Китайской академии наук Юэ-Хуа Ху, Национальной ключевой программой фундаментальных исследований Китая (2014CB954100), Фондом биотехнологии QCAS (GJHZ1130), Национальной программой развития науки и технологий (2008BAC39B02) и Национальным научным фондом Китая (31061160188, 31270453). Участие профессора Китчинга в этом проекте было поддержано приглашенным профессором Китайской академии наук, номер гранта 2013T2S0029. Исследовательский проект динамики леса BCI стал возможен благодаря грантам Национального научного фонда Стивену П. Хаббеллу: DEB-0640386, DEB-0425651, DEB-0346488, DEB-0129874, DEB-00753102, DEB-97, DEB-9615226, DEB- 9615226, DEB-9405933, DEB-9221033, DEB-58, DEB-89, DEB-8605042, DEB-8206992, DEB-7922197, а также NSF DEB021104,021115, 0212284,0212818 и OISE 0314581 из Центра, с дополнительной поддержкой по науке о тропических лесах, Смитсоновский институт тропических исследований, Институт Джона Д.и Фонд Кэтрин Т. Макартур, Фонд Меллона и Фонд Института малого мира. Многочисленные организации предоставили финансирование, в основном Национальный научный фонд США. Любые мнения, выводы и заключения или рекомендации, выраженные в этом материале, принадлежат авторам и не обязательно отражают точку зрения Национального научного фонда. Проект участка BCI является частью Центра науки о тропических лесах, глобальной сети крупномасштабных участков демографических деревьев. Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.

Введение

То, как размерный класс влияет на сборку древесных пород в сообществах, важно для сосуществования видов. Для древесных пород с большой продолжительностью жизни многие атрибуты могут варьироваться в зависимости от класса размеров, включая пространственные структуры [1], [2], [3], ассоциации местообитаний [4], [5], [6], физиологические требования и селективное давление [ 7], [8].В результате механизмы сборки видов могут изменяться с возрастом деревьев [9], [10]. Было предложено несколько теорий для объяснения сосуществования видов [11], [12], [13], [14], но в настоящее время не возникло единой теории [15]. Многие недавние эмпирические исследования определили детерминированную «нишу» и стохастическую «нейтральную» сборку как два основных механизма, формирующих сосуществование древесных видов по отдельности или в сочетании [1], [16], [17], [18]. Изучение влияния размерного класса на нишевые и нейтральные процессы должно обеспечить надежную оценку воздействия размерного класса на сборку видов.Хотя в нескольких исследованиях изучалась относительная важность нишевых и нейтральных процессов в определенных классах размеров [5], [6], [10], [19], [20], на сегодняшний день не было исследований, которые бы моделировали напрямую , влияние размерного класса на сборку видов.

Долгосрочный мониторинг динамики древесных пород является прямым способом изучения роли размерного класса в сборе видов, однако увеличенная продолжительность жизни деревьев делает эту задачу сложной. Более практичной альтернативой достижения, по крайней мере частично, такого же понимания является изучение структуры постоянных размеров и пространственных структур различных видов деревьев.Модели точечных процессов эффективны для моделирования пространственного распределения древесных видов и, соответственно, могут быть полезны для оценки роли нишевых и нейтральных процессов в сборке видов [21]. Предыдущие исследования с использованием моделей точечных процессов успешно смоделировали все отображенные деревья [21] или деревья в пределах определенных классов размеров [19], [20] на интересующих лесных участках. Следовательно, путем раздельного моделирования распределения древесных видов в пределах определенных классов размеров и последующего объединения этих симуляций для воссоздания всего сообщества, мы можем эффективно моделировать эффекты, характерные для конкретных классов размеров.Объединение древовидных сообществ с использованием разных классов размеров может позволить нам обнаруживать сложные пространственные закономерности в нескольких масштабах кластеризации [22]. Сравнительное моделирование нишевых и нейтральных процессов с эффектом размерного класса и без него должно количественно оценить важность таких эффектов в собрании сообщества. Наконец, явное моделирование эффектов размерного класса на сборку видов может привести к новому пониманию сосуществования видов.

Для оценки влияния размерного класса на распределение видов крайне важно использовать соответствующие сводные характеристики для выявления различий между фактическим сообществом и смоделированными сообществами с использованием моделей точечных процессов. В прошлом использовались многие сводные характеристики, в том числе отношения между видами и площадью (SAR) [21], кривые убывания расстояния [20] и распределения численности видов [23] для анализа на уровне сообществ. Для анализа на уровне отдельных видов использованная статистика включала функцию расстояния до ближайшего соседа [24], L-функцию Рипли [25] и функцию парной корреляции [26]. Среди этих сводных характеристик SAR описывает способ увеличения числа видов с увеличением площади выборки [27] и связан со сферическим распределением контактов на уровне сообщества в относительно больших масштабах [28].SAR уже давно изучаются экологами [29] и являются краеугольным камнем общественной экологии [30]. Wiegand et al. [24], однако, утверждают, что важно использовать множественные суммарные характеристики для выявления критических характеристик сложных закономерностей, лежащих в основе распределения видов. Из-за разной способности к расселению и разной реакции на переменные среды у разных видов, Shen et al. [19] предполагает, что анализ на уровне видов также необходим для изучения распределения видов.Функция парной корреляции (т.е. g-функция), которая представляет детали кластеризации деревьев на уровне отдельных видов в относительно небольших масштабах [22], [24]. более чувствителен к значительным взаимодействиям точка-точка в определенных пространственных масштабах, чем многие другие функции точечных шаблонов [31]. Это подходящая суммарная характеристика на уровне вида. Соответственно, мы предполагаем, что SAR и g-функция являются двумя идеальными, взаимодополняющими сводными характеристиками для уровней сообщества и видов соответственно.

В этом исследовании мы отдельно смоделировали древовидные распределения, основанные на ограничении рассеивания, ограничении окружающей среды и комбинации обоих эффектов (на основе однородного процесса Томаса, неоднородного процесса Пуассона и неоднородного процесса Томаса, соответственно) для различных DBH ( диаметр на уровне груди) размерные классы. Затем, комбинируя смоделированные сборки различных классов DBH, мы генерируем структуру всего сообщества, явно включающую эффект размерного класса.Наконец, мы сравниваем модели SAR и g-функции, созданные для каждого из двух исследуемых лесных насаждений, с использованием каждой из трех моделей с этими эффектами размерного класса и без них.

Поскольку вид может время от времени изменять свои предпочтения в среде обитания и пространственный точечный образец, который может соответствовать разным классам размеров, мы предполагаем, что модели точечных процессов с эффектом класса размеров должны представлять гораздо более надежные образцы SAR и g-функций, чем модели без эффекты размерного класса. Многие предыдущие исследования показали, что совместное воздействие окружающей среды и расселения является основным регулятором распространения видов.Соответственно, мы предполагаем, что вместе эти факторы должны играть более важную роль в формировании структур SAR и g-функции, чем любой из них по отдельности.

Материалы и методы

Заявление об этике

Бюро управления национального заповедника Сишуанбаньна предоставило нам полномочия на проведение учёта численности деревьев на участке площадью 20 га. С разрешения главного исследователя участка острова Барро-Колорадо (BCI) мы загрузили топографические данные, данные о почве и данные о деревьях для этого участка с веб-сайта Центра науки о тропических лесах (http: // www.ctfs.si.edu/).

Описание сайта

Данные по двум сезонным тропическим лесам были использованы для исследования механизмов, лежащих в основе SAR и g-функций. Первый из этих наборов данных был взят из графика динамики леса площадью 20 га в деревне Бубенг, Национальный заповедник Сишуанбаньна, Юго-Западный Китай (данные S1). В этой области преобладает типичный муссонный климат, который приводит к типичному сухому сезону (с ноября по апрель) и сезону дождей (с мая по октябрь). В 2007 году мы закончили первую перепись на участке Бубенг. Мы зарегистрировали 95 498 стеблей, из которых идентифицировано 468 видов или морфовидов, принадлежащих к 213 родам и 70 семействам. Высота участка Бубенг колеблется от 709 до 869 м. Подробные описания климата, геологии и флоры участка Бубенг можно найти в Lan et al. [32] и Hu et al. [33]. Второй набор данных взят из графика динамики лесов площадью 50 га на острове Барра-Колорадо (BCI), Панама. Этот участок также находится в районе с чередованием влажного и сухого сезонов.На участке расположен низинный полуолистный влажный лес с 301 видом и 229 049 стволами с DBH ≥1 см. Рельеф участка BCI плоский с высотным диапазоном всего 38 м. Подробные описания климата, геологии, флоры и фауны участка BCI можно найти в Croat [34], Leigh et al. [35] и Джентри [36]. В соответствии с данными графика Бубенга, для которого мы использовали данные первой переписи, мы использовали данные дерева из первой переписи участка BCI [37]. Перепись деревьев на обоих участках проводилась в соответствии с согласованным протоколом для глобальной сети лесных исследовательских участков, контролируемых Центром науки о тропических лесах [38].

Чтобы количественно оценить влияние переменных окружающей среды на SAR и g-функции, мы использовали топографические и почвенные переменные в качестве переменных окружающей среды. На основании данных топографической съемки были рассчитаны средняя высота, выпуклость, аспект и уклон в каждой ячейке 20 × 20 м, которые использовались в качестве топографических переменных на обоих участках [21], [39], [40]. Для графика Бубенг мы взяли пробы почвы с использованием регулярной сетки точек каждые 30 м, получив 252 узла. Каждый второй узел был соединен с дополнительной точкой отбора проб на расстоянии 2 м и 5 м, 2 м и 15 м или 5 м и 15 м вдоль произвольного направления компаса от связанного с ним узла.Всего было отобрано 756 проб почвы. Для каждого образца было собрано 500 г верхнего слоя почвы (глубиной 0–10 см). Девять свойств почвы — доступный азот, обменный калий, извлекаемый фосфор, органическое вещество, pH почвы, общий калий, общий азот, общий фосфор и объемная плотность почвы — были проанализированы, как описано Liu et al. [41]. Мы использовали интерполяцию Кригинга для создания карт девяти почвенных атрибутов с использованием ячеек 20 × 20 м. Чтобы избежать переобучения, мы вычислили основные компоненты из девяти атрибутов почвы и использовали первые три компонента в качестве переменных почвы для графика Бубенга.Эти сжатые переменные объясняют 83,5% общей дисперсии девяти почвенных атрибутов. Для графика BCI были рассчитаны оценки Кригеда значений Zn, Al, B, Ca, Fe, K, Cu, Mg, Mn, N, P, N (минерализация) и pH для клеток размером 20 × 20 мкм. И снова мы вычислили первые три основных компонента почвенных атрибутов, которые объяснили 78,5% общей вариации, и использовали их для представления переменных почвы на графике BCI.

Тестирование влияния класса размера на SAR: категоризация класса размера

Чтобы смоделировать влияние класса размера на распределение видов, мы классифицировали деревья по разным классам размера DBH как эффективный вариант решения проблемы размера дерева.Мы смоделировали распределение видов, используя 3 класса размеров DBH: , а именно.

Классификация трех классов DBH частично соответствовала исследованиям Hu et al. [33], [42], что делает наши результаты сопоставимыми и гарантирует, что в большом классе DBH можно найти достаточное количество людей. Для каждого из 3 классов DBH в модель точечного процесса были включены виды с численностью не менее 50. Когда требовались исходные данные, не учитывающие размерных эффектов, эти три класса размеров просто объединялись и условно обозначались вместе как класс «0».

Модель точечного процесса

Вслед за Шеном et al. [21], мы использовали неоднородный процесс Пуассона (для моделирования воздействия на окружающую среду), гомогенный процесс Томаса (моделирование распространения) и неоднородный процесс Томаса (моделирование совместного воздействия окружающей среды и распространения) для моделирования распределения древесных пород. Моделирование с использованием трех моделей точечных процессов было реализовано на статистическом языке R (версия 3. 0.2) [43] с использованием кода R Шена и др.[21].

Неоднородный пуассоновский процесс

В моделях, включающих неоднородный процесс Пуассона, используются переменные среды на основе квадратов для определения плотности целевых видов деревьев в соответствующих квадратах. Эта модель, соответственно, полезна для моделирования ассоциаций видов / мест обитания, и мы использовали эту модель для определения вклада дифференциации ниш в сборку видов. В нем используется следующая функция: (1) где> 0, — вектор параметров регрессии, — вектор из матрицы переменных окружающей среды — топографических и почвенных переменных в данном исследовании.

Моделирование целых сообществ

Для создания смоделированных сообществ, включающих эффекты классов размеров, мы сначала сгенерировали 100 смоделированных сообществ с использованием модели точечных процессов для каждого из трех классов DBH: затем путем случайного наложения смоделированных сообществ классов 1–3 вместе, 100 смоделированных сообществ с Эффект размерного класса был создан для каждой точечной модели процесса. Это не моделирует видовые взаимодействия и внутривидовые отношения между разными размерными классами.Для представления смоделированных сообществ без эффекта класса размера 100 смоделированных сообществ были сгенерированы непосредственно с использованием моделей точечных процессов класса 0 (то есть с объединением трех классов размера).

SAR был построен путем создания возрастающей серии из 200 произвольно выбранных прямоугольных ячеек выборки различных размеров из каждого конкретного смоделированного или реального сообщества [21]. Контрасты производительности для этих SAR между моделями точечных процессов с эффектом класса размера и без него сравнивались с использованием аппроксимации информационного критерия Акаике ( AIC ) [45].Поскольку для каждой модели точечных процессов было 100 смоделированных сообществ, для определения статистической разницы между значениями AIC моделей точечных процессов с эффектом класса размера и без него использовался критерий суммы рангов Крускала-Уоллиса. Мы также использовали значения AIC для сравнения производительности трех моделей. Значения AIC трех моделей могут быть аппроксимированы следующей формулой [23], [45] 🙁 3) где n — количество выбранных областей, равное 200, R — сумма квадратов остатков. , а k — количество параметров.Число параметров неоднородного процесса Пуассона, однородного процесса Томаса и неоднородного процесса Томаса составляет 2, 3 и 5 соответственно [21]. Поскольку у нас было 100 смоделированных сообществ для каждой из трех точечных моделей процессов для каждого класса DBH, мы вычислили значения SAR AIC для каждого смоделированного сообщества. Опять же, мы используем тест суммы рангов Крускала-Уоллиса для сравнения разницы значений SAR AIC между моделями точечных процессов с учетом и без влияния класса размера.Мы использовали попарные тесты суммы рангов Вилкоксона для оценки различий в значениях SAR AIC между тремя моделями точечных процессов для каждого класса DBH.

Проверка эффекта класса размера на g-функцию

Чтобы оценить влияние включения классов размеров на точечные модели распределения видов, функция парной корреляции (т.е. g-функция) была вычислена для всех смоделированных и реальных распределений видов. G-функция может эффективно определять возникновение взаимодействий точка-точка в определенном масштабе и оценивать степень агрегирования.Статистика g-функции определяется как (4) где g (r) — g-функция, K (r) — K-функция Рипли, а r — расстояние [46].

В частности, мы сначала вычислили значение g-функции для каждого вида всех смоделированных и реальных сообществ на окружностях с серией радиусов в 5, 10, 15, 20, 25, 30, 35, 40 и 45 м. Чтобы сравнить степень конвидовой агрегации смоделированных распределений с эффектом класса размера и без него на уровне сообщества, мы подогнали их к наблюдаемой g-функции, используя регрессию по большой оси [47].При использовании этого метода, если подогнанная линия находится ниже тождественной линии (то есть: когда подогнанное значение равно наблюдаемому значению g-функции), то модель точечного процесса недооценивает степень пространственной агрегации: в качестве альтернативы, модель переоценивает степень пространственной агрегации. Отображая подогнанные линии всех моделей точечных процессов на идентичной линии, мы можем определить степень отклонения смоделированных паттернов от реальных данных. Аналогично тому, как это использовалось для расчета значений SAR AIC (см. Выше), мы вычислили значения g-функции AIC , чтобы определить производительность трех моделей.Как и раньше, мы использовали тесты суммы рангов Крускала-Уоллиса для сравнения различий в значениях AIC для g (r) с эффектами классов размеров и без них. Мы использовали попарные тесты суммы рангов Вилкоксона для оценки различий в значениях AIC g (r) среди трех точечных моделей процесса для каждого класса DBH. Расчет g (r) и регрессии по большой оси также был реализован на статистическом языке R с использованием пакетов spastat [48] и lmodel2 [49], соответственно.

Результаты

Результаты SAR

Для участка Бубенг 158 видов деревьев использовались в анализах, обозначенных как класс размера 0. Из этих видов 148 видов относились к классу размера 1, 43 — к классу 2 и 52 — к классу 3. Для участка BCI , насчитывалось 169 видов деревьев в классе 0, 161 вид деревьев в классе 1, 83 вида деревьев в классе 2 и 77 видов деревьев в классе 3. На рисунке 1 показаны модели SAR смоделированных сообществ, полученные с использованием трех моделей точечных процессов. с эффектом класса размера и без него для класса 0 графика Бубенга и графика BCI.При использовании неоднородного процесса Пуассона практически не было различий в форме в относительных диаграммах SAR между моделируемыми сообществами с эффектом класса размера и без него для обоих участков. Для неоднородных процессов Томаса и однородных процессов Томаса наблюдались значительные различия в форме относительных диаграмм SAR между моделируемыми сообществами с эффектом размерного класса и без него на двух графиках. Распределение значений SAR AIC в классе 0 и результаты теста суммы рангов Крускала-Уоллиса для них подтвердили статистические различия (рис. 2 и таблица 1). Значения p в таблице 1 предполагают, что значения SAR AIC заметно уменьшаются, когда эффекты размерного класса вводятся в однородный процесс Томаса для класса 0 графика Бубенга и графика BCI. Однако значения SAR AIC были уменьшены аналогичным образом только из-за эффекта класса размера для неоднородного процесса Томаса для класса 0 для графика BCI.

Рис. 1. Наблюдаемые и прогнозируемые кривые вид – площадь для трех моделей процессов с эффектом класса размера и без него для класса 0 (то есть: классы размеров 1, 2 и 3 вместе) графика Бубенга и графика BCI .

Столбцы представляют собой 95% доверительные интервалы.

https://doi.org/10.1371/journal.pone.0108450.g001

Рисунок 2. Коробчатые диаграммы распределений значений SAR AIC , сгенерированных тремя моделями процессов с эффектом класса размера и без него в классе 0 ( то есть: классы размеров 1, 2 и 3 вместе) для графика Бубенга и графика BCI.

HT. l = гомогенный процесс Томаса с эффектом размерного класса; HT.w = гомогенный процесс Томаса без эффекта размерного класса; IP.l = неоднородный пуассоновский процесс с эффектом размерного класса; IP.w = неоднородный пуассоновский процесс без эффекта размерного класса; IT.l = неоднородный процесс Томаса с эффектом размерного класса; и IT.w = неоднородный процесс Томаса без эффекта размерного класса.

https://doi.org/10.1371/journal.pone.0108450.g002

Таблица 1. Значения p из тестов суммы рангов Крускала-Уоллиса для SAR и значений g (r) AIC для моделей точечных процессов с и без эффекта класса размера в классе DBH 0 (то есть: классы размера 1, 2 и 3 вместе).

https://doi.org/10.1371/journal.pone.0108450.t001

Неоднородный процесс Пуассона всегда переоценивал диаграммы SAR от класса 0 до 3 для обоих графиков (рис. 1 и 3). Среди трех моделей точечных процессов неоднородный процесс Томаса всегда приводил к наиболее точной оценке SAR от класса 0 до 3 (рис. 1–4, таблицы 2 и таблица S1). По мере увеличения класса DBH разница значений SAR AIC между гомогенным и неоднородным процессами Томаса постепенно уменьшалась, опять же для обоих графиков (рис.4 и таблица 2). Поскольку неоднородный процесс Томаса моделирует совместные эффекты окружающей среды и рассеивания, причина этой тенденции может заключаться в том, что рассредоточение всегда оказывает большее влияние, чем среда.

Рис. 3. Наблюдаемые и прогнозируемые кривые вид – площадь для трех моделей процесса для классов размеров 1, 2 и 3 графика Бубенга и графика BCI.

Столбцы представляют собой 95% доверительные интервалы.

https://doi.org/10.1371/journal.pone.0108450.g003

Рис. 4. Коробчатые диаграммы AIC распределений значений SAR, сгенерированных тремя моделями процессов для классов размеров 1, 2 и 3 графика Бубенга и графика BCI.

HT = гомогенный процесс Томаса; IP = неоднородный пуассоновский процесс; IT = неоднородный процесс Томаса.

https://doi.org/10.1371/journal.pone.0108450.g004

The

g (r) результаты

Не было существенной разницы в значениях г (r) AIC между распределениями смоделированных видов с эффектами класса размера и без них для любой из трех моделей точечных процессов для класса 0 двух участков (рис.5 и таблица 1). В отличие от результатов SAR, значения AIC г (r) для модели, основанной на неоднородном процессе Томаса, всегда были наивысшими из всех трех оцениваемых моделей, и разница значительна для класса 0 (рис. Таблица S1). Это также верно для классов с 1 по 3 (рис. S2 и таблица 2). Результаты регрессии по главной оси для степени агрегации конспецифического вида показали, что модели точечного процесса с эффектами класса размера переоценивают степень агрегации конспецифика по сравнению с моделями без эффекта класса размера (рис.6).

Рис. 5. Ячеистые диаграммы распределений значений г (r) AIC , сгенерированные тремя моделями процессов с и без эффекта класса размера в классе 0 (то есть: классы размера 1, 2 и 3 вместе) графика Бубенга и график BCI.

https://doi.org/10.1371/journal.pone.0108450.g005

Из трех моделей точечных процессов линии, подогнанные с использованием регрессии по большой оси из неоднородного процесса Пуассона, были ниже линии идентичности для классов от 0 до 3 ( Рис.6 и S1). Это говорит о том, что смоделированные модели распределения видов с использованием этой модели всегда были менее сгруппированы, чем реальные распределения видов. И наоборот, две другие модели точечных процессов всегда переоценивали степень агрегирования видов по всем классам размеров (рис. 6 и S1).

Обсуждение

Характеристики моделей

SAR и особенно результаты g-функции (рис. 2, 4, 5, S1 и S2) показывают, что модель, основанная на гомогенном процессе Томаса, хорошо себя показала во всех классах DBH для двух лесов.Хотя значения SAR AIC с использованием гомогенного процесса Томаса не были самыми низкими из трех моделей, различия в значениях AIC между однородным процессом Томаса и неоднородным процессом Томаса постепенно уменьшаются (рис. 3 и 4). С другой стороны, экологические факторы, присущие моделям, основанным на неоднородных процессах Томаса и неоднородном процессе Пуассона, играют важную роль в определении пространственных закономерностей на уровне сообществ и видов, соответственно.В предыдущих исследованиях модели, основанные на неоднородном процессе Томаса, были близки к лучшим из трех основных типов моделей точечных процессов, которые исследовали SAR и кривые затухания расстояния на уровне сообщества [20], [21], с образцами L-функций. на уровне видов [25], с распределением обилия видов и с функциями расстояния до ближайшего соседа как на уровне видов, так и на уровне сообществ [23]. Однако в нашем исследовании дело обстоит иначе.

В отличие от других исследований только исследование Wang et al. [20] для участка Чанбайшань 25 га в Китае, было обнаружено, что неоднородный пуассоновский процесс дает лучшую кривую распада расстояния для больших деревьев (DBH ≥10 см). Что касается результатов g (r) (рис. 6 и S1), например, для графика Бубенга, точечные паттерны смоделированных распределений Mezzettiopsis creaghii , Alchornea tiliifolia , Castanopsis echidnocarpa и Knema furfuracea , полученные в результате неоднородного процесса Томаса, гораздо более агрегированы, чем их реальное распределение (рис.S3 – S6). Фактически, из трех моделей неоднородный процесс Пуассона может даже дать наилучшие образцы g (r) на уровне видов (рис. 5 и S2).

Сравнение трех моделей точечных процессов в рамках нашего исследования показывает, что используемые сводные характеристики могут сильно повлиять на результаты исследования и выводы. Это связано с тем, что важнейшие характеристики сложных моделей, лежащих в основе распределения видов, могут по-разному подчеркиваться разными суммарными характеристиками [24].Наш вывод, основанный на SARs и функциях g (r) , которые обнаруживают пространственные закономерности на уровне сообществ и видов, может быть более надежным, чем выводы, основанные на сводных характеристиках, которые включают модели распределения видов в одном, но не в обоих, сообществе или уровни видов.

Вклад экологических процессов

После синтеза результатов SARs и g (r) , отражающих структуру уровней сообществ и видов, соответственно, мы продемонстрировали, что распространение в значительной степени контролирует распространение видов в двух оцениваемых лесах.Более того, как показано на рисунках 3 и 4, роль расселения в распространении видов увеличивается с увеличением размерного класса, тогда как роль окружающей среды уменьшается. Эта закономерность согласуется с недавним открытием, что вклад нейтральных процессов в выживание древесных видов сдвигается с переходом от ювенильной к репродуктивной стадиям на участке BCI [10]. На графике Бубенга когда-то было подтверждено, используя методы регрессии и ординации на данных решетки деревьев, что расселение является доминирующим процессом в формировании распределений видов [33], [42].На графике BCI Левин и Мюррелл [50] предположили, что расселение важно для распределения видов на уровне видов. Наши результаты показывают, что распространение также имеет решающее значение для определения распределения видов как на уровне сообществ, так и на уровне видов. Более того, вывод о том, что расселение доминирует в структурировании распределения видов деревьев от малых до больших, согласуется с отчетами Зайдлера и Плоткина [1] и Лейтхеда и др. [51]. В частности, Зейдлер и Плоткин [1] продемонстрировали, что распространение видов связано с режимом распространения от саженцев к взрослым деревьям, а Leithead et al.[51] показали, что процесс расселения важен для пространственных структур видов на графике BCI. Наши результаты также предполагают, что рассредоточение может быть основным процессом, формирующим пространственную структуру сообщества на участках с большими высотами (160 м для Бубенга). Это также верно для участка Gutian 24 га, высота которого составляет 268,6 м [52]. Напротив, на участке Синхараджа 25 га с высотой всего 151 м Gunatilleke et al. [53] демонстрируют, что окружающая среда определяет распространение видов.Противоречивые результаты этих графиков показывают, что вклад окружающей среды в распространение видов не обязательно связан с диапазоном высот. Подводя итог, можно сказать, что расселение является доминирующим процессом в формировании распределения видов в обоих лесах.

Эффекты размерного класса

Эффекты размерного класса служат важным дополнительным механизмом для понимания закономерностей взаимоотношений видов и ареалов. Наши результаты ясно показывают, что включение классов размеров повышает точность оценки SAR с использованием моделей, основанных на однородных процессах Томаса для двух лесов, и точность моделей, использующих неоднородный процесс Томаса на графике BCI (рис.2). Как мы уже указывали, расселение — это доминирующий процесс, определяющий распространение видов; поэтому мы предполагаем, что может существовать несколько критических фаз массового расселения на разных стадиях жизни, которые определяют реальное распределение видов в двух лесах. Для графика BCI открытие Зейдлера и Плоткина [1] о том, что распространение деревьев от молодых саженцев до взрослых, сильно связано с расселением, является прямым доказательством этой гипотезы. Предыдущие исследования также показали, что на графике Бубенг распределение видов деревьев в основном определяется нейтральными пространственными процессами по классам размеров [42].Таким образом, мы предполагаем, что эффект размерного класса важен для определения распределения древесных видов посредством влияния на характеристики распространения от молодых до взрослых деревьев.

С другой стороны, согласованные диаграммы SAR, полученные с использованием неоднородного процесса Пуассона с эффектами размерного класса и без них, предполагают, что предпочтения среды обитания видов в различных классах DBH почти одинаковы. Это согласуется с выводом о том, что большинство видов, как правило, сохраняют свои предпочтения в среде обитания в разных классах размеров DBH на участке субтропического леса площадью 24 га в Китае [6].Почему предпочтения среды обитания видов становятся однородными для разных размерных классов? Изучая зависящие от среды обитания сообщества видов трех размерных классов с участка BCI, Kanagaraj et al. [10] обнаружил, что с возрастом предпочтения видов в среде обитания становятся слабее. Рисунки 3 и 4 также предполагают, что такие предпочтения в отношении среды обитания в основном формируются на ранней стадии жизни. Это связано с тем, что модели SAR для неоднородных и однородных процессов Томаса сильно отличаются друг от друга только в классе 1 и мало для классов 2 и 3.Это согласуется с предсказаниями теории дифференциации ниш регенерации, которая предсказывает, что предпочтения видов в среде обитания, скорее всего, формируются на ранней стадии жизни, и это предпочтение сохраняется на более поздних стадиях роста [54]. То, что мы показали, согласуется с теорией, когда применяется строгий количественный статистический анализ.

Эффект размерного класса может зависеть от местоположения участка (т.е. через его неоднородность окружающей среды). Как показано на Рисунке 2, влияние размерного класса показывает, с одной стороны, что тенденция воздействия на процессы рассредоточения одинакова, но его влияние на совместный процесс (окружающая среда + рассредоточение) оказывает различное воздействие на двух участках. .Это говорит о том, что добавление факторов окружающей среды к модели точечного процесса может привести к разным характеристикам совместного процесса. Поскольку интересующее местоположение участка является основным источником изменений окружающей среды, использование большего количества участков и проведение метаанализа могут пролить свет на этот вопрос.

Важность влияния размерного класса на распределение видов на уровне сообщества значительно отличается от такового на уровне видов, оказывая значительное влияние на модели SAR, но не на модели g (r) в любом из исследованы два леса.Возможная причина этого различия заключается в том, что функции SAR и g (r) отражают распределение видов в разных масштабах. SAR связаны со сферическим распределением контактов, которое в основном описывает пустую область между сгустками [28] и, таким образом, менее способно отражать структуру на более мелких масштабах на уровне видов. Напротив, функция g (r) описывает детали скоплений отдельных видов и фокусируется на закономерностях в этом масштабе [31]. Поэтому наиболее вероятно, что влияние размерного класса в первую очередь влияет на распределение видов в относительно крупных масштабах.

Заключение

Механизмы, лежащие в основе сборки сообществ древесных видов, остаются спорными: нишевые механизмы [17], нейтральные механизмы [12] и совместные механизмы, включающие нишевые и нейтральные процессы [52], остаются предметом обсуждения. Предыдущие исследования с использованием моделей точечных процессов для изучения структуры сообществ показали, что совместное воздействие окружающей среды и рассредоточения является доминирующим в формировании характеристик сообществ в тропических, субтропических и умеренных лесах [20], [21], [23], [25].Наши результаты, однако, показывают, что расселение является более доминирующим процессом в определении пространственных структур видов в разных классах размеров как на уровне видов, так и на уровне сообществ для обоих исследованных тропических лесов. Мы утверждаем, что оценка относительной важности окружающей среды и / или распространения с использованием только сводных характеристик на уровне видов или сообществ может привести к смещению. Во многих исследованиях сообщается, что механизмы, регулирующие распространение видов, различаются в зависимости от размерного класса [5], [6], [10], но мы обнаруживаем, что расселение всегда является преобладающим процессом, который регулирует распределение древесных видов от ювенильных стадий к взрослым.Предпочтения видов в отношении среды обитания обычно развиваются на ранней стадии жизни и затем ослабевают по мере увеличения DBH. Мы пришли к выводу, что крайне важно использовать сводные характеристики как на уровне сообществ, так и на уровне видов, чтобы идентифицировать повсеместные механизмы, определяющие распространение видов. Эффект размерного класса способствует объединению видов за счет дифференцированного расселения, что, по нашему мнению, является наиболее важным процессом в обоих изученных лесах.

Вспомогательная информация

Рисунок S3.

Реальное распределение Mezzettiopsis creaghii на графике Бубенг; его распределения, предсказанные на основе неоднородного процесса Пуассона, неоднородного процесса Томаса и однородного процесса Томаса с эффектом размерного класса; и его распределения, предсказанные на основе сценариев неоднородного процесса Томаса и однородного процесса Томаса без эффекта размерного класса. Единицы измерения осей x и y — метр. См. Рис. 4 для сокращений.

https: // doi.org / 10.1371 / journal.pone.0108450.s003

(TIF)

Рисунок S4.

Реальное распространение Alchornea tiliifolia на участке Бубенг; его распределения, предсказанные на основе неоднородного процесса Пуассона, неоднородного процесса Томаса и однородного процесса Томаса с эффектом размерного класса; и его распределения, предсказанные на основе сценариев неоднородного процесса Томаса и однородного процесса Томаса без эффекта размерного класса. Единицы измерения осей x и y — метр.См. Рис. 4 для сокращений.

https://doi.org/10.1371/journal.pone.0108450.s004

(TIF)

Рисунок S5.

Реальное распределение Castanopsis echidnocarpa на участке Бубенг; его распределения, предсказанные на основе неоднородного процесса Пуассона, неоднородного процесса Томаса и однородного процесса Томаса с эффектом размерного класса; и его распределения, предсказанные на основе сценариев неоднородного процесса Томаса и однородного процесса Томаса без эффекта размерного класса. Единицы измерения осей x и y — метр. См. Рис. 4 для сокращений.

https://doi.org/10.1371/journal.pone.0108450.s005

(TIF)

Рисунок S6.

Реальное распределение Knema furfuracea на участке Бубенг; его распределения, предсказанные на основе неоднородного процесса Пуассона, неоднородного процесса Томаса и однородного процесса Томаса с эффектом размерного класса; и его распределения, предсказанные на основе сценариев неоднородного процесса Томаса и однородного процесса Томаса без эффекта размерного класса.Единицы измерения осей x и y — метр. См. Рис. 4 для сокращений.

https://doi.org/10.1371/journal.pone.0108450.s006

(TIF)

Благодарности

Мы благодарим лабораторию биогеохимии тропического ботанического сада Сишуанбаньна за анализ содержания в почве и концентрации питательных веществ. Благодарим полевых работников, оказавших помощь в проведении переписи 20 га участка. Мы искренне признательны доктору Гочун Шен за помощь с R-кодом, докторуЛу-Сян Линю за его ценные комментарии к этой статье, а также Паоло Сегре и Хуану Ди Трани за помощь в полевых условиях. Исследовательский проект динамики лесов BCI был основан С.П. Хаббеллом и Р. Б. Фостером, и в настоящее время им руководят Р. Кондит, С. Лао и Р. Перес в рамках Центра тропических лесов и Смитсоновского института тропических исследований в Панаме. Сотни полевых работников внесли свой вклад в полевые работы BCI.

Вклад авторов

Задумал и спроектировал эксперименты: Y-HH MC.Проведены эксперименты: Y-HH L-QS G-YL. Проанализированы данные: Y-HH. Предоставленные реагенты / материалы / инструменты анализа: Y-HH. Написал статью: Y-HH RLK J-LZ MC.

Ссылки

  1. 1. Зайдлер Т.Г., Плоткин Дж.Б. (2006) Распространение семян и пространственная структура тропических деревьев. PLoS Biol 4: 2132–2137.
  2. 2. He F, Legendre P, LaFrankie JV (1997) Модели распределения древесных пород в тропических лесах Малайзии. J Veg Sci 8: 105–114.
  3. 3.Виганд Т., Гунатиллеке С.С., Гунатиллеке И.Н., Хут А. (2007) Каким образом разнообразие структуры отдельных видов в тропических лесах. Proc Natl Acad Sci USA 104: 19029–19033.
  4. 4. Webb CO, Peart DR (2000) Среда обитания деревьев и саженцев в тропических лесах Борнея. Дж. Экол 88: 464–478.
  5. 5. Комита Л.С., Кондит Р., Хаббелл С.П. (2007) Изменения в развитии в ассоциациях местообитаний тропических деревьев. J Ecol 95: 482–492.
  6. 6. Лай Дж, Ми Х, Рен Х, Ма К. (2009) Изменение ассоциаций видов и местообитаний в субтропических лесах Китая.J Veg Sci 20: 415–423.
  7. 7. Вернер Э. Э., Гиллиам Дж. Ф. (1984) Онтогенетическая ниша и взаимодействия видов в популяциях с размерной структурой. Annu Rev Ecol Syst 15: 393–425.
  8. 8. Schupp EW (1995) Конфликты семян и проростков, выбор среды обитания и модели пополнения растений. Am J Bot 82: 399–409.
  9. 9. Накашизука Т. (2001) Сосуществование видов в смешанных лиственных лесах умеренного пояса. Тенденции Ecol Evol 16: 205–210.
  10. 10. Канагарадж Р. , Виганд Т., Комита Л.С., Хут А. (2011) Сообщества видов тропических деревьев в топографических местообитаниях меняются со временем и со стадией жизни.J Ecol 99: 1441–1452.
  11. 11. Chesson P (2000) Механизмы поддержания видового разнообразия. Annu Rev Ecol Syst 31: 343–366.
  12. 12. Хаббелл С.П. (2001) Единая нейтральная теория биоразнообразия и биогеографии. Принстон, США: Издательство Принстонского университета.
  13. 13. Райт SJ (2002) Разнообразие растений в тропических лесах: обзор механизмов сосуществования видов. Oecologia 130: 1–14.
  14. 14. Guisan A, Thuiller W (2005) Прогнозирование распространения видов: предлагая больше, чем простые модели среды обитания.Ecol Lett 8: 993–1009.
  15. 15. Макгилл Б.Дж. (2010) К объединению единых теорий биоразнообразия. Ecol Lett 13: 627–642.
  16. 16. Коттени К. (2005) Интеграция экологических и пространственных процессов в динамику экологического сообщества. Ecol Lett 8: 1175–1182.
  17. 17. Джон Р., Даллинг Дж. В., Хармс К. Э., Явитт Дж. Б., Сталлард Р. Ф. и др. (2007) Питательные вещества почвы влияют на пространственное распределение видов тропических деревьев. Proc Natl Acad Sci USA 104: 864–869.
  18. 18. Лейбольд М.А., Макпик М.А. (2006) Сосуществование нишевых и нейтральных перспектив в общественной экологии. Экология 87: 1399–1410.
  19. 19. Шен Г., Хе Ф, Ваагепетерсен Р., Сунь И-Ф, Хао З. и др. (2013) Количественная оценка влияния неоднородности среды обитания и других процессов кластеризации на пространственное распределение древесных видов. Экология 94: 2436–2443.
  20. 20. Ван Х, Виганд Т., Вольф А., Хоу Р., Дэвис С.Дж. и др. (2011) Пространственные закономерности богатства древесных пород в двух лесах умеренного пояса.J Ecol 99: 1382–1393.
  21. 21. Шен Джи, Ю М, Ху XS, Ми Х, Рен Х и др. (2009) Взаимоотношения видов и площадей, объясняемые совместными эффектами ограничения расселения и неоднородности местообитаний. Экология 90: 3033–3041.
  22. 22. Виганд Т., Мартинес И., Хут А. (2009) Пополнение в виде видов тропических деревьев: выявление сложных пространственных закономерностей. Am Nat 174: E106 – E140.
  23. 23. Ченг Дж., Ми Х, Надровски К., Рен Х, Чжан Дж. И др. (2011) Разделение влияния механизмов, формирующих распределение численности видов в различных масштабах в субтропическом лесу.Ойкос 121: 236–244.
  24. 24. Wiegand T, He F, Hubbell SP (2013) Систематическое сравнение сводных характеристик для количественной оценки точечных паттернов в экологии. Экография 36: 92–103.
  25. 25. Lin YC, Chang LW, Yang KC, Wang HH, Sun IF (2011) Точечные модели распределения деревьев, определяемые неоднородностью среды обитания и ограничениями распространения. Oecologia 165: 175–184.
  26. 26. Zhu Y, Mi X, Ren H, Ma K (2010) Зависимость от плотности преобладает в гетерогенных субтропических лесах.Ойкос 119: 109–119.
  27. 27. Тернер WR, Tjørve E (2005) Зависимость от масштаба в отношениях между видами и ареалом. Экография 28: 721–730.
  28. 28. Иллиан Дж., Пенттинен А., Стоян Х., Стоян Д. (2008) Статистический анализ и моделирование пространственных точечных структур. Чичестер, Великобритания: John Wiley & Sons.
  29. 29. He F, Legendre P (1996) Об отношениях между видами и ареалами. Am Nat 148: 719–737.
  30. 30. МакГиннесс К. (1984) Кривые вид-площадь.Биологические обзоры 59: 423–440.
  31. 31. Виганд Т., Молони К.А. (2004) Кольца, круги и нулевые модели для анализа точечных паттернов в экологии. Ойкос 104: 209–229.
  32. 32. Lan GY, Zhu H, Cao M, Hu YH, Wang H и др. (2009) Модели пространственной дисперсии деревьев в тропическом лесу в Сишуанбаньна, юго-запад Китая. Экологический журнал 24: 1117–1124.
  33. 33. Ху YH, Sha LQ, Blanchet FG, Zhang JL, Tang Y и др. (2012) Доминирующие виды и ограничение распространения регулируют распространение древесных пород на участке площадью 20 га в Сишуанбаньна, юго-запад Китая. Ойкос 121: 952–960.
  34. 34. Хорватский туберкулез (1978) Флора острова Барро-Колорадо. Стэнфорд, США: Издательство Стэнфордского университета.
  35. 35. Ли Э. Г., Рэнд А. С., Виндзор Д. М. (1982) Экология тропического леса: сезонные ритмы и долгосрочные изменения. Вашингтон, округ Колумбия, США: Smithsonian Institution Press.
  36. 36. Джентри А.Х. (1992) Биоразнообразие тропических лесов: модели распределения и их природоохранное значение. Ойкос 63: 19–28.
  37. 37. Хаббелл С.П., Кондит Р., Фостер Р.Б. (2005) Данные участка лесной переписи в Барро, Колорадо.
  38. 38. Condit R (1998) Участки переписи тропических лесов: методы и результаты с острова Барро-Колорадо, Панама, и сравнение с другими участками. Берлин, Германия: Springer-Verlag.
  39. 39. Хармс К.Э., Кондит Р., Хаббелл С.П., Фостер Р.Б. (2001) Среда обитания деревьев и кустарников на участке неотропического леса площадью 50 га. J Ecol 89: 947–959.
  40. 40.Валенсия Р., Фостер Р., Вилла G, Кондит Р., Свеннинг Дж. И др. (2004) Распространение видов деревьев и вариация местной среды обитания в Амазонке: большой лесной участок в восточном Эквадоре. Дж. Экол 92: 214–229.
  41. 41. Лю Г.С., Цзян Н.Х., Чжан Л.Д. (1996) Физический и химический анализ почвы и описание профилей почвы (на китайском языке). Пекин, Китай: Стандарты Пресса Китая.
  42. 42. Ху YH, Lan GY, Sha LQ, Cao M, Tang Y и др. (2012) Сильные нейтральные пространственные эффекты формируют распределение видов деревьев по стадиям жизни в разных масштабах.PLoS ONE 7: e38247.
  43. 43. R-Core-Team (2013) R: Язык и среда для статистических вычислений. Вена, Австрия. R Фонд статистических вычислений.
  44. 44. Diggle P (2003) Статистический анализ пространственных точечных паттернов. Лондон, Великобритания: Эдвард-Арнольд.
  45. 45. Вебстер Р., Макбратни А. (1989) Об информационном критерии Акаике для выбора моделей вариограмм свойств почвы. Eur J Soil Sci 40: 493–496.
  46. 46.Виганд Т., Молони К. (2004) Кольца, круги и нулевые модели для анализа точечных паттернов в экологии. Ойкос 104: 209–229.
  47. 47. Лежандр П., Лежандр Л. (1998) Численная экология. Амстердам, Нидерланды: Эльзевир.
  48. 48. Баддели А., Тернер Р. (2005) spatstat: пакет R для анализа пространственных точечных структур. J Stat Softw 12: 1–42.
  49. 49. Лежандр П. (2013) lmodel2: Модель II регрессии. Пакет R версии 1.7–1.
  50. 50.Левин Дж. М., Мюррел Д. Д. (2003) Последствия модели распространения семян на уровне сообществ. Annu Rev Ecol Evol Syst 34: 549–574.
  51. 51. Leithead MD, Anand M, Deeth L (2009) Синтетический подход к анализу пространственных структур тропических деревьев во времени. Сообщество Ecol 10: 45–52.
  52. 52. Legendre P, Mi X, Ren H, Ma K, Yu M и др. (2009) Разделение бета-разнообразия в субтропических широколиственных лесах Китая. Экология 90: 663–674.
  53. 53.Gunatilleke CVS, Gunatilleke I, Esufali S, Harms KE, Ashton PMS и др. (2006) Ассоциации видов и местообитаний в шри-ланкийских диптерокарповых лесах. J Trop Ecol 22: 371–384.
  54. 54. Грабб П.Дж. (1977) Поддержание видового богатства растительных сообществ: важность регенерационной ниши. Биол Рев Камб Филос Соц 52: 107–145.

Учет снижения плотности и структурных потерь мертвых деревьев на корню: последствия для оценки биомассы леса и запасов углерода в Соединенных Штатах | Углеродный баланс и управление

Учет снижения плотности и структурных потерь в SDT приводит к существенным изменениям биомассы и, таким образом, оценок запасов углерода во многих пространственных масштабах.На уровне отдельного дерева DRF корректирует изменения удельного веса древесины и коры SDT для каждого класса гниения. Эти поправки корректируют оценки биомассы для всех компонентов SDT относительно текущего CRM, но поскольку они распределяются по всем компонентам SDT в процессе оценки, распределение биомассы в каждом компоненте дерева остается прежним. В некоторых случаях плотность валежной древесины может увеличиваться в результате упрочнения скорлупы [23]. Это обычно происходит на поздних стадиях гниения, когда внешние ткани древесины высыхают, образуя твердую оболочку вокруг внутренней ткани, которая продолжает разлагаться [24].Упрочнение скорлупы было зарегистрировано у нескольких пород твердых и мягких пород древесины, которые сохранялись в течение длительного времени [23, 24]. В этом исследовании есть свидетельства упрочнения скорлупы у обоих видов, что отражается в увеличении DRF между классами распада 3 и 4. Несмотря на это увеличение, средние оценки биомассы для отдельных SDT уменьшаются с увеличением класса распада. Это происходит из-за последовательно увеличивающихся вычетов объема за грубую, гнилую или отсутствующую отбраковку товарного стебля перед преобразованием биомассы в каждом классе гниения.

Включение SLA в расчеты биомассы отдельных деревьев дополнительно снижает оценки биомассы компонентов деревьев. Структурные потери хорошо задокументированы в описании класса распада в инвентарной документации FIA, а также в исследованиях с использованием аналогичных систем классификации. Несмотря на согласованные описания классов распада, документирующие структурные потери в компонентах дерева, существует нехватка эмпирической информации для разработки SLA. Предварительный SLA, представленный в этой статье, основан на описании классов распада и, если таковые имеются, предварительных данных (например,g., биомасса коры; [9]) были использованы для разработки корректировок. В случае биомассы верхушек и ветвей в большинстве описаний классов распада говорится, что конечности и ветви отсутствуют в классе 4, а верхушки отсутствуют в классе 5. В этих случаях описания интерпретировались буквально без биомассы верхушки и ветвей, что привело к значительному различия для этого компонента в разных методах оценки. Для товарной биомассы стебля не предполагалось никаких структурных потерь, поскольку до конверсии биомассы были сделаны поправки на грубую, гнилую и отсутствующую отбраковку [4].SLA был включен в оценки биомассы коры, поэтому биомасса штамба, которая включает товарную биомассу ствола и коры, была скорректирована с учетом снижения плотности и структурных потерь.

Неудивительно, что различия в региональных оценках биомассы для двух видов в этом исследовании согласуются с тенденциями на уровне отдельных деревьев и участков для различных процедур оценки. Значительное сокращение биомассы SDT подчеркивает важность включения динамики разложения в биомассу лесной экосистемы и оценки запасов углерода.Абсолютные различия для каждого региона и метода оценки, вероятно, отражают самые большие различия, ожидаемые на национальном уровне, с учетом того, что выбранные виды были самыми многочисленными живыми и ОДП в своих соответствующих регионах. Тем не менее, соотношение количества живых существ к SDT для каждого вида в этом исследовании соответствовало среднему соотношению количества живых животных к SDT для всех видов в каждом регионе, что придает уверенность результатам. Хотя здесь основное внимание уделялось двум видам-примерам, результаты, обобщенные для этих двух видов, отражают общие общие различия между Востоком и Западом с точки зрения ОДТ, представленных в настоящее время в ежегодной инвентаризации. На Востоке большая часть лесных участков, вероятно, будет включать SDT, и присвоенные коды классов разложения, вероятно, будут выше по сравнению с лесными участками на Западе.

Предварительные DRF и SLA для SDT, представленные в этом исследовании, основаны на относительно небольшом количестве видов, изученных в нескольких регионах северного полушария. В то время как общие тенденции служат отправной точкой для корректировок SDT, данные по конкретным видам о сокращении плотности и структурных потерях по компонентам деревьев и классам распада необходимы для дальнейшего уточнения оценок биомассы и запасов углерода в рамках SDT.Существующая информация в базе данных FIA, такая как основные необязательные переменные, такие как фактическая высота дерева и общая высота дерева, может использоваться для оценки разрушенной или отсутствующей биомассы верхней части в SDT. Это представляет собой потенциальную отправную точку для SLA, основанного на эмпирическом опыте, однако также должно быть приоритетом улучшение связей между описаниями полевых протоколов классов затухания SDT и процедурами оценки компонентов. Например, CRM для биомассы верхушки и ответвления SDT не соответствует описаниям для классов распада 4 или 5 в полевом руководстве FIA.Кроме того, в настоящее время нет качественных описаний классов распада SDT для динамики распада в грубых корнях. Для некоторых видов и регионов это может быть целесообразным; в других случаях, однако, может и не быть. Определение структурных потерь по компоненту дерева и классу распада для всех SDT может быть одним из подходов в рамках существующей системы инвентаризации. Это потребует дополнительного обучения полевых бригад, увеличения времени, затрачиваемого на каждый участок, и увеличения затрат на отбор проб. Однако он будет поддерживать текущие процедуры оценки с корректировками, описанными здесь.В качестве альтернативы может потребоваться новый метод оценки объема деревьев, биомассы и запасов углерода, который не основан на стандартах товарной пригодности и полностью включает процедуры, необходимые для ОДТ. Такой метод, вероятно, потребует новых полевых протоколов для учета грубого, испорченного и недостающего объема в каждом действующем и SDT-компоненте и классе разложения, что приведет к дополнительным затратам на обучение и персонал. Затраты на разработку новой процедуры оценки необходимо будет сопоставить с потенциальными выгодами, будь то повышение точности, последовательности и эффективности получения оценок запасов биомассы и углерода.

Размерно-классовая структура лесов Финляндии в период 1921–2013 гг .: восстановление после многовековой эксплуатации в соответствии с лесной политикой

За некоторыми исключениями, наши результаты показывают общий рост деревьев всех классов размеров в каждой группе видов и географический район. Наиболее заметный рост продемонстрировали крупные хвойные деревья на юге и сосны от мелких до средних в средней и северной бореальной подзонах. В целом более крупные изменения произошли на юге Финляндии.Поскольку исследования, посвященные анализу плотности крупных деревьев в старовозрастных лесах Скандинавии (например, Nilsson et al. 2002; Jönsson et al. 2009), сообщили о более высокой плотности, чем наблюдаемые в недавних финских NFI, использование термина восстановление.

Наше исследование охватывает данные NFI с 1920-х по 2010-е годы. За это время методы и точность измерений претерпели изменения. Поэтому мы сообщили о плотности деревьев в 2-см классах dbh и опустили мертвые деревья и деревья с dbh ниже 4 см.В Финляндии измерения деревьев проводились на пробных площадях уже в NFI1. Таким образом, этот метод отличался от ранних инвентаризаций в Норвегии и Швеции, где деревья измеряли по всей полосе — метод, уязвимый для ошибок, вызванных граничными деревьями (Ilvessalo 1927, стр. 27).

Изменились определения классов землепользования. Для мониторинга изменений площади лесов мы использовали данные о лесных площадях и малопродуктивных лесных землях для NFI6 и NFI11 (Tomppo et al. 2011). В NFI1 использовались термины «продуктивные лесные земли» и «лесные земли с низким уровнем роста» (Ilvessalo 1927).В целом по стране общая площадь двух категорий увеличилась на 1,6% между NFI1 и NFI11. Уменьшение на 0,3% и 3,8% наблюдалось для южной и северной бореальной подзон соответственно. В средней бореальной подзоне, где распространены заколотые торфяники, площадь лесов увеличилась на 8,4%.

Факторы, влияющие на леса Финляндии до и во время периода исследования

До появления NFI леса Финляндии интенсивно использовались на протяжении столетий (Helander 1949; Tasanen 2004; Kuisma 2006).Небольшие количества как древостоя, так и крупных деревьев в Финляндии в 1920-е годы отражают плохое исходное состояние лесов — мнение, также ясно высказанное современными экспертами (Ilvessalo 1927; Helander 1949). Основываясь на визуальной классификации в NFI1, Ильвессало (1927) сообщил, что более 40% лесов на юге Финляндии находились в «неудовлетворительном состоянии», и только 27% лесов достигли как минимум 80% запаса полностью укомплектованных насаждений. . Разница между наблюдаемой плотностью и полностью заселенными насаждениями была особенно большой в старых насаждениях (Ilvessalo 1927; см. Также Kauppi et al.2010; Henttonen et al. 2019).

Факторы, способствующие этому, включали как альтернативные формы землепользования, так и историю промышленного использования древесины до 1920-х годов. Некоторые формы землепользования в традиционном финском обществе, основанном на сельском хозяйстве, наносили ущерб лесам, включая подсечно-огневое земледелие, выпас скота и производство дегтя. Каждый из них имел тенденцию прерывать развитие деревьев и лесных насаждений на ранней стадии, и, поскольку все три практиковались на больших площадях, их совокупный эффект был серьезным.

Давление со стороны альтернативных форм землепользования было сильнее на юге Финляндии, в регионе с гораздо более высокой плотностью населения. Действительно, результаты NFI1 показывают, что, хотя резкий климатический градиент между южной и северной Финляндией свидетельствует об обратном, большие деревья были более распространены в северной Финляндии в 1920-е годы (см. Также Henttonen et al.2019). Ситуация обратная. Плотность больших деревьев сильно увеличилась на юге. На севере скорость изменений была непостоянной, в некоторых провинциях даже отмечалось явное сокращение количества крупных деревьев.

В прошлом чаще наблюдались лесные пожары. Валлениус (2011) сообщил, что в течение 1850–1950 гг. Ежегодно выжигаемые лесные площади в центральной Фенноскандии уменьшались до менее чем 10% от уровня предшествующих столетий. Он приходит к выводу, что ранее распространенные лесные пожары были вызваны в основном людьми, поскольку традиционные средства к существованию были связаны с высокой частотой использования пожаров. Подсечно-огневое земледелие было особенно частой причиной неконтролируемых лесных пожаров (Helander 1949).

До 1850-х годов рыночная стоимость круглого леса была низкой.Это привело к ситуации, когда другие формы землепользования были более привлекательными для лесовладельца (Пало и Уусивуори, 1999; Куисма, 2013). Кроме того, значительные доли лесов принадлежали государству и местным общинам, которые не контролировали эффективно несанкционированное использование деревьев, что еще больше способствовало разрушительному использованию лесных ресурсов (Tasanen 2004). Такая ситуация все еще существует в некоторых странах, где слабое управление в сочетании с новой инфраструктурой и давлением со стороны растущего населения может привести к обезлесению (например. g., Laurance et al. 2014).

Во второй половине девятнадцатого века лесопильная промышленность в Финляндии быстро расширилась (Ahvenainen 1984). Отчасти это было вызвано технологическим прогрессом, особенно использованием паровых двигателей. В то же время снижение пошлин в Великобритании, крупнейшем импортере пиломатериалов из Финляндии, и отказ от производственных ограничений, которые ранее препятствовали лесопильным предприятиям Финляндии, также способствовали развитию (Kuisma 2013).

Развивающаяся лесопильная промышленность потребляла крупногабаритную древесину.Выборочные размерные рубки использовались для удаления самых крупных деревьев самого высокого качества (Helander 1949), а оставшиеся лесные насаждения часто были недостаточно густыми, чтобы полностью использовать потенциал производства древесины на участке (Ilvessalo 1927). С другой стороны, Пало и Уусивуори (1999) пришли к выводу, что увеличение доходов лесного хозяйства от лесопильных производств было ключевым фактором перехода от традиционного лесопользования к более устойчивому производству древесины.

Потребление топливной древесины составляло более 13 миллионов м. 3 a −1 (стволовая древесина) в Финляндии в начале двадцатого века, что составляло около одной трети годового стока (Саари 1934; Севола 1988; Мюллюнтаус и Маттила 2002).Можно утверждать, что, поскольку плодородные участки были желательным местом для фермерских домов, они, вероятно, облагались более высокими налогами из-за вырубки дров в сельской местности. Общее потребление стволовой древесины для использования в малых домах снизилось до 3,8 млн. М 3 a −1 к началу 1990-х годов, но после этого начало расти. Текущая оценка составляет 6,5 млн м 3 a −1 (Статистика лесов Финляндии 2018).

Помимо использования дров, в XIX веке спрос на небольшие деревья был ограничен.Несбалансированность рынка сказалась на структуре древесного населения. Ситуация начала меняться с постепенным развитием целлюлозно-бумажной промышленности, в основном после 1870-х годов (Kuisma 2006), но низкая плотность больших деревьев в течение 1920-х годов все еще отражала влияние этого этапа в истории.

После 1920-х годов запасы древостоя и годовой рост менялись медленными темпами до начала 1970-х годов. В период с 1971 по 2013 год запасы древостоя увеличились на 53%, а годовой прирост объема на 84%.Эти изменения можно объяснить в основном интенсификацией лесоводства, подробно описанной Kuuluvainen et al. (2012), хотя Henttonen et al. (2017) пришли к выводу, что изменения окружающей среды объясняют до 37% прироста лесов на минеральных почвах.

В течение нашего исследовательского периода правительства Финляндии часто играли активную роль в обеспечении достаточным количеством сырья для деревообрабатывающей промышленности, отрасли, играющей ключевую роль в национальной экономике. Эти инструменты включали как законодательство, запрещающее разрушительное лесопользование, так и субсидии, способствующие эффективному лесоводству (Пало и Уусивуори, 1999).Особенно большое влияние оказал запрет на выборочные размерные рубки, который начал действовать в 1950-х годах и привел к переходу к сплошным рубкам в сочетании с искусственным возобновлением и прореживанием снизу, что увеличило рост оставшихся крупных деревьев (Siiskonen 2007; Kuuluvainen и др. 2012 г.). Субсидированное лечение включало дренаж ок. 5 миллионов га торфяников, строительство густой сети лесных дорог, различные этапы лесовосстановления и удобрения леса.

Наши результаты показали, что густота деревьев и запасы древостоя увеличились во всех географических регионах. Однако были различия между группами видов, которые можно проследить до характера землепользования на типичных участках обитания каждого вида.

Сосна обыкновенная

Сегодня в Финляндии 50% запасов древостоя составляет сосна обыкновенная (Korhonen et al. 2017). Вид доминирует на участках с низким плодородием. До конца девятнадцатого века эти участки, особенно в центральной и восточной Финляндии, обычно использовались для производства смолы, которая до 1820-х годов приносила большую долю доходов от импорта, чем любой другой продукт (Kuisma 2006).Поскольку в качестве сырья использовались деревья довольно небольшого размера, обработка эффективно предотвращала превращение участков с преобладанием сосны в зрелые насаждения. Признаки образования смолы все еще присутствовали в 1920-х годах (Ilvessalo 1927), поскольку сосновые насаждения низкой плотности были обычным явлением. Сосна также являлась предпочтительным сырьем для первых лесопильных производств, и до начала периода нашего исследования сосновые насаждения подвергались серьезным налогам на выборочные размерные рубки.

Сосна также является наиболее распространенным видом на торфяниках, которые занимают 29% площади лесных земель и малопродуктивных лесных угодий в Финляндии (Korhonen et al.2017). Торфяники чаще встречаются в средней и северной бореальной подзонах Финляндии, и осушение торфяников отчасти объясняет быстрое накопление в этих подзонах сосен малого и среднего размера.

Сосна использовалась в лесовосстановлении, особенно в 1970-х и 1980-х годах, когда этот вид обычно выращивали также на плодородных участках. Это привело к проблемам с качеством древесины из-за чрезмерной ветвистости, и от этой практики отказались (Uusvaara 1985). Обилие сосен среднего размера в современных лесах частично связано с этим периодом истории.

Ель обыкновенная

Ель обыкновенная (30% древостоя) является экономически выгодным выбором только для плодородных участков. Плотность средних и крупных елей была ниже, чем у сосен, в 20-е годы прошлого века в южной и средней частях Финляндии. Сегодня ели и сосны такого размера распространены одинаково. Более быстрое восстановление отражает более высокий потенциал роста участков, занятых елью, но, вероятно, также более интенсивную эксплуатацию плодородных участков конкурирующими формами землепользования до 1920-х годов.

В отличие от сегодняшнего дня, ель редко использовалась в лесопильной промышленности в XIX веке. Раньше транспортировка необработанной древесины на комбинаты занимала много времени, даже несколько лет. Ель менее устойчива к потерям качества при транспортировке, чем сосна (Ахвенайнен, 1984).

В 1920-х годах плодородные земли в южной и средней частях Финляндии были затронуты двумя распространенными методами ведения сельского хозяйства: подсечно-огневым земледелием и выпасом скота. Подсечно-огневое земледелие состояло из сушки, рубки и сжигания деревьев, а также использования вырубленных лесов для выращивания в течение одного или двух вегетационных сезонов.Когда-то этот метод был широко распространен на плодородных лесных участках, но на рубеже двадцатого века от него отказались (Heikinheimo, 1915). Поскольку типичные периоды ротации ели на юге Финляндии составляют 60–70 лет, многие пораженные участки еще не превратились в зрелые насаждения ко времени NFI1 (1921–1924).

Крупный рогатый скот обычно выпасался в лесах. Пастбища часто преднамеренно оставались открытыми, чтобы способствовать росту травы и сена. В самом южном районе (южный бореальный + гемибореальный на рис.1), в 1921–1924 гг. К этой группе принадлежало 19% площади лесов. Эти участки были в среднем более плодородными, чем леса, но средний запас древостоя на пастбищах составлял 51 м 3 га −1 , что немного ниже, чем в среднем по тем лесам на аналогичных участках, не используемых для выпаса скота (104 м 3 га −1 ). В отличие от подсечно-огневого земледелия, выпас в лесах оставался обычным явлением до 1960-х годов. Наши результаты показывают, что густота ели сильно увеличилась в тех регионах, где выпас был особенно распространен в 1920-е годы, в то время как густота небольших сосен и широколиственных пород уменьшилась.

К началу двадцатого века эти факторы оставили свой след на плодородных лесах в южной и средней частях Финляндии. Отказ от этой практики землепользования — вместе с эффективным лесоводством — объясняет особенно быстрый рост крупных елей на юге Финляндии.

Широколистные

Широколистные (20% древостоя) показали меньшие изменения, чем два вида хвойных. Как и ель, широколиственные более конкурентоспособны на плодородных почвах. Многие из факторов, упомянутых для ели, применимы и к широколистным.Они также были предпочтительны при рубке дров (например, Saari 1934). Частота встречаемости крупных широколиственных пород увеличилась меньше, чем для хвойных пород, в основном потому, что хвойным деревьям отдается предпочтение при возобновлении и прореживании (Korhonen et al. , 2017). В настоящее время искусственное возобновление с использованием широколиственных пород сопряжено с риском, поскольку популяции лосей и оленей высоки.

Перспективы лесных ресурсов Финляндии

Наблюдаемое развитие как запаса древостоя, так и распределения лесов Финляндии по размерам, несомненно, выполнило основные цели лесной политики Финляндии двадцатого века.Не только рост запасов древостоя превзошел ожидания (см. Ильвессало, 1927; Эрвасти и др., 1965; Талузневосто, 1985), но наши результаты показывают, что прирост был сконцентрирован на экономически ценных деревьях крупных классов. Поскольку годовой рост превышает годовой отток с 1970-х годов, можно предположить, что устойчивое развитие, вероятно, продолжится. На самом деле лесной сектор Финляндии столкнулся с новой ситуацией.

В ноябре 2018 года Европейская комиссия объявила о стратегии достижения нулевого уровня выбросов углерода к 2050 году, также заявив, что «реально сделать Европу климатически нейтральной и процветающей» (http: // europa. eu / rapid / press-release_IP-18-6543_en.html). Обеспечение процветания, не ставя под угрозу цель климатической нейтральности, также является дилеммой для лесного сектора Финляндии. Согласно финской инвентаризации парниковых газов, леса являются самым значительным поглотителем углерода. В 2017 году чистый сток парниковых газов на лесных землях составил 27 миллионов тонн эквивалента СО2 (включая биомассу, почву, подстилку и валежную древесину, а также выбросы Ch5 и N2O от осушенных лесных земель), в то время как чистый сток всей сектор землепользования, изменений в землепользовании и лесного хозяйства (ЗИЗЛХ) составил 20.4 миллиона тонн, а общие выбросы других секторов составили 55,5 миллиона тонн (Официальная статистика Финляндии 2019). Разница между годовым приростом и рубками во многом определяет чистый сток в секторе ЗИЗЛХ.

Финские компании лесного сектора сообщают о все более высоких финансовых результатах в течение текущего десятилетия, и были объявлены планы строительства нескольких крупных биоперерабатывающих заводов в Финляндии. Увеличение промышленных мощностей повлечет за собой более высокий годовой сток, что приведет к уменьшению связывания углерода в лесах, если также не удастся увеличить годовой прирост.Ежегодный прирост лесов Финляндии почти удвоился с 1960-х годов, и дальнейшее увеличение роста вполне определенно (Hynynen et al. 2015). Историческое развитие годового прироста было стимулировано действиями правительства Финляндии, но поддержание восходящей тенденции роста с этого момента может быть более трудным, поскольку состояние лесов улучшилось после начала двадцатого века, после столетий чрезмерного роста. эксплуатация.

Сокращение разрыва между годовым приростом и осушением за счет увеличения промышленного использования древесины замедлит текущее развитие структуры леса, особенно быстрое увеличение количества крупных деревьев.Это было бы нежелательным изменением с точки зрения сохранения биоразнообразия (Hyvärinen et al., 2019) и рекреационного использования лесов (Mäntymaa et al. 2018). Замена ископаемого топлива возобновляемой энергией сопряжена с дополнительным давлением в сторону увеличения использования древесного топлива и, следовательно, лесных ресурсов. Учитывая тот факт, что роль лесной промышленности в национальной экономике Финляндии выше, чем в любой другой развитой стране, горячие дебаты, вероятно, продолжатся.

Как вечнозеленые и лиственные деревья сосуществуют во время вторичной сукцессии лесов: понимание механизмов восстановления лесов в китайских субтропических лесах

Реферат

Лиственные широколиственные леса и вечнозеленые широколиственные леса составляют большинство глобальных субтропических лесов.Субтропическая растительность столкнулась с сильным антропогенным давлением, и многие естественные леса, уничтоженные на протяжении истории, были восстановлены во вторичных лесах из-за различных государственных природоохранных политик. На раннем этапе восстановления леса лиственные и вечнозеленые виды со значительно разными функциональными характеристиками играют разные роли и совместно определяют вторичные тенденции сукцессии леса, ставя под сомнение то, как сосуществование и конкуренция между вечнозелеными и лиственными деревьями глубоко влияют на сборку сообществ и восстановление лесов. Хотя субтропический лес находится под серьезной угрозой, научная информация о том, как эти важные экологические процессы влияют на вторичное возобновление лесов, отсутствует. Мы заложили участок 6 га в субтропических вечнозеленых широколиственных лесах в Национальном заповеднике Гуаньшань на юго-востоке Китая. Все деревья были нанесены на стволовые карты, идентифицированы по видам и измерены диаметр на высоте груди (DBH) и высота. Парная корреляция и выраженные корреляционные функции показали, что лиственные виды сравнительно более уязвимы к регуляции, зависящей от плотности, и уменьшению размера соседних особей во время вторичной сукцессии леса.Межвидовая ассоциация между листопадными и вечнозелеными деревьями одного и того же класса DBH постепенно изменяется от значительно положительной к отрицательной по мере увеличения DBH, что указывает на сосуществование сеянцев и конкуренцию между большими поздними сукцессионными деревьями в мелком масштабе. Наши результаты показывают, что самоустройство, вызванное зависящим от вида регуляцией лиственных деревьев и межвидовым отталкиванием между вечнозелеными и лиственными деревьями, приводит к лесным промежуткам, где сгруппированные потомки естественным образом восстанавливаются для сосуществования, воплощая важные механизмы сосуществования, способствующие вторичному восстановлению леса до зонального кульминационного периода. В типах растительности этого региона преобладают вечнозеленые виды.Эти результаты улучшают наше понимание механизмов самовосстановления субтропических лесов во вторичной сукцессии и обеспечивают важную теоретическую поддержку для ускорения будущего восстановления вторичных лесов.

Ключевые слова

Восстановление лесов

Вечнозеленые и лиственные широколиственные леса

Пространственное распределение

Регулирование в зависимости от плотности

Межвидовая ассоциация

Рекомендуемые статьиЦитирующие статьи (0)

© 2020 Автор (ы).Опубликовано Elsevier B.V.

Рекомендуемые статьи

Цитирующие статьи

Хранение и накопление углерода в лесах США

Изменения в хранении углерода

Леса США постоянно меняются. Общая площадь лесных земель уменьшилась на 4 миллиона акров с 1977 по 1987 год (Waddell и др., 1989). Большинство из убытки от вырубки леса для городской и пригородной застройки, автомагистралей и другие преимущественное право проезда. Многие миллионы акров земли были расчищены для сельскохозяйственных нужд, но эта потеря была примерно компенсирована сельскохозяйственными землями, засеянными деревьями или разрешено естественным образом вернуться в лес.Помимо землепользования изменения, каждый год около 4 миллионов акров лесных угодий заготавливается для получения древесины продукты и восстановлены в леса, 4 миллиона акров повреждены лесными пожарами, и 2,5 миллиона акров земли повреждены насекомыми и болезнями (оценки основаны на различные неопубликованные источники данных Лесной службы). И конечно весь лес земли постоянно меняются, поскольку деревья и другая растительность прорастают, растут и умереть.

Рисунок 5 — Средние запасы углерода на акр лесных площадей в США Состояния.

Рисунок 6 — Среднее накопление углерода в почве, лесной подстилке и деревьях для выбранных типов леса.

Изменения в хранении углерода в лесной экосистеме в первую очередь связаны с изменения в хранении углерода в живых деревьях. Скорость накопления углерода в живых деревьев больше всего в лесных районах, где деревья обычно самый быстрый рост объемов — Юго-Восток и Тихоокеанский Северо-Запад (рис. 7). На в среднем, живые деревья накапливают углерод из расчета 1252 фунтов на акр. в год (0.14 кг / м2 / год), темп увеличения 2,7 процента от суммы хранится в живых деревьях.

Накопление углерода в живых и мертвых деревьях составляет 508 миллионов тонн (461 миллионов метрических тонн) в год, в то время как полное удаление древесного углерода из США леса, образовавшиеся в результате заготовки древесины, расчистки земель и использования топливной древесины до 391 миллиона тонн (355 миллионов метрических тонн, рис. 8). Сравнение накопление и удаление предполагает, что лесные деревья в США хранят дополнительные углерода со скоростью 117 миллионов тонн (106 миллионов метрических тонн) в год.Этот эквивалентно примерно 9 процентам годовой эмиссии углерода США в атмосферы (1,2 миллиарда метрических тонн) в год (Боден и др., 1990).

Деревья, ежегодно умирающие от насекомых, болезней, пожара и погоды, содержат около 83 миллионов тонн (75 миллионов метрических тонн) углерода. Только часть смертность деревьев была вычтена из накопления при сравнении накопления и удаления, поскольку большая часть углерода остается в лесной экосистеме для некоторых время, как стоячие мертвые деревья, грубый древесный мусор на лесной подстилке, и в конечном итоге другое органическое вещество в лесной экосистеме.

Существуют значительные региональные различия в относительных и общих оценках накопление, удаление и смертность углерода. Для хвойных пород, тихоокеанское побережье леса накапливают больше всего углерода ежегодно, за ними следуют юго-восток, Южный центральный регион и районы Скалистых гор (рис. 9). Поскольку удаление древесины хвойных пород настолько низкий по сравнению с ростом в Скалистых горах, увеличение количества углерода хранение хвойных пород там намного больше, чем где-либо еще. Смертность самый высокий в Скалистых горах и на побережье Тихого океана.На юге Центральный регион, вырубка деревьев приводит к чистой потере накопления углерода в деревья хвойных пород.

Большая часть ресурсов древесины лиственных пород находится в восточной части США. В Северо-восток имеет наибольшее превышение накопления углерода лиственных пород над удалением, но также наблюдается значительный рост накопления углерода в древесине лиственных пород в Юго-восток и на побережье Тихого океана (рис. 10).

Рисунок 7 — Среднее накопление углерода в живых деревьях на лесных площадях в Соединенных Штатах.

Рисунок 8 — Годовые изменения в хранении углерода в живых деревьях на всех лесных землях по хвойным и лиственным породам.

Рисунок 9 — Годовые изменения в накоплении углерода в живых деревьях хвойных пород на всех лесных площадях по регионам.

Рисунок 10 — Годовые изменения в накоплении углерода в живых лиственных деревьях на всех лесных площадях по регионам.

[Отчет USFS | Глоссарий]

Леса: связывание углерода, энергия биомассы или и то, и другое?

РЕЗУЛЬТАТЫ

Споры о древесной биомассе для производства энергии

В литературе возникли три критических вопроса, связанных с использованием древесной биомассы для получения энергии.Во-первых, влияние политики использования энергии биомассы на углерод зависит от реакции предложения, которая включает в себя инвестиции в новые леса, усиление управления существующими лесами, вырубку недоступных и неуправляемых лесов на обширной окраине, перевод этих лесов в более интенсивное использование и замещение в использовании продукта. Исследования, которые предполагают, что реакция руководства практически отсутствует, или рассматривают только использование большой маржи, предсказывают, что спрос на биоэнергетику увеличит выбросы углерода ( 16 , 17 ).Исследования, позволяющие эффективно инвестировать в управление лесным хозяйством, показывают, что политика в области биоэнергетики приводит к чистому увеличению секвестрации лесов ( 18 22 ). Ключевым фактором является реакция землепользования и управления на изменения цен, вызванные политикой в ​​области биоэнергетики. Если модели включают ответные меры руководства, более высокие цены неизменно способствуют увеличению объемов управления и увеличения площади лесов, и, таким образом, политика в области энергии биомассы со временем сокращает чистые выбросы. В качестве альтернативы, если площадь лесных угодий и управление лесным хозяйством не изменяются или не уменьшаются в результате политики использования энергии биомассы, и есть дополнительная вырубка неуправляемых запасов, то такая политика обычно приводит к чистым выбросам.Таким образом, важно выделить роль управления в накоплениях углерода в лесах.

Во-вторых, исследования, предполагающие, что энергия биомассы должна облагаться налогом, игнорировали литературу, показывающую эффективный экономический учет потоков углерода между атмосферой и лесами в более широком углеродном цикле ( 4 ). С точки зрения атмосферы, тонна CO 2 в лесах — это тонна вне атмосферы, что позволяет предположить, что социальные издержки углерода могут использоваться для оценки углеродных обменов или потоков между атмосферой и экосистемами ( 24 ).В литературе были предложены две одинаково эффективные схемы для кредитования потоков углерода между атмосферой и лесами: подход углеродной ренты ( 4 ) и подход с налогом на углерод и субсидиями ( 25 ). В рамках обоих подходов эффективная климатическая политика учитывает выбросы, когда леса используются для производства энергии или древесных продуктов, как увеличение атмосферного углерода, но они также учитывают связывание, которое происходит при росте лесов. Выбросы биоэнергии могут облагаться налогом, как и другие парниковые газы, при эффективном подходе к кредитованию потоков углерода, но только в том случае, если выгоды от хранения углерода в лесной экосистеме также признаются и субсидируются ( 25 ).То есть политика, облагающая налогом биоэнергетику на основе лесов, не признавая, что леса также поглощают углерод в результате роста [предложение Шлезингера ( 26 )], неэффективна и приведет к слишком низкому содержанию углерода в лесах и слишком большому количеству углерода в атмосфере.

В-третьих, существуют опасения, что экосистемные услуги и биоразнообразие, обеспечиваемые девственными лесами, могут пострадать, если при заготовке древесины будет использоваться не традиционная древесная продукция, а биоэнергетика ( 13 , 14 ) или уровень и качество биомассы на корню в управляемых лесах. уменьшилось из-за более высоких уровней вывоза остатков ( 27 ), более коротких ротаций ( 28 , 29 ) или большего количества земель, переведенных из режима без / с низким уровнем управления в более интенсивное управление.Однако озабоченность по поводу экосистемных услуг, как правило, сосредоточена на последствиях сбора биомассы на отдельных участках ( 13 , 14 ). В то время как более интенсивные лесозаготовки будут следствием любой политики в области использования энергии биомассы, которая увеличивает спрос на древесину, интенсификация будет происходить не на нескольких выбранных участках, а в лесах, особенно в условиях широко распространенных требований в отношении энергии биомассы или углеродной нейтральности. Чтобы полностью оценить воздействие политики, модели должны быть способны анализировать все пространственные и временные последствия для глобальной лесной экосистемы.

В цифрах: за и против спроса на древесную биомассу

Мы используем динамическую глобальную модель древесины (GTM), чтобы оценить, как спрос на биоэнергетику влияет на лесной сектор, лесные угодья и секвестрацию углерода ( 4 , 30 ). GTM сравнивает заготовку древесины и управление ею в более чем 200 управляемых и естественных лесных экосистемах в 16 регионах мира (рис. S1) при различных сценариях спроса на биоэнергетику со сценарием отсутствия спроса на биоэнергетику ( 22 ). В модели использовались маркерные прогнозы общего социально-экономического пути (SSP) 2 для валового внутреннего продукта (ВВП) и населения ( 31 33 ) для моделирования спроса на лесную продукцию, в то время как прогнозы спроса на биоэнергетику [следующие предположения, представленные в Lauri и другие. ( 34 ), что от 9% до 12% общего спроса на биоэнергетику обеспечивается за счет специальных лесных плантаций; биоэнергия преобразуется из гигаджоулей (ГДж) в кубические метры (м 3 ) лесной биомассы с использованием постоянных коэффициентов пересчета 7,2 ГДж / м 3 ] и траекторий цен на углерод в рамках одного и того же сценария СПП2 для каждой Межправительственной группы экспертов по изменению климата ( МГЭИК) Репрезентативная траектория концентрации (RCP) используется для моделирования будущего спроса на древесную биомассу и значения CO 2 (рис.S2).

В целом ожидается, что потребление биоэнергии будет расти при строгом соблюдении целевого показателя RCP. Для справки, согласно RCP 1.9 — сценарию, наиболее соответствующему целевому показателю 1,5 ° C — около 30% общего энергоснабжения до 2100 г., по оценкам, будет поступать из биоэнергетики с улавливанием и хранением углерода (BECCS) ( 33 ). Поскольку ожидается, что спрос на биоэнергетику будет поступать из различных источников, мы предполагаем, что около одной трети предложения обеспечивается лесами, что согласуется с другими глобальными анализами ( 34 ).Модель предполагает однородную форму спроса на энергию древесной биомассы без различения типов производства древесной биомассы. С точки зрения нашей модели это означает, что каждый вид древесины, который может быть использован в качестве сырья для производства энергии из биомассы, оплачивается по одинаковой цене.

Возрастающий спрос на древесную биомассу окажет заметное воздействие на мировой лесной сектор по сравнению с исходным сценарием без политики (таблицы S2 — S4). Цены на древесину могут более чем утроиться, если потребление древесной биомассы достигнет 4.3 млрд. М 3 / год к концу этого столетия, как в сценарии RCP 1.9 (рис. 1A). Модель учитывает замену древесной продукции и биомассы, а растущий спрос на древесную биоэнергию отрицательно влияет на рынок промышленной древесины. То есть, по прогнозам, спад производства промышленной древесины в течение столетия по всем RCP составит от 30 до 80%, причем наибольшее сокращение будет в рамках RCP 1.9.

Рис. 1 Глобальные последствия увеличения спроса на древесную биоэнергетику, 2010–2100 гг.

( A ) Цены на древесину, ( B ) общая площадь лесов, ( C ) площадь естественных неуправляемых лесов, ( D ) площадь плантационных лесов, ( E ) общий запас углерода в лесах (включая все четыре пула углерода, представленные на рис. S3), и ( F ) управленческие инвестиции по сравнению с исходным уровнем (нет спроса на биоэнергетику). Черный, RCP 1.9; красный, RCP 2.6; зеленый, RCP 3.4; синий, RCP 4.5; оранжевый, RCP 6.0.

Более высокие цены на древесину стимулируют лесоразведение во всем мире (рис.1Б). Однако более высокие цены на древесину также стимулируют вырубку естественных лесных территорий (типы лесов определяются следующим образом: «плантации» = интенсивно управляемые плантации; «управляемые» = экстенсивно управляемые, часто естественным образом восстанавливающиеся леса; «естественные» = недоступные, неуправляемые естественные леса) (Рис. 1C), которые повторно засаживаются как смесь малоуправляемых лесов и интенсивных плантаций (Рис. 1D). Согласно прогнозам, общее глобальное связывание углерода лесами возрастет только тогда, когда спрос на древесную биомассу будет достаточно большим, чтобы стимулировать потребление выше 1.1 млрд м 3 / год к 2100 году, т.е. RCP менее 4,5 (рис. 1E). Когда спрос на биомассу ниже этого уровня, это не приводит к достаточно высоким ценам на древесину, чтобы генерировать достаточно инвестиций в леса или плантации для компенсации потерь углерода, которые происходят при вырубке лесов. Потери углерода происходят в основном в регионах, где преобладают большие площади оставшихся недоступных лесов, а именно в Латинской Америке, Юго-Восточной Азии, Канаде и России. В старых лесах есть значительные запасы углерода, которые не компенсируются.В конце концов, если спрос на энергию биомассы будет достаточно высоким, инвестиции в леса перевесят потери, и углерод станет положительным. Расходы на управление лесным хозяйством, измеряемые в долларах на гектар, вложенных в повторную посадку, также имеют значение, поскольку они увеличиваются с более жесткой климатической политикой (рис. 1F).

Модель учитывает углерод, хранящийся в четырех разных пулах. Увеличение запасов углерода в первую очередь обусловлено увеличением содержания углерода над землей, в то время как увеличение площади лесных угодий незначительно увеличивает углеродный углерод в почве из-за облесения по сравнению с базовым сценарием.Углерод, хранящийся в товарах из заготовленной древесины, по прогнозам, будет сокращаться при всех сценариях политики, поскольку растущий спрос на древесную биомассу снижает количество несгоревших древесных товаров (рис. S4).

Расширение использования энергии древесной биомассы может привести к увеличению общей заготовки древесины на 286 (RCP 6.0) до 1931 (RCP 1.9) m 3 / год по сравнению с базовым сценарием. Однако прирост урожая неравномерно распределяется по земному шару (рис. 2), причем наибольший прирост урожая ожидается в тех местах, где промышленная заготовка древесины уже является важной частью ландшафта и региональной экономики.Например, в случае RCP 3.4 урожаи в США увеличиваются в среднем на 27% за 100-летний период, тогда как урожаи в Юго-Восточной Азии и России увеличиваются только на 6 и 2% соответственно.

Рис. 2 Среднее изменение общих региональных выловов по сравнению с исходным уровнем 2010–2100 гг.

Повышенный спрос на древесную биомассу стимулирует изменения в управлении лесным хозяйством по нескольким направлениям, которые обычно игнорируются при традиционном анализе жизненного цикла. Во-первых, площадь интенсивно управляемых плантаций увеличивается до 61 миллиона гектаров (млн га), или 60%, по сравнению с исходным уровнем в 2100 году (рис.1D). Эти плантации имеют возраст севооборота от 10 до 30 лет и, таким образом, могут быть использованы для относительно быстрого наращивания поставок древесины и биомассы. Мы подсчитали, что на каждый 1% рост цен на лесоматериалы площадь плантаций увеличивается на 0,32% во всем мире.

Во-вторых, леса, управление которыми в настоящее время ограничено, становятся более интенсивными за счет увеличения инвестиций в лесозаготовки и пересадку, прореживание, удобрение и другие действия. Каждые 100 миллионов кубометров 3 дополнительных поставок энергии древесной биомассы могут создать 5.6 млн га лесов с более интенсивным управлением. Более высокие цены являются рыночным сигналом для землевладельцев, которые предпримут шаги по увеличению своих лесных запасов за счет увеличения площади управляемых лесов и / или улучшения хозяйственной деятельности ( 18 , 35 ). Расходы на управление лесным хозяйством могут увеличиться в среднем на 230 долларов США на гектар управляемых лесов из-за увеличения спроса на древесную биомассу, что почти на 70% больше, чем средняя оценка исходных расходов (рис. 1F). Некоторые из земель, которые мы планируем подвергнуть интенсивному управлению, в настоящее время экологически уязвимы и / или обладают высоким уровнем биоразнообразия.Предполагая, что не существует других действующих стимулов к секвестрации углерода лесами или политики сохранения лесов, мы оцениваем, что если спрос на древесную биомассу вырастет до 4 миллиардов м 3 / год, как в соответствии с RCP 1.9, около 15% мировой площади естественных лесов, или 250 Мга га, можно было бы перевести на более интенсивный режим управления (рис. S5). Эти результаты подтверждают, что «стандартная» политика в области биоэнергетики, ориентированная на древесную биомассу, как правило, оказывает негативное воздействие на естественные неуправляемые или недоступные леса мира.Однако эти естественные леса не будут преобразованы в сельское хозяйство, поскольку экономические стимулы компенсируют потери за счет посадки лесов, управляемых с разной степенью интенсивности, и предотвращения обезлесения управляемых лесов (рис. S5).

В-третьих, другие земли будут преобразованы в леса и, таким образом, увеличат абсолютную площадь лесов во всем мире. Сценарий наибольшего спроса (RCP 1.9) оценивает возможное увеличение площади лесов на 1,1 млрд га, что на 30% больше, чем текущий лесной покров к 2100 году (рис.1Б). Это находится в рамках недавней статьи Bastin et al. ( 36 ), которые определяют 1,6 млрд га дополнительных земель, которые могут поддерживать леса, из которых 0,9 млрд га расположены за пределами ценных пахотных земель и городских районов. Для этого исследования мы использовали 1,6 миллиарда га в качестве верхней границы для нашего моделирования, а в анализе чувствительности мы протестировали результаты при более строгом ограничении в 0,9 миллиарда. Оценка в 1,1 млрд га является большой, но не исключительной (рис.S6). Наши результаты подтверждаются моделями комплексной оценки (IAM) с модулями земли и ценами на урожай, которые предполагают, что площадь лесов в мире может увеличиться до 1,0 миллиарда и что около 5,4 миллиарда га могут быть покрыты лесами в рамках сценария стабилизации RCP 1.9 с приблизительно 1,9 млрд га новых лесных угодий ( 31 , 33 ).

Хотя мы явно не моделируем производство сельскохозяйственных культур или цены, наша модель включает функции аренды земли, которые требуют уплаты более высоких цен за аренду земли, поскольку больше земли используется для лесов.Прогнозируемое нами увеличение арендной платы согласуется с другими исследованиями в литературе. Согласно сценарию RCP 1.9, наша средняя мировая арендная плата за землю с настоящего момента до 2100 года, по оценкам, будет в четыре раза выше, чем базовая арендная плата. Попп и др. ( 37 ) аналогичным образом показывает, что сельскохозяйственные земли для производства продуктов питания и кормов сокращаются по мере того, как больше земель используется для биоэнергетики и связывания углерода. Они не представляют оценок арендной платы за землю, но показывают, что цены на урожай могут быть от двух до шести раз выше, чем базовый уровень при высоком сценарии смягчения последствий.

Эффективный подход к управлению углеродом

В этом разделе показана разница между эффективным подходом к управлению углеродом, который стимулирует как секвестрацию, так и предотвращение выбросов, и неэффективным подходом, который использует налог на углерод только для стимулирования предотвращения выбросов из древесной биомассы. производство. Эффективный подход к управлению углеродным обменом между атмосферой и биосферой может быть реализован с использованием либо углеродной ренты ( 4 ), либо углеродного налога и субсидий ( 25 ).Оба этих эффективных подхода признают, что выбросы от энергии биомассы аналогичны выбросам всех других парниковых газов, и что рост леса удаляет углерод из атмосферы. С другой стороны, налог на выбросы в результате спроса на биоэнергетику (штрафной сценарий) без компенсирующей субсидии на накопление углерода является неэффективным подходом, поскольку он создает относительно меньший спрос на лесную продукцию, снижает цены на древесину (рис. 3A) и площадь лесов (рис. 3, B — D), снижает инвестиции в управление лесным хозяйством (рис.3F), и, таким образом, приводит к более низким накоплениям углерода в лесах (рис. 3E) по сравнению с эффективным подходом (сценарий углеродной ренты). То есть при любом заданном спросе на древесную биомассу подход, ограничивающий только выбросы, обеспечит меньшее связывание углерода, чем эффективный арендный подход. Более того, цены на древесину выше при сценарии аренды, поскольку есть дополнительные выгоды, связанные с удержанием углерода в лесах, что потенциально снижает ежегодные поставки древесины.

Инжир.3 Глобальные последствия альтернативной политики в области биоэнергетики на основе древесины, 2010–2100 гг.

( A ) Цена древесины и изменения ( B ) общей площади лесов, ( C ) площади естественных лесов, ( D ) площади лесных плантаций, ( E ) общего запаса углерода в лесах и ( F ) управленческие инвестиции относительно базового уровня (нет спроса на биоэнергетику). Пунктирная линия — штраф углерода; аренда твердого, лесного углерода; черный, RCP 1.9; красный, RCP 2.6; зеленый, RCP 3.4; синий, RCP 4.5; оранжевый, RCP 6.0.

Важно то, что подход со штрафами, предложенный Searchinger et al. ( 13 ), может привести к значительному сокращению площади естественных труднодоступных лесов до 200 млн га в условиях высокого спроса на энергию биомассы RCP 1.9 или 2.6 (рис. 3C и 4). Без оценки запасов леса на корню через субсидию на связывание углерода лесами более высокие цены на древесину (рис. 3A) создают существенный стимул для преобразования естественных лесов в другие типы леса (рис. 3B).Налог не может избежать такого исхода. Наибольшее сокращение естественных лесных площадей при применении штрафных санкций произойдет при спросе на биомассу выше 1,5 миллиарда м 3 / год, в основном в тропиках, за которыми следует зона умеренного климата (рис. 4). Напротив, подход углеродной ренты поощряет защиту древостоя естественных лесов за счет оценки древостоя, такого как старовозрастные леса в бореальных регионах и неуправляемые леса в тропиках. В частности, сочетание высоких цен на углерод и потребности в биоэнергетике (RCPs 2.6 и 1.9) позволит избежать обезлесения тропических естественных лесов в будущем по сравнению с исходным уровнем. То есть альтернативные издержки на землю в тропиках относительно низки, поэтому сокращается преобразование лесных угодий в пахотные земли. Во-вторых, прирост углерода в тропиках относительно быстр и велик, так что арендная плата способствует значительному улавливанию углерода по сравнению с лесами умеренного и северного климата.

Рис. 4 Изменения в глобальной лесной площади по основным экосистемам по сравнению с исходным сценарием в рамках альтернативной политики в области биоэнергетики на основе древесины.

Квадрат, угольный штраф; круг, прокат лесного углерода; черный, RCP 1.9; красный, RCP 2.6; зеленый, RCP 3.4; синий, RCP 4.5; оранжевый, RCP 6.0.

Каждый из подходов к политике ведет к увеличению лесных массивов во всем мире в течение следующего столетия, но оценки варьируются на региональном уровне (рис. 5). В случаях, когда за заготовку биомассы налагается штраф, даже при относительно низких ценах на углерод в РТК 6.0 и 4.5, к 2100 году лесной покров в некоторых частях тропиков может сократиться на 10-25% по сравнению с политикой лесной углеродной ренты. .Ожидается, что подход с арендной платой за углеродный лес приведет к увеличению лесного покрова во всем мире, при этом более жесткие сценарии смягчения последствий приведут к увеличению на 50% или более во многих частях мира.

Рис. 5 Региональные изменения площади лесов по сравнению с 2010 годом для сценариев аренды углерода и штрафов за выбросы углерода.

Подход лесной аренды углерода иногда рассматривается как неосуществимый вариант политики смягчения последствий изменения климата из-за сложности измерения и проверки изменений в накоплениях углерода и возможных проблем управления в развивающихся странах ( 35 , 38 ).Однако введение налога на древесную биоэнергию может обострить одну из проблем, которую политика призвана предотвратить, а именно потерю естественных лесов и связанных с ними экосистемных услуг. Несмотря на это, мы обнаружили, что увеличение спроса на биоэнергетику на основе древесины, независимо от политического подхода, приведет к увеличению общего углерода в лесах почти во всех сценариях (рис. 3E). Согласно сценарию штрафа, средние запасы в 2100 г. могут увеличиться на 95 гигатонн эквивалентного двуокиси углерода (GtCO 2 e) или примерно на 3.2% по сравнению с исходным уровнем. Это эквивалентно 1,1 ГтCO 2 э / год или 2,8% мировых выбросов CO 2 в 2018 году ( 33 ). Включение платежей за секвестрацию углерода в лесах дает дополнительные преимущества. Площадь лесов может увеличиться на 500 млн га или более к 2100 году, а общие запасы углерода могут увеличиться в среднем на 5,6 ГтCO 2 э / год, что компенсирует 17% текущих годовых выбросов (рис. 3E). Почти во всех сценариях большая часть этого чистого увеличения накоплений углерода происходит из-за увеличения надземного углерода, в то время как замена некоторой части древесины на биоэнергетику имеет несколько отрицательный эффект (рис.S7).

Растущий спрос на биоэнергетику на основе древесины положительно повлияет на инвестиции в управление лесным хозяйством, независимо от политического подхода, в среднем примерно на 80% выше базовых инвестиций. Спрос на изделия из дерева в целом будет стимулировать инвестиции, поскольку ожидается, что землевладельцы получат более высокую прибыль. Однако политика аренды лесного углерода и увеличения спроса на биомассу может удвоить инвестиции по сравнению с подходом, основанным на штрафах за биомассу (рис. 3F). Управленческие решения по-разному влияют на количество углерода, хранимого в лесах.Во-первых, GTM контролирует возраст севооборота, который влияет на запасы углерода на участках, причем более высокий возраст ротации ведет к большему запасу древесины и большему количеству углерода, и наоборот. Во-вторых, при высоком спросе на биоэнергетику и / или ценах на углерод модель предполагает большее количество повторных посадок, что по сравнению с естественным возобновлением увеличит средний углерод на участке за ротацию. В-третьих, GTM со временем меняет типы видов в зависимости от цен и арендной платы за землю. В-четвертых, модель переводит виды с нулевого управления на умеренное (сбор урожая с естественным возобновлением или сбор урожая с пересадкой в ​​некоторых случаях, в зависимости от ценности).Практически во всех случаях преобразование старых лесов в молодые дает больше древесины, но меньше углерода. Наконец, GTM включает интенсивность управления на повторно засаженных землях. Этот тип интенсивности управления, который может включать генетический отбор, внесение удобрений, контроль плотности и другие подходы, увеличивает как запасы углерода, так и стоимость древесины. Этот тип интенсивности управления отслеживается в модели по расходам на гектар лесных угодий, при этом более высокие расходы приводят к большему количеству древесины и большему количеству углерода.

Тест на чувствительность

Мы проверили влияние спроса на биоэнергетику на лесные угодья и секвестрацию углерода, а также эффективность арендного подхода по сравнению с штрафным подходом в сценарии, в котором добавление лесных угодий ограничено 0,9 миллиарда га, согласно Bastin et al. ( 36 ). Даже при таком ограниченном сценарии наши выводы подтверждаются: спрос на биоэнергетику увеличит общее связывание углерода лесными угодьями и лесами по сравнению со сценарием без использования биоэнергии (базовый уровень) (рис.6, A и C), а политика углеродной ренты обеспечивает эффективный подход к регулированию растущего спроса на биоэнергетику за счет защиты естественных лесных угодий, одновременно обеспечивая древесную биомассу для производства энергии (рис. 6B). Хотя площадь лесов не увеличивается так сильно при более жестких ограничениях, она примерно на 50% меньше; Запасы углерода в лесах сокращаются всего на 20–30%. Углерод сокращается пропорционально меньше, чем площадь лесов, потому что леса управляются более интенсивно для увеличения производства древесины, а это, в свою очередь, способствует накоплению углерода.Каждый раз, когда происходит преобразование естественных лесных территорий из недоступных в доступные и плохо управляемые леса, общий запас углерода с течением времени уменьшается. Таким образом, эффективная климатическая политика углеродной ренты приводит к увеличению выбросов углерода за счет защиты большего количества естественных лесов от преобразования.

Рис. 6 Расчетные воздействия для альтернативных сценариев ограничения земельных ресурсов для всех RCP.

( A ) Общая площадь лесов; ( B ) естественные лесные массивы и ( C ) секвестрация углерода лесами в сравнении с производством древесной биомассы по сравнению с исходным уровнем (отсутствие спроса на биоэнергетику) для альтернативных сценариев с ограниченными земельными ресурсами и сценариев политики в рамках всех RCP.Diamond, дополнительный лимит лесных угодий 1,6 млрд га; плюс 0,9 млрд га дополнительных лимитов лесных угодий; серый, углеродный штраф; розовый, прокат лесного угля. Линии тренда: пунктирные — 1,6 млрд га; сплошной, дополнительный лимит лесных земель 0,9 млрд га.

Дополнительный анализ чувствительности, который корректирует ключевые параметры модели, такие как эластичность предложения земли, реакция руководства на инвестиции в лес, а также затраты на доступ к естественным лесам и их вырубку, вдвое или вдвое по сравнению с исходными значениями, показывает, что наши общие результаты все еще остаются в силе (рис.S8). То есть более высокий спрос на биомассу увеличит стоимость лесных угодий, будет стимулировать дополнительные инвестиции в управление лесным хозяйством и облесение и приведет к увеличению запасов углерода в лесах с течением времени, даже если наша модель включает более пессимистичные (т.е. менее чувствительные) значения параметров. Однако относительное влияние каждого параметра на оценки варьируется. Например, низкая эластичность предложения земли приводит к примерно половине показателя облесения, чем в случае высокой эластичности предложения земли, моделируя потенциальный эффект, если землевладельцы будут более сопротивляться преобразованию своих сельскохозяйственных земель в леса.В результате запасы углерода в лесах будут увеличиваться в следующем столетии, но примерно на 40% меньше, чем в большинстве других случаев чувствительности. Кроме того, наш анализ чувствительности показал, что оценки были наиболее чувствительны к сценариям аренды углерода в лесах, особенно в случаях с высокими ценами на углерод, которые стимулируют усиление конкуренции между углеродом, биоэнергетикой и производством древесины.

ОБСУЖДЕНИЕ

Прогнозы с использованием IAM показывают, что спрос на биоэнергетику, скорее всего, будет доминировать в условиях 1.Целевые сценарии от 5 ° до 2 ° C ( 10 ). Наше исследование дает всесторонний взгляд на то, как это будущее биоэнергетики повлияет на лесозаготовки, цены, инвестиции в управление лесным хозяйством, площадь лесов и баланс углерода в лесах с учетом рыночного взаимодействия и реакции руководства. Динамическая реакция рынка и руководства обычно игнорируется во многих экологических исследованиях, которые дают лишь частичное представление о продолжающихся дебатах о преимуществах и рисках увеличения глобального спроса на биоэнергетику ( 12 17 , 36 ).

Результаты показывают, что более низкие уровни спроса на биоэнергетику в соответствии с RCPs 4.5 и 6.0 могут привести к чистым выбросам углерода, если более высокие цены будут способствовать увеличению объемов вырубки естественных лесов, но недостаточному увеличению инвестиций в лесовосстановление. Для RCP с более строгими требованиями, чем 4.5, спрос на биоэнергетику достаточно высок, чтобы стимулировать достаточно сильные инвестиции в управление лесным хозяйством, чтобы компенсировать негативные последствия вырубки труднодоступных и естественных лесов. Таким образом, для этих более высоких уровней спроса на биоэнергетику есть чистые положительные эффекты на глобальный углеродный баланс, хотя есть заметные воздействия на естественные леса.Во всех диапазонах спроса на биоэнергетику можно применять эффективную политику секвестрации углерода в лесах, чтобы обеспечить нейтральность лесов и сохранение запасов углерода в лесах. Кроме того, эта эффективная политика может значительно снизить потерю труднодоступных и естественных лесов. Напротив, неэффективные политические предложения, такие как налогообложение выбросов углерода от биотоплива без учета выгод от роста лесов, вызывают потенциально большие потери естественных и труднодоступных лесов и в некоторых обстоятельствах приводят к выбросам углерода.

Есть две важные причины, по которым запасы увеличиваются перед лицом сильно растущего спроса. Во-первых, когда спрос растет, цены растут, и землевладельцы, у которых растут леса, обычно держат деревья, чтобы воспользоваться растущими ценами, поскольку преждевременная вырубка требует более высоких альтернативных издержек. Если спрос на энергию биомассы окажется непродолжительным, длящимся всего пару лет, то землевладельцам будет предложено заготавливать деревья раньше, чем в противном случае, что снизит накопления углерода и приведет к чистым выбросам.Однако прогнозы энергии биомассы, связанные с долгосрочным явлением, таким как изменение климата, предполагают, что спрос на энергию из древесной биомассы со временем будет расти.

Во-вторых, рост цен стимулирует лесоводов увеличивать расходы на восстановление и управление. К ним относятся повторная посадка, удобрение, управление в интересах конкуренции и другие методы, направленные на увеличение стоимости и размера древостоя. Расширение производства энергии из биомассы повысит эффективность управления широким спектром лесов по всему миру, но наибольшая интенсификация произойдет в местах, которые уже интенсивно управляются.Для контекста, запасы лесов неуклонно увеличивались на юге Соединенных Штатов и стабилизировались на северо-западе Тихого океана с 1950 года, несмотря на заготовку старых лесов, которая продолжалась до 1990-х годов ( 40 ).

Эти выводы продвигают политическую дискуссию, фиксируя несколько динамик того, как землевладельцы реагируют на стимулы, а именно то, что экономические стимулы способствуют большему управлению лесами. Этот результат отличается от результата Schlesinger et al. ( 26 ) и другие, которые признают возобновление роста лесов, но утверждают, что выбросы в краткосрочной перспективе особенно вредны, потому что они наносят ущерб в течение всего времени, необходимого для восстановления лесов.Эта позиция игнорирует выгоды от накопления углерода в прошлом, воплощенные в текущих запасах леса, который является важным компонентом глобального углеродного бюджета. Аргумент также можно распространить на будущее: справедливо ли считать землевладельцев ответственными за сегодняшние выбросы без учета выгод от их будущего возрождения, особенно с учетом того, что будущее хранение углерода более ценно, чем даже сегодняшние выбросы?

Помимо увеличения запасов леса, более высокие цены делают леса более устойчивыми к изменениям в землепользовании.Реальные цены на лесные товары с 1940-х годов выросли, в то время как реальные цены на урожай упали. В результате площадь земель в лесах во многих частях Соединенных Штатов и Европы увеличилась за тот же период времени из-за облесения и отказа от низкопродуктивных сельскохозяйственных земель ( 41 , 42 ). Однако рост цен может побудить землевладельцев с неуправляемыми или естественными лесами ликвидировать свои запасы раньше, чем в противном случае. Если политика, учитывающая секвестрацию лесов, такая как политика углеродной ренты, не будет реализована, спрос на биоэнергетику может нанести ущерб естественным лесам, экосистеме и услугам биоразнообразия, которые они предоставляют.Кроме того, пока политика будет осуществляться эффективно, большие площади естественных лесов останутся нетронутыми.

Это исследование позволяет лучше понять преимущества и риски увеличения глобального спроса на биоэнергетику на площади лесов и потенциал снижения выбросов углерода в лесах при альтернативных сценариях политики. Тем не менее, есть как минимум два других фактора, которые можно было бы интегрировать в будущие исследования, чтобы обеспечить более полный анализ этих проблем в динамической структуре: во-первых, оценка воздействия изменения климата на рост лесов, коммерческую урожайность, отмирание и сдвиги биома. о региональных поставках биомассы; и, во-вторых, анализ того, как возникающие процессы технологических и / или социальных преобразований могут повлиять на прогнозируемый спрос на древесную биомассу, особенно в долгосрочной перспективе.Использование этого более сложного и комплексного подхода может не изменить наши общие выводы, а скорее дать больше информации о дополнительных рисках, которые можно было бы учитывать при разработке эффективных политик в области биоэнергетики и поглощения углерода лесами.

МАТЕРИАЛЫ И МЕТОДЫ

Модель лесного хозяйства, используемая в этом анализе, — это модель GTM, которая изначально была разработана для изучения динамичных лесных рынков и политики ( 4 , 30 ). GTM объединяет пространственно подробные данные о лесах с экономической моделью, которая взвешивает оптимальные альтернативы управления лесами.Эта версия модели не включает воздействия изменения климата, но классы земель в модели могут быть связаны с типами растительности, представленными в экосистемных моделях, таких как BIOME / LPX-Bern ( 43 , 44 ) или MC2 ( 45 , 46 ). Базовый сценарий, используемый в этом исследовании, соответствует текущим климатическим условиям. Более того, GTM включает общие ограничения на земельные площади, полученные из экологических моделей, так что только земли, способные естественным образом поддерживать леса, могут быть преобразованы в лесные массивы ( 44 ).Для этого конкретного исследования мы включили более ограниченные ограничения на региональные земли, которые могут быть преобразованы в лес, в соответствии с оценками, представленными в Bastin et al. ( 36 ) 1,6 млрд га и 0,9 млрд га.

GTM недавно использовался в процессе валидации, чтобы предоставить историческую оценку глобальной и региональной заготовки древесины, управления лесным хозяйством и запасов углерода с 1900 по 2010 год в Мендельсоне и Зонгене ( 47 ). Таким образом, наш первый период моделирования (десятилетие) совпадает с историческим десятилетием.Кроме того, Sohngen et al. ( 48 ) провел анализ Монте-Карло с этой моделью, чтобы оценить, как неопределенность в эластичности предложения земли и параметрах лесной биомассы (урожайности) повлияет на предложение древесины и углеродные результаты. Историческая проверка показывает, что модель может воспроизводить управление лесным хозяйством, земельные площади, цены на древесину и запасы древесины. Монте-Карло показывает, что модель наиболее чувствительна к параметрам функции урожайности с точки зрения выбросов углерода и поставок древесины.Эластичность предложения земли является неопределенной, но, учитывая, что параметр эластичности, вероятно, не будет меняться систематически, неопределенность в эластичности предложения земли не оказывает сильного влияния на предложение углерода или древесины.

GTM содержит 200 типов леса и в 16 регионах. На рисунке S1 показана разбивка по регионам. Лесные ресурсы различаются по экологической продуктивности, а также по характеристикам управления и стоимости. Чтобы учесть различия в экологической продуктивности, разные классы земель в разных регионах имеют разные функции урожайности древесины, полученные из базовых данных инвентаризации.Более того, леса разбиты на разные типы управленческих классов. Первый тип — леса средней ценности; это леса, которые управляются в севообороте и расположены в основном в регионах с умеренным климатом. Второй тип — это естественные труднодоступные леса, расположенные в дорогих для доступа регионах. Чтобы быть консервативным, предполагается, что труднодоступные леса находятся в равновесии, так что они не накапливают и не выделяют углерод. Недоступные леса неуправляемы и расположены в местах, доступ к которым является дорогостоящим по причинам, связанным с рынком древесины.Со временем некоторые из них в нашей модели становятся доступными по экономическим причинам, например, цены на древесину растут, что делает дополнительные гектары экономически эффективными для заготовки. Если они становятся доступными, их собирают, а при повторном выращивании на них распространяются соответствующие функции роста леса. Третий тип — это малоценные леса, расположенные в зонах умеренного и северного климата, которые управляются слабо, если ими вообще управляют. В четвертую категорию входят малоценные лесные массивы в труднодоступных и малодоступных регионах тропических зон.К пятому типу относятся плантации ценных пород древесины с интенсивным управлением; эти леса в основном встречаются в субтропических регионах Соединенных Штатов, Южной Америки, южной части Африки, Пиренейского полуострова, Индонезии и Океании.

GTM — это экономическая модель лесов, которая максимизирует чистую приведенную стоимость излишков потребителей и производителей в лесном секторе. Максимизируя чистую приведенную стоимость, модель оптимизирует возраст заготовки древесины и , а также интенсивность восстановления лесов и управления лесами mti.Это задача оптимального управления с учетом функции совокупного спроса, начальных запасов, затрат и функций роста лесных запасов.

GTM полагается на дальновидное поведение и решает все временные периоды одновременно; это означает, что, когда землевладельцы сегодня принимают решения относительно управления лесами, они делают это, учитывая последствия своих действий сегодня для лесов в будущем с полной информацией. Результатом является прогноз того, что конкурентный рынок будет делать с лесными угодьями.

Математически эта задача оптимизации записывается как max ∑0∞ρt {∫0Qttot {D (Qtind, Zt, RCP) + D (Qt, RCPwbio) −C (Qttot)} dQttot − ∑iCGi (mti, Gti) −∑ iCNi (mti, Nti) −iRti (∑aXa, ti) + CCt, RCP, policy} (1)

В уравнении. 1, ρ t — коэффициент дисконтирования, D (Qtind, Zt, RCP) — функция глобального спроса на промышленные изделия из древесины Qtind и среднее глобальное потребление на душу населения Z t , RCP из Международного База данных SSP Института прикладного системного анализа (IIASA) ( 33 ).В частности, мы используем сценарий маркера IAM SSP2 из MESSAGE GLOBIOM для каждого из пяти RCP IPCC [согласно базе данных SSP IIASA ( 33 ), глобальное потребление на душу населения согласно сценарию маркера IAM SSP2 не изменяется в разных RCP] .

Спрос на промышленную древесину следует общей функциональной форме Qtind = At ​​(Zt, RCP) θPtω, где A t — постоянная величина, θ — эластичность по доходу, P t — цена на древесину, а ω ценовая эластичность.Функцией глобального спроса является деловой круглый лес, который сам по себе является сырьем для таких продуктов, как пиломатериалы, бумага, фанера и другие изделия из древесины.

Спрос на древесину для производства биоэнергии Qt, RCPwbio оценивается путем корректировки общего потребления биоэнергии в базе данных Qt, RCPbio SSP IIASA с долей мировой энергии биомассы, производимой из древесины, на основе того же предположения, что и в Lauri et al. ( 34 ). На Рисунке S2 (A и B) показано общее потребление биоэнергии и общее предложение древесной биомассы по каждому RCP для SSP2.

Мы предполагаем, что существует международный рынок древесины, ведущий к установлению клиринговых цен на мировом рынке. Поскольку цена на древесину для биоэнергетики растет, чтобы конкурировать с промышленной древесиной, древесина и биоэнергетика будут продаваться на международном уровне ( 49 ). Конкуренция за предложение уравновесит их цены.

Уравнение 2 показывает, что общее количество древесины зависит от площади заготавливаемой земли для типов древесины в и для каждого возраста a и времени t (Ha, ti) и функции урожайности (Va, ti ), которая сама по себе является функцией экологической продуктивности леса θti и интенсивности управления ma, ti.Qttot = ∑i (∑aHa, tiVa, ti (θti, ma, ti)) (2)

Функциональная форма функции доходности: Va, ti (ma, ti) = h ∗ [exp (δi − πia)] (3)

По уравнению h = φi (1 + ma, ti) τi, h — плотность посадки, которую можно регулировать в зависимости от интенсивности хозяйствования, ma = 1, ti. Мы ограничиваем эластичность запаса, τ, положительной величиной, не превышающей 1. τ i влияет на эластичность управленческих затрат в лесном хозяйстве с учетом изменения технологий. Начальный запас обозначен φ i .При увеличении ma = 1 ti увеличится на h , например, dh / dZ > 0, но увеличение уменьшается при ma = 1, ti возрастает, например, d 2 h / dZ 2 <0. Модель выбирает интенсивность управления, оптимально выбирая ma = 1, ti. Повышение интенсивности управления приведет к увеличению урожайности и сдвинет всю функцию доходности вверх. Предполагается, что леса растут в соответствии с Va, ti (Za = 1, ti), где δ и π - параметры роста, зависящие от вида (рис.S3 показывает репрезентативную функцию урожайности, предполагая, что ч = 1,32, δ = 5,2 и π = 30). C (Qttot) — функция затрат на заготовку и транспортировку бревен в центр (фабрики или электростанции) от каждого вида древесины.

Запас земли в каждом типе леса со временем изменяется в соответствии с Xa, ti = Xa − 1, t − 1i − Ha − 1, t − 1i + Ga = 0, t − 1i + Na = 0, t − 1i ( 4)

Даны начальные запасы земли Xti, и все переменные выбора должны быть больше или равны нулю, а площадь заготовленной древесины Ha, ti не превышает общей площади древесины.Gti — это площадь засаженных лесом возобновляемых земель, а Nti — это новый лесной массив. CGi (·) — это функция затрат для посадки земель в умеренных и ранее недоступных лесах, а CNi (·) — это функция затрат для посадки лесов в субтропических регионах с плантациями.

GTM учитывает конкуренцию лесных угодий с сельскохозяйственными культурами и скотом, используя функцию предложения арендной платы за землю ( 2 ). В формуле. 1, Rti (·) — функция затрат на аренду для альтернативных издержек владения лесными угодьями Xa, ti.Например, если цены на древесину вырастут по сравнению с ценами на сельскохозяйственную землю, модель предсказывает, что лесовладельцы будут арендовать подходящие сельхозугодья как минимум для ротации. Точно так же, если цены на древесину упадут относительно цен на сельскохозяйственные земли, подходящие лесные угодья будут преобразованы обратно в сельскохозяйственные угодья после сбора урожая. Кроме того, модель учитывает совокупные глобальные эффекты перемещения земель между лесами и сельским хозяйством путем смещения всех функций землевладения для отдельных типов лесов в зависимости от совокупной глобальной площади лесных угодий.По мере того, как все больше земель в мире переходит из сельскохозяйственного назначения в лесное, все арендные функции перемещаются внутрь, что делает более дорогостоящим перевод любой земли из сельскохозяйственного в лесное хозяйство. Это отражает влияние того, что меньшее количество земли в сельском хозяйстве повлияет на цены на землю. Мы предположили, что эластичность предложения земли составляет 0,25, так что сокращение общей площади сельскохозяйственных земель на 0,25% приведет к увеличению земельной ренты на 1%. Также обратите внимание, что функция предложения арендной платы ограничена сельскохозяйственными землями, которые естественно подходят для лесов.Он предполагает, что в первую очередь будут переустроены наименее продуктивные сельскохозяйственные угодья и пастбища, а арендные ставки будут расти по мере того, как больше земель переоборудуется и станет мендогенным.

Модель также разработана для учета глобальных запасов и потоков углерода в лесах в соответствии с методом, впервые представленным Sohngen и Sedjo ( 50 ) и обновленным Daigneault et al. ( 18 ). Углерод отслеживается в четырех пулах: надземный углерод, почвенный углерод, углерод лесных продуктов и косой.

Надземный углерод Ca, ti составляет углерод во всех компонентах живого дерева, включая корни, а также углерод в лесном подлеске и лесной подстилке, но не включает мертвое органическое вещество в косой черте, которое содержится в отдельный бассейн.Для этого анализа мы предполагаем, что углерод пропорционален общей биомассе, так что углерод в любом лесу любого возрастного класса задается как Ca, ti = σi Va, ti (mt0i) (5), где σ i — это вид -зависимый коэффициент, преобразующий биомассу в углерод. Учитывая это, общий запас углерода в лесу TFCPti для каждого вида древесины рассчитывается как TFCPti = ∑aCa, tiXa, ti (6)

Углерод в заготовленных лесных продуктах HCti оценивается путем отслеживания лесных продуктов во времени по следующей формуле: HCti = (1 − τt) κi ∑a βi (Va, tiHa, ti) (7) где κ i — это доля объема заготовленной древесины, в которой постоянно хранится углерод, и оценивается как 0.30 ( 51 ), β i — это параметр, который преобразует лесные продукты в углерод (в зависимости от региона и типа леса), а τ t — это доля древесины, используемая в энергетическом секторе, и это эндогенно выбирается моделью; то есть HCti учитывает только углерод, хранящийся в древесных продуктах, а не древесную биомассу, используемую для производства энергии. Углерод, запасенный в древесной биомассе, используемой для производства биоэнергии, рассчитывается следующим образом: BIOCti = τt ∑aβi (Va, tiHa, ti) (8)

Углерод почвы SOLCti измеряется как запас углерода в лесных почвах типа и во времени т .Величина K¯, стационарного уровня углерода в лесных почвах, уникальна для каждого региона и типа древесины. Параметр μ i — скорость роста почвенного углерода. В этом анализе мы фиксируем предельное изменение ценности углерода, связанное с изменениями в управлении или землепользовании. Когда происходит изменение в землепользовании, мы отслеживаем чистый прирост или потерю углерода с течением времени следующим образом: SOLCt + 1i = SOLCti + SOLCti (μi) [(K¯ − SOLCti) SOLCti] (9)

Наконец, мы измеряем ASti косого углерода как углерод. остатки на строительной площадке после лесозаготовки ASti = ∑a (ωaiVa, tiHa, ti − κiVa, tiHa, ti) (10)

Со временем запас косой черты SPti увеличивается за счет ежегодных добавлений и раскладывается следующим образом SPt + 1i = ASti + ( 1 − ϑiSPti) (11)

Скорости разложения ϑ i различаются в зависимости от того, находится ли лес в тропической, умеренной или бореальной зоне.

Последнее в уравнении. 1 термин CC t , RCP, политика представляет собой углеродные платежи / штрафы для лесовладельцев в соответствии с применяемой политикой. Для этого исследования GTM был усовершенствован, чтобы отразить усилия государственной политики, которые либо ограничивают спрос на биоэнергетику, либо оценивают выгоды от секвестрации лесов для смягчения последствий изменения климата. GTM предполагает, что стимулы, связанные с древесной продукцией, древесной биомассой и системой секвестрации углерода, могут быть реализованы эффективно. Таким образом, GTM изображает идеальный мир, в котором цена на углерод и / или субсидия реализуются одновременно повсюду, и нет торговых барьеров или других ограничений в использовании древесной биомассы для целей энергетики или управления.Это идеальная основа: очевидно, что углерод не продавался в глобальном масштабе, и существуют широко распространенные сомнения в отношении торговли им в атмосфере, а также в лесах. Существуют проблемы измерения, мониторинга и проверки, а также проблемы с утечкой и постоянством.

Начиная со сценариев, смоделированных в Favero et al. ( 22 ), в этом исследовании рассматриваются четыре возможных сценария политики:

1) Базовый сценарий: Отсутствие спроса на биоэнергетику и цен на углерод;

2) Сценарий биоэнергетики: включены экзогенные потребности в биоэнергии от SSP2 через RCP Qt, RCPwbio;

3) Сценарий аренды углерода в лесах: включены экзогенные потребности в биоэнергетике из СПП2 по всем ПРП, а лесовладельцы получают компенсацию в виде ежегодной ренты за обеспечение ежегодного поглощения углерода в соответствии с ценами на углерод из базы данных СПП МИПСА;

4) Сценарий штрафа за выбросы углерода: потребности в биоэнергетике от SSP2 через RCP включены, а выбросы углерода при урожае энергии облагаются налогом.

Сценарии политики описаны в формуле. 1 с условием ГК т , ГПК, полис . Более того, в эталонном сценарии и сценариях биоэнергетики термин CC t , RCP, policy предполагается равным нулю, поскольку не предпринимаются никакие политические усилия для оценки или наказания спроса на биоэнергетику.

С другой стороны, в сценарии аренды углерода в лесах владельцы лесов получают платежи за углерод, постоянно хранящийся в древесных продуктах, и получают компенсацию в виде годовой ренты за обеспечение ежегодного поглощения углерода в соответствии с ценами на углерод Pt, RCPc из ГПСП IIASA. база данных (рис.S2C) следующим образом: CCt, RCP, carbon_rental = Pt, RCPc [∑iHCti + (SOLCt + 1i-SOLCti)] + Rt, RCPc∑iTFCPti (12)

Первая часть уравнения. 11 — это углерод, перенесенный в долгоживущие древесные продукты (HCti) из каждого леса и , оцененный по цене углерода Pt, RCPc. Изменение содержания углерода в почве (SOLCti) при переключении земель между лесами и сельским хозяйством также оценивается по цене углерода ( 13 , 15 ). Второй член — это годовая рента, Rt, RCPc, при которой общие запасы углерода в лесах TFCPti сдаются в аренду в течение периода времени, в течение которого углерод хранится согласно Зонгену и Мендельсону ( 4 ).Стоимость аренды углерода равна Rt, RCPc = Pt, RCPc − Pt + 1, RCPc (1 + r) t (13), где r — процентная ставка. Это уравнение учитывает потенциальное повышение цен на углерод, которое происходит по мере накопления углерода в атмосфере.

Наконец, в сценарии углеродного штрафа, лесовладельцы платят штраф за углерод, высвобождаемый при заготовке древесины для удовлетворения спроса на биоэнергетику. CCt, RCP, штраф = −Pt, RCPc ∑iBIOCti (14)

Таблица S1 предоставляет список значений параметров, используемых для параметризации уравнений для моделирования, представленного в этом исследовании.Более подробная информация о версии GTM, используемой в этом анализе, доступна в ( 18 ) и ( 22 ).

Благодарности: Финансирование: Этот проект был поддержан Национальным институтом продовольствия и сельского хозяйства Министерства сельского хозяйства США, проект № ME0-41825, через Экспериментальную станцию ​​по сельскому хозяйству и лесам штата Мэн; Сельскохозяйственная и лесная экспериментальная станция штата Мэн Номер публикации 3701.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *