Moscow region’s swamp forests mapping for inventory of CH₄ and CO₂ fluxes

Полный текст

ВВЕДЕНИЕ

Используемые сокращения

н.у.м. – над уровнем моря;

СИ – спорадические источники;

УПГВ - уровень почвенно-грунтовых вод;

Q – квартиль.

Заболоченные леса как спорадические источники метана

Метан и диоксид углерода – важнейшие парниковые газы, рост концентрации которых в атмосфере является основной причиной климатических изменений [Taylor and Penner, 1994; Drösler et al., 2014; Hoegh-Guldberg et al., 2019]. Одним из основных естественных источников метана и важным элементом круговорота диоксида углерода между наземными экосистемами и атмосферой являются болота [Matthews and Fung, 1987; Moore, 2002; Drösler et al., 2014].

Некоторые болотные экосистемы, например, олиготрофные бореальные, характеризуются относительным постоянством факторов метаногенеза и обмена диоксида углерода [Kelly and Chynoweth, 1981; Megonigal et al., 2004; Mitsch et al., 2013; Davydov et al., 2021]. Другие – напротив, резко меняющимися условиями увлажнения, температурного режима почвы и других экологических параметров, что приводит к существенной пространственно-временной изменчивости потоков метана и диоксида углерода [Whalen et al., 1991; Gulledge and Schimel, 2000; Koskinen et al., 2016]. Такими экосистемами являются периодически затапливаемые поймы рек, заболоченные леса бореальной зоны, леса периодического избыточного увлажнения и др. (здесь и далее спорадические источники – СИ; под заболоченными лесами мы подразумеваем любые леса, характеризующиеся постоянным или периодическим избыточным увлажнением, т.е. УПГВ, приближающимся или оказывающимся выше поверхности почвы в течение всего года или отдельных сезонов) [Whalen et al., 1991; Gulledge and Schimel, 2000; Koskinen et al., 2016; Terentieva et al., 2019].

Несмотря на непостоянство СИ как источников метана, потоки в поймах рек могут достигать 0.1 – 12.5 [Whalen et al., 1991; Van Huissteden et al., 2005; Terentieva et al., 2019], а в заболоченных лесах -0.7 – 17.1 мгC м^-2 ч^-1 [Moore and Knowles, 1990; Ambus and Christensen, 1995; Aronson et al., 2012; Koskinen et al., 2016; Glagolev et al., 2018]. Эти величины сопоставимы, а при определенных условиях (сочетание влажности и температуры почвы) превышают наблюдаемые в болотах [Gulledge and Schimel, 2000; Vasconcelos et al., 2004; Ullah and Moore, 2011; Shoemaker et al., 2014; Christiansen et al., 2017; Torga et al., 2017; Glagolev et al., 2018; Mochenov et al., 2018].

Таким образом, даже несмотря на высокую пространственно-временную изменчивость потоков метана и диоксида углерода из СИ, их учет необходим для полноценной инвентаризации углеродного баланса наземных экосистем. Подобные исследования особенно актуальны в контексте современных климатических изменений [Гулев и др., 2008]. Ратификация Россией Парижского соглашения подразумевает не только выполнение обязательств по ограничению выбросов углеродсодержащих газов, но и необходимость формирования национальной отчетности по углеродному балансу. Для этого в 2022 году в России запущен важнейший инновационный проект государственного значения «Единая национальная система мониторинга климатически активных веществ», который подразумевает выполнение работ по Федеральной научно-технической программе в области экологического развития Российской Федерации и климатических изменений до 2030 года.

К сожалению, на территории России исследования потоков CH₄ и CO₂ из спорадических источников крайне ограничены (выполнялись разовые измерения без привязки к пространственной, сезонной и межгодовой изменчивости условий), причем проводились они в основном на территории Западной Сибири [Sabrekov et al., 2013; Mochenov et al., 2018; Glagolev et al., 2018; Terentieva et al., 2019] и европейской части России [Кузнецов и Бобкова, 2014; Иванов и др., 2018; Glukhova et al., 2021; Glukhova et al., 2022]. Вообще среднемасштабные (на уровне субъектов РФ) исследования болотных и лесных экосистем на территории России представлены далеко не во всех регионах, хотя вызывают особый интерес в силу возможности сохранения баланса между детальностью оценок и пространственно-временным охватом [Зацаринная и Волкова, 2011; Гришуткин и др., 2013; Баишева и др., 2015; Ильясов и др., 2019; Суслова, 2019], а инвентаризации, выполненные на территорию всей страны, требуют уточнения на региональном уровне [Вомперский и др., 2005].

Целью нашей работы стала инвентаризация избыточно увлажненных лесов Московской области (как источников CH₄ и CO₂ из почв) путем ГИС-картографирования и наземных измерений. Поскольку согласно одному из распространенных подходов к оценке региональных потоков парниковых газов («простейшая инвентаризация»), для расчетов необходимы (i) продолжительности периодов, в течение которых происходит выделение или потребление парниковых газов; (ii) величины удельных потоков из изучаемых экосистем; (iii) площади распространения данных экосистем, то определение этих величин составляло основные задачи работы.

ОБЪЕКТ И МЕТОДЫ ИССЛЕДОВАНИЯ

Типологическая карта заболоченных лесов

Московская область располагается в центральной части Восточно-Европейской равнины в подзоне южной тайги. Здесь распространены хвойно-широколиственные и широколиственные леса. С севера-запада на юго-восток залесенность территории снижается, значительная часть области покрыта смешанными лесами. Основными породами являются ель обыкновенная (Pícea ábies), сосна обыкновенная (Pínus sylvéstris), дуб черешчатый (Quércus róbur), липа мелколистная (Tília cordáta), клен остролистный (Ácer platanoídes), вяз гладкий (Úlmus laévis) и вяз шершавый (Úlmus glábra). В заболоченных местностях распространены ольха черная (Álnus glutinósa), черемуха (Prúnus pádus) и ива козья (Sálix cáprea) [Огуреева и др., 1996].

Основой для карты заболоченных лесов Московского региона (здесь и далее под этим термином мы подразумеваем общую территорию г. Москвы и Московской области) стала мозаика из 6 снимков спутника Landsat-8, которые были получены в 2021 году: два снимка – 8 июля (координаты в системе навигации Global Visualization Viewer WRS-2 path/raw: 176/21, 176/22), два – 6 июля (178/21, 178/22) и по одному – 10 мая (179/21) и 18 июня (180/21). Мозаика из полученных снимков покрывает всю территорию Московской области. Конвертация исходных данных производилась в программе Grass 7.6 (GRASS Development Team, США) поканально. Для преобразования значений пикселей, представленных в условных относительных единицах (DN – Digital Numbers), в реальные значения приходящего на сенсор спутника излучения использовалась радиометрическая калибровка при помощи модуля i.landsat.toar программы Grass 7.6. Атмосферная коррекция снимков была выполнена на основе модели 6S (Second Simulation of a Satellite Signal in the Solar Spectrum) обратного излучения солнечной радиации от объекта к съемочной аппаратуре [Vermote et al., 2006] при помощи модуля i.atcorr, программы Grass 7.6. После получения результатов атмосферной коррекции и объединения 7 каналов каждого снимка в программе QGIS 3.16.5 (QGIS Development Team, США) из 6 снимков была получена мозаика в программе Saga Gis 2.3.2 (SAGA Development Team, Германия).

Процесс дешифрирования был проведен по алгоритму классификации с обучением (Supervised Classification) в программе Multispec (Purdue Research Foundation, США). При задании эталонных полигонов соблюдены следующие условия [Terent’eva et al., 2017]:

1. максимальная гомогенность, спектральные неоднородности недопустимы;
2. площадь ≥ 6 пикселей;
3. определение типа ландшафтов на основе спектральных данных, использование снимков сверхвысокого разрешения и вспомогательных данных в качестве справочной информации (положение в рельефе, структура и текстура [Усова, 2009]).

После того, как не менее 7 эталонных полигонов были включены в каждый дешифровочный класс, запускали модуль автоматической классификации, который классифицировал всю территорию мозаики по методу максимального подобия. Далее дешифровочные классы были объединены в типологические: «лес» (автоморфные леса), «водные поверхности» (реки, озера, иные водные объекты), «заболоченный лес» (избыточно увлажненные леса с УПГВ, близким или находящимся на поверхности почвы), «слабо заболоченный лес» (избыточно увлажненные леса с УПГВ ниже поверхности почвы). Кроме того, города и поселения, дороги, пашни и др. объекты, не представляющие интерес как объекты классификации в рамках текущей работы, были объединены в класс «другое». Заключительным этапом формирования карты заболоченных лесов стала генерализация и ликвидация шумов с помощью модуля «отсеивание» (QGIS 3.16.5; порог отсеивания 10 пикселей) и отсечение по «внешним» границам Московской области.

Оценка точности проведенной классификации была осуществлена при помощи матрицы ошибок [Stehman, 2004; Sari et al., 2021]. Для этого на полученной карте первый оператор (далее – «пользователь») вручную отметил по 75 точек внутри границ каждого класса («расчётный класс»). Точки были созданы в виде векторного слоя в программе QGIS 3.16.5 и для них автоматически были получены координаты: долгота и широта. Таким образом, пользователь обладал следующим набором данных: географические координаты для 75 точек внутри каждого расчетного класса и их принадлежность к тому или иному расчетному классу, которая выражалась цифровым кодом. Затем графа принадлежности каждой точки к тому или иному классу была скрыта, координаты точек случайным образом отсортированы и переданы второму оператору («производитель»). Таким образом, производитель не знал, к какому расчетному классу на карте относится та или иная точка. Его задача состояла в том, чтобы «вслепую» (то есть, не просматривая созданную карту) присвоить каждой точке код одного из классов, основываясь на проверочном источнике данных («реальный класс»). Это было осуществлено путем просмотра метаположения, соответствующего каждой точке на спутниковых снимках сверхвысокого разрешения (Google Earth). После того, как производитель «вслепую» отнес все точки к тому или иному классу на карте, он передавал их обратно пользователю, который теперь обладал: географическими координатами точек, кодом класса, который для этих точек был представлен на созданной карте, и кодом класса, который для этих точек был представлен на карте сверхвысокого разрешения (по мнению производителя). Далее проводился расчет общей точности классификации (A):

$A=\frac{{\displaystyle \sum _{i=1}^M{E}_i}}{{\displaystyle \sum _{i=1}^M{R}_i}}$,

где Е_i – число точек, чей расчетный и реальный классы совпадают (элементы главной диагонали матрицы ошибок); М – число классов; R_i – общее число проверочных точек (375; табл. 1). Общая точность классификации (А) отражает вероятность того, что результат классификации совпадает с проверочной информацией. Для каждого расчетного класса (i) также оценивалась точность производителя (producer’s accuracy, РА_i):

$Р{А}_i={Е}_i/{С}_i$,

где С_i, – суммарное число точек того или иного расчетного класса, попавших в реальный i-ый класс (сумма элементов строк матрицы). Например, в таблице 1 число точек расчетного класса «Лес» (45), к отнесенным производителем в реальный класс «Лес» (79) составляет 45/79 = 0.57. Точность производителя показывает долю точек на расчетной карте, совпавших с проверочными данными. Аналогично оценивалась точность пользователя (user’s accuracy, UА_i):

$U{А}_i={Е}_i/P{R}_i$,

где PR_i – число проверочных точек для каждого расчетного класса (75; сумма элементов столбцов матрицы). Точность пользователя показывает долю точек проверочных данных, совпавших с картой.

Измерения потоков CH₄ и CO₂ в заболоченных лесах

Измерения потоков диоксида углерода и метана были осуществлены с 2019 по 2022 годы в смешанном черноольховом (Alnus glutinosa (L.) Gaertn.) влажнотравном лесу «Дорохово» с Picea abies (L.) H. Karst., Betula pubescens Ehrh., в меньшей степени с Populus tremula L., Tilia cordata Mill. и A. incana (L.) Moench., расположенном в 66 км к западу от границы г. Москвы. Всего было проведено 12 полевых кампаний: 5–24 августа 2019 года (лето); 5–25 июля, 24–25 октября 2020 года (осень); 8–9 марта («зима» – температура воздуха достигала -16°C), 3–4 мая (весна), 10–11 и 29–30 августа (лето), 9–10 октября (осень), 6 ноября (осень) 2021 года; 9 января (зима), 26 февраля (зима) и 2 мая (весна) 2022 года. Растительный покров представлен Picea abies (L.) H. Karst., Betula pubescens Ehrh., в меньшей степени с Populus tremula L., Tilia cordata Mill. и A. Incana (L.) Moench. Заболоченный лес расположен на склоне с максимальной абсолютной высотой около 230 м н.у.м. и перепадом высот 5–10 м/100 м. Верхняя часть склона дренирована и занята смешанным лесом. Нижняя часть склона (абсолютная высота которой около 220 м н.у.м.) примыкает к выровненной заболоченной поверхности, которая практически лишена древесной растительности и характеризуется круглогодичным стоянием воды выше поверхности почвы. Весьма вероятно, что этому способствуют окружающие склоны, выполняющие роль дополнительного водосбора.

Потоки метана и диоксида углерода измерены при помощи статического камерного метода [Hutchinson and Mosier, 1981; Terent'eva et al., 2017]. Измерения проводили в 2–4 кратной временной повторности днем в период с 11 до 17 часов по местному времени. Время экспозиции камер при отборе проб метана составляло: 9 – 20 минут при уровне почвенно-грунтовых вод (УПГВ) выше поверхности почвы: 20 – 45 минут при УПГВ от поверхности почвы до 15 – 25 см ниже нее; 45 – 60 минут при УПГВ ниже 25 см под поверхностью почвы. Время экспозиции при отборе проб диоксида углерода варьировало в зависимости от сезона: 6 – 9 минут летом и весной 15 – 20 минут осенью, и 60 минут зимой. Пробы газа из камер отбирали в медицинские шприцы объемом 12 и 20 мл в случае метана и диоксида углерода соответственно и закупоривали резиновой пробкой. Концентрацию метана (с 2019 г. до октября 2020 г.) в пробах определяли при помощи модифицированного хроматографа ХПМ-4 («Хроматограф», СССР), оснащенного пламенно-ионизационным детектором. Диаметр колонки – 2.5 мм; длина – 1 м; температура – 30°C; сорбент – «Совпол», 80–100 mesh; газ-носитель – водород, скорость потока – 5 мл/мин. С октября 2020 г. концентрацию CH₄ определяли на модифицированном хроматографе Автохром («Манометр», Россия), с идентичными характеристиками колонки, газа-носителя и скорости потока. Используемый сорбент – «Полисорб» (80–100 mesh). Для калибровки в обоих случаях использовали смесь воздуха и метана с итоговой концентрацией CH₄ 5.00 ± 0.01 ppm (National Institute for Environmental Studies, Япония) при допущении, что регрессионная прямая пересекала ось ординат калибровочного графика (в координатах мВ–ppm) на значении 13 мВ. Объём вводимой пробы – 1.5 мл. Концентрацию метана в каждом шприце оценивали в 3 ÷ 4 повторностях.

Концентрацию диоксида углерода в отобранных из камер пробах определяли не позднее, чем через 10 часов. Для анализа использовался инфракрасный газоанализатор EGM-4 (PP Systems, США). Отобранные пробы из шприцев последовательно вводили в газоанализатор (суммарный объем кюветы EGM-4 и шлангов для ввода не превышал 7 мл) при выключенном насосе в единичной повторности: объем вводимой пробы составлял 20 мл, что обеспечивало многократную промывку кюветы. Заявленная производителем погрешность измерения составляет <1 % от диапазона измеряемых концентраций, что составляет менее 10 – 20 ppm для наших исследований (диапазоны концентраций 0 – 1000, 0 – 2000 ppm).

Удельные потоки метана и диоксида углерода были рассчитаны при помощи линейной регрессии в случае эмиссии и нелинейной (экспоненциальной) регрессии при потреблении, в координатах концентрация газа (в объеме камеры) – время [Kahaner et al., 1989; Sabrekov et al., 2016; Глаголев и др., 2017]. Поскольку при измерениях использовались непрозрачные камеры, то везде в данной статье «поток СО₂» отражает суммарное дыхание почвенно-травяно-мохового покрова.

Инвентаризация потоков CH₄ и CO₂ в заболоченных лесах

Расчет годового потока метана и диоксида углерода из заболоченных лесов Московского региона был выполнен посезонно методом простейшей инвентаризации (ранее использовался термин «метод стандартной модели») [Глаголев, 2008; 2010] на основе уравнения:

$E={\sum }_{i, j}(A_{i, j}\times f_i\times T_j)$,

где A_ij – площадь (м²), занимаемая i-м типом почв в j-ой области; f_i – поверхностная плотность потока (мг · м^-2 · ч^-1), характерная для i-го типа почв; Т_j – продолжительность периода эмиссии (час), характерная для j-ой области. Продолжительность периода эмиссии метана в рамках отдельных сезонов была принята на основе гидротермических коэффициентов и радиационного индекса следующим образом: лето – 122 дня (с июня по сентябрь включительно), осень – 76 дней (с октября до середины декабря), зима – 90 дней (с середины декабря до середины марта), весна – 77 дней (с середины марта до конца мая). Поверхностная плотность потока была рассчитана как медиана (а также 1Q, 3Q) за рассматриваемый сезон на основе всех наблюдений. При расчете годового потока мы пренебрегли суточной динамикой.

РЕЗУЛЬТАТЫ

Карта заболоченных лесов Московского региона

Полученная карта заболоченных лесов Московского региона представлена на рисунке 1 и характеризуется следующими площадями типологических классов: «лес» – 2 157 716 га, «водные поверхности» 45 693 – га, «заболоченный лес» – 58 384 га, «слабо заболоченный лес» – 233 865 га.

 

Рисунок 1. Карта заболоченных (черный) и слабо заболоченных (зеленый) лесов Московского региона. Серым показаны лесные массивы, голубым – водные поверхности, белым – города и поселения, дороги, пашни и др. объекты.

 

Таким образом, суммарная доля лесных экосистем, которые способны функционировать как источники метана – заболоченные леса и слабо заболоченные леса – составляет 1.2 и 5.0% площади региона соответственно или 292 249 га. Согласно карте, заболоченные леса – это преимущественно небольшие экосистемы (от мелких – площадью 3 – 5 га, которые распространены крайне широко, до более крупных – площадью 30 – 50 га, встречающихся несколько реже), которые испытывают избыточное увлажнение в результате расположения по окраинам болотных массивов, поблизости от речных пойм, в мелких локальных понижениях рельефа, а также в элементах овражно-балочной сети (преимущественно в южной части Московской области). Слабо заболоченные леса расположены на более дренированных участках, они часто связаны с заболоченными лесами в единые ландшафтные структуры, однако распространены значительно шире, и занимают существенно большие площади: от 10 – 50 до 100 – 500 га.

Заболоченные и слабо заболоченные леса, согласно полученной карте, являются «спутниками» распространения болотных экосистем и расположены в Московской области неравномерно: крупные площади обнаружены в северной (Дмитровский район) и восточной частях (Шатурский район) региона (рисунок 1а). Кроме того, заболоченные и слабо заболоченные леса часто представлены как избыточно увлажненные участки близ автоморфных лесов: площадь таких экосистем незначительна и редко превышает 10 га (рисунок 1б). Предположительно, основной причиной такого локального заболачивания являются особенности микрорельефа (как и в случае заболоченного леса «Дорохово», где были проведены измерения потоков парниковых газов), и подтопление в местах формирования ручьев и более мелких водотоков.

Матрица ошибок полученной карты представлена в табл. 1. Общая точность классификации (отношение суммы элементов главной диагонали матрицы ошибок к сумме проверочных точек по классам) составляет 76 %. Ранжирование классов по показателям точности производителя и точности пользователя убывает в ряду: «водные поверхности», «прочее», «лес», «слабо заболоченный лес», «заболоченный лес». Наиболее точно классифицируются водные поверхности с максимально возможной точностью производителя (100%). Класс «прочее» имеет такую же точность пользователя, как и водные поверхности (93%), но несколько меньшую точность производителя (74%). В целом наименее точно определены классы заболоченных и слабо-заболоченных лесов (36 – 46%): они имеют значительные пересечения со всеми классами кроме открытой водной поверхности, и, что наиболее важно, наибольшие – между собой.

 

Таблица 1. Матрица ошибок и точность классов для результатов классификации

		Расчетные классы					Ci	Точность производителя (PAi)
		Лес	Водные поверхности	Заболоченный лес	Слабо заболоченный лес	Прочее
Реальные классы	Лес	45	1	16	16	1	79	0.57
	Водные поверхности	0	70	0	0	0	70	1.00
	Заболоченный лес	10	0	27	19	3	59	0.46	0.74
	Слабо заболоченный лес	20	0	22	30	1	73	0.41
	Прочее	0	4	10	10	70	94	0.74
	PRi	75	75	75	75	75	375
Точность пользователя (UAi)		0.60	0.93	0.36	0.40	0.93
				0.65

 

Основываясь на полученных результатах оценки точности карты, можно заключить, что заболоченные и слабо заболоченные леса – это экосистемы, которые достаточно трудно различить между собой, основываясь на дистанционных данных единичных (во времени) спутниковых снимков и использовании классификации с обучением. Для достижения разумной точности классификации и при дальнейших расчетах регионального потока мы объединили два класса: «заболоченный лес» и «слабо заболоченный лес» в один: при этом точность пользователя объединенного класса составила 65%, а точность производителя – 74%, что позволяет достаточно точно предсказывать местоположение лесов разной степени заболоченности при их совместном рассмотрении. 

Потоки CH₄ и CO₂ и их инвентаризация

Обобщенные результаты измерений потоков метана и диоксида углерода по сезонам и их краткие статистические характеристики представлены в табл. 2. Медианы потоков метана возрастали в ряду: зима – лето – весна – осень, потоков диоксида углерода – в ряду зима – осень – весна – лето. Единственным сезоном года, когда эмиссия метана вероятнее всего не прекращалась, является весна – первый квартиль величины потоков CH₄ в это время был больше нуля. Летом и осенью эмиссия метана из почв заболоченных лесов достигала 2.0 – 2.6 мгС м^‑2 ч^‑1, что сопоставимо с болотными экосистемами. Потоки диоксида углерода в заболоченных лесах в целом слабо отличаются от величин, характерных для почв лесных экосистем, а относительная величина сезонной амплитуды сопоставима с таковой для метана в течение года. В целом полученные результаты оценки потоков в заболоченных лесах близки в сравнении с имеющимися литературными данными [Sabrekov et al., 2013; Mochenov et al., 2018; Glagolev et al., 2018; Terentieva et al., 2019; Glukhova et al., 2021; Glukhova et al., 2022].

 

Таблица 2. Статистические характеристики потоков метана и диоксида углерода по сезонам

	CH4, мгС м-2 ч-1				CO2, мгС м-2 ч-1
	Медиана	1 квартиль (1Q)	3 квартиль (3Q)	n	Медиана	1 квартиль (1Q)	3 квартиль (3Q)	n
Лето	0.14	0.00	2.61	251	132	51	237	189
Осень	0.74	0.00	2.03	84	26	9	72	22
Зима	0.02	0.00	0.13	64	5	2	6	5
Весна	0.25	0.07	0.89	64	32	17	49	56

 

Инвентаризация¹, выполненная на основе предложенного подхода, позволяет оценить поток метана из почв заболоченных лесов разной степени увлажнения в 6 666 тС год^-1 (1Q – 407; 3Q – 38 790); диоксида углерода в 1.5 МтС год^-1 (1Q – 0.6; 3Q – 2.7). С учетом столетнего потенциала глобального потепления для метана, равного 28 [Drösler et al., 2014], суммарная эмиссия метана и диоксида углерода из почв заболоченных лесов разной степени увлажнения составит 5.7 МтСO₂-экв год^-1 (1Q – 2.2; 3Q – 11.4). В табл. 3 представлена более подробная информация, полученная на основе простейшей инвентаризации.

 

Таблица 3. Инвентаризация потока метана и диоксида углерода по сезонам на территории Московского региона из заболоченных и слабо заболоченных лесов

	CH4, тС год-1	CH4, МтСO2-экв год-1	CO2, МтСO2 год-1	CH4+CO2 МтСO2-экв год-1
	Медиана / 1Q / 3Q
Лето	1 215 / 1 / 22 347	0.05 / 0.00 / 0.83	4.15 / 1.59 / 7.43	4.19 / 1.59 / 8.26
Осень	3 945 / 19 / 10 834	0.15 / 0.00 / 0.40	0.51 / 0.18 / 1.40	0.66 / 0.18 / 1.80
Зима	147 / 17 / 808	0.01 / 0.00 / 0.03	0.12 / 0.04 / 0.13	0.13 / 0.05 / 0.16
Весна	1 359 / 370 / 4 802	0.05 / 0.01 / 0.18	0.63 / 0.35 / 0.97	0.68 / 0.36 / 1.15
Сумма	6 666 / 407 / 38 790	0.25 / 0.02 / 1.45	5.40 / 2.16 / 9.92	5.65 / 2.17 / 11.37

 

Подавляющую роль в общей величине выбросов (МтСO₂-экв год^-1) диоксида углерода и метана в течение года играет летний период (74% годовой эмиссии); осенний и весенний вносят сопоставимый вклад, составляющий в сумме около 24% годовой эмиссии; наконец, зимой эмиссия CO₂ и CH₄ из почв заболоченных лесов разной степени увлажнения не превышает 2% от годовой. Несмотря на то, что эмиссия метана вносит относительно небольшой вклад в суммарные за год выбросы парниковых газов, в отдельные сезоны учет CH₄ играет более ощутимую роль: например, осенью доля CH₄ составляет почти треть выбросов от суммы CH₄ и CO₂, зимой и весной около 10%. С учетом того, что почвы рассмотренных нами заболоченных лесов выбрасывают сопоставимое с автоморфными лесами количество диоксида углерода, недооцененным источником можно считать лишь эмиссию метана. Как было отмечено выше, верхняя граница оценки эмиссии метана составила до 38.8 тыс. тС в год соответственно, что может быть весьма ощутимо в масштабах Московского региона.

ОБСУЖДЕНИЕ

Распространение заболоченных лесов различной степени увлажнения

В наибольшей степени лесные экосистемы всех типов увлажнения (от автоморфных до переходных и гидроморфных), распространены к северо-западу и юго-востоку от Москвы, в области Ламско-Дубненской и Мещерской низменностей, соответственно. Также, большая облесенность земель наблюдается к югу от Москвы, в границах Московской равнины в области рек Лопасня и Ока. Такое расположение лесных массивов определяется особым гидрофизическим режимом и местом в ландшафте (в понижениях происходит накопление влаги и формируются особые температурные условия). Спутниками автоморфных лесных массивов, вероятно, являются многочисленные мелкие заболоченные и слабо заболоченные участки: весьма вероятно, что с учетом среднего пространственного разрешения полученной карты (30 м) некоторые из них (находящиеся на границе генерализации в 10 пикселов) могут быть артефактом классификации и формировать значительную долю погрешности, полученную при расчете матрицы ошибок. Мы предполагаем, что такие экосистемы, скорее всего, являются непостоянными источниками метана, зависящими от количества выпадающих осадков. Более крупные по площади заболоченные леса постоянного избыточного увлажнения приурочены к понижениям рельефа, а также к участкам, расположенным близ болотных экосистем. Кроме того, достаточно большие по площади, заболоченные и слабо заболоченные леса распространены «пятнами» в массивах автоморфных лесов на юго-западе Московской области. Там, где, согласно карте, находятся большие площади, занятые заболоченными лесами, рядом расположены и слабо заболоченные леса. При увеличении степени увлажнения от более высоких участков рельефа к более низким, наблюдается ряд: лес, слабо заболоченный лес, заболоченный лес, болото (рис. 1а).    

Согласно данным Большой Российской энциклопедии [Осипов и др., 2004] площадь автоморфных лесов на территории Московской области в 2015 году составила 1 896 000 га, и с этой оценкой достаточно хорошо согласуются данные, полученные на основе текущей классификации (2 157 716 га). На юго-востоке Московской области высокая залесенность территорий отмечается только к северу от реки Оки, далее, в окрестностях г. Зарайск и реки Осётр начинается Заокское эрозионное плато, представляющее собой пологоволнистую равнину с развитой овражно-балочной сетью. Леса здесь занимают не более 5 – 7% площади, а сама территория подвержена эрозионным процессам [Барталев, 2006]. Вероятно, лишь незначительная доля этих лесов переувлажнены (в частности, те из них, что согласно созданной карте расположены в наиболее глубоких балках и оврагах) и являются источниками CH₄.

В целом, вне зависимости от занимаемой площади, заболоченные и слабо заболоченные леса приурочены к тем или иным понижениям рельефа разного размера и происхождения. Интересно, что в области Мещерской низменности крупных рек нет, но отмечается наличие большого количества озер: Карасово, Святое, Великое, Дубовое. Понижение в рельефе здесь также играет роль фактора скопления влаги, в том числе способствующего распространению заболоченных и слабо заболоченных лесов по окраинам водных объектов.

Результаты ГИС-картографирования в значительной степени совпадают с другими оценками по характеру распространения лесных массивов различной степени увлажнения. Например, аналогично карте растительности СССР [Карта растительности СССР] на севере от г. Москвы в районе г. Александров расположены небольшие по площади территории заболоченных лесов, тогда как на востоке в районе Мещерской низменности на обоих картах выделяются большие массивы лесов и территорий, подвергнутых периодическому переувлажнению. На карте растительности СССР места заболачивания приурочены к сосновым и дубовым лесам (дуб черешчатый, без граба), в то время в рамках текущей работы при наземных обследованиях чаще в переувлажненных местообитаниях встречались заболоченные широколиственные и смешанные леса с преобладанием ольхи, ели и березы. Такой тип леса на карте СССР выделяется на западе Московской области (на юге доходит до р. Ока, на севере плавно сменяется хвойным типом в районе р. Волга), однако, обозначения степени заболачиваемости земель отсутствуют. Также существуют сходства в расположении заболоченных местностей при сравнении с картой GLWD [Global…]: например, на востоке Московской области здесь распространены пресноводные болота в области пойменных равнин, в то время как на созданной карте – слабо заболоченные и заболоченные леса. К сожалению, подобных сходств между картами не наблюдается в других районах области, кроме расположения рек и озер, а также водных резервуаров. Весьма вероятно, что это связано с достаточно низким пространственным разрешением карты GLWD и относительно небольшой площадью, занимаемой отдельными заболоченными лесами.

Крайне важно сравнение полученных результатов с широко известной картой растительности Московской области [Огуреева и др., 1996]. Заболоченные и слабо заболоченные леса на севере региона (особенно в районе Дубненского болотного массива), соответствуют заболоченным черноольховым, пушистоберезовым лесам и лесам с серой ольхой; в южной они идентичны распространению пушистоберезовых и сосново-еловых-долгомошно-сфагновых лесов по окрайкам болот; наконец, слабо заболоченные леса южнее Рузского водохранилища соответствуют еловым лесам с ольхой серой, а к северо-западу от г. Клин – черноольховым и сосново-еловым с черной ольхой на карте Г.Н. Огуреевой и др., [1996].

Также представляет большой интерес карта распространения различных типов лесных экосистем Московской области, выполненная путем анализа данных дистанционного зондирования и наземных наблюдений [Kotlov and Chernenkova, 2020]. Площадь, занимаемая заболоченными и слабо заболоченными лесами, полученная в нашей работе, сопоставима с распространением лесов с черной и серой ольхой: 5.01 и 1.44% от площади региона [Kotlov and Chernenkova, 2020], что косвенно подтверждает адекватность полученной нами оценки степени заболоченности региона.

К сожалению, количество детальных работ по картографированию заболоченных лесных экосистем крайне ограничено, и будущее направление наших исследований будет состоять в улучшении точности карты заболоченных лесов с учетом результатов предшественников.

Точность классификации карты

Одной из основных проблем ГИС-картографии на основе данных дистанционного зондирования является слабая обеспеченность наземными данными или отсутствие возможности проверки точности классификации полевыми методами из-за широкого охвата изучаемой территории. Тем не менее, точность классификации, достигающая 60-70%, полученная на основе методов, описанных выше, является скорее правилом, чем исключением [Kotlov and Chernenkova, 2020]. Мы предполагаем, что ГИС-картографирование, объединяющее в своей основе несколько картографических источников (например, в качестве медианной оценки с объединением данных текущей работы, а также более ранних карт [Огуреева и др., 1996; Kotlov and Chernenkova, 2020]) позволит улучшить итоговый результат. Кроме того, перспективным направлением является классификация разновременных космических снимков с целью выявления паттерна изменчивости спектральной информации исследуемых объектов во времени как признака дешифрирования; использование нейросетей позволяет оценить не только спектральную информацию данных дистанционного зондирования, но также форму и текстуру объектов, как дополнительных иных дешифровочных признаков [Терентьева и др., 2021].

Отметим также, что основной проблемой увеличения точности полученной карты являются затруднения, возникающие при разделении классов заболоченных и слабо заболоченных лесов. При наземных и экспертных оценках (на основе ДЗЗ сверхвысокого разрешения) явные различия между растительным покровом этих экосистем отсутствовали, хотя эмиссия метана между участками с различной степенью увлажнения может отличаться на порядок. Четкое разграничение данных двух классов может быть достигнуто в будущем при более детальном рассмотрении спектральных признаков и временной изменчивости характеристик их почвенного и растительного покрова.

Инвентаризация потоков CH₄ и CO₂ в заболоченных лесах

Оценка потока метана и диоксида углерода, основанная на измерениях, осуществленных в модельном заболоченном лесу, безусловно, носит предварительный характер. Однако, в условиях практического отсутствия сведений о потоках CH₄ и CO₂ в таких экосистемах Московского региона, данный подход представляется закономерным, но подразумевает расширение географии проводимых исследований в будущем. Отметим, что изменчивость потоков метана в пределах модельного заболоченного леса за 3 года была столь велика, что оказалась сопоставима с таковой в заболоченных лесах в принципе [Runkov, in press]. За все время проведения измерений минимальный достоверно определённый поток метана составил ‑0.7 ± 0.5 мгC м^‑2 ч^-1, максимальный – 166 ± 20 мгC м^‑2 ч^‑1; диоксида углерода – 5 ± 20 и 736 ± 254 мгC м^-2 ч^-1 соответственно. Мы предполагаем, что потоки метана и диоксида углерода в других типах леса на территории Московского региона могут отличаться по характеру временной и пространственной изменчивости, однако весьма маловероятно, что в будущем будут получены принципиально (более, чем на порядок) отличающиеся по величине оценки выбросов. В дальнейшем мы продолжим работу и проверим гипотезу о пространственной изменчивости потоков парниковых газов в иных типах заболоченных лесов. Отметим, что для этого, кроме полевых работ, потребуется создание более подробной карты заболоченных лесов Московского региона, что является задачей еще одного самостоятельного исследования.

ВЫВОДЫ

Методом классификации с обучением на основе данных спутниковых снимков Landsat-8 создана карта заболоченных лесов, покрывающих территорию Московского региона (суммарно г. Москвы и Московской области). Суммарная заболоченность составила 6.2% площади региона или 292 249 га соответственно, при общей точности карты 76%. На основе карты и наземных измерений выполнена простейшая инвентаризация потоков метана и диоксида углерода из почв заболоченных лесов с оценкой их сезонной изменчивости. Подавляющую роль в общей величине выбросов диоксида углерода и метана в течение года (медиана – 5.65 МтСO₂-экв год^‑1; 1Q – 2.17; 3Q – 11.37) играет летний период (74% годовой эмиссии); осенний и весенний вносят равный вклад, составляющий в сумме около 24% годовой эмиссии; наконец, доля зимней эмиссии CO₂ и CH₄ не превышает 2%. С учетом того, что почвы рассмотренных нами заболоченных лесов выбрасывают сопоставимое с автоморфными лесами количество диоксида углерода, недооцененным источником можно считать лишь эмиссию метана, оцениваемую по верхней границе до 38.8 тыс. тС в год, что может быть весьма ощутимо в масштабах Московского региона. В будущем необходимо продолжить уточнение полученных оценок с учетом: пространственной изменчивости потоков парниковых газов (расширение сети проводимых измерений), временной изменчивости потоков (суточная динамика), осуществить поиск зависимости величины потоков с ключевыми экологическими факторами.

БЛАГОДАРНОСТИ

Исследование выполнено в рамках государственного задания Министерства науки и высшего образования Российской Федерации (№ 075-03-2022-169) на организацию новой молодежной лаборатории "Лаборатория изучения пространственно-временной изменчивости углеродного баланса лесных и болотных экосистем средней тайги Западной Сибири" в Югорском государственном университете в рамках реализации национального проекта «Наука и университеты». Авторы выражают благодарность студенту факультета почвоведения МГУ Р.А. Рунькову за помощь в проведении полевых и лабораторных исследований.

¹ В качестве примера расчетов потока метана за сезон рассмотрим летний период: медиана потока метана летом (0.14 мгС м^‑2 ч^-1) была умножена на произведение количества часов в сутках и продолжительность сезона (24 × 122 = 2928 ч; 2928 × 0.14 = 415.8 мгС м^‑2 год^‑1), затем на площадь заболоченных лесов (415.8 × 2.922×10⁹ м² = 1 215×10⁹ мгС год^‑1), и, наконец, на поправочный коэффициент (10^-9) для перевода мгС в тС. Расчеты для других сезонов были выполнены также и результаты суммированы. Суммарный за год поток диоксида углерода рассчитывали аналогичным образом (отличие заключалось в величине поправочного коэффициента, который составил 10^-15 для перевода мгС в МтС). При пересчете потока CH₄ (выраженного в тС год^-1) в МтCO₂-экв год^-1, исходную величину умножали на 16/12 (отношение молярной массы CH₄ к молярной массе C), затем на 28 (100-летний потенциал глобального потепления) и, наконец, на поправочный коэффициент (10^-6) для перевода тонн в мегатонны. Для расчета суммарного потока, состоящего из эмиссии CH₄ (МтCO₂-экв год^-1) и CO₂ (МтС год^-1), последнюю умножали на 44/12 (отношение молярной массы CO₂ к молярной массе C) и складывали.

Об авторах

D. V. Ilyasov

Югорский государственный университет

Автор, ответственный за переписку.
Email: d_ilyasov@ugrasu.ru
Россия, Ханты-Мансийск

S. Y. Mochenov

Югорский государственный университет

Email: d_ilyasov@ugrasu.ru
Россия, Ханты-Мансийск

A. I. Rokova

Московский государственный университет имени М.В. Ломоносова

Email: d_ilyasov@ugrasu.ru
Россия, Москва

M. V. Glagolev

Югорский государственный университет; Московский государственный университет имени М.В. Ломоносова; Институт лесоведения РАН

Email: d_ilyasov@ugrasu.ru
Россия, Ханты-Мансийск; Москва; Успенское

I. V. Kupriyanova

Югорский государственный университет

Email: d_ilyasov@ugrasu.ru
Ханты-Мансийск

G. G. Suvorov

Югорский государственный университет

Email: d_ilyasov@ugrasu.ru
Россия, Ханты-Мансийск

A. F. Sabrekov

Югорский государственный университет

Email: d_ilyasov@ugrasu.ru
Россия, Ханты-Мансийск

I. E. Terentieva

University of Calgary

Email: d_ilyasov@ugrasu.ru
Канада, Calgary

Список литературы

Дополнительные файлы