Гидрометеорологические исследования и прогнозы. 2025. № 1 (395). С. 70-94

70

DOI: https://doi.org/10.37162/2618-9631-2025-1-70-94

УДК 551.513.7+551.582: 581.526.42(477.75)

Влияние крупномасштабных климатических

сигналов на растительный покров

на территории Крымского полуострова

В.С. Красовская, Е.Н. Воскресенская,

В.Н. Маслова, А.С. Лубков

Институт природно-технических систем, г. Севастополь, Россия

veronika_maslova@mail.ru

Исследуется реакция растительности Крыма (лиственные, сосновые, можжевело-

вые породы, степная яйла) на изменения дальнодействующих климатических индек-

сов, на примере вегетационного нормализованного разностного индекса NDVI по

данным дистанционного зондирования за период 2000–2023 гг. Рассмотрена взаимо-

связь NDVI и девяти климатических индексов в Северном полушарии с использова-

нием коэффициента корреляции Пирсона, мультирегрессионного моделирования и

композитного анализа. Обнаружено, что Североатлантическое, Восточно-Атланти-

ческое, Арктическое и Полярное/Евразийское колебания с декабря по май объясняют

80 % изменения вегетационного индекса лесных сообществ в апреле–июне. При этом

сигналы Восточно-Атлантического и Средиземноморского колебаний с января по

май объясняют 59 % изменения индекса NDVI степных сообществ в апреле–июне.

Вегетационный индекс всех растительных сообществ возрастает при тех фазах кли-

матических индексов, которые сопровождаются, как правило, усилением циклониче-

ской активности. При этом NDVI лесных сообществ увеличивается при ослаблении

циклонической активности в зимние месяцы, что может быть связано с более мороз-

ными условиями для сохранения твердых осадков в горах.

Ключевые слова: ненарушенные растительные сообщества, Черноморский ре-

гион, барические моды, предикторы биомассы, лиственные породы, сосновые по-

роды, можжевеловые породы, степная яйла

The impact of large-scale

climate oscillations on the vegetation cover

on the Crimean Peninsula

V.S. Krasovskaya, E.N. Voskresenskaya,

V.N. Maslova, A.S. Lubkov

Institute of Natural and Technical Systems,

Sevastopol, Russia

veronika_maslova@mail.ru

The paper examines the response of Crimean vegetation (deciduous, pine, juniper spe-

cies, mountain steppe yayla) to the changes in teleconnection indices using the Normalized

Difference Vegetation Index (NDVI) based on remote sensing data for the period of 2000–

2023. The interrelation of the NDVI and nine Northern Hemisphere teleconnection patterns

is analyzed using the Pearson’s correlation coefficient, multiregression modeling, and com-

posite analysis. It was found that 80% of variability of the vegetation index of forest species

Красовская В.С., Воскресенская Е.Н., Маслова В.Н., Лубков А.С.

71

in April–June is associated with the joint impact of the North Atlantic Oscillation, East

Atlantic pattern (EA), Arctic Oscillation, and Polar/Eurasia pattern from December to May.

At the same time, 59 % of variability of in the NDVI index for steppe species in April–June

is explained by the EA and Mediterranean Oscillation indices from January to May. The

vegetation index of all plant communities increases during the phases of teleconnection

patterns that are accompanied, as a rule, by increased cyclone activity. At the same time,

the NDVI of forest communities increases with a decrease in cyclone activity in the winter

months, which may be due to more frosty conditions for maintaining solid precipitation in

the mountains.

Keywords: undisturbed plant communities, Black Sea region, teleconnection indices,

biomass predictors, deciduous species, pine species, juniper species, mountain steppe yayla

Введение

Растительный покров играет важную роль в глобальном углеродном

цикле, выполняя функцию поглощения углекислого газа и влияя на клима-

тические процессы [12, 27]. Изменения в экосистемах могут быть обуслов-

лены различными факторами, включая изменения климата. Климатические

условия, как на глобальном, так и на локальном уровне, оказывают значи-

тельное воздействие на динамику растительности через атмосферные про-

цессы, а в средних широтах преимущественно посредством циклонической

активности. Одними из ключевых факторов, определяющих эти изменения,

являются глобальные климатические процессы, или процессы в системе

океан – атмосфера. Учитывая очевидную связь между состоянием расти-

тельного покрова и атмосферными процессами [17], можно считать, что,

помимо ботанических и местных факторов окружающей среды, на разви-

тие растительности по всей планете оказывают влияние крупномасштаб-

ные дальнодействующие процессы через взаимодействие центров дей-

ствия атмосферы (ЦДА) и изменение направления и интенсивности шторм-

треков.

Много научных исследований было посвящено этой проблематике

в приложении к различным регионам мира [18]. В частности, в [20] обна-

ружено, что теплые явления Эль-Ниньо – Южного колебания (ЭНЮК)

или положительные фазы Североатлантического колебания (САК)

способствовали росту растительности в степных экосистемах Евразии в ре-

зультате повышения температуры и увеличения количества осадков. Хо-

лодные события ЭНЮК или отрицательные фазы САК, сопровождающи-

еся похолоданием и неравномерным уменьшением количества осадков,

пагубно влияли на состояние лугов Евразийской степи.

Однако, несмотря на важную роль этих процессов, влияние крупно-

масштабных атмосферных колебаний на растительность Крымского полу-

острова остается практически неизученным. Особую актуальность таким

исследованиям придают уникальные климатические и географические

условия региона, который расположен на пересечении средиземноморских

и степных экосистем.

72

Гидрометеорологические прогнозы, математическое моделирование

Целью данного исследования является изучение реакции растительно-

сти Крымского полуострова на изменения дальнодействующих климатиче-

ских сигналов, проявляющихся посредством циклонической активности,

на примере вегетационного нормализованного разностного индекса NDVI

по данным дистанционного зондирования. Понимание этих взаимосвязей

имеет значение для прогнозирования долгосрочных тенденций изменения

климата и его воздействия на экосистемы Крымского полуострова, что мо-

жет способствовать разработке эффективных стратегий управления окру-

жающей средой и адаптации к климатическим изменениям.

1. Материалы и методика исследования

1.1. Индекс NDVI

Индекс NDVI (англ. Normalized Difference Vegetation Index) – это нор-

мализованный разностный показатель количества фотосинтетически ак-

тивной биомассы. Он представляет собой числовой показатель качества и

количества растительности и зависит от того, как растения отражают и по-

глощают световые волны разной длины. Зеленые растения содержат пиг-

мент хлорофилл, который хорошо отражает зелёные волны и поглощает

красные волны, а клеточная структура растения отражает ближние инфра-

красные волны. Таким образом, здоровое растение, в котором много хло-

рофилла и хорошая клеточная структура, активно поглощает красный свет

и отражает ближний инфракрасный, а увядающее или больное растение –

наоборот [6]. Отношение разницы инфракрасного и красного света к их

сумме позволяет нормализовать индекс от -1 до 1. Таким образом, NDVI

вычисляется по следующей формуле:

NIR − RED

(1)

NDVI =

,

NIR + RED

где NIR и RED – спектральные измерения отражательной способности рас-

тений в красной (видимой) и ближней инфракрасной областях спектра со-

ответственно.

Ряд исследований показал, что нормализованный разностный вегета-

ционный индекс (NDVI) является эффективным показателем фотосинтети-

чески активной биомассы [22]. Также было показано, что NDVI хорошо

коррелирует с физическими климатическими переменными, включая коли-

чество осадков, температуру [5, 26]. Таким образом, можно считать, что

NDVI отражает реакцию растительности на климатические воздействия.

Для целей настоящего исследования требовался ряд наблюдений,

отвечающих условиям непрерывности, однородности и малой дискретно-

сти по времени. Для выявления межгодовых изменений в структуре изуча-

емого растительного покрова необходимы данные наблюдений за длитель-

ный отрезок времени, включающий 2–3 периода межгодовой изменчи-

вости.

Красовская В.С., Воскресенская Е.Н., Маслова В.Н., Лубков А.С.

73

С учетом перечисленных условий был сделан выбор в пользу снимков,

полученных со спутника «TERRA» (радиометр «MODIS») с 250-метровым

пространственным и 16-дневным временным разрешением на базе про-

дукта MODIS/Terra (MOD13Q1) (англ. Moderate Resolution Imaging

Spectroradiometer) [16]. Выбор данных MODIS обусловлен также наличием

качественной системы предоставления обработанных снимков в виде раст-

ров с указанием уровня достоверности полученных значений, что позво-

лило выбрать лишь надежные данные.

Для изучения временной изменчивости вегетационного индекса NDVI

за вегетационный период (апрель–октябрь) с 2000 по 2023 год включи-

тельно всего было получено 312 спутниковых снимков на геопортале

NASA (Национальное агентство по аэронавтике и исследованию космиче-

ского пространства, англ. NASA ‒ National Aeronautics and Space Admin-

istration) [24]. В качестве индикатора состояния растительных геосистем

Крыма в настоящей работе для получения средних оценок вегетационного

индекса был выбран трёхмесячный промежуток апрель–июнь по критерию

наличия пика NDVI в мае (с 9 по 24 мая).

На этапе предварительной обработки данных дистанционного зонди-

рования была составлена модель, в которой каждый растр, содержащий

значения вегетационного индекса, был подвергнут фильтрации на основе

слоя качества. Для разделения пикселей NDVI была использована европей-

ская классификация ландшафтных комплексов CORINE Land Cover (CLC)

[13] и визуальное дешифрирование. Полученные ряды были отфильтро-

ваны по данным спутниковой классификации, включающей в себя леса и

степные участки. Таким образом, была получена сеть из 9 тыс. тестовых

точечных данных по Крыму с шагом 1×1 км, включающая все насаждения

площадью 6,25 га (рис. 1).

На следующем этапе проводилась агрегация данных в соответствии с

выбранным периодом наблюдений. Для приведения 16-дневных наблюде-

ний NDVI к данным с месячной дискретностью применялся метод взве-

шенных коэффициентов.

1.2. Индексы атмосферной циркуляции

Атмосферная циркуляция характеризуется наличием достаточно

устойчивых областей с максимальной амплитудой низкочастотной (межго-

довой – междесятилетней) изменчивости. Обычно эта изменчивость прояв-

ляется в наблюдающихся в течение определенного устойчивого периода

аномалиях температурных полей и осадков, сопровождающихся смещени-

ями основных центров действия атмосферы и интенсивности струйных те-

чений. Такие аномалии существенно влияют на частоту, интенсивность и

траектории циклонов. Типичные проявления низкочастотной изменчиво-

сти атмосферной циркуляции называют «дальнодействующими» низкоча-

стотными колебаниями или крупномасштабными сигналами системы

океан – атмосфера.

74

Гидрометеорологические прогнозы, математическое моделирование

Рис. 1. Карта Крыма с нанесенным точечным слоем по типам растительности.

Fig. 1. Map of Crimea with the indication of the type of vegetation species.

Главные центры дальнодействия, влияющие на аномалии природной

среды и климат Евразии, концентрируются над Североатлантическим – Ев-

ропейским сектором, экваториальной и северной частями Тихого океана и

Северной Америкой. В качестве меры изменчивости перечисленных сиг-

налов системы океан – атмосфера обычно используют характеристики их

интенсивности, чаще всего выражаемые как перепад давления между цен-

трами действия атмосферы или как пространственные эмпирические моды

в разложении поля давления. Временные масштабы основных мод состав-

ляют от нескольких лет до нескольких десятилетий [25].

В настоящей работе были использованы индексы следующих мод

Северного полушария за период с 2000 по 2023 год:

• Североатлантическое колебание (САК) [32];

• Восточно-Атлантическое колебание (ВАК) [32];

• Колебание Восточная Атлантика/Западная Россия (ВА/ЗР) [32];

• Скандинавское колебание (СКАНД) [32];

• Полярное/Евразийское колебание (ПОЛ/ЕВР) [32];

• Колебание Тропики/Северное полушарие (ТСП) [32];

• Арктическое колебание (АК) [32];

• Средиземноморское колебание (СК) [21];

• Западно-Средиземноморское колебание (ЗСК) [23].

Расположение центров колебаний для используемых индексов приве-

дено на рис. 2.

Красовская В.С., Воскресенская Е.Н., Маслова В.Н., Лубков А.С.

75

Рис. 2. Расположение центров действия индексов САК, ВАК, ВА/ЗР, СКАНД,

СК и ЗСК.

Fig. 2. The location of the centers of action of the NAO, EA, EA/WR, SCAND, MO

and WMO indexes.

1.3. Циклоническая активность

Временные ряды частоты циклонов в Черноморско-Средиземномор-

ском регионе были получены по четырехсрочным данным реанализа

NCEP/NCAR за период 1951–2017 гг. с помощью методики объективной

идентификации и трекинга М.Ю. Бардина [2]. Закономерности связи кли-

матических сигналов с циклонической активностью обобщены в моногра-

фии [3]. В работах [3, 8] исследованы особенности многолетней изменчи-

вости временных рядов урожайности агрокультур Северного

Причерноморья в связи с циклонической деятельностью и глобальными

климатическими процессами межгодового-междесятилетнего масштаба.

1.4. Методика исследования закономерностей

Возможная связь NDVI с климатическими индексами определялась с

помощью корреляционного анализа, множественной линейной регрессии и

композитного анализа. Между NDVI и климатическими индексами рассчи-

тывались коэффициенты корреляции Пирсона, для оценки значимости ис-

пользовался t-критерий Стьюдента (t-статистика).

Коэффициент детерминации (R²), определяемый по коэффициенту

корреляции (r²), использовался для оценки доли дисперсии индекса NDVI,

объясняемой корреляционной связью с индексами климатических сигна-

лов.

76

Гидрометеорологические прогнозы, математическое моделирование

Выявление совместного вклада климатических индексов в изменчи-

вость вегетационного индекса осуществлялось по формуле на основе ме-

тода множественной линейной регрессии (МЛР):

ꢀ = ꢁ₀+ ꢁ₁ꢂ₁+ ꢁ₂ꢂ₂+ . . . + ꢁ_ꢃꢂ_ꢃ,

(2)

где X_n– независимые переменные; Y – зависимая переменная; b_n– коэффи-

циент наклона для Xn; b₀– точка пересечения с осью y.

Смысл МЛР заключается в подборе оптимальных коэффициентов b,

для которых используется минимизация с помощью суммы квадратов раз-

ностей между модельным расчетом и фактическим значением. Для МЛР

применялся набор независимых переменных, отобранных на основе ре-

зультатов анализа корреляции и значимости коэффициентов. Модель опти-

мизировалась с применением пошагового алгоритма, предложенного в

[33], в результате чего выделялись те факторы, на основе которых модель

наиболее успешна.

Для проверки множественной линейной регрессии можно использо-

вать несколько подходов, которые позволяют оценить качество, надеж-

ность и статистическую значимость построенной модели. В настоящей ра-

боте были использованы метод статистики Фишера (F-статистика с

p-значением – вероятностью того, что случайная величина с данным рас-

пределением Фишера превысит данное значение статистики), тест на муль-

тиколлинеарность (фактор роста дисперсии VIF – Variance Inflation Factor)

и тест Шапиро-Уилка (W с p-значением). Значение W – это статистическая

оценка, которая указывает, насколько данные отклоняются от нормального

распределения. Значение W варьируется от 0 до 1. Близкие к 1 значения W

указывают на то, что данные близки к нормальному распределению. Уро-

вень значимости, или p-значение, представляет собой вероятность того, что

наблюдаемое отклонение от нормального распределения (или любое дру-

гое отклонение) произошло бы случайно, если бы данные действительно

были нормально распределены. Высокое p-значение в тесте Ша-

пиро ‒ Уилка (>0,05) указывает на то, что нет достаточных оснований для

отвержения нулевой гипотезы о нормальности распределения данных.

Низкое p-значение (≤0.05) указывает на то, что данные значительно откло-

няются от нормального распределения и нулевая гипотеза может быть от-

вергнута. Таким образом, тест Шапиро ‒ Уилка позволяет оценить,

насколько данные соответствуют нормальному распределению, что явля-

ется важным аспектом для многих статистических методов и моделей.

На основе полученных моделей были рассчитаны значения зависимой

переменной NDVI. Отклонения NDVI для каждого значения нормирова-

лись на стандартное отклонение за период 2000–2023 гг. согласно формуле:

��

NDVI − NDVI

(3)

ꢄ =

,

СКО

Красовская В.С., Воскресенская Е.Н., Маслова В.Н., Лубков А.С.

77

��

где I – центрированный и нормированный индекс NDVI, NDVI – среднее

NDVI, СКО – среднеквадратическое отклонение.

Обратная нормировка и смещение являются важными шагами в про-

цессе прогнозирования, когда используются центрированные и нормиро-

ванные данные. При центрировании и нормировании зависимой перемен-

ной преобразуются ее значения в новый масштаб, где среднее значение

равно нулю, а стандартное отклонение равно единице. Это часто применя-

ется для улучшения стабильности и точности моделей, а также для интер-

претации коэффициентов модели.

Однако после того, как модель сделала прогнозы на основе центриро-

ванных и нормированных данных, эти прогнозы преобразуются в исход-

ный масштаб. Для этого используется обратное преобразование модельных

расчетов в NDVI по формуле:

(4)

′

��

( )

NDVI i = ꢄ × СКО + NDVI ,

��

где Iʹ – рассчитанный индекс NDVI; NDVI – среднее; СКО – среднеквадра-

тическое отклонение.

Для оценки степени влияния положительной и отрицательной фаз кли-

матических индексов, характеризующих интенсивность крупномасштаб-

ных процессов системы океан – атмосфера, на реакцию NDVI использо-

вался композитный анализ. К положительной и отрицательной фазе

атмосферных индексов относилось по 25 % выборки за 2000–2023 гг. с

каждого «хвоста» распределения, для которых рассчитывались средние

значения индекса NDVI.

Описанная методика исследования была применена для выявления от-

клика растительности Крымского полуострова на климатические факторы

с целью выявления закономерностей в динамике растительного покрова,

обусловленных изменением климатических условий.

2. Результаты и обсуждение

2.1. Корреляционные связи и моделирование изменчивости NDVI

В табл. 1 представлены коэффициенты корреляции среднегодовых

глобальных климатических индексов с 2000 по 2023 год со средним значе-

нием NDVI растительных сообществ за апрель–июнь.

Для Крымского полуострова обнаружены значимые корреляции

только для колебания межгодового масштаба ПОЛ/ЕВР с индексами состо-

яния лесов. Коэффициенты корреляции между NDVI различных типов леса

с индексом ПОЛ/ЕВР составляют -0,54 и -0,58.

В табл. 2 представлены коэффициенты корреляции глобальных клима-

тических индексов по месяцам с декабря по июнь с 2000 по 2023 год со

средним значением NDVI лесных сообществ за апрель–июнь. Такое рас-

смотрение помогает выявить возможные запаздывания влияния климати-

ческих факторов на NDVI.

78

Гидрометеорологические прогнозы, математическое моделирование

Таблица 1. Коэффициенты корреляции среднегодовых индексов глобальных

климатических сигналов со средним значением NDVI за апрель–июнь с 2000

по 2023 год. Значимые на 90 % уровне величины выделены жирным шрифтом

со звездочкой

Table 1. Correlation coefficients between the average annual indices of global cli-

mate signals and the average (April–June) NDVI value from 2000 to 2023. Values

significant at the 90 % level are highlighted in bold with an asterisk

Климатический Лиственные

Сосновые и

можжевелов.

леса

Степь

яйл

Все

леса

индекс

леса

ВАК

САК

0,07

0,16

0,01

-0,58*

0,02

-0,32

0,25

-0,04

-0,1

0,13

0,15

-0,02

-0,54*

-0,1

-0,13

-0,17

-0,08

-0,19

-0,24

-0,16

-0,19

-0,28

-0,13

-0,04

0,07

-0,1

0,07

0,16

СКАНД

ПОЛ/ЕВР

АК

0,03

-0,57*

-0,09

-0,25

0,21

-0,16

-0,03

-0,21

-0,05

-0,1

ВА/ЗР

ТСП

-0,15

0,2

СК

-0,06

-0,01

-0,08

-0,09

ЗСК

0,08

Таблица 2. Коэффициенты корреляции глобальных климатических сигналов

за декабрь–июнь по месяцам со средним значением NDVI всех лесных сооб-

ществ за апрель–июнь с 2000 по 2023 год. Значимые величины выделены

жирным шрифтом: на 90 % уровне – *, на 95 % уровне – **. Подчеркнуты те

значения коэффициентов корреляции, которые усваивались моделью

Table 2. Correlation coefficients between monthly (December–June) global climate

signals and the average (April–June) NDVI value of all forest communities from

2000 to 2023. Significant values are shown in bold: at the 90 % level – *, at the

95 % level – **. The values of the correlation coefficients that were assimilated by

the model are underlined

Сигнал

ВАК

Декабрь Январь Февраль

Март

0,21

Апрель

0,24

Май

-0,35*

-0,17

0,32

Июнь

0,05

0,39*

0,41*

-0,28

-0,15

0,34*

0,04

-0,20

0,15

0,06

0,32

САК

-0,11

-0,15

-0,12

-0,16

0,04

-0,05

0,05

СКАНД

ПОЛ/ЕВР

АК

0,18

-0,08

-0,52**

-0,02

-0,29

-0,03

-0,34*

-0,54**

-0,11

-0,08

0,18

-0,44**

-0,18

-0,16

-0,07

0,28

-0,44**

-0,49

-0,23

0,18

-0,24

0,03

ВА/ЗР

ТСП

-0,20

0,39*

-0,21

0,24

СК

0,14

0,21

0,03

0,07

ЗСК

0,28

-0,22

-0,27

-0,28

-0,19

Изменчивость NDVI наиболее отчетливо реагирует на такие крупно-

масштабные климатические явления, как Североатлантическое колебание,

Восточно-Атлантическое колебание и Полярное/Евразийское колебание.

Проявления сигналов будут рассмотрены ниже отдельно.

Красовская В.С., Воскресенская Е.Н., Маслова В.Н., Лубков А.С.

79

В результате проведенного анализа данных с использованием множе-

ственной линейной регрессии была построена модель, которая включала в

себя 14 сигналов, полученных на основе корреляционного анализа. В

табл. 2 подчеркнуты те значения коэффициентов корреляции, которые

участвовали в модели. В итоге моделью были отобраны восемь наиболее

значимых характеристик с декабря по май (R²в табл. 3), вклад которых

объясняет 80,52 % дисперсии зависимой переменной.

Отдельно в модели с целью получения прогностической оценки были

использованы атмосферные индексы за декабрь–март включительно, из

которых отобраны три основных индекса за декабрь–февраль (прR2 в

табл. 3). Таким образом, была построена прогностическая модель, которая

объясняет 55 % дисперсии NDVI лесных сообществ.

Таблица 3. Коэффициенты корреляции и детерминации для глобальных кли-

матических индексов, отобранных для моделирования NDVI всех лесных со-

обществ за апрель–июнь

Table 3. Coefficients of correlation and determination for global climate indices that

were selected for modeling April–June NDVI of all forest communities

прR²

(прогностическая

Коэффициент

корреляции

Сигнал

ВАК в мае

R²

модель)

-0,35

0,35

-0,44

-0,48

0,32

0,40

0,38

-0,34

-0,54

0,12

0,19

0,24

0,10

0,16

0,15

ВАК в декабре

ПОЛ/ЕВР в апреле

АК в апреле

0,12

САК в феврале

САК в декабре

ТСП в декабре

СК в феврале

ЗСК в феврале

Результат модели

0,12

0,30

0,55

0,80

На основании полученных коэффициентов модели, с учетом индексов

климатических сигналов с декабря по май, можно записать уравнение мно-

жественной линейной регрессии следующим образом:

ꢀ = 0,6521 − 0,0180 × ꢂ₁+ 0,0135 × ꢂ₂− 0,0092 × ꢂ₃

− 0,0092 × ꢂ₄− 0,0071 × ꢂ₅+ 0,0054 × ꢂ₆

− 0,0069 × ꢂ₇+ 0,0186 × ꢂ₈,

(5)

где Y – значение зависимой переменной NDVI; X₁– ВАК в мае; X₂– САК в

феврале; X₃– Пол/ЕВР в январе; X₄– Пол/ЕВР в апреле; X₅– АК в апреле;

X₆– ВАК в декабре; X₇– САК в декабре; X₈– ТСП в декабре.

Значение F-статистики равно 12,37 (p-значение = 3,828∙e^‒05), что ука-

зывает на статистическую значимость модели в целом. Согласно результа-

там модели все предикторы имеют статистически значимые коэффициенты

(p-значение < 0,05). Тест Шапиро ‒ Уилка показывает, что нулевая

80

Гидрометеорологические прогнозы, математическое моделирование

гипотеза о нормальности распределения остатков не может быть отверг-

нута (p-значение = 0,3956 > 0,05), т.е. предположение о нормальности рас-

пределения остатков выполняется. Коэффициенты VIF для всех предикто-

ров в модели не превышают критического значения 5, что указывает на

отсутствие мультиколлинеарности между предикторами.

Прогностическая модель, которая учитывает вклад индексов климати-

ческих сигналов с декабря по февраль, описывается с помощью следую-

щего уравнения:

ꢀ = 0,6560 + 0,0065 × ꢂ₁+ 0,0059 × ꢂ₂− 0,0081 × ꢂ₃

(6)

− 0,0176 × ꢂ₄,

где Y – значение зависимой переменной NDVI; X₁– ВАК в декабре; X₂– АК

в декабре; X₃– Средиземноморское колебание в феврале; X₄– Западно-Сре-

диземноморское колебание в феврале.

Значение F-статистики, равное 7,644, является значимым при p-значе-

нии 0,05, что указывает на статистическую значимость модели. Остаточная

стандартная ошибка модели составляет 0,02027, а тест Шапиро ‒ Уилка на

нормальность остатков показывает, что предположение о нормальности

выполнено (W = 0,97437, p-значение = 0,7919). Значения VIF варьируются

от 1,033 до 1,063, что указывает на отсутствие признаков мультиколлине-

арности между прогностическими переменными.

Такая оценка об отсутствии мультиколлинеарности подтверждает то,

что Средиземноморское колебание, исследуемое в работе [21], и Западно-

Средиземноморское колебание, предложенное в работе [23], действи-

тельно могут рассматриваться как самостоятельные сигналы изменчивости

давления в регионе Средиземного моря, несмотря смежные центры дей-

ствия в окрестности Генуэзского залива. Здесь следует упомянуть, что АК,

САК и ВАК – отдельные климатические сигналы, хотя имеют общие цен-

тры действия.

Также может возникнуть вопрос о том, почему индексы СК и ЗСК в

феврале, отличаясь высокими коэффициентами корреляции с NDVI, не по-

падают в первую модель, но попадают во вторую (прогностическую). Это

как раз можно объяснить тем, что региональные средиземноморские коле-

бания являются зависимыми от более масштабных колебаний Атлантико-

Европейского региона. Следовательно, индексы СК и ЗСК могут не попа-

дать в первую модель из-за наличия мультиколлинеарности с другими кли-

матическими индексами. При этом во второй модели (прогностической)

главную роль играют именно региональные индексы, т е. моделью учиты-

ваются в основном результирующие региональные изменения барического

поля над Средиземноморским регионом под действием более масштабных

климатических процессов.

Для иллюстрации точности двух моделей на рис. 3 представлены фак-

тические значения NDVI лесных сообществ и расчетные значения зависи-

мой переменной на основе полученных коэффициентов и значений клима-

тических сигналов с декабря по май и с декабря по февраль.

Красовская В.С., Воскресенская Е.Н., Маслова В.Н., Лубков А.С.

81

Рис. 3. Фактические значения NDVI и рассчитанные значения NDVI по двум

моделям для лесных сообществ.

Fig. 3. Initial (green line) and calculated NDVI values of forest communities in two

models with climate signals from December to May (blue line) and from December

to February (red line).

Для выявления связи между атмосферными индексами и степной не-

нарушенной растительностью так же, как и в предыдущем случае, были

рассчитаны коэффициенты корреляции между глобальными климатиче-

скими индексами по месяцам с декабря по июнь с 2000 по 2023 год со сред-

ним значением NDVI всех степных сообществ за апрель–июнь (табл.4).

В результате проведенного анализа данных с использованием множе-

ственной линейной регрессии была построена модель, которая рассматри-

вала вклад 10 предикторов (табл. 4), полученных на основе результатов

анализа корреляции и значимости коэффициентов. В итоге моделью были

отобраны по три наиболее значимых климатических сигнала с января по

май (R2 в табл. 5) и с января по февраль (прR2 в табл. 5), которые объяс-

няют, соответственно, 59,48 % и 49 % дисперсии зависимой переменной.

На основании полученных коэффициентов модели, можно записать

уравнение множественной линейной регрессии следующим образом:

ꢀ = 0,523393 − 0,006641 × ꢂ₁− 0,020325 × ꢂ₂

(7)

− 0,022742 × ꢂ₃,

где Y – значение зависимой переменной NDVI; X₁– ВАК в январе; X₂– ВАК

в мае; X₃– Средиземноморское колебание в феврале.

Значение F-статистики, равное 12,25, является значимым при

p-значении 0,05, что указывает на статистическую значимость модели в це-

лом.

82

Гидрометеорологические прогнозы, математическое моделирование

Таблица 4. Коэффициенты корреляции глобальных климатических индек-

сов атмосферы по месяцам с декабря по июнь со средним значением NDVI

степных сообществ за апрель–июнь с 2000 по 2023 год. Значимые величины

выделены жирным шрифтом: на 90 % уровне – *, на 95 % уровне – **. Под-

черкнуты те значения коэффициентов корреляции, которые усваивались

моделью

Table 4. Correlation coefficients between monthly (December–June) global cli-

mate signals and the average (April–June) NDVI value of steppe communities

from 2000 to 2023. Significant values are shown in bold: at the 90 % level – *, at

the 95 % level – **. The values of the correlation coefficients that were assimilated

by the model are underlined

Сигнал

ВАК

Декабрь Январь Февраль Март

Апрель

-0,14

0,04

Май

-0,53**

-0,31

-0,06

0,07

Июнь

0,07

-0,40**

-0,23

0,11

0,15

-0,03

-0,17

0,05

0,12

0,05

0,31

0,09

-0,09

0,08

0,13

-0,24

САК

-0,21

-0,17

0,11

СКАНД

ПОЛ/ЕВР

АК

-0,08

-0,28

-0,05

0,20

0,18

-0,37*

-0,31

-0,09

-0,13

-0,41*

-0,11

-0,03

0,34*

0,15

-0,38*

0,02

-0,05

-0,12

-0,11

-0,21

-0,16

-0,02

-0,08

ВА/ЗР

ТСП

-0,18

-0,67**

-0,33*

0,41*

СК

0,05

0,11

-0,05

0,04

ЗСК

-0,01

0,19

-0,02

Таблица 5. Коэффициенты корреляции и детерминации глобальных клима-

тических сигналов, отобранных для моделирования, с NDVI степных сооб-

ществ за апрель–июнь

Table 5. Coefficients of correlation and determination for global climate indices that

were selected for modeling April–June NDVI of steppe communities

прR²

(прогностическая

модель)

Коэффициент

корреляции

Сигнал

R²

ВАК в январе

ВАК в мае

-0,40

-0,53

-0,67

0,34

0,18

0,28

0,45

0,18

СК в феврале

СК в январе

0,45

0,11

0,49

Результат модели

0,59

Тест Шапиро ‒ Уилка показал нормальность распределения остатков,

p-значение, равное 0,7017, указывает на то, что остаточные значения суще-

ственно не отличаются от нормального распределения. Коэффициенты

увеличения дисперсии VIF варьируются от 1,067 до 1,117, что указывает

на отсутствие признаков мультиколлинеарности между прогностическими

переменными.

С целью прогностической оценки NDVI степных сообществ за апрель–

июнь был рассмотрен вклад атмосферных индексов с декабря по март

Красовская В.С., Воскресенская Е.Н., Маслова В.Н., Лубков А.С.

83

включительно и была построена прогностическая модель с помощью сле-

дующего уравнения:

ꢀ = 0,516995 − 0,008097 × ꢂ₁+ 0,010207 × ꢂ₂

(8)

− 0,023999 × ꢂ₃,

где Y – значение зависимой переменной NDVI; X₁– ВАК в январе; X₂–

Средиземноморское колебание в январе; X₃– Средиземноморское колеба-

ние в феврале.

Значение F-статистики, равное 8,607, является значимым при

p-значении 0,05, что указывает на статистическую значимость модели в це-

лом. Для коэффициентов модели p-значение меньше 0,05, что указывает на

то, что эти коэффициенты являются статистически значимыми.

Для проверки нормальности остатков использовался тест Шапиро ‒

Уилка на нормальность. Оценка p-значения, равная 0,2612, указывает на

то, что остатки существенно не отличаются от нормального распределения.

Значения VIF варьируются от 1,030 до 1,117, что указывает на отсутствие

признаков мультиколлинеарности между прогностическими перемен-

ными.

Для иллюстрации точности двух моделей на рис. 4 представлены

фактические значения NDVI степных сообществ и расчетные значения за-

висимой переменной на основе полученных коэффициентов и значений

климатических сигналов за рассмотренный период вегетации и заблаговре-

менный период.

Рис. 4. Фактические значения NDVI и рассчитанные значения NDVI двух мо-

делей для степных сообществ.

Fig. 4. Initial (green line) and calculated NDVI values of forest communities in two

models with climate signals from January to May (blue line) and from January to

February (red line).

84

Гидрометеорологические прогнозы, математическое моделирование

Успешное использование прогностической модели возможно для ве-

гетационного периода текущего года. Таким образом, зная индексы клима-

тических сигналов с декабря по февраль, можно получить заблаго-

временную оценку ожидаемого среднего индекса NDVI по типам расти-

тельности за апрель–июнь. В каждом следующем году коэффициенты мо-

дели и основные климатические факторы должны быть актуализированы.

2.2. Проявления климатических сигналов

Результаты, приведенные в табл. 2 и 4, обобщены и сгруппированы по

проявлениям климатических сигналов в индексах NDVI растительных со-

обществ.

Североатлантическое колебание (САК). Для лесных сообществ индекс

NDVI за апрель–июнь (табл. 2) характеризуется положительной связью с

индексом САК в декабре (r = 0,41) и феврале (0,32). Для степных сообществ

(табл. 4) наблюдается отрицательная связь с индексом САК в мае (-0,31).

Восточно-Атлантическое колебание (ВАК). Для NDVI лесных сооб-

ществ (табл. 2) определяется положительная связь с индексом ВАК в де-

кабре (0,39) и отрицательная связь с индексом ВАК в мае (-0,35). Для NDVI

степей (табл. 4) наблюдается отрицательная связь с индексом ВАК в январе

(-0,40) и мае (-0,53).

Полярное/Евразийское колебание (ПОЛ/ЕВР). В табл. 1 среди всех ко-

эффициентов корреляции для разных типов растительности значимыми яв-

ляются только отрицательные корреляции (<-0,50) между NDVI и средне-

годовым индексом ПОЛ/ЕВР для разных типов леса. Для степей и степей

яйл не наблюдается значимой корреляции даже и со среднегодовым индек-

сом ПОЛ/ЕВР (табл. 1). Для NDVI лесов (табл. 2) наблюдается значимая

отрицательная зависимость от индекса ПОЛ/ЕВР в декабре (-0,44), феврале

(-0,44) и апреле (-0,52). Наибольшим откликом характеризуются листвен-

ные породы (табл. 1). Для NDVI степей (табл. 4) наблюдается значимая от-

рицательная зависимость от индекса ПОЛ/ЕВР в апреле (-0,37).

Арктическое колебание (АК). Отклик NDVI всех лесных сообществ

(табл. 2) характеризуется положительной корреляцией с индексом АК в де-

кабре (0,34) и отрицательной корреляцией с индексом АК в апреле (-0,49).

Отклик NDVI степных сообществ (табл. 4) имеет отрицательную связь с

индексом АК в январе (-0,41) и мае (-0,38).

Тропики/Северное полушарие (ТСП). Отклик NDVI всех лесных сооб-

ществ (табл. 2) имеет положительную связь с индексом ТСП в декабре

(0,39). Для NDVI степных участков нет значимой связи (табл. 4).

Средиземноморское колебание (СК). Отклик NDVI лесных сообществ

(табл. 2) отрицателен на индекс СК в феврале (-0,34). Индекс NDVI степ-

ных сообществ (табл. 4) характеризуется положительным откликом на ин-

декс СК в январе (0,34) и апреле (0,41), и отрицательным откликом на ин-

декс СК в феврале (-0,67).

Западно-Средиземноморское колебание (ЗСК). Получен отрицатель-

ный отклик NDVI на индекс ЗСК в феврале (табл. 2 и 4) как для лесных

сообществ (-0,54), так и для степных сообществ (-0,33).

Красовская В.С., Воскресенская Е.Н., Маслова В.Н., Лубков А.С.

85

На рис. 5 и 6 представлена реакция NDVI разных типов растительно-

сти, основанная на композитном анализе, на положительные (+) и отрица-

тельные (-) фазы основных определяющих атмосферных индексов из

табл. 2 и 5.

Рис. 5. Реакция NDVI различных типов леса на положительные (+) и отрица-

тельные (-) фазы климатических индексов в разные месяцы.

Fig. 5. NDVI response to the positive (+) and negative (-) phases of monthly climate

indices for different forest types.

Как видно на рис. 5, для лиственной и сосновой растительности наибо-

лее высокие средние значения NDVI наблюдаются при положительной

фазе САК в феврале, при которой происходит понижение частоты цикло-

нов Черноморского региона в зимне-весенний период. Для можжевеловой

растительности самый высокий средний индекс NDVI – при отрицательной

фазе Арктического колебания в апреле, при которой частота циклонов Чер-

номорского региона возрастает весной и уменьшается летом. Самые низ-

кие средние значения индекса NDVI всех типов леса – при отрицательной

фазе САК в декабре, которая сопровождается повышением частоты цикло-

нов в декабре.

86

Гидрометеорологические прогнозы, математическое моделирование

Рис. 6. Реакция NDVI степей на положительные (+) и отрицательные (-) фазы

климатических индексов в разные месяцы.

Fig. 6. NDVI response to the positive (+) and negative (-) phases of monthly climate

indices for steppe communities.

Из рис. 6 в изменении индекса NDVI для степной растительности

видно, что Средиземноморское колебание в феврале и ВАК в мае больше

проявляются в своей отрицательной фазе (индекс NDVI > +0,04), когда

циклоническая активность возрастает, чем в положительной фазе (индекс

NDVI до -0,25) и ослаблении циклонической активности. При этом NDVI

степных сообществ больше реагирует на ослабление циклонической актив-

ности (недостаток увлажнения) в январе в положительную фазу ВАК

(NDVI -0,28), чем при большем количестве циклонов (достаточном увлаж-

нении) в отрицательную фазу ВАК (NDVI +0,01).

2.3. Обсуждение и интерпретация результатов

Известно, что положительные и отрицательные фазы рассмотренных

климатических процессов значимо проявляются в изменении частоты, глу-

бины циклонов и смещении их траекторий [3]. В целом, повышение цикло-

нической активности приводит к увеличению количества осадков, смягче-

нию температур холодных месяцев и охлаждению теплых месяцев.

Понижение активности циклонов (т. е. увеличение активности антицикло-

нов), напротив, уменьшает количество выпадающих осадков, сопровожда-

ется морозными зимами и жарким летом.

Рассмотрим закономерности проявлений климатических сигналов в

изменчивости индекса NDVI посредством циклонической активности на

примере САК как наиболее изученного колебания.

Ранее в исследованиях [1, 28] было подтверждено влияние САК на из-

менчивость характеристик циклонов и антициклонов, что влияет на темпе-

ратурно-влажностный режим в Черноморско-Средиземноморском реги-

оне: в отрицательную фазу САК наблюдается повышение числа циклонов,

Красовская В.С., Воскресенская Е.Н., Маслова В.Н., Лубков А.С.

87

и следовательно, увеличение осадков, а в положительную фазу – противо-

положные условия. Как получено в настоящей работе, отрицательная фаза

САК в мае сопровождается ростом NDVI степных участков (табл. 4), что

согласуется с результатами работ [4, 11].

Для лесных участков, напротив, наблюдается положительная корреля-

ция NDVI с зимним индексом САК (табл. 2). При этом выделяются следу-

ющие особенности для всех рассмотренных типов леса (рис. 5). Отрица-

тельный индекс САК в январе приводит к падению индекса NDVI, а

положительный индекс в феврале – к росту индекса NDVI.

Для объяснения таких закономерностей сначала нужно учесть регио-

нальные особенности объекта исследования. На площади примерно 4 тыс.

кв. км – главная гряда Крымских гор – соотношение атмосферных осадков

и испаряемости близко к единице, а влажность почвы в течение 9–10 меся-

цев не опускается ниже влажности разрыва капилляров, при которой вода

теряет сплошность заполнения капилляров, и ее подвижность резко умень-

шается [7]. Это состояние наблюдается, когда вода начинает накапливаться

в глубоких слоях почвы. Таким образом, на протяжении большей части

года в крымских лесах преобладает доступность капиллярной воды для

растений. В то же время степные участки более чувствительны как к недо-

статку влаги, так и к переувлажнению почвы из-за менее мощной корневой

системы растений степи.

Получается, что несмотря на более теплые условия и увеличение цик-

лонической активности в отрицательную фазу САК, в январе может созда-

ваться множество неблагоприятных факторов для роста лесов на Крым-

ском полуострове. Хотя повышение числа циклонов обычно

сопровождается более теплыми условиями, оно также может обусловли-

вать выпадение избыточных осадков [19]. На Крымском полуострове это

может сопровождаться затоплением и переувлажнением почвы, что нега-

тивно влияет на рост растительности и, как следствие, приводит к сниже-

нию их фотосинтетической активности. Сильные ветры и избыточные

осадки могут способствовать эрозии почвы, что ухудшает условия для ро-

ста корней растений и снижает доступность питательных веществ. При

этом переувлажнение почвы, очевидно, является более неблагоприятным

фактором для степных сообществ, а эрозия почвы – для лесных сообществ

с активными склоновыми эффектами. Кроме того, неблагоприятным фак-

тором может быть не столько общее количество осадков, сколько неравно-

мерность их выпадения [34], т. е. когда при одном и том же среднемесяч-

ном количестве осадки выпадают с большей интенсивностью в течение

короткого времени.

При положительном индексе САК в феврале в Черноморском регионе

преобладают антициклонические барические системы [28]. Морозные тем-

пературы могут создавать условия для накопления твердых осадков и фор-

мирования более мощного снежного покрова в Крымских горах, в отличие

от теплых температур при повышенной циклонической активности, когда

поступает большее количество осадков, но в жидкой фазе. Такой запас

88

Гидрометеорологические прогнозы, математическое моделирование

твердых осадков реализуется весной, приводя к более выраженному пику

весеннего половодья крымских рек и росту вегетационного индекса лесов

за счет снегового питания.

Рассмотрим теперь, как рассмотренные особенности проявлений САК

в изменчивости индекса NDVI посредством циклонической активности

оправдываются для других сигналов.

Характер проявлений ВАК в изменении индекса NDVI в целом анало-

гичен САК, что также справедливо и для циклонической активности. Для

лесных и степных сообществ наблюдается отрицательная корреляция с ин-

дексом ВАК в мае (табл. 2 и 4), т. е. при положительной фазе ВАК в мае

наблюдается пониженная циклоническая активность, и индекс NDVI пони-

жается. Зимний индекс ВАК проявляется по-разному для лесных и степных

сообществ.

Для степных сообществ январский индекс ВАК проявляется так же,

как и майский индекс ВАК (табл. 4), т. е. в положительную фазу, при

уменьшении циклонической активности, происходит уменьшение вегета-

ционного индекса. Это можно объяснить ухудшением зимних (январских)

условий увлажнения степных почв.

Индекс NDVI лесных сообществ характеризуется положительной кор-

реляцией с индексом ВАК в декабре (табл. 2), как и с индексом САК в де-

кабре. При сохранении общей закономерности наблюдаются следующие

особенности по типам лесов (рис. 5). Индекс NDVI лиственных и сосновых

лесов сильнее реагирует уменьшением в отрицательную фазу ВАК в де-

кабре, а можжевеловая растительность – ростом в положительную фазу

ВАК в декабре. Можно предположить, что запас снежного покрова более

важен для вегетации можжевеловых пород с их менее развитой корневой

системой, чем для сосновых и лиственных пород.

Проявления зимнего и весеннего индекса Арктического колебания в

вегетационном индексе (табл. 2 и 4) аналогичны проявлениям ВАК, а также

САК. Индекс АК характеризуются сильной корреляционной связью с ин-

дексом САК и включает в себя центры действия САК [29]. Характер про-

явлений АК в циклонической активности аналогичен САК. При этом ВАК

хотя и отдельное колебание давления в Северной Атлантике, часто интер-

претируется как смещенное на юго-восток САК [14].

Годовой индекс Полярного/Евразийского колебания отличается

наиболее выраженной отрицательной связью с индексом NDVI лесных со-

обществ за апрель–июнь (табл. 1). Видимо, это связано с тем, что в отдель-

ные месяцы знак отрицательной корреляции сохраняется (табл. 2) и не по-

гашается при усреднении, как для других сигналов.

При положительной фазе ПОЛ/ЕВР в зимние и весенние месяцы цик-

лоническая активность над Крымским полуостровом понижается весной,

при этом, как показано в [15], уменьшается количество осадков. Таким об-

разом, формируются неблагоприятные весенние условия увлажнения для

развития растительности, и NDVI падает, как при положительной фазе

САК, в мае.

Красовская В.С., Воскресенская Е.Н., Маслова В.Н., Лубков А.С.

89

Вегетационный индекс лесных сообществ сильнее реагирует на январ-

ский, февральский и апрельский индекс ПОЛ/ЕВР (табл. 2). В то же время

NDVI степных сообществ откликаются только на апрельский индекс

(табл. 4). То, что лесные сообщества более выраженно реагируют на зимне-

весенний индекс ПОЛ/ЕВР и условия весеннего увлажнения, возможно,

связано с тем, что в предгорных и горных условиях крымского леса слож-

нее достигаются неблагоприятные для растений условия переувлажнения,

чем на равнинных степных участках.

Отрицательная связь ПОЛ/ЕВР с рассмотренным индексом NDVI со-

гласуется с результатами работы [9], где ПОЛ/ЕВР выделяется как основ-

ной предиктор изменчивости урожайности озимой пшеницы (с отрицатель-

ной корреляцией) в новых регионах Российской Федерации в Северном

Причерноморье и в Крыму.

Индексы ТСП, СКАНД и ВА/ЗР проявляются только в NDVI лесных

сообществ благодаря вкладу единичных месяцев (табл. 2). Рост вегетаци-

онного индекса лесов наблюдается при положительной фазе ТСП в де-

кабре, отрицательной фазе колебания ВА/ЗР в феврале и положительной

фазе Скандинавского колебания в мае. При положительной фазе ТСП в де-

кабре зимняя циклоническая активность ослабевает и создаются условия

для накопления твердых осадков в горах. При отрицательной фазе колеба-

ния ВА/ЗР в феврале и положительной фазе Скандинавского колебания в

мае активность циклонов весной возрастает и создает более благоприятные

условия для растительности.

Отклики NDVI на Средиземноморское и Западно-Средиземноморское

колебания также укладываются в описанные выше закономерности прояв-

лений посредством циклонической активности. Вегетационный индекс как

лесных, так и степных сообществ характеризуется отрицательной корреля-

цией с индексом СК в феврале (табл. 2 и 4). При росте зимнего индекса СК

весенняя циклоническая активность над Крымским полуостровом падает.

При этом создаются менее благоприятные тепло-влажностные условия для

развития растительности, чем в противоположных условиях отрицатель-

ной фазы СК.

Итак, закономерности проявлений климатических сигналов в измен-

чивости индекса NDVI Крымского полуострова посредством циклониче-

ской активности можно обобщить следующим образом.

Рост вегетационного индекса лесных сообществ происходит при тех

фазах климатических сигналов, которые сопровождаются понижением

зимней (возможно, благодаря снеговому питанию) и повышением весенней

циклонической активности. Увеличение вегетационного индекса степных

сообществ наблюдается при тех фазах климатических сигналов, которые

характеризуются повышением циклонической активности как в зимний,

так и в весенний период (возможно, в связи с исключительно дождевым

питанием). И наоборот, уменьшение индекса NDVI всех растительных со-

обществ Крымского полуострова происходит при противоположных фазах

климатических сигналов и условиях циклонической активности.

90

Гидрометеорологические прогнозы, математическое моделирование

Выводы

Проведённое исследование позволило выявить значимые отклики

крупномасштабных климатических сигналов в изменениях состояние рас-

тительного покрова на территории Крымского полуострова за период

2000–2023 гг. Наибольшее влияние на состояние и продуктивность лесных

сообществ в апреле–июне оказывает среднегодовой индекс Поляр-

ного/Евразийского колебания (ПОЛ/ЕВР), в то время как влияние Северо-

атлантического колебания (САК) и Восточно-Атлантического колебания

(ВАК) выражено менее значительно. Для степных сообществ наибольшим

фактором воздействия являются ВАК и Средиземноморское колебание.

Вегетационный индекс растительных сообществ возрастает при тех фазах

климатических сигналов, которые сопровождаются усилением циклониче-

ской активности. Исключение составляют лесные сообщества, индекс

NDVI которых увеличивается при ослаблении зимней циклонической ак-

тивности, возможно, в связи с формированием более морозных условий,

благоприятных для накопления твердых осадков в горах.

В ходе проведенного анализа на основе мультирегрессионного моде-

лирования показано, что совместное влияние САК, ВАК, АК, ПОЛ/ЕВР и

ТСП с декабря по май объясняет 80 % изменения вегетационного индекса

лесных сообществ в апреле–июне. Влияние процессов ВАК и СК с января

по май объясняет 59 % изменения вегетационного индекса степных сооб-

ществ. Прогностические модели, анализирующие вклад глобальных кли-

матических индексов с декабря по февраль, объясняют 55 % изменения

NDVI лесных сообществ и 49 % изменения NDVI степных сообществ.

Полученные выводы работы подчеркивают важность учёта роли круп-

номасштабных климатических колебаний для понимания и необходимости

их применения в прогнозировании изменений в экосистемах Крыма. Дан-

ные выводы могут стать основой для разработки эффективных стратегий

управления природными ресурсами и адаптации к климатическим измене-

ниям.

Благодарности

Работа выполнена в рамках темы госзадания ИПТС «Фундаменталь-

ные и прикладные исследования закономерностей и механизмов формиро-

вания региональных изменений природной среды и климата под влиянием

глобальных процессов в системе океан-атмосфера», номер гос. регистра-

ции 124013000609-2.

The work was funded by the state assignment of the Institute of Natural and

Technical Systems "Fundamental and applied research of patterns and mecha-

nisms of formation of regional changes in the natural environment and climate

under the influence of global processes in the ocean-atmosphere system", state

registration number 124013000609-2.

Красовская В.С., Воскресенская Е.Н., Маслова В.Н., Лубков А.С.

91

Список литературы

1. Воскресенская Е.Н., Сухонос О.Ю. Антициклоны и экстремальная температура воз-

духа в Черноморско-Средиземноморском регионе. Севастополь: ИПТС, 2020. 172 с.

2. Бардин М.Ю. Изменчивость характеристик циклоничности в средней тропосфере

умеренных широт Северного полушария // Метеорология и гидрология. 1995. № 11.

С. 24-37.

3. Воскресенская Е.Н., Маслова В.Н. Циклоническая активность в Черноморско-Сре-

диземноморском регионе. Проявления глобальных процессов в системе океан-атмосфера.

Saarbrucken: LAP LAMBERT Academic Publishing, 2014. 168 с.

4. Гармаев Е.Ж., Аюржанаев А.А., Цыдыпов Б.З., Алымбаева Ж.Б., Содномов Б.В., Ан-

дреев С.Г., Жарникова М.А., Батомункуев В.С., Мандах Н., Салихов Т.К., Тулохонов А.К.

Оценка пространственно-временной изменчивости засушливых экосистем республики

Бурятия // Аридные экосистемы. 2020. Т. 26, № 2. С. 34-42.

5. Дегерменджи А.Г., Высоцкая Г.С., Сомова Л.А., Письман Т.И., Шевырногов А.П.

Многолетняя динамика NDVI-растительности различных классов тундры в зависимости от

температуры и осадков // Доклады РАН. Науки о Земле. 2020. Т. 493, № 2. С. 103-106.

6. Как использовать NDVI для анализа своих полей. 2018–2023.

https://blog.onesoil.ai/ru/what-is-ndvi.

7. Лычак А.И., Бобра Т.В. Геоэкологическая ситуация и проблема формирования эко-

логической сети в Крыму // Геополитика и экогеодинамика регионов. 2009. Т. 5, № 1.

С. 63-69.

8. Маслова В.Н., Воскресенская Е.Н., Дунаевская Е.В. Декадные аномалии циклониче-

ской активности в Черноморско-Средиземноморском регионе и урожайность озимой пше-

ницы в Украине // Системы контроля окружающей среды. 2009. Т. 66, № 12. С. 327-330.

9. Маслова В.Н., Воскресенская Е.Н. Закономерности изменчивости урожайности аг-

рокультур в новых субъектах РФ // Использование и охрана природных ресурсов в России.

2024. № 4 (180). С. 79-86.

10. Попова В.В. Современные изменения температуры приземного воздуха на севере

Евразии: региональные тенденции и роль атмосферной циркуляции // Известия РАН. Серия

географическая. 2009. № 6. С. 59-69.

11. Цыдыпов Б.З. Трансформация отдельных компонентов природной среды севера

Центральной Азии в условиях изменения климата // Материалы Международной научно-

практической конференции «Деградация земель и опустынивание: проблемы устойчивого

природопользования и адаптации». Москва: ООО «МАКС Пресс», 2020. С. 185-190.

12. Bonan G.B. Forests and climate change: forcings, feedbacks, and the climate benefits of

forests // Science. 2008. Vol. 320, no. 5882. P. 1444-1449.

13. Bossard M., Feranec J., Otahel J. CORINE land cover technical guide: Addendum 2000.

Copenhagen: European Environment Agency, 2000. 105 p.

14.

Climate

Prediction

Center

–

East

Atlantic

(EA).

2012.

https://www.cpc.ncep.noaa.gov/data/teledoc/ea.shtml

15. Climate Prediction Center – Polar Eurasia: Associated Precipitation Patterns. 2005.

https://www.cpc.ncep.noaa.gov/data/teledoc/poleur_pmap.shtml

16. Didan K., Munoz A.B., Comptom T.J., Pinzon J.E. MODIS vegetation index user’s guide

(MOD13 series). University of Arizona: Vegetation Index and Phenology Lab, 2015. 33 p.

17. Le Quéré C., Andrew R.M., Friedlingstein P., Sitch S., Hauck J., Pongratz J. et al. Global

carbon budget 2018 // Earth System Science Data. 2018. Vol. 10, no. 4. P. 2141-2194.

18. Gong D.Y., Ho C.H. Detection of large‐scale climate signals in spring vegetation index

(normalized difference vegetation index) over the Northern Hemisphere // Journal of Geophysical

Research: Atmospheres. 2003. Vol. 108, no. D16. P. 4498.

19. Hawcroft M., Walsh E., Hodges K., Zappa G. Significantly increased extreme precipita-

tion expected in Europe and North America from extratropical cyclones // Environmental research

letters. 2018. Vol. 13, no. 12. P. 124006.

92

Гидрометеорологические прогнозы, математическое моделирование

20. Liu C., Li J., Liu Q., Gao J., Mumtaz F., Dong Y., Wang C., Gu C., Zhao J. Combined

influence of ENSO and North Atlantic Oscillation (NAO) on Eurasian Steppe during 1982–2018

// Science of the total environment. 2023. Vol. 892. P. 164735.

21. Maheras P., Kutiel H. Spatial and temporal variations in the temperature regime in the

Mediterranean and their relationship with circulation during the last century // International Journal

of Climatology. 1999. Vol. 19, no. 7. P. 745-764.

22. Mahyou H., Tychon B., Lang M., Balaghi R. (2018). Phytomass estimation using

eMODIS NDVI and ground data in arid rangelands of Morocco // African Journal of Range &

Forage Science. 2018. Vol. 35, no. 1. P. 1-12.

23. Martin‐Vide J., Lopez‐Bustins J. The western Mediterranean oscillation and rainfall in

the Iberian Peninsula // International Journal of Climatology. 2006. Vol. 26, no. 11. P. 1455-1475.

24. Science Strategy

chive.org/web/20090117171543/http://nasascience.nasa.gov/about-us/science-strategy

25. CPC Monitoring Data: Daily Arctic Oscillation Index. 2002.

https://www.cpc.ncep.noaa.gov

‒

Science Mission Directorate. 2008. https://web.ar-

‒

&

26. Schultz P.A., Halpert M.S. Global correlation of temperature, NDVI and precipitation //

Advances in Space Research. 1993. Vol. 13, no. 5. P. 277-280.

27. Padrón R.S., Gudmundsson L., Decharme B., Ducharne A., Lawrence D.M., Mao J.,

Peano D., Krinner G., Kim H., Seneviratne S.I. Observed changes in dry-season water availability

attributed to human-induced climate change // Nat. Geosci. 2020. Vol. 13, no. 7. P. 477-481.

28. Polonsky A.B., Bardin M.Yu., Voskresenskaya E.N. Statistical characteristics of cyclones

and anticyclones over the Black Sea in the second half of the 20th century // Physical Oceanogra-

phy. 2007. Vol. 17, no. 6. P. 348-359.

29. Rogers J., McHugh M. On the separability of the North Atlantic oscillation and Arctic

oscillation // Climate Dynamics. 2002. Vol. 19. P. 599-608.

30. Rouse J.W., Haas R.H., Schell J.A., Deering, D.W. Monitoring vegetation systems in the

Great Plains with ERTS // NASA Spec. Publ. 1974. Vol. 351, no. 1. P. 309-317.

31. РП5. 2004–2025. https://m.rp5.ru

32. National Centers for Environmental Information (NCEI). https://www.ncei.noaa.gov/

33. Venables W.N., Ripley B.D. Modern Applied Statistics with S-PLUS. 3rd ed. // Statistics

and Computing. NY: Springer, 1999. 501 p.

34. Vyshkvarkova E., Voskresenskaya E., Martin-Vide J. Spatial distribution of the daily

precipitation concentration index in Southern Russia // Atmospheric Research. 2018. Vol. 203.

P. 36-43.

References

1. Voskresenskaya E.N., Sukhonos O.Y. Anticiklony i ekstremal'naya temperatura vozduha v

Chernomorsko-Sredizemnomorskom regione [Anticyclones and extreme air temperature in the

Black Sea-Mediterranean region]. Sevastopol: Institute of Natural and Technical Systems, 2020,

172 p. [in Russ.].

2. Bardin M.Y. Izmenchivost' harakteristik ciklonichnosti v srednej troposfere umerennyh

shirot Severnogo polushariya [Variability of cyclonic characteristics in the middle troposphere of

the temperate latitudes of the Northern hemisphere]. Meteorologiya i Gidrologiya [Russ. Meteorol.

Hydrol.], 1995, vol. 11, pp. 24-37 [in Russ.].

3. Voskresenskaya E.N., Maslova V.N. Ciklonicheskaya aktivnost' v Chernomorsko-

Sredizemnomorskom regione. Proyavleniya global'nyh processov v sisteme okean-atmosfera

[Cyclonic activity in the Black Sea-Mediterranean region. Manifestations of global processes in

the ocean-atmosphere system]. Saarbrucken: LAP LAMBERT Academic Publishing, 2014, 168 p.

[in Russ.].

4. Garmaev E.Zh., Ayurzhanaev A.A., Tsydypov B.Z., Alymbaeva Zh.B., Sodnomov B.V., An-

dreev S.G., Zharnikova M.A., Batomunkuyev V.S., Mandakh N., Salikhov T.K., Tulokhonov A.K.

Ocenka prostranstvenno-vremennoj izmenchivosti zasushlivyh ekosistem respubliki Buryatiya

[Assessment of spatial and temporal variability of arid ecosystems of the Republic of Buryatia].

Arid ecosystems, 2020, vol. 26, no. 2, pp. 34-42 [in Russ.].

Красовская В.С., Воскресенская Е.Н., Маслова В.Н., Лубков А.С.

93

5. Degermendzhi A.G., Vysotskaya G.S., Somova L.A., Pisman T.I., Shevyrnogov A.P. Long-

term dynamics of NDVI vegetation of various tundra classes depending on temperature and pre-

cipitation. Doklady Earth Sciences, 2020, vol. 493, no. 2, pp. 658-660 DOI:

10.1134/S1028334X20080048.

6. Kak ispol'zovat' NDVI dlya analiza svoih polej [How to use NDVI to analyze your fields].

2018-2023. Available at: https://blog.onesoil.ai/ru/what-is-ndvi [in Russ.].

7. Lychak A.I., Bobra T.V. Geoekologicheskaya situaciya i problema formirovaniya

ekologicheskoj seti v Krymu [Geoecological situation and the problem of forming an ecological

network in Crimea]. Geopolitics and Ecogeodynamics of regions, 2009, vol. 5, no. 1, pp. 63-69

[in Russ.].

8. Maslova V.N., Voskresenskaya E.N., Dunaevskaya E.V. Dekadnye anomalii ciklonich-

eskoj aktivnosti v Chernomorsko-Sredizemnomorskom regione i urozhajnost' ozimoj pshenicy v

Ukraine [Decadal anomalies of cyclonic activity in the Black Sea-Mediterranean region and winter

wheat yield in Ukraine]. Monitoring systems of environment, 2009, vol. 66, no. 12, pp. 327-330

[in Russ.].

9. Maslova V.N., Voskresenskaya E.N. Zakonomernosti izmenchivosti urozhajnosti

agrokul'tur v novyh sub"ektah RF [Patterns of agricultural yield variability in new regions of the

Russian Federation]. Use and protection of natural resources of Russia, 2024, no. 4(180), pp. 79-

86 [in Russ.].

10. Popova V.V. Sovremennye izmeneniya temperatury prizemnogo vozduha na severe Ev-

razii: regional'nye tendencii i rol' atmosfernoj cirkulyacii [Modern changes in surface air temper-

ature in the north of Eurasia: regional trends and the role of atmospheric circulation]. Izvestiya

RAN. Seriya Geograficheskaya, 2009, no. 6. pp. 59-69 [in Russ.].

11. Tsydypov B.Z. Transformaciya otdel'nyh komponentov prirodnoj sredy severa Cen-

tral'noj Azii v usloviyah izmeneniya klimata [Transformation of individual components of the nat-

ural environment of the North of Central Asia in the context of climate change]. Proc. Int. Sci.

Pract. Conf. "Land Degradation and Desertification: problems of sustainable environmental man-

agement and adaptation". Moscow, MAKS Press publ., 2020, pp. 185-190 [in Russ.].

12. Bonan G.B. Forests and climate change: forcings, feedbacks, and the climate benefits of

forests. Science, 2008, vol. 32, no. 5882, pp. 1444-1449.

13. Bossard M., Feranec J., Otahel J. CORINE land cover technical guide: Addendum 2000.

Copenhagen: European Environment Agency, 2000, 105 p.

14. Climate Prediction Center

‒

East Atlantic (EA). 2012. Available at:

https://www.cpc.ncep.noaa.gov/data/teledoc/ea.shtml.

15. Climate Prediction Center - Polar Eurasia: Associated Precipitation Patterns. 2005.

Available at: https://www.cpc.ncep.noaa.gov/data/teledoc/poleur_pmap.shtml.

16. Didan K., Munoz A.B., Comptom T.J., Pinzon J.E. MODIS vegetation index user’s guide

(MOD13 series). University of Arizona: Vegetation Index and Phenology Lab, 2015, 33 p.

17. Le Quéré C., Andrew R.M., Friedlingstein P., Sitch S., Hauck J., Pongratz J., ... Zheng,

B. Global carbon budget 2018. Earth System Science Data, 2018, vol. 10, no. 4, pp. 2141-2194.

18. Gong D.Y., Ho C.H. Detection of large‐scale climate signals in spring vegetation index

(normalized difference vegetation index) over the Northern Hemisphere. Journal of Geophysical

Research: Atmospheres, 2003, vol. 108, no. D16, p. 4498.

19. Hawcroft M., Walsh E., Hodges K., Zappa G. Significantly increased extreme precipita-

tion expected in Europe and North America from extratropical cyclones. Environmental research

letters, 2018, vol. 13, no. 12, p. 124006.

20. Liu C., Li J., Liu Q., Gao J., Mumtaz F., Dong Y., Wang C., Gu C., Zhao J. Combined

influence of ENSO and North Atlantic Oscillation (NAO) on Eurasian Steppe during 1982–2018.

Science of the total environment, 2023, vol. 892, p. 164735.

21. Maheras P., Kutiel H. Spatial and temporal variations in the temperature regime in the

Mediterranean and their relationship with circulation during the last century. International Journal

of Climatology, 1999, vol. 19, no. 7, pp. 745-764.

22. Mahyou H., Tychon B., Lang M., Balaghi R. (2018). Phytomass estimation using

eMODIS NDVI and ground data in arid rangelands of Morocco. African Journal of Range & For-

age Science, 2018, vol. 35, no. 1, pp. 1-12.

94

Гидрометеорологические прогнозы, математическое моделирование

23. Martin‐Vide J., Lopez‐Bustins J. The western Mediterranean oscillation and rainfall in

the Iberian Peninsula. International Journal of Climatology, 2006, vol. 26, no. 11, pp. 1455-1475.

24. Science Strategy ‒ Science Mission Directorate. 2008. Available at: https://web.ar-

chive.org/web/20090117171543/http://nasascience.nasa.gov/about-us/science-strategy

25. CPC ‒ Monitoring & Data: Daily Arctic Oscillation Index. 2002. Available at:

https://www.cpc.ncep.noaa.gov

26. Schultz P.A., Halpert M.S. Global correlation of temperature, NDVI and precipitation.

Advances in Space Research, 1993, vol. 13, no. 5, pp. 277-280.

27. Padrón R.S., Gudmundsson L., Decharme B., Ducharne A., Lawrence D.M., Mao J.,

Peano D., Krinner G., Kim H., Seneviratne S.I. Observed changes in dry-season water availability

attributed to human-induced climate change. Nat. Geosci., 2020, vol. 13, no. 7, pp. 477-481.

28. Polonsky A.B., Bardin M.Yu., Voskresenskaya E.N. Statistical characteristics of cyclones

and anticyclones over the Black Sea in the second half of the 20th century. Physical Oceanogra-

phy, 2007, vol. 17, no. 6, pp. 348-359.

29. Rogers J., McHugh M. On the separability of the North Atlantic oscillation and Arctic

oscillation. Climate Dynamics, 2002, vol. 19, pp. 599-608.

30. Rouse J.W., Haas R.H., Schell J.A., Deering, D.W. Monitoring vegetation systems in the

Great Plains with ERTS. NASA Spec. Publ., 1974, vol. 351, no. 1, pp. 309-317.

31. РП5. 2004-2025. Available at: https://m.rp5.ru

32. National Centers for Environmental Information (NCEI). Available at:

https://www.ncei.noaa.gov/

33. Venables W.N., Ripley B.D. Modern Applied Statistics with S-PLUS. 3rd ed. Statistics

and Computing. NY: Springer, 1999, 501 p.

34. Vyshkvarkova E., Voskresenskaya E., Martin-Vide J. Spatial distribution of the daily

precipitation concentration index in Southern Russia. Atmospheric Research, 2018, vol. 203,

pp. 36-43.

Поступила 15.11.2024; одобрена после рецензирования 27.03.2025;

принята в печать 10.04.2025.

Submitted 15.11.2024; approved after reviewing 27.03.2025;

accepted for publication 10.04.2025