Классификация обыкновенной ели: Pinales — Wikipédia

Содержание

лекарственное растение, применение, отзывы, полезные свойства, противопоказания

1. Блинова К. Ф. и др. Ботанико-фармакогностический словарь: Справ. пособие / Под ред. К. Ф. Блиновой, Г. П. Яковлева. — М.: Высш. шк., 1990. — С. 187. — ISBN 5-06-000085-0.

2. Губанов И. А. и др. 44. Picea abies (L.) Karst. [P. excelsa (Lam.) Link] — Ель европейская // Иллюстрированный определитель растений Средней России. В 3 т. — М.: Т-во науч. изд. КМК, Ин-т технолог. иссл., 2002. — Т. 1. Папоротники, хвощи, плауны, голосеменные, покрытосеменные (однодольные). — С. 119. — ISBN 8-87317-091-6.

3. Государственная Фармакопея СССР. Одиннадцатое издание. Выпуск 1 (1987), выпуск 2 (1990).

4. Государственный Реестр лекарственных средств. Москва 2004.

5. Ильина Т.А. Лекарственные растения России (Иллюстрированная энциклопедия). – М., «ЭКСМО» 2006.

6. Замятина Н.Г. Лекарственные растения. Энциклопедия природы России. М. 1998.

7. Лекарственные растения: Справочное пособие. / Н.И. Гринкевич, И.А. Баландина, В.А. Ермакова и др.; Под ред. Н.И. Гринкевич – М.: Высшая школа, 1991. – 398 с.

8. Лекарственные растения государственной фармакопеи. Фармакогнозия. (Под ред. И.А. Самылиной, В.А. Северцева). – М., «АМНИ», 1999.

9. Лекарственное растительное сырье. Фармакогнозия: Учеб. пособие / Под ред. Г.П. Яковлева и К.Ф. Блиновой. – СПб.: Спец. Лит, 2004. – 765 с.

10. Лесиовская Е.Е., Пастушенков Л.В. «Фармакотерапия с основами фитотерапии.» Учебное пособие. – М.: ГЭОТАР-МЕД, 2003.

11. Машковский М.Д. «Лекарственные средства». В 2 т. — М., ООО «Издательство Новая Волна», 2000.

12. Новиков В. С., Губанов И. А. Род Ель (Picea) // Популярный атлас-определитель. Дикорастущие растения. — 5-е изд., стереотип. — М.: Дрофа, 2008. — С. 65—66. — 415 с. — (Популярный атлас-определитель). — 5000 экз. — ISBN 978-5-358-05146-1. — УДК 58(084.4)

13. Носов А.М. Лекарственные растения в официнальной и народной медицины. М.: Изд-во Эксмо, 2005. – 800 с.

14. Растения для нас. Справочное пособие / Под ред. Г.П. Яковлева, К.Ф. Блиновой. – Изд-во «Учебная книга», 1996. – 654 с.

15. Растительные ресурсы России: Дикорастущие цветковые растения, их компонентный состав и биологическая активность. Под редакцией А.Л. Буданцева. Т.5. М.: Товарищество научных изданий КМК, 2013. – 312 с.

16. Соколов С. Я. Лекарственные растения. — Алма-Ата: Медицина, 1991. — С. 118. — ISBN 5-615-00780-X.

17. «Фитотерапия с основами клинической фармакологии» под ред. В.Г. Кукеса. – М.:Медицина, 1999.

18. Чиков П.С. «Лекарственные растения» М.: Медицина, 2002.

Описание, Виды, Сорта, Посадка, Уход (70+ Фото) +Отзывы

Характеристика хвойных пород

Практически все хвойные деревья относятся к вечнозеленым многолетним растениям. Они имеют некоторые особенности:

  • видоизмененные листья в форме иголок;
  • высокое содержание смолистых веществ в коре и древесине;
  • срок жизни более 100 лет.

Размножаются семенами, завязывающимися в шишках. Они только прикрыты чешуйками, но не защищены замкнутой полостью. Это определяет групповую принадлежность породы – голосеменные. Опыление семяпочек происходит при помощи ветра.

Вегетативный способ размножения для них неприменим, только кипарисовые имеют эту способность. Голосеменные – одна из древнейших групп растений. По мнению ученых их прародители – вымершие папоротникообразные.

География распространения класса – от Экватора до границ вечной мерзлоты. Каждый климатический пояс характеризуется своими видами.

Высота большинства деревьев, особенно в дикой природе, нередко превышает 100 м, но для дачных или приусадебных участков селекционеры вывели множество низкорослых и карликовых сортов.

Ель обыкновенная

Крупное, прямое, коническое дерево, высотой от 20 до 60 м и шириной от 5-10 м с колючей, игловидной, темно-зеленой хвоей. Ветки ели обыкновенной лежат слоями.

Шишки ели обыкновенной коричневые, около 15 см длиной. Любит солнце или полутень, влажные, прохладные места. Почвы предпочитает дренированные, может расти на не плодородных субстратах.

Ель обыкновенная очень чувствительна к затоплению и уплотнению почвы. Ель обыкновенная прекрасно поддается стрижке, но густые живые изгороди будут только во влажных, прохладных,хорошо освещенных местах.

Распространена ель обыкновенная в Европе.

Ель обыкновенная европейская описание

Ель обыкновенная европейская высокое вечнозеленое дерево высотой 30 – 35 (50) м, диаметр кроны б – 8 м, диаметр ствола до 1,2 (2,4) м.

Крона конусовидная, компактная или рыхлая.

Кора в молодом возрасте буроватая, гладкая, затем красновато-бурая, чешуйчато-шероховатая.

Хвоя 10-25 мм длиной, толщиной 0,1 см, 4-гранная, заост­ренная или изогнутая. Темно-зеленая, блестящая держится 6—7 лет. Сохраняется на ветвях 6-12 лет.  Ежегодно спадает ее седьмая часть.

Мужские шишки мельче женских и имеют зеленовато-желтую окраску, они находятся на концах прошлогодних побегов, между хвоей. Женские соцветия — ярко-красного цвета, величиной с виноградину. Мужские колоски красновато-желтые, женские шишечки пурпурные или зеленые.

Шишки цилиндрические, 10 – 15 см длины, 3 – 4 см ширины, незрелые шишки светло-зеленые или темно-фиолетовые, зрелые – светло-бурые или красновато-бурые, свисают вниз.

Цветет в мае—июне. Образует пыльцу в мае—июне. Семена созревают в сентябре—октябре.

Распространение

Ель обыкновенная европейскаяродина – Европа.

Ель: описание и внешний вид

  1. Ель считается вечнозеленым хвойным деревом.
  2. В отличие от сосны, елка является теневыносливым деревом. Нижние ветви ее не вымирают и сохраняются, а поэтому хвойные леса всегда отличаются темнотой и сыростью.
  3. Высота данного дерева может достигнуть 50 метров, а период его жизни составляет 600 лет.
  4. На протяжении первых 15 лет жизни ели ее корневая система обладает стержневым строением, а при взрослении дерева главный корень вымирает.
  5. Древесина ели белого цвета с легким золотистым оттенком, она является малосмолистой и однородной.
  6. Верхушка представленного растения хвойного леса всегда острая и никогда не притупляется.
  7. Как гласит описание, корневая система у ели намного меньше, чем у сосны, и располагается она в верхнем слое почвы, что добавляет дереву неустойчивости.

Как выглядит ель?

  1. Изучая, как выглядит елка, стоит отметить, что это высокое, статное дерево, имеющее прямой крепкий ствол и густую крону.
  2. Ветви ели могут располагаться пирамидально и имеют колкие иголки.
  3. Средней продолжительностью жизни ели считается 250-300 лет, но встречаются и долгожители, возраст которых составляет 600 лет.

От чего зависит рост голубой ели

Прежде всего, на скорость роста дерева влияет то, к какому сорту оно относится: есть быстрорастущие и нет. У них разный годовой прирост.

Знаете ли вы? Советский селекционер И. П. Ковтуненко, потратив 15 лет на исследования, пришёл к заключению, что сеянцы голубой ели хорошо прорастают на шишках обычной ёлки или сосны, на которых начала развиваться плесень. За новую методику учёный был награждён Сталинской премией в 1952 году, а деревья, полученные по его методике, красуются у стен Кремля.

Если не учитывать сорт дерева, то на его темпы роста будут влиять условия произрастания. Почва должна быть плодородной, слабокислой, суглинистой, умеренно влажной. Изменение одного из этих параметров может привести к замедлению либо вовсе к остановке роста, ухудшению состояния дерева.

На ослабленном растении легко появляются вредители, развиваются болезни, что также негативно отражается на интенсивности развития ели. Подобрав правильно место для посадки, нужно тщательно ухаживать за растением. Своевременная подкормка, полив обеспечивают нормальный рост дерева.

Правила посадки

Для того, что вырастить на своем участке красивую елочку необходимо знать ее предпочтения. Лишь соблюдение некоторых правил и рекомендаций от опытных садоводов позволят без проблем взрастить колючую красавицу.

Для того, чтобы ель хорошо росла, необходимо учесть три простых правила

Для нормального роста и развития хвойной красавице необходимо создать определенные условия, главными из которых станут:

  • нормальное освещение
  • необходимые по характеристикам грунты
  • хороший дренаж

Эти три составляющие, подобранные правильно станут залогом быстрого укоренения штамба на выбранном месте и его нормальное развитие в будущем.

Кроме этого, елям и в дальнейшем понадобиться определенный уход, обеспечивать который совсем не сложно.

Кроме внесения удобрений, мульчирования и периодического полива при необходимости, некоторым видам растения понадобиться обрезка. Ее проводят в эстетических целях, для формирования необычного дизайна и для удаления сухих и больных частей дерева.

Читайте также: Алиссум: виды и сорта растения, посев семян в открытый грунт и уход за радужным ковром на участке (130 Фото) +Отзывы

Елочный “базар”

Что же делать садоводу, который решил дополнить свой сад хвойным растением: поискать пушистого питомца в ближайшем лесу, попросить черенок у соседа или отправиться в садовый центр?

Важно! В саду можжевельники рекомендуют сажать подальше от плодовых деревьев, поскольку они являются проводниками такого заболевания, как ржавчина. С профилактической точки зрения фруктовые культуры отделяют защитной полосой высокорослых растений, регулярно осматривают на предмет поражения ветви, проводят обрезку в меру необходимости. Пораженные участки обрабатывают фунгицидами.

Знаете, какие хвойные деревья бывают чаще других в аристократических английских садах? Конечно же, кедры. Они своеобразно обрамляют весь садово-парковый пейзаж. Такие деревья стали неотъемлемой частью декорации парадного входа или обширного газона перед домом. Кедры одновременно создают атмосферу домашнего уюта и торжественности. К тому же карликовые формы широко используют для бонсай.

В натуральном виде эти деревья величественно возвышаются в горных массивах на высоте до 3 тысяч метров над уровнем моря и кажутся настоящими великанами. Дикие породы вырастают в высоту до 50 м. И хоть человечеству известно об этом растении более 250 лет, но ученые до сих пор не могут прийти к единому количеству видов кедра.

Одни утверждают, что все зрелые деревья идентичны и предполагают о существовании только ливанской породы, другие дополнительно выделяют еще и гималайский, атласский и короткохвойный виды. В базе данных международного проекта «Каталог Жизни», который занимается инвентаризацией всех известных на планете видов флоры и фауны, поданы сведения о вышеперечисленных видах, за исключением короткохвойного.

Учитывая опыт экспертов – участников проекта, которым удалось собрать информацию о 85 % всего живого на земном шаре, мы будем придерживаться их классификации всех хвойных деревьев.

Из лесу елочку взяли мы домой…

Принести елочку из ближайшего леса — простое, но недальновидное решение. Деревце быстро начнет расти вверх и вширь и, начиная примерно с 15 лет, превратится в серьезную помеху для находящихся под ней растений (ведь недаром в ельниках нет подлеска!) и, что еще хуже, потенциальный источник опасности на небольших участках, поскольку из-за поверхностной корневой системы ель — ветровальное дерево.

Возможность сдерживать рост видовой ели существует, но для этого придется из года в год заниматься ее формированием, причем в строго определенные сроки. Если укоротить побеги в начале отрастания, пока они еще мягкие, то на подрезанных концах успеют сформироваться почки, и елочка останется пушистой. Но стоит упустить момент и провести укорачивание побегов в середине лета, то новых почек не возникнет, и на растении останутся “культяпки”. Если у вас нет возможности ежегодно заниматься этим кропотливым делом, проще сразу посадить в саду сорта желанного размера и формы.

Разделение хвойных деревьев

Биологи разделяют отдел хвойников на 4 порядка. Из них три (кордаитовые, войноскиевые, вольциевые) – вымершие растения.

Четвертый порядок представляют растения, объединяющие 10 семейств, около 70 родов и более 600 видов. Сосны, ели, кипарисы, можжевельники – все семейства превосходно смотрятся в городском и дачном озеленении при условии правильного их подбора.

Отличительные черты

Обыкновенная ель считается самой неприхотливой культурой на земле. Она не требует для себя плодородного субстрата и может прекрасно произрастать в бедных на органические компоненты суглинках и глиняных почвах, а также на песочных сопках.

Также культура не боится затенённых склонов либо мест с застоем влаги. Дерево отличается устойчивостью к низким температурам, не боится северного и континентального климата. Растение произрастает преимущественно в тайге, тундре, а также за территорией полярного круга.

Ель отрицательно относится к плохой экологии в месте произрастания и загрязнённому воздуху. Несмотря на это, культуру активно высаживают для озеленения городов, парков, она хорошо смотрится как при одиночной посадке, так и при создании целых композиций. Культура часто применяется для высадки снегозащитных полос. Карликовые либо низкорослые сорта декоративного типа хорошо подходят для создания альпийских горок, приусадебных участков либо улучшения ландшафта. Никакой альпинарий не будет выглядеть целостно без карликовой ели, она хорошо выглядит при высадке совместно с туями, а также дикими камнями.

Выращивание

Годовой прирост в высоту – 50 см, в ширину – 15 см. До 10 – 15 лет растет медленно, затем быстро. Продолжительность жизни 250 – 300 лет. Теневынослива, в молодом возрасте может страдать от весенних солнечных ожогов. Предпочитает свежие, хорошо дренированные кислые, супесчаные и суглинистые почвы, не выносит застоя воды, засоления и сухости почвы.

Агротехника

Высокозимостойка (отлично), засухоустойчива (хорошо), иногда сильно поражается вредителями и болезнями (удовлетворительно). Пыление в мае, шишки созревают в октябре, семена рассеиваются во второй половине зимы (хорошо). Теневынослива. Может расти на бедных почвах, но предпочитает свежие, влажные, хорошо дренируемые.

Приводимые в отдельной статье  рекомендации основаны на многолетнем опыте выращивания различных видов и декоративных форм ели в Москве, в Главном ботаническом саду РАН.

Размножение

Размножается семенами, культивары черенками и прививкой.

Ель сербская

Стройное, средней величины дерево высотой от 16 до 25 м. Форма кроны ели сербской –колонновилная или узкоконическая. Шишки ели сербской фиолетово-коричневые около 6 см длиной, смолистые. Сверху хвоя ели сербской темно-зеленая, блестящая, снизу две заметные белые полоски. Ель сербская предпочитает солнце или полутень, может переносить высокие температуры. Она нетребовательна и с легкостью можетадаптироваться, однако нуждается в защите от сильных ветров.

Почвы любит сухих и до свежих. Весной ель сербскую нужно удобрять сульфатом магния. Сербская ель в природе растет на юго-востоке Европе.

Классификация

Таксономия

Вид Ель обыкновенная входит в род Ель ( Picea ) семейства Сосновые ( Pinaceae ) порядка Сосновые ( Pinales ).

ещё 6 семействещё от 27 до 55 видов
порядок Сосновыерод Ель
отдел Хвойныесемейство Сосновыевид
Ель обыкновенная
ещё три вымерших порядкаещё около 10 родов

Разновидности

Ель сибирская ( Picea obovata ), растущая на Урале, в Сибире и на Дальнем Востоке, иногда рассматривается не как самостоятельный вид, а как разновидность Ели обыкновенной — Picea abies subsp. obovata .

Сорта

В ходе селекции было выведено множество сортов, некоторые из них: [источник не указан 760 дней]

  • ‘Acrocona’ . Медленнорастущий сорт. Деревья достигают высоты 2—3 м, крона широкая коническая, диаметром до 4 м, ветви расположены горизонтально. Внешний вид довольно декоративен, особенно весной (в это время года на концах молодых побегов вырастают маленькие красные шишечки)
  • ‘Cupressina’ . Сорт выведен в Германии в конце XIX века. Нынче этот сорт очень популярен среди садоводов самых разных стран. Хвоя тёмно-зелёная, крона узкая коническая, дерево достигает высоты 1,8 м и ширины 0,6 м. Такие «компактные» размеры хорошо предохраняют взрослые деревья от повреждений ветвей во время обильных снегопадов
  • ‘Crusita’ . Декоративный сорт, но очень редкий. Особенностью этого вида является необычная окраска молодых побегов, которые имеют красноватый оттенок. Но по мере взросления дерева они становятся зелёными.
  • ‘Echiniformis’ . Известна в культуре с 1875 года. В настоящее время почти никогда не встречается в чистом виде. Обычно смешана с ‘Gregoriana’ или ‘Gregoriana veitchii’. Карликовая, медленнорастущая форма. За 30 лет дерево достигает 20 см в высоту и 40 см в ширину. Форма кроны закруглённая до подушковидной, плотная и неравномерная. Побеги светло-коричневые, голые, слегка блестящие. Годовые побеги неравномерные, сплющенные. Почки светло-коричневые, крупные, цилиндрические с круглым концом. Валик листа плоский. Нижние иголки 12—15 мм длиной, 1—1,25 мм толщиной, в разрезе ромбические, плоские. Верхние иголки звёздчатые. Ели этой формы предпочитают участки с небольшой затенённостью.
  • ‘Glauca Pendula’ . Ветви раскидистые, густо усыпанные тёмно-зелёной хвоей. Сорт отличается особой неприхотливостью, поэтому очень широко распространён.
  • ‘Inversa’ . Особенностями этого сорта является необычайно узкая колонновидная крона, которая образована свисающими ветвями, а также молодые побеги, которые имеют ярко-розовую окраску.
  • ‘Little Gem’ . Карликовый сорт, очень медленно растущий. Высота елей этого сорта до 0,3—0,5 м. Крона имеет шаровидную или подушковидную форму, шириной до 1 м. Используется в основном для альпийского сада.
  • ‘Nidiformis’ . Карликовый сорт с интересной формой кроны. Достигает высоты 1,2—1,3 м. Крона очень широкая, гнездовидная, диаметром до 5 м. Отличается очень высокой выносливостью к неблагоприятным условиям произрастания. Используется и в одиночных посадках, и в альпинариях.
  • ‘Ohlendorffii’ . Карликовая форма, высота 6—8 м, диаметр кроны 2,5—4 м, в молодом возрасте крона округлая, к старости широко-коническая с несколькими вершинами. Побеги приподнимающиеся и раскидистые, неравномерно развитые, плотно расположены в кроне. Годовой прирост 2—6 см. Почки темные, оранжево-коричневые, находятся группами на концах побегов. Хвоя золотисто-желтовато-зелёная, короткая, колючая, внешне напоминает хвою ели восточной. Получена в питомнике Т. Олендорффа под Гамбургом из семян в середине XIX века. Семена были привезены из Никитского ботанического сада. Размножают семенами, черенками (укореняемость около 24 %). Не выносит застоя воды, засоления и сухости почвы. Теневынослива. Рекомендуется для одиночных и групповых посадок.
  • ‘Pendula’ . Редкий, очень декоративный и неприхотливый сорт. Крона имеет довольно оригинальную форму, в основном, благодаря эластичности ветвей, некоторые из которых отрастают до самой земли.
  • ‘Pumila Glauca’ . Основной особенностью этого сорта является очень красивая хвоя голубоватого оттенка. Молодые ели имеют округлую крону, которая с возрастом становится раскидистой.
  • ‘Reflexa’ . Декоративный сорт с пирамидальной кроной; такую форму они приобретают из-за направленных вверх ветвей.
  • ‘Tompa’ Leen Konijn. Сорт интродуцирован Konijn Nurs. Ederveen в 1987 году в Нидерландах. Плотная коническая форма (60×40 см). Медленный рост. Хвоя светло-зелёная. Напоминает Picea glauca ‘Conica’, но не столь восприимчива к паутинному клещу и тле[7] . Размеры в 10 лет: высота 0,6 м, диаметр около 1 м [8] , окончательный рост до 1,5 метра [9] .
  • ‘Wills Zwerg’ (syn. ‘Will’s Zwerg’). Сорт обнаружен около 1936 года в питомнике Ганса Вилла (Асперн под Бармштедтом, Голландия). Низкорослая форма, к 30 годам достигает высоты 2 м. Форма кроны равномерная, плотно-кеглевидная. С возрастом становится более рыхлой. Интересна благодаря светло-зелёной хвое на молодых (июльских) побегах, намного более светлой по сравнению со старой тёмно-зелёной хвоей [10] .

Значение и применение [ править | править код ]

В промышленности [ править | править код ]

Лёгкая и мягкая древесина ели с высоким содержанием целлюлозы и малой смолистостью — основное сырьё целлюлозно-бумажной промышленности. Запас древесины в ельниках среднего возраста при полноте 0,8—1 составляет 400—500 м³/га [11] . Используется также как строительный материал, для изготовления музыкальных инструментов, мебели, тары, шпал, телеграфных столбов.

В коре содержатся танины (особенно много их у молодых угнетённых деревьев [11] ). Кора молодых деревьев используется в кожевенной промышленности для производства дубильных экстрактов.

Подсочкой живых деревьев получают живицу (выход — около 60 г с дерева [11] ), из которой вырабатывают канифоль, скипидар, древесный уксус.

В медицине [ править | править код ]

В качестве лекарственного сырья используют шишки ели обыкновенной (лат. Strobilus Piceae ), которые собирают летом до начала созревания семян, сушат на стеллажах под навесами. Шишки содержат эфирное масло, смолы, дубильные вещества [12] .

Настой почек ели оказывает противомикробное, спазмолитическое и десенсибилизирующее действие [13] . Отвар и настой шишек применяют для лечения заболеваний дыхательных путей и бронхиальной астмы [12] .

В хвое содержится аскорбиновая кислота (обычно её больше — до 300—400 мг — у деревьев, растущих на севере и в горах). Хвоя используется для приготовления витаминных концентратов и противоцинготных настоев. В народной медицине ванны из хвои рекомендуют при ревматизме [11] .

В озеленении и садоводстве [ править | править код ]

Ель обыкновенная активно используется в городском озеленении, а также для создания снегозащитных насаждений вдоль дорог [2] .

Используется растение и как декоративное растение в садоводстве. Выведено множество сортов, отличающихся формой и размером кроны, цветом хвои.

Во многих странах принято на Рождество и Новый год наряжать ели или пихты. В России для этих целей в большинстве случаев используется ель обыкновенная.

Ель

Это одно из самых распространенных вечнозеленых хвойных растений в умеренных широтах Северного полушария. Как и положено “рождественским деревьям”, ели в основном имеют плотную коническую форму с горизонтальными или поникающими ветвями, с которых свешиваются красивые удлиненные шишки.

Где растет ель?

Ареал распространения этого дерева довольно широк. Разные виды елей растут в Европе, Америке и Азии. Наибольшую численность имеет ель обыкновенная, произрастающая на территории западноевропейских стран, средней полосы России, Урала, вплоть до водораздела Амура. На просторах Сибири и Дальнего востока растет ель сибирская и аянская, а в горах Кавказа – восточная ель. Существуют виды, произрастающие только в определенных климатических условиях, например, ель Глена, распространенная на южном побережье Сахалина, Курильской гряды и острове Хоккайдо.

к содержанию ↑

Популярные темы сообщений

  • Слюда – полезное ископаемое

    Слюда – это минерал, отличительной особенностью которого является слоистая структура. Это довольно распространенное полезное ископаемое. Слюду можно разделить на очень тонкие пластины, они являются достаточно гибкими и прочными.

  • Кедровка птичка

    Кедровка-птица, живущая в лесах таёжного типа Европы и Азии, от Скандинавии и Альп до Камчатки, Курильских островов, Приморья, Японии и Китая.

  • Про Деревья

    Первые деревья появились около 400 миллионов лет назад. Их можно встретить практически везде на суше. Не выносят сильный холод и сильную засуху, поэтому их нет в пустынях, во льдах и на вершинах гор.

Ель – в ландшафтном дизайне

Редкая красота хвойных растений, их необычная декоративность является причиной интенсивного использования их в ландшафтном дизайне. Поэтому встретить ель на городских улицах, в частных дворах, в аллеях, жилых изгородях парков, садов и скверов – дело обычное. Она великолепно выглядит:

  • в контейнерных посадках, обрамляющих садовые дорожки;
  • в каменистых садах;
  • одиноко стоящая и в групповых композициях.

Ель прекрасно сочетается с многоуровневыми композициями, невысокими кустарниками, а также с многолетними цветущими растениями (хостами, флоксами, аквилегиями, анютиными глазками, японскими анемонами). Это отличные основы для создания зеленых скульптур, придающих колоритность любому саду, скверу и парку. У ели много преимуществ, делающих ее популярной для паркового дизайна:

  1. Роскошные еловые ветви становятся элементами ландшафтного дизайна в зимних праздничных композициях.
  2. Их легко включить в любой стиль ландшафтного дизайна.
  3. Колоссальным оздоравливающим и очищающим действием обладают фитонциды, выделяемые растением.
  4. Хвойные эфирные масла, источающие аромат – отличительная черта елей.
  5. Они не выгорают летом и сохраняют свежесть хвои зимой.

Среди недостатков растения выделяют способность затенять территорию, истощая грунт крупными размерами.  Это стало причиной использования в ландшафтном дизайне карликовых форм ели.

Ссылки

  • Ель в базе данных The Gymnosperm Database (англ.) (Проверено 10 ноября 2003)
  • Ель обыкновенная на сайте USDA NRCS

Wikimedia Foundation . 2010 .

Смотреть что такое “Ель обыкновенная” в других словарях:

ель обыкновенная — paprastoji eglė statusas T sritis vardynas apibrėžtis Pušinių šeimos dekoratyvinis, medieninis, vaistinis augalas (Picea abies), paplitęs Europoje. Iš jo gaunamas eterinis aliejus. atitikmenys: lot. Abies excelsa var. columnaris; Abies excelsa… … Lithuanian dictionary (lietuvių žodynas)

Пицеа абиес — Picea abies, Ель обыкновенная — Из семейства сосновых. Вечнозеленое дерево высотой 20 50 м, с конусовидной кроной и шелушащейся буровато серой корой. Хвоя сплюснуто четырехгранная, остроконечная, темно зеленая. Мужские тычиночные шишки удлиненно цилиндирические, зеленовато… … Справочник по гомеопатии

Обыкновенная ель — ? Ель обыкновенная Ель обыкновенная. Общий вид взрослого растения Научная классификация Царство: Растения Отдел … Википедия

Ель европейская — ? Ель обыкновенная Ель обыкновенная. Общий вид взрослого растения Научная классификация Царство: Растения Отдел … Википедия

Ель корейская — Молодое растение … Википедия

ЕЛЬ — (Picea), род вечнозелёных деревьев сем. сосновых. Ствол прямой, вые. 60 (до 90) м, диам. до 1,5 2 м. Крона густая, конусовидная, корневая система поверхностная. Хвоя 4 гранная, реже плоская, острая, держится 7 9 лет. Шишки свисающие, дл. до 15 см … Биологический энциклопедический словарь

Ель (древесина) — Ель Виды деревьев: Ель обыкновенная, Ель ситхинская и другие Происхождение: Евразия, Северная Америка … Википедия

Ель — У этого термина существуют и другие значения, см. Ель (значения). Не следует путать с Ёль. Ель … Википедия

Ель — (Picea) род хвойных вечнозелёных деревьев семейства сосновых. Важнейшая лесообразующая порода. Ствол прямой, крона густая, конусовидная. Хвоинки 4 гранные, реже плоские, острые, сохраняются 5 7 (9 12) лет. Пыльниковые колоски одиночные,… … Большая советская энциклопедия

ЕЛЬ — (Picea), род вечнозеленых деревьев семейства сосновых (Pinaceae), распространенных в прохладных областях Северного полушария. Характеризуются пирамидальной сбежистой (т.е. доходящей почти до земли) кроной. Боковые ветви отходят мутовками,… … Энциклопедия Кольера

Ель обыкновенная

Общий вид взрослого растения
Научная классификация
Подцарство :Зелёные растения

Международное научное названиеАреал вида [1]

Ель обыкнове́нная, или Ель европе́йская (лат. Pícea ábies ), — хвойное дерево, вид рода Ель ( Picea ) семейства Сосновые ( Pinaceae ), типовой вид этого рода. Единственный аборигенный вид ели в Средней России [2] .

Растение используется в озеленении, а также в декоративном садоводстве. Широкое применение, в том числе в промышленности, находит еловая древесина. Незрелые шишки являются лекарственным сырьём. Во многих странах существует традиция наряжать ель на Рождество и Новый год.

Применение в других областях
  1. В народном хозяйстве древесину ели используют для изготовления бумаги, картона;
  2. Из ее древесины получают целлюлозу, искусственный шелк;
  3. Широко используют в строительстве, столярном производстве при изготовлении мебели;
  4. Еловая древесина незаменима для изготовления музыкальных инструментов;
  5. Дубильные свойства ели необходимы для выделки кожи. Их получают из еловой коры;
  6. Из отходов ели обыкновенной получают этиловый спирт, необходимый во многих отраслях промышленности;
  7. Ценный строительный материал — пластификат;
  8. Сухой перегонкой неделовой древесины ели получают уксусную кислоту, метиловый спирт;
  9. Из смолы живицы получают канифоль, скипидар используемые во многих отраслях, медицине.

Видео о многообразии видов и сортов елей

Разнообразные разновидности елей широко используются в озеленении участков, для оформления парадных подъездов, обустройства плотных изумрудных или голубых изгородей, одиночных или групповых посадок, в миксбордерах и рокариях. Невероятное сортовое разнообразие не только удовлетворит самый привередливый спрос, но и может не на шутку увлечь садовода, превратив его в страстного коллекционера замечательных вечнозеленых растений.

Распространение и экология [ править | править код ]

Растение широко распространено на северо-востоке Европы, где образует сплошные лесные массивы. Западнее хвойные леса не являются зональным типом растительности, ель там встречается только в горах: в Альпах, Карпатах, горах Балканского полуострова. Северная граница ареала в России большей частью совпадает с границей лесов, а южная доходит до чернозёмной зоны [2] .

Восточнее Волги постепенно сменяется елью сибирской ( Picea obovata ) [2] . На севере Европы, начиная от Финляндии, и восточнее распространены гибридные формы ели обыкновенной и ели сибирской, известные под названием Ель финская ( Picea × fennica ) [3] .

Ель обыкновенная локально натурализована в Пиренеях, на Британских островах, а также в Северной Америке [4] .

Лесообразующая порода. В зоне тайги нередко образует чистые леса — ельники. В средней полосе России соседствует с сосной обыкновенной ( Pinus sylvestris ) и лиственными деревьями, образуя смешанные леса. Как и другие виды елей, отличается высокой теневыносливостью.

В неблагоприятных условиях — на северной и верхней границе леса — образует стланиковые формы. Растёт на почвах разного механического состава — от песков до тяжёлых суглинков, но довольно требовательна к плодородию почвы. Предпочитает увлажнение проточными водами, избегает заболоченных почв с застойным увлажнением. Засухоустойчива, морозостойка, но страдает от весенних заморозков.

Самое старое известное дерево имело возраст 468 лет [5] . Однако, возраст более 300 лет очень редок, а в полосе хвойно-широколиственных лесов снижается до 120—150 (180) лет [6] . Указанные выше показатели лет относятся к отдельным стволам, однако ель имеет свойство давать новые побеги-клоны из корней отмерших стволов. Возраст самой старой известной ели с учётом клонов достигает 9550 лет [7] .

Поскольку «этажи» ветвей у елей, как и араукарий, образуются раз в год, возраст молодой ели определяется довольно просто: достаточно посчитать их и прибавить 3—4 года (время формирования первого «этажа») [8] .

Ель обыкновенная — официальная цветочная эмблема шведской провинции Медельпад [9] .

Общие правила

Не стоит бояться огромных размеров, до которых может вырасти дерево. На даче можно посадить карликовые и декоративные сосны. При выборе саженцев обязательно обращайте внимание на корневую систему. Она должна быть развитой. Самому растению к моменту посадки на участке должно быть не более 5 лет.

В дальнейшем саженцы принимаются хуже.

Что касается обрезки, то обратите внимание на следующие правила:

  1. Впервые сосновому дереву может потребоваться обрезание в момент посадки: повреждённые ветви или корни нужно удалять.
  2. Удаление молодых веток откладывается до того момента, пока они не станут достаточно большими, и будет понятно, насколько они влияют на форму, и нужно ли садоводу их срезать.
  3. Большинство хвойных, и сосна в том числе, обладают одним центральным лидером. Если их несколько, то нужно оставить только один, самый сильный стволовой побег.

Знаете ли вы? Китайцы верят, что сосна — волшебное дерево, которое приносит счастье и отводит от дома беду. Поэтому они выращивают их в саду как символ долголетия и благополучия.

В большинстве своем сосны — зимостойкие растения. Они хорошо растут в условиях низкой влажности и устойчивы к экологическим загрязнениям. Чтобы правильно посадить сосну, нужно подобрать участок без застоя дождевой воды.

Посадка хвойников производится ранней осенью или весной. В эти времена года она приживается лучше, нежели поздней осенью или зимой. Саженец, посаженный перед заморозками, не успеет адаптироваться, а значит, погибнет сразу с приходом холодов. Иногда посадочный материал сажают зимой в период покоя, но для процедуры требуется специальное оборудование.

Во время посадки нужно следить за расстоянием между деревьями. Крупные сорта высаживают в 4-х метрах друг от друга. Низкорослые сорта разрешается размещать на расстоянии 1,5 м между саженцами.

Уход за деревом осуществляется преимущественно летом и осенью перед зимовкой. Любая разновидность хвойника требует периодической подкормки, опрыскивания от вредителей и обрезки.

Выбор саженца

Перед посадкой сосны необходимо приобрести саженцы. Их продают в специализированных питомниках. Чтобы не ошибиться с выбором, следует учитывать некоторые рекомендации.

Посадочный материал должен иметь закрытую корневую систему. Такие саженцы продаются в контейнерах. Преимуществом этого материала является хорошо развитая корневая система и цельный земляной ком. Кроме этого, при закрытой системе в корневище остаются полезные для дальнейшего развития микроорганизмы.

Не стоит покупать саженцы, корни которых обмотаны полиэтиленом. Полезные бактерии у этого материала отсутствуют, т.к. имеют способность погибать на открытом воздухе в течение 20 минут. По этой же причине не стоит медлить во время перевалки саженца из контейнера в грунт.

Высаживать саженец сосны с открытой корневой системой также разрешается. Однако вероятность того, что растение приживется — достаточно низкая.

Чем старше возраст саженца, тем меньше вероятность, что он приживется на новом месте. Поэтому лучше всего приобретать материал возрастом 4-5 лет.

Предлагаем ознакомиться Янтарная кислота для растений. Как применять для полива и подкормки

Подготовка почвы

Для лучшего укоренения растения корневище перед высаживанием обрабатывают в растворе стимулятора корнеобразования. После этого приступают к выбору и подготовке места для посадки.

Как только участок будет подобран, начинают выкапывать яму для посадки. Размер лунки должен быть немного шире и глубже, чем контейнер с материалом. В идеале, яма должна иметь форму усеченного конуса. Это необходимо для того, чтобы ко дну и стенкам ямы можно было подсыпать питательного грунта или дренажа.

На дно посадочной ямы выкладывают дренажный слой толщиной до 6 см. В качестве дренажа используют керамзит или битый кирпич. Поверх этого слоя выкладывают землю, смешанную с речным песком и дерном. К смеси разрешается добавить 1 ч.л. нитроаммофоски.

Если почва на участке кислая, то в нее вносят 200 гр. гашеной извести. Часть смеси засыпают в котлован, а другую часть оставляют на поверхности. Когда садовод начнет пересаживать растение, оставшиеся пустоты ему следует засыпать этой почвосмесью.

Если садовод планирует посадить сосну на участке при помощи семян, то ему следует найти подходящие плоды. Для этого нужно отправиться в лес и собрать шишки под несколькими деревьями. Шишки высушивают на радиаторе отопления или в печи.

После этого следует вытряхнуть семена из шишек и поместить их в воду. Ушедшие ко дну семена, в отличие от тех, что остались плавать на поверхности, пригодны к посеву. Перед посадкой материал замачивают в теплой воде в течение суток.

Идеальной почвой для высадки семян является торфяной компост, полученный из рыхлого верхового слоя. Низинный торф не подойдет, т.к. он очень «тяжелый» и плотный.

Семена многих разновидностей нуждаются в стратификации. Данный процесс способствует ускорению роста посадочного материала на начальном этапе. В отношении сосновых семян используют замачивание в ледяной воде.

Многие садоводы утверждают, что для проращивания достаточно замочить семена в теплой воде в течение 3-х дней. После этого их перекладывают во влажную марлю и ждут появления ростков. Их проклевывание обычно происходит спустя 10 дней.

После этого семена высаживают в торф или песчаный субстрат. Контейнер устанавливают на освещенное место, при этом следят, чтобы горшок не перегревался. Затенять пробивающиеся ростки нельзя, им необходимо много света. Температура воздуха в помещении должна составлять 22-24 °С. Спустя год саженцы разрешается пересадить на постоянное место.

Чтобы высадить семена в открытый грунт сразу, потребуется собрать крупные семена и замочить их в теплой воде на несколько дней. Семенной материал размещают на участке широкими рядами по 10-15 см. Глубина посева — 3 см. Во время процесса нужно следить, чтобы на посевы не попадала тень, т.к. она замедляет рост растения.

После процедуры почву накрывают мульчей. Весной всходы накрывают пленкой для защиты от птиц. В таких посадках сосна растет в течение 3-х лет, после чего ее пересаживают на постоянное место.

Поэтапная посадка

Процесс посадки саженцев сосны на участке включает в себя ряд мероприятий. Для начала необходимо выбрать место посадки и определиться с типом почвы на участке. За несколько недель от процедуры садовод подготавливает посадочную яму. Как только все подготовительные процессы будут пройдены, приступают к посадке в открытый грунт.

Подготовив дренаж и субстрат, садовод должен поместить саженец в яму. Желательно аккуратно расправить корни по периферии земляного кома. Подгнившие или сухие корешки рекомендуется удалить.

После посадки саженца лунку засыпают оставшимся грунтом и следят, чтобы корневая шейка оставалась над уровнем земли. Саженец поливают теплой водой. Спустя время земля осядет под влагой, и дерево выровняется по уровню грунта.

Чтобы саженец прижился, необходимо обильно поливать сосну в течение первого дня после пересадки. Под дерево выливают не менее 2-3 ведер воды. Следующий этап — мульчирование и затенение.

Если садовод высаживает саженцы весной, то им обязательно потребуется затенение. Иначе на хвойнике появятся сильные ожоги от солнечных лучей. Тем, кто решил пересадить саженцы осенью, не стоит забывать о подвязке растения. Эта процедура особенно важна для тех, кто выращивает сосну в регионах с холодным климатом.

Использование ели обыкновенной в качестве живой изгороди (с фото)

Ель обыкновенная используется в группах, в качестве солитера, стриженой изгороди, аллеи. Известно более 120 садовых сортов обыкновенной ели, которые могут удовлетворить все запросы садоводов-любителей и ландшафтных архитекторов.

Здесь вы можете посмотреть живой изгороди из обыкновенной ели на приусадебном участке:

Ель обыкновенная – крупное дерево. Растение лучше сажать с северной стороны, вне участка, за канавой у самого края дороги, которая проходит мимо участка. Кроме того, такой «живой забор» прекрасно закроет сад от северного ветра. Если вы сажаете ели в качестве зеленого забора, то их нужно сажать на расстоянии 80–100 см.

Можно, конечно, высадить ель и на самом участке, но тогда нужно обязательно ограничить ее корневую систему. Надо наметить какую-то площадку, и каждый год отрубать лопатой корни, пытающиеся выйти за отведенные границы. Поскольку у ели поверхностная корневая система, то копать глубоко не придется, но все равно это утомительная работа, и вы можете пропустить пару раз, а она быстренько свои щупальца-корни протянет ко всем вашим растениям. Проще сделать так: если у вас есть старое бетонное кольцо, по какой-то причине не использованное в создании колодца, вы можете его закопать на 90 см – 1 м. Если нет кольца, то вы можете выкопать яму, сделать опалубку и залить бетонную квадратную коробку без дна. Можно также шифер закопать, но корни ели его постепенно разрушат. Если попробуете закопать железо, то оно перегниет через 8–10 лет, и ель распространиться дальше. Пространство должно быть примерно квадрат 90×90 см или метр на метр. Почву, которую вы выкопали, можете обратно внести, вам не нужна особо плодородная почва, вам нужно, чтобы ель росла медленно в скудной почве. Она будет расти, не волнуйтесь. Она очень вынослива и также теневынослива. Поэтому, если у вас 4 яблони, то по центру между ними вы можете посадить ель, ограничив ее корневую систему. Она будет своим запахом, довольно резким, удачно защищать ваши плодовые деревья от летящих вредителей яблонь, поскольку еловый запах будет их дезориентировать. Вроде летят на запах своей кормилицы – яблони, а тут примешивается еще какой-то подозрительный запах. Опасаясь оставить свое потомство на такой яблоне, вредители, как правило, пролетают мимо.

Важно

Приступать к посадкам желательно весной, чтобы у растений была возможность закрепиться на новом месте и нарастить корни, которые помогут им встретить первую зиму. Это особенно важно для привезенных из Европы саженцев, только что покинувших “ясли”.

Никаких проблем не было замечено и с елью черной (Picea mariana), растущей даже на Аляске и устойчивой к морозу, засухе и солнцу. У нее очень тонкие хвоинки и изящные побеги, а молодые шишки темно-пурпурные. Большинство ее сортов — пирамидальные с темной или сизой хвоей, например, Доумети (Doumetii) и Байснери (Beissneri), они медленно дорастают до 5 м. Для небольших садов можно порекомендовать более миниатюрную Байснери Компакта (Beissneri Compacta). Очень эффектен по окраске хвои сорт Ауреовариегата (Aureovariegata) (иногда называемый Ауреа (Aurea) — весной он выдает золотистые молодые приросты, которые сохраняют небольшой блеск до осени, и стройное пирамидальное дерево как бы переливается оттенками золотого, голубого и зеленого цвета.

Лекарственные формы

Отвар хвои

20-25 гр. измельченного сырья залить 250 мл. воды. Довести до кипения и на минимальном огне кипятить 20-30 мин. Снять с огня, накрыть крышкой, утеплить и настаивать 2-3 ч. Процедить, сырье отжать. При помощи кипяченой воды довести полученный отвар до первоначального объема.

Принимать по 0,25-0,5 ст. 3 раза в день после еды. Для вкуса можно добавить ломтик лимона.

Отвар шишек (наружно)

Готовят отвар (рецепт см. выше) из расчета 40 гр. измельченного сырья на 200 мл. воды. Кипятить полчаса, настаивать 15 мин. Процедить через три слоя марли.

Хранить в темном прохладном месте не более трех суток.

Секвойи

Самое высокое и древнее на планете дерево – секвойя произрастает в диком виде только в Калифорнии (США). Ветви конической кроны расположены строго горизонтально, лишь изредка слегка склоняются вниз, средняя продолжительность жизни – около полутора тысяч лет.

В открытом грунте на наших широтах дерево не выращивают, ему нужно много влаги в земле и воздухе. Более популярны комнатные варианты в стиле бонсай. Они требуют много терпения и заботы, но изысканная красота композиции возмещает все трудности.

Как определить срок жизни хвойного дерева?

Точно определить по диаметру ствола, сколько лет конкретному дереву, можно, лишь спилив его и подсчитав число годичных колец. Оценка возраста по фактическому диаметру ствола не вполне точна. Дело в том, что годичные кольца у конкретного дерева могут быть разной толщины. В зависимости от того, насколько плодородна почва, где росло данное дерево, и как часты и продолжительны были дожди, в разные годы толщина одного кольца может варьироваться в 2 и более раз.

Узкие годичные кольца – признак плохого питания, частой засухи и излишне стеснённых условий произрастания. Сезоны дождей из-за погодных аномалий и изменения климата в последние годы могут отличаться. Широкие и узкие по толщине кольца нередко располагаются в произвольном порядке.

Даже точно зная особенности роста конкретного вида ели и статистические данные по спиленным его образцам, предсказать точно возраст несрубленного дерева вряд ли возможно.

Второй способ – в количестве расхождений нескольких веток на стволе дерева. У растений рода еловых мутовчатое расположение веток – 3 и более ветки сходится в одной точке ствола. К количеству мутовок прибавьте 4. Полученное значение считается условным возрастом ели, но поправка делается и на высоту ствола.

Как продлить срок жизни ели?

Любой вид, произрастающий в городских условиях, где экология намного хуже, чем в лесу, живёт существенно меньше – не 250-500 лет, а 100-150. Тому есть несколько причин.

  • Большинство хвойных не терпит летнего палящего зноя – их ветки и иголки преждевременно отсыхают. С наступлением более холодной поры растение отращивает молодые побеги каждые 1,5-2 года. В условиях жаркого лета необходимо обеспечить обильный и своевременный полив деревьев, Особенно когда продолжительных дождей нет и не предвидится несколько недель, идущих подряд.

  • Сама по себе ель природой создана для тенистых мест. При прямом солнечном свете она также способна прожить столетия – но такое характерно лишь в условиях елового леса, да и то не для всех видов. В смешанном лесу ёлки образуют второй ярус, растущий под кронами лиственных деревьев. В тайге такое возможно, когда лес преимущественно сосновый. Также растения выживают за счёт друг друга – в ельнике тени предостаточно.

Но экземпляры, растущие по краям, проживут меньше, чем те, что растут в более «затерянных» рядах, ближе к середине.

  • Загазованный воздух, присутствие зданий и перегруженных движением машин автомагистралей сокращают срок жизни елей до нескольких раз. Правильнее организовать рукотворный ельник в городском парке, высадив ель под кронами тополей, платанов и других видов лиственных, которым, в отличие от хвойных деревьев, требуется очень много прямого солнечного света. В парке, как и в лесу, воздух намного чище, чем на оживлённой автостраде. В аллее городского проспекта или на тротуарах улиц желательно сажать это дерево не единично, а рядами или группами.

  • Зимой дороги часто посыпают солью и заливают реагентами, чтобы люди и машины не скользили по гололёду. В таких условиях дерево быстро деградирует и погибает от засола почвы, в которой оно растёт.

Молодые деревья – удел браконьеров, не останавливающихся ни перед чем, на чём можно быстро заработать.

  • Выращивая еловые деревья в питомниках на продажу, высаживайте их группами – от нескольких десятков в каждой. Если вы посадите ель слишком разрозненно – она долго не проживёт, а качество её будет далёким от оригинального, присущего экземплярам, выросшим в лесу.

В естественных условиях у многих видов ели через первые 15 лет жизни главный корень начинает отмирать. Из-за этого ель не выносит урагана – особенно когда она растёт на открытых участках местности. Также на старое растение губительно действует засуха – приповерхностные слои почвы, в которых она успела хорошо укорениться, лишаются влаги, и дереву практически неоткуда пополнить её запас, если боковые корни не вросли достаточно глубоко.

В последующие годы жизни отдельно взятой ели корни растут в стороны и ближе к поверхности почвы, что не даёт дереву удержаться так, как это делают многие лиственные деревья.

Ель приспособлена природой для роста под покровом более высоких деревьев иных типов, видов и разновидностей. Бурелом в еловых лесах – частое явление.

Ель красная

Дерево с ширококонической кроной высотой около 30 м и шириной до 1,5 м. Хвоя желто-зеленая, глянцевая. Ель красная имеет красноватые шишки и кору. Она влаголюбива. Очень редко встречается в России. В природе произрастает только в Северной Америке.

Срок жизни отдельных видов

Та ёлка, что часто радует детей в Новый год, способна прожить до 300 лет. И это при условии, что её не срубят раньше времени. Предприимчивые представители местных и федеральных властей поддерживают здоровую пропаганду сохранения лесов, и на площадях высаживаются деревья, которые можно на праздники наряжать и обвешивать гирляндами, не срубая их – они растут на одной из клумб.

Чёрная ель, распространённая в США, способна прожить несколько дольше – до 350 лет. Её легко распознать по шишкам, в молодом возрасте имеющим чёрно-фиолетовый оттенок, а при созревании семян в них – чёрно-малиновый. Ситхинская ель способна прожить столько же, сколько и европейская либо сибирская – 3 столетия.

Её ареал – полуостров Аляска. Её используют, чтобы высадить небольшой ельник в парке либо несколько экземпляров на дачном участке.

Норвежская (скандинавская) ель живёт также 300-350 лет, её высота равна примерно 15-30 м. Красная ель, растущая в Канаде, Новой Англии и в Шотландии, способна прожить до 400 лет – примерно столько же, сколько и чёрная. Она обладает красно-коричневыми шишками. У японской ели максимальный возраст – до 500 лет. Это по праву долгожитель среди всех широко распространённых видов, самая колючая из всех елей. Её ареал – тихоокеанские острова вулканического происхождения.

описание, классификация и ареал. Природные виды ели, селекционированные сорта и формы

, или европейская (Picea abies)
Ель обыкновенная ценится как важная лесообразующая порода. Широко используется при лесовосстановительных работах и для защитных посадок вдоль железных дорог, а также как декоративное дерево для украшения ландшафтов. Данный вид ели неоднороден по внешнему облику, что обусловлено различными типами ее ветвления. Эти типы передаются по наследству.
Мягкая и легкая древесина ели обыкновенной идет на распиловку, а также является хорошим строительным материалом и ценным сырьем для получения целлюлозы.

ОСОБЕННОСТИ ВИДА
Кора серая, тонкая, у старых деревьев отслаивается мелкими чешуйками. Побеги бурые, рыжеватые, голые или редково-лосистые. Почки заостренные, буроватые, несмолистые. Всхожесть семян 60-80%. Сохраняют всхожесть в герметически закрытой стеклянной таре до 5 лет. Могут прорастать без предпосевной подготовки, но холодная стратификация (от 2 до 8 недель) или замачивание в воде (18-22 ч) повышают их всхожесть. Как и все другие виды ели, может размножаться прививкой и черенкованием. Годовой прирост в высоту -50 см, в ширину-15 см. До 10-15 лет растет медленно, затем быстро. Хорошо переносит стрижку. Рекомендуется использовать для живой изгороди, в которой деревья располагают через 40 см.

Ареал В Северной и Центральной Европе. На территории России — от западных границ до Урала.
Размеры взрослого растения Дерево высотой 30-50 м, диаметр кроны 6-8 м, диаметр ствола до 1,8 м.
Декоративность Не все экземпляры этого вида отличаются декоративностью. Иногда форма кроны бывает неровной
Форма хвои Хвоя игольчатая четырехгранная длинной 10-35 мм и толщиной 1-1,5 мм, с острым кончиком, блестящая, темно-зеленая, держится на побегах 6-7 лет. Осенью окраска хвои не меняется.
Время и форма цветения В мае-июне на ветвях появляются собранные на одной оси красные овальные колоски и красные или зеленые женские стробилы
Шишки Шишки цилиндрические, длиной 10-16 см и шириной 3-4 см, красновато-бурые, блестящие, с крупными или вытянутыми кверху семенными чешуями. Незрелые шишки — светло-зеленые или темно-фиолетовые. Семена высыпаются в конце следующей зимы. Семеношение начинается с 25-30 лет.
Требования к почве Суглинки, супесчаные легкие почвы, не выносит уплотнения почвы, близких грунтовых вод, засоления и сухости почвы, рН = 4,0-5,5.
Отношение к свету Очень теневынослив, весной может страдать от солнечных ожогов.
Устойчивость к городским условиям Чувствителен к дыму, газам и пыли, поэтому редко используется в городских посадках.
Морозостойкость Вид отличается повышенной морозостойкостью (до -45°С), но чувствителен к весенним заморозкам.
Укрытие на зиму Молодые растения в первый год посадки.
Продолжительность жизни Живет до 250-300 лет.

В последнее время спросом пользуются карликовые (от 0,3 до 1,5 м) формы ели европейской: «Грегориана», «Эхиниформис», «Кланбрассилиана» и некоторые другие. Характерные особенности этих форм — плотная крона, медленный рост, короткие побеги. Карликовые формы ели европейской особенно привлекательны при озеленении небольших ограниченных пространств: каменистых садов, альпийских горок и т.д. Все декоративные формы необходимо размножать методом прививки.

К роду елей относятся 45 видов, растущих по всему свету. Есть ели с голубоватой, синевато-белой и золотисто-жёлтой хвоей. Стволы у некоторых елей достигают 2 м в диаметре, а высота деревьев — 40-50 м.

Живёт ель до 500 лет. Образует стройную пирамиду кроны с приподнятыми на концах ветвями. Ствол крупный, прямой, покрыт красновато-коричневой чешуйчатой корой. Хвоинки колючие, четырёхгранные, острые.

Шишки у ели узкие и длинные. В конце зимы они открываются и оттуда вылетают семена. Крылатые семена подхватывает ветер и уносит далеко от родного дерева. Из семян вырастают молодые нежные ёлочки. В открытом поле они могут замёрзнуть. А под защитой взрослых деревьев мороз им не страшен.

Взрослая ель становится владычицей леса. В её тени не может прожить ни сосна, ни берёза. Растут в еловом лесу только мох да редкие травы с белыми цветами. В сумраке белый цветок быстро замечают насекомые. Кроме них, опылять цветки некому. Мог бы ветер, но его в еловом лесу не бывает.

Ель считают вечнозелёной. Но хвоя у неё не вечная. Иголочки каждые 7-9 лет опадают. По осени ель сбрасывает не меньше седьмой части хвои, постепенно меняя свой наряд.

Древесина идёт на изготовление бумаги, мебели, на строевой и пильный лес. Резонансная ель (ель, выросшая в горах) идёт на изготовление музыкальных инструментов. Ель даёт живицу, в которой содержится канифоль и скипидар.

Древние жители Германии считали, что в ели живёт дух леса, охраняющий растения, зверей и птиц. Они верили, что ель может справиться со злыми силами, так как её ветки в иголках.

Без ёлки трудно представить новогодний праздник. В Россию ель как новогоднее дерево пришла по указу Петра I «О праздновании Нового года» от 20 декабря 1699 года. Образцы ветвей были выставлены в Гостином дворе. На Красной площади назначены были «огненные потехи», было велено стрелять из пушек и мушкетов и пускать ракеты.

(лат. Pícea) — род растений семейства Сосновые (Pináceae), по распространённости среди хвойных деревьев занимает второе место после сосны. Живет ель — 250-300 лет, встречаются деревья возрастом до 500-600 лет. В США (штат Колорадо) растет долгожительница — ель Энгельмана, возраст которой составляет 852 года.

Однодомные деревья с пирамидальной кроной, мутовчатым ветвлением и межмутовчатыми побегами. Ствол полнодревесный, высотой до 40 — 50 м, у некоторых видов — до 80-90 м, диаметром у комля до 1-2 м кора красно-бурая или серая, шелушащаяся тонкими чешуями; молодые ветви бурые или рыжеватые, голые или слегка опущенные, с сильно выступающими листовыми следами, почки яйцевидно-конические, заостренные, буроватые, несмолистые. Хвоя жесткая, колючая, четырехгранная, в нижней части кроны — плоская (теневая хвоя), не опадает 6 — 9 лет.

Еловые леса (ельники) — вечнозеленые темнохвойные леса с преобладанием ели в древесном ярусе. Относятся к числу природно-прогрессивных эдификаторов, способных внедряться в другие фитоценозы и даже вытеснять их. Еловые леса произрастают в умеренном поясе Северного полушария, занимая значительную часть территории Европы, Азии и Северной Америки.

В России они распространены от западных границ до восточных. Они формируют облик ландшафта таежной зоны. Общая площадь еловых лесов в России составляет около 70 млн га с запасом древесины свыше 10 млрд м3. Еловые леса находятся на четвертом месте по занимаемой площади после лиственничных, сосновых и березовых лесов. В еловых лесах формируется как чистые древостои, так и смешанные с лиственными и хвойными породами.

Древесина ели

Ель — безъядровая спелодревесная порода. Древесина ели белая, со слабым желтоватым оттенком, малосмолистая. У ели Энгельмана древесина более темная — желтовато-коричневого цвета. Смолянистые ходы малочисленные и мелкие. Древесина ели имеет однородное строение с хорошо заметными на всех разрезах годичными слоями, нарушаемое многочисленными сучками.

Ель относится к породам с малой равноплотностью и с резкой разницей в строении ранней и поздней древесины годичных слоев. Число годичных слоев на 1 см поперечного разреза и процентное содержание поздней древесины зависят и от вида, и от места его произрастания. Так, например, для ели обыкновенной (европейской) на севере европейской части России число годичных слоев составляет 12,1, а процент поздней древесины — 21, для ели сибирской (Западная Сибирь) — 6,5 и 25 соответственно, для восточной Сибири — 9 и 25.

Микронеровности, остающиеся после обработки поверхности древесины ели, составляют 8-60 мкм, что существенно ниже, чем у лиственных пород. Свежесрубленная древесина ели имеет влажность около 110%. Максимальная влажность при водопоглощении — 212%.

Показатели влагопроводности — важная характеристика для выбора режима сушки древесины, от них зависит интенсивность изотермического переноса связанной воды. Значения коэффициента влагопроводности (Dх1010 м2/с) для ели представлены в таблице.

Эти значения мало отличаются от показателей сосны, но в 1,5 — 1,8 раза выше, чем у лиственницы и твердолистных пород. Ель, так же как и сосна, относится к малоусыхающим породам. Однородное строение древесины и длинные волокна делают ель менее склонной к короблению и растрескиванию в процессе сушки (по сравнению с сосной).

Ель относится к породам малой плотности. Среднее значение плотности древесины ели при стандартной влажности (12%) — 445 кг/м3, абсолютно сухой — 420 кг/м3, базисная плотность — 365 кг/м3.

Проницаемость жидкостями и газами вдоль волокон у ели несколько выше (на 15-20%) , чем у сосны, но зато разница между газопроницаемостью в радиальном и тангенциальном направлениях у ели самая большая (в радиальном больше, чем в радиальном, в 10 раз; у сосны — в 2-5 раз).

По прочностным свойствам древесина ели несколько уступает сосне. По длительной стойкости к деформациям она практически не уступает сосне, так же как по другому показателю — способности удерживать крепления. Гнется древесина ели несколько лучше, чем древесина сосны.

По стойкости к гниению (биологическим поражениям) среди отечественных пород ель относят к среднестойким породам (она заметно уступает ядровой древесине сосны), по европейскому стандарту EN 350 — 2:1994 ель относится к малостойким породам (сосна к умеренно стойким).

Хорошая в целом обрабатываемость древесины ели резанием существенно затрудняется многочисленными сучками, твердость которых часто бывает настолько большой, что вызывает выкрашивание лезвий твердосплавного инструмента.

Применение древесины ели

Ель — дерево исключительное по своим свойствам. Одним из таких свойств является музыкальность. Из ели с древнейших времен делают музыкальные инструменты, в том числе струнные. Новгородские гусли средневековой Руси чаще всего делали из ели.

Верхние деки скрипок, виолончелей, гитар издавна делают из резонансной ели, обеспечивающей инструментам красоту звучания. Она словно удерживает в себе звук. Требования к музыкальной древесине особые: не иметь сучков, завитков, крени и других пороков. Годичные слои должны быть одинаковой ширины, а на радиальном разрезе прямыми и параллельными.

Музыкальные инструменты из ели обладают изумительным звуком, потому что волокна в древесине распределены очень равномерно (такую древесину называют резонансной). Скрипки итальянских мастеров, в том числе Амати и Страдивари, сделаны из ели.

В поисках хорошего материала мастера и реставраторы музыкальных инструментов находят древесину при разборке старых домов, которая за десятилетия стабильного микроклимата приобретает поистине чудесные музыкальные свойства. Дело в том, что при постепенном высыхании в капиллярах смоляных ходов древесины образуются микроскопические резонансные камеры, она как бы обретает голос.

Французский исследователь XIX века Савар подсчитал скорость прохождения звука в еловой древесине. Оказалось, что она в 15-16 раз больше, чем скорость звука в воздухе. Было множество попыток заменить древесину ели древесиной других пород, но ни одна из них не увенчалась успехом. Специалисты считают, что вряд ли удастся скоро найти материал, который по своим акустическим свойствам будет подобен резонансной ели.

Древесина ели трудна в обработке из-за большой твёрдости сучков, но в некоторых местностях избы возводили полностью из ели. Считали, что в такой избе дышится легко, даже бытовала поговорка: «Изба елова, да сердце здорово».

Древесина ели мягкая, лёгкая, не очень прочная, употребляется как строительный материал (доски, брусья), для мелких поделок, для переработки в древесную массу.

Ель используется для производства продуктов лесохимического производства — бумага и картон, целлюлоза, скипидар, канифоль, дёготь, древесный уксус, метиловый спирт. Из хвои и древесины выделяют разные по составу летучие фракции, состоящие в основном из терпеноидов — т. н. эфирные масла, их главный компонент — пинен.

Применяется в декоративном садоводстве и паркостроении. Примечательна аккуратностью и изяществом кроны, стройностью ствола, теневыносливостью. Живая изгородь из ели очень густа и практически непроходима. Существует множество садовых форм и культиваров. Часто ель используется для создания ветрозащитных полос, особенно вдоль дорог. Семена служат кормом лесным птицам (дятел, клёст) и грызунам (мышь, белка). Кора ели используется как дубитель кож. Хвоя часто используется для приготовления хвойно-витаминной муки на корм скоту.

Самым распространённым в Европе хвойным деревом является ель европейская или обыкновенная, этот вид растёт практически везде, за исключением Север-Германской низменности и островов Британии.

Описание Ели европейской

Ель обыкновенная достигает в высоту 50 метров при стволе шириной в 1 метр. Стройное дерево с густой пирамидальной кроной. Имеет горизонтальные или поникающие ветки, которые низко опускаются по стволу. Сучья собраны ы мутовки. Если вокруг достаточно света, нижние ветки долгое время сохраняются. В молодости дерево имеет гладкую бурую кору.

С годами кора становится шероховатой, чешуйчатой. Приобретает серый или коричневый цвет. Побеги имеют жёлтый или коричневый цвет. Могут быть покрыты волосками рыжего цвета. Хвоя ели весьма жёсткая, зелёного цвета.

Хвоя обычно имеет четырёхгранную сплюснутую форму и длину в 1-3 см. Цикл жизни хвои – 7 лет.

Древесина ели желтовато-белого цвета характеризуется как мягкая, блестящая, лёгкая. Корни расположены горизонтально, поверхностно, поэтому деревья могут выворачиваться их земли при сильном ветре.

Ель обыкновенная является самой быстрорастущей среди всех елей. Молодые ели растут медленно, но чем старше дерево – тем быстрее рост. За год ель может вырастать на пол метра. К 250-летию ель начинает усыхать, некоторые экземпляры доживают до 500 лет.

Известно, что с древних времён люди используют различные растения в медицинских целях, и шишки ели европейской не исключения, хотя и многие позабыли об их целебных свойствах. Например, от количества шишек напрямую зависит чистота воздуха. Некоторые уверены, что если подержать еловый плод между ладоней, то можно довольно быстро избавиться от отрицательной энергии, которая скапливается в организме. Приложив шишку к ушибленному месту после бани, вы ускорите заживление поверхностных ран и уменьшите боль. С точки зрения энергетики, помимо прочего, забор из елей по всему участку препятствует проникновению в вашу зону отрицательных зарядов.

Хвоя, шишки, молодые побеги ели содержат эфирные масла, смолу, витамин C, соли хрома, железа, алюминия, марганца. Интересный факт, что ель – рекордсмен среди флоры по содержанию витамина C.

При хронических и острых заболеваниях дыхательных органов можно употреблять хвойные отвары, которые также полезны при недостатке в организме витамина C. Готовится этот отвар таким образом: на один стакан воды берётся сорок грамм хвои. Полученную смесь кипятят 20 минут и настаивают. Употребляют данный отвар в течение дня за 2-3 приёма. Настойку из еловых шишек полезно употреблять и взрослым и детям. Очень полезны ингаляции на еловых отварах.

Ну и самым вкусным применением еловых шишек по праву считается варенье. Для него необходимо собрать шишки в первую декаду июля. Рецепт таков: нам понадобится 1 кг шишек, 10 стаканов воды, 1 кг сахара. Перебираем шишки, промываем их от хвои и веток. Заливаем холодной водой и оставляем на сутки. После этого насыпаем в раствор сахар, доводим до кипения. Ждём, когда весь сахар раствориться. В горячий сироп мы выкладываем шишки и продолжаем варить, помешивая. Варенье готово, как только вы увидите, что шишки раскрылись полностью.

Ель — это дерево из семейства сосновых, которое даже летом остается зеленым. Ель признана символом нового года во всем мире. Это уникальное дерево вырастает до 50 метров высотой.

Некоторые ели растут до 600 лет. Таких экземпляров много, но их приходится охранять. Как правило, деревья этого типа доживают лишь до 300 лет.

Ель, фото ели на участке и краткие характеристики

На первых этапах роста ель обладает корнями стволового типа. Это длится первые пятнадцать лет. Потом развитие идет только поверхностное, а главный стержень начинает отмирать.

В начале формируются лишь стволовые клетки роста, а спустя несколько лет, начинают разрастаться ответвления. Ствол имеет круглую форму и коричневатого цвета кору, которая слоится на пластинки небольшого типа.

Что касается смолистости, то ее совсем немного и она однородна. Ее оттенок белого цвета с немного золотистым оттенком.

Матово выросшие ветви создают пирамидальную вышку дерева. Они растут практически перпендикулярно. Более мелкие отростки создают четырехгранную форму разветвления.

Среди разновидностей ели имеются и те, которые обладают синеватым и даже желтоватым оттенками. Иголки не опадают примерно шесть лет, а затем они просто обновляются.

Многие насекомые привлекаются запахом ели. Они буквально объедают дерево, после чего начинают расти новые иголки.

Новые иголки похожи на щетину и меньше, чем остальные, но со временем догонят своих предшественников.

Растущие на дереве шишки немного продолговатые и округлые, они вытягиваются в цилиндрическую форму. Длина достигает пятнадцати сантиметров, а диаметр в среднем составляет четыре сантиметра.

Шишка состоит из оси и чешуек, которые расположены по кругу, а между ними растут семенные чешуйки. Семенные чешуйки несут по две семяпочки, у которых есть ложное крыло.

Примерно в октябре семена достигают зрелости. Затем они опадают и разносятся ветром. Всхожесть семян сохраняется примерно неделю, плюс-минус пару дней.

Сорта ели

Посадка ели, наблюдение за ней и прочие работы, позволили разделить дерево на 45 видов. В наши дни они растут произвольно по всему мир, а их высота только изредка превышает пятьдесят метров.

Европейская ель

Дерево обладает зеленой окраской во все времена года. Высота не превышает 30 метров, лишь в отдельных случаях бывают экземпляры до пятидесяти метров в высоту.

Верхушка обладает формой конуса, а ветви немного поникшие и распростертые в разные стороны. Что касается коры, то она темно-серая.

С течением времени кора слоится на тонкие пластинки, но остается на стволе, пока не отсохнет.

Четырехгранные хвоинки располагаются по всей ветке, вырастая по спирали. Северо-западная часть Европы богата густыми лесами, в которых растет этот тип ели.

Кроме того, этот вид ели встречается практически во всех странах с подходящим климатом.

Ель Сибирская

Дерево достигает тридцати метров в высоту и имеет пирамидальный конус. Примерно сто сантиметров в охвате, максимальный диаметр ствола у этой ели. Иголки у ели немного меньше обычных и более острые, чем обычные.

Дерево растет в России, Казахстане и ряде других стран с подходящим климатом. Многие страны охраняют деревья от спиливания и заботятся о старых породах.

Ель Восточная

Отличается от обычной немного большим ростом, примерно на пять метров выше обычной ели. Ее конус на макушке дерева, не зеленый, как обычно, а сероватого цвета. Ветви дерева весьма густые и тяжелые.

Кора особой смолы не имеет, а оттенок похож на серо-бурый цвет. Четырехгранные иголки немного закругляются по концам.

Эту ель можно легко найти на Кавказе и в северных территориях Азии. Как правило, там чистые массивы, но есть экземпляры растущие в лесах смешанного типа.

Ель Корейская

Дерево не выделяется особыми размерами высоты, она не превышает 40 метров в высоту. Ствол серовато-коричневого цвета, не превышает диаметра в 80 сантиметров. Только сизый налет выделяет дерево в уникальную группу, в остальном все так же, как и у обычной ели.

Пирамидальная шапка, иголки четырехгранные, ветви опущены друг на друга и т.д. Ель растет и развивается в странах Востока, таких как: Китай, Корея и прочие. Растет дерево как в смешанных, так и в чистых массивах.

Ель Аянская

По внешним признакам ель схожа с Европейской. Иголки у ели острые и четырехгранные, а макушка пирамидального типа. Ветви свисают одна над другой и немного завернуты кончиками вверх.

В высоту ствол вырастает до сорока метров, но бывает и чуть больше.В обхвате ствол дерева не более метра, а зачастую и меньше.

Дальний восток стал прибежищем этого вида ели. Растет дерево в самых разных местах, как в лесных массивах смешанного типа, так и отдельно небольшим количеством единиц. Дерево по окраске отлично подходит для праздника зимы.

Фото ели

описание, название на латыни, корневая система, высота и диаметр кроны ели европейской

Ель – вполне привычное растение в лесах России. Однако горожане знают о нем очень мало. Пора узнать об этом дереве побольше.

Описание

Ель обыкновенная на латыни имеет ботаническое название Picea abies. Так как вид распространенный, опасений, что он вымрет, нет. Альтернативное название – европейская ель. Этот вид входит в семейство сосновых и произрастает в средней полосе РФ. Picea abies находит широкое применение в озеленительных работах в городах, но можно увидеть ее и на дачных участках, и вблизи загородных коттеджей.

Еловая древесина пользуется популярностью в деревообрабатывающей отрасли. Незрелые шишки – один из видов лекарственного сырья в народной медицине. Обыкновенная ель растет в северо-восточных регионах Европы, где она формирует обширные леса (ельники).

В западноевропейских странах это растение встречается только в горных районах. В РФ обыкновенные ели можно встретить от границы тундры до границы степей.

Вид может выжить даже в резко неблагоприятных условиях. Типичный способ приспособления – формирование стланиковых зарослей. Почвы могут быть разными по механическому составу, однако ее плодородие особенно важно. Рекомендуется выбирать места, увлажняемые проточной водой. При этом очень опасно заболачивание и застой воды в целом.

Обыкновенные ели переносят засуху и морозы довольно хорошо. Однако для нее представляют серьезную угрозу весенние заморозки. Предельный зафиксированный срок жизни елей составляет 468 лет. Но экземпляры свыше 300 лет встречаются исключительно редко. В зоне смешанного леса их предельный возраст колеблется от 120 до 150 лет.

Высота обыкновенных елей в основном ограничена 30 м. Только немногие экземпляры поднимаются до 50 м. Конусовидная верхушка формируется из поникающих веток. Для них типично мутовчатое расположение.

Так как корневая система елки расположена у поверхности, нередко деревья падают от сильного ветра. Характерна для нее серая кора, которая понемногу отслаивается. Листья замещены четырехгранной хвоей, располагающейся по спирали. Размеры хвоинок составляют 0,01-0,025 м. Срок жизни иголки может достигать 6 лет и более.

В первые 10-15 лет жизни обыкновенная ель имеет стержневой корень. Позднее он превращается в поверхностный, поскольку главная часть корневой системы отмирает. Юная еловая поросль поначалу растет кверху и практически не формирует веток. Когда ветви все же появляются, они будут расположены под прямым углом к стволу. В большинстве случаев диаметр кроны достигает 4-5 м.

Сорта и их характеристики

Разновидность «Виргата» отличается декоративностью. В высоту дерево достигает 6-8 м, к 15 годам диаметр кроны составит от 3 до 4 м. Удлиненные ветви касаются самой земли и не слишком сильно разветвляются. Прирост ствола вверх за год достигает 0,4 м при благоприятных условиях. Толстые хвоинки имеют длину до 0,02 м.

Юные ветки «Виргаты» окрашены в светло-зеленый тон. Хотя растение может вынести тень, целесообразно отводить под него освещенные участки. Очень важную роль играет достаточная влажность земли и воздуха.

Идеальная почва – супесь и суглинок с кислой реакцией. Невысокие деревца порадуют крупными, но редко растущими шишками.

Первоначально плод имеет переходную от зеленой к пурпурной окраску. По мере зрелости он приобретает буро-коричневый тон. По зимостойкости «Виргата» относится к 4 классу. Она нуждается в специальной подготовке к холодам. Рекомендованная толщина дренажа – от 0,15 до 0,2 м.

«Ауреа» отличается от предыдущего сорта довольно медленным ростом. У этих елей формируется рыхлая, не слишком правильная крона. Наибольшая высота ствола достигает 15 м, но лишь изредка; у большинства экземпляров она составит около 12 м. Такой кондиции достигают лишь самые старые деревья, а к 30 годам нормой является высота 6-8 м. Распустившаяся хвоя имеет золотистый окрас, в летние месяцы она зеленая, а при приближении холодов приобретает темно-зеленый цвет.

«Ауреа» считается неприхотливым деревом, рассчитанным на обычные городские условия, на выращивание на солнце и в слабой тени.

Однако проблемой для него является сильный холод. Пережив суровую зиму, ель потемнеет. Стричь «Ауреа» можно без всяких опасений.

Если нужен относительно высокий сорт, то стоит присмотреться к елям «Колумнарис». Взрослое дерево может вырасти до 12-15 м. Оно увенчивается изящной кроной в виде узкой колонны. Силуэт ствола сохраняет четкость. Наибольший диаметр кроны не превышает 1,5 м.

Сильно развитые и довольно короткие ветки спускаются вниз, как у плакучей ивы. До окончания активного роста «Колумнарис» будет демонстрировать неравномерное ветвление. Чем выше побег, тем меньше он расщепляется. Но в зрелом возрасте этот недостаток сглаживается и оголение верхушки исчезает. Хвоинки 0,015-0,02 м окрашены в темно-зеленый тон и растут очень густо.

Обновление четырехгранных иголок занимает от 6 до 12 лет. Молодые иголочки выглядят светлее, пока не пройдет еще несколько месяцев после их появления. «Колумнарис» отличается светолюбивостью и практически не переносит полутень.

Рекомендуется сажать эту ель в прохладных участках с высокой влажностью воздуха. Каких-либо специальных требований к земле нет, однако лучше, если это будет дренированный, относительно питательный грунт.

Ели «Максвелли» смотрятся крайне оригинально. Как и любое другое карликовое дерево, растут они очень медленно. Наибольшая высота в условиях России составляет только 1-1,5 м. Хвоинки относительно остры и окрашены в светло-зеленый тон, изредка с желтоватым отливом. Растение отлично подходит для культивирования в альпинариях. Также оно может применяться для украшения приусадебных зон. Веток на дереве довольно много, они весьма прочны.

Еще один карликовый сорт – это «Пигмея». Наибольшая высота таких елей ограничена 1 м, ширина – не более 2-3 м. Побеги собираются в крону, напоминающую широкий конус, ветки плотно смыкаются между собой.

Шишки у «Пигмеи» не появляются. Грунт уплотнять нельзя. Опытные садоводы отмечают, что это растение крайне устойчиво к холодной погоде. Его советуют применять в альпинариях, рабатках, хвойных и коллекционных садах.

Нужно не забывать, что «Пигмея» наверняка пострадает от иссушенного воздуха.

Ель «Лорелей» формирует ползучие или свисающие ветки. Ширина растения в возрасте 10 лет достигает 1,5 м. Если побеги не подвязывать, они будут стлаться по земле. Выращивать культуру советуют в полутени, а лучше на солнце. Высота штамбовых елей определяется местом, куда сделана прививка.

Завершить обзор уместно на сорте «Коника». Эта ель формирует миниатюрный ствол, покрывающийся пушистыми ветвями. Время ее жизни на одном месте достигает 500 лет. Эта ель может иметь сизый и белый окрас. Сизая «Коника» считается оптимальной для партера и сада камней.

Как выбрать?

Выбор обыкновенной ели невозможно свести только к знакомству с описаниями сортов. Безусловное предпочтение в отечественных условиях нужно отдавать максимально зимостойким разновидностям. Менее важен этот аспект при выборе карликовых форм, которые зимой обычно скрыты снегом.

Но надо думать и о сопротивляемости зимним осадкам. Лед или масса снега представляют большую угрозу для деревьев.

Дополнительно следует учесть:

  • получится ли обеспечить растению необходимое освещение и увлажнение;

  • насколько высоки требования к плодородным свойствам грунта;

  • как будет выглядеть дерево в определенном месте и при определенном освещении;

  • какой цвет хвои наиболее предпочтителен;

  • важен ли быстрый рост;

  • насколько высоким должно быть дерево.

Как выращивать?

Посадка

Обыкновенная ель может вырасти даже на относительно бедных органикой почвах, на глине и песке. Отношение к свету у елки равнодушное, посадить ее можно даже на затененном склоне. Но есть другая опасность – в плохих экологических условиях елочки очень страдают. Стандартная агротехника ели подразумевает использование легкого дренажа. Создание дренирующего слоя из кирпича, щебня, керамзита и так далее нецелесообразно.

Когда пройдет год, производится ее пересадка в обособленные горшки. Уже в этих горшках использование тяжелого дренажа приветствуется. Изначально же растения советуют сажать в дренаж из хвои. Схема посева обыкновенных елей довольно проста.

Верхний диаметр лунок составляет 0,4-0,6 м, а в нижней точке они имеют ширину 0,3-0,5 м.

Глубина выемок – 0,5-0,7 м. Если земля очень плотная, не обойтись без тяжелого дренажа. Оптимальный вариант составляет смесь щебня или битого кирпича с песком толщиной 0,15-0,2 м. Размещать саженец в лунке надо аккуратно, но при этом следует исключать отклонения от вертикали. Засыпать корень посаженного деревца нужно, однако утрамбовывать его нельзя.

Рекомендуется дополнительное мульчирование окрестностей корня нетолстым слоем торфа. Этот слой составляет 0,05-0,07 м и должен создаваться в первые два года после высадки. Знатоки советуют при посадке закладывать в почвенную смесь нитроаммофоску.

Полив

Дополнительное орошение ели потребуется, когда долго не бывает дождя. В жаркие периоды оно обязательно. Проверять, настало ли время полить елочку, просто: надо сдавить ком земли в руке и посмотреть, не рассыпется ли он. Лить воду надо строго вокруг корневого кома в радиусе 0,2-0,3 м от ствола. На каждое дерево должно приходиться 10-12 л воды.

Подкормка

Подкармливать обыкновенную ель навозом запрещено. Гораздо правильнее применять минеральные смеси. Среди них, однако, непригодны те, что содержат значительный объем азота. Из-за него рост побегов перед началом холодов лишает возможности подготовиться к зиме.

Азотные удобрения запрещено применять и при посадке елочек, и при внесении мульчи. Зато на 1 м2 стоит положить от 3 до 5 кг компоста.

Если нет желания готовить его своими силами, надо применять биогумус, который продают в любом специализированном магазине. Из других смесей стоит обратить внимание на составы, содержащие легко усваивающуюся форму кальция.

Подрезка

Для стрижки обыкновенной ели нужно применять секатор либо садовую пилку. Особое внимание надо уделять санитарной обработке срезов после выполнения этой процедуры. По мере роста дерева обрезают его все чаще и чаще. Растения до 3-4 лет вместо подрезки прищипывают. Выполнять подрезку советуют в последней трети лета. Иногда ее проводят и осенью, если есть твердая уверенность в том, что надрезы зарубцуются до прихода холодов.

Превратить конус в шар можно путем обрезки верхушечных побегов. Исключить усыхание нижних побегов поможет удаление растущих вверх отростков. В молодом возрасте ель обрабатывают садовыми ножницами. Взрослые растения подстригают кусторезом.

Лучше обрезать ветки в относительно прохладный и облачный день, после заблаговременного дождевания.

Разговор про уход за обыкновенной елью не может пройти мимо ответа на вопрос, что делать, если дерево на штамбе обгорает на солнце. Помощь декоративным культурам особенно важна в начале весны. Справиться с проблемой позволит опрыскивание веток из пульверизатора. Чтобы результат был лучше, землю под деревьями поливают чистой водой или слабыми минеральными растворами. Иногда елочки укрывают до половины высоты лутрасилом (оставляя его снизу открытым) или мешковиной.

Борьба с болезнями

Недуги елей могут носить инфекционный характер, но довольно часто встречаются и другие проблемы. Чтобы справиться с грибком, нельзя сажать деревья очень плотно и допускать недостаток освещенности. Шютте подавляют путем обработки фунгицидами «Квадрис» или «Фалькон». Между обработками должно проходить 14 дней.

Бороться с фузариозом куда тяжелее. Помимо использования фунгицидов, придется заниматься стволовыми инъекциями, дезинфекцией земли. Чтобы исключить ошибки, стоит всякий раз консультироваться со специалистами.

Бороться со ржавчиной несложно. Для этого надо воспользоваться препаратами «Фитоспорином-М» и «Абигой-Пик».

Грибковый некроз поддается систематическому лечению фунгицидами. Обрабатывать ими придется больное дерево целиком. Также необходимо использовать стимуляторы образования корней.

Как подготовить к зиме?

В последние дни ноября, когда приближаются холода, нужно основательно «зарядить» ель влагой. Для этого ее поливают 20 л воды (если растение достигает 1 м). Более высоким деревьям потребуется уже 30-50 л воды. Хвойники с топиарной стрижкой как можно тщательнее укрывают от снега. В первый осенний месяц растение подкармливают фосфорно-калиевой смесью, чтобы укрепить корни и ветки.

Лучшей мульчей считают древесную кору.

Взрослые или выведенные в местных питомниках растения укрывать не нужно. Если выпал мокрый снег, стряхивать его ударами или тряской нельзя.

Побеги поочередно поднимают и раскачивают, предварительно обмотав мягкой материей. На случай ледяного дождя стоит запастись подпорками, а от штормового ветра спасут растяжки.

Как размножить?

Для разведения елей обыкновенных рекомендуется использовать семена, которые собирают под любым взрослым растением. Для этого хватит нескольких шишек, которые сушат в тепле. Лущить или ломать шишки не надо, потому что при аккуратном обращении они откроются сами. Рекомендуют обрабатывать посадочный материал раствором перманганата калия. Идеальный субстрат, по мнению профессионалов – речной песок, но его обязательно надо прокалить.

В емкость с грунтом кладут по 1 семени и заглубляют его на 0,01-0,03 м. Потом резервуар кладут в холодильник либо ставят в холодный уголок в доме. Благодаря стратификации ускоряется прорастание семян. В холоде посадочный материал надо держать примерно 90 дней.

Когда она проведена, емкость переставляют в светлое место, где вскоре должны появиться первые ростки.

Посев рекомендуется производить в октябре или ноябре. Тогда семена будут стратифицированы точно к началу весеннего сезона. Посев иногда проводится в пленочной теплице. Субстрат готовят из фрезерованного, слабо разложившегося торфа. Чтобы отделить полновесные семена от пустых, их вымачивают 24 часа.

Примеры в ландшафтном дизайне

Не все экземпляры обыкновенной ели отличаются повышенной декоративностью. Ландшафтные дизайнеры советуют выращивать это растение вместе с:

На этом фото отчетливо видно, насколько приятной оказывается одиночная обыкновенная ель, поставленная на передний план.

А тут показано, какой необычный вид имеет сорт Inversa в кадке.

Впрочем, и ровные ряды деревьев, растущих в саду, могут быть не менее прекрасны.

В качестве солитера стоит использовать наиболее высокие растения. Особенно хорошо, если они имеют темный цвет хвои.

Про ель обыкновенную смотрите далее.

Характеристика ели обыкновенной: рост, болезни, крона, посадка

Ель обыкновенная – это не только неотъемлемая часть Нового года, но еще и отличный “живой щит”. Ее можно использовать для ограждения коттеджей и дачных участков.

Изгородь из ели обыкновенной надежно защитит ваш участок не только от посторонних глаз, но и от сильных порывов ветра.

А выработанных фитонцидов хватит, чтобы убить разносимые воздухом вредоносные микроорганизмы в радиусе нескольких километров.

Но, рост ели обыкновенной на дачном участке нужно будет регулярно контролировать – обрезать, формировать крону, иначе деревья быстро разрастаются и “задавят” лиственные растения.

Описание и характеристики ели обыкновенной


Рост ели обыкновенной доходит до 20-30 м, диаметр ствола – до 1 м, что характерно и для ели ситхинской.

  • Дерево имеет конусовидную крону (если ее искусственно не искривлять), которая остается острой всю жизнь растения.
  • Побеги светло-бурые или желтовато-бурые.
  • Кора грубая, серого цвета слоится, имеет глубокие трещины по все поверхности.

  • Почки небольшие, длиной всего 3-4 см.
  • Хвоя короткая, четырехгранная, длина колючек 1-2 см. Цвет – бледно или темно-зеленый.
  • Длина шишек доходит до 15-17 см при диаметре 4-5 см.

  • Шишки начинают созревать поздней осенью, а полностью раскрываются лишь в средине зимы.

Условия для жизни ели обыкновенной

Срок жизни дерева – от 200 до 400 лет.

До 20-25 лет ель растет очень медленно, примерно по 40-60 см в год. Затем рост становится более быстрым, дерево набирает 1-1,2 м в год.

В дикой природе ель обыкновенная растет практически по всей Европе. В России ель можно встретить как в чистых хвойных, так и смешанных лесах которые тянутся до Урала.

Интересно. Растение нередко растет на больших высотах, вплоть до 2 км над уровнем моря.

Корневая система ели обыкновенной крайне неприхотлива, дерево растет практически на любом типе грунта, включая болотистый.

Ель обыкновенная в лесу успешно растет как в тени, так и на открытых участках с обилием солнечного света.

В отличие от молодняка лиственных деревьев, молодые елки без проблем прорастают и развиваются в тени. Именно поэтому через некоторое время начинает преобладать в смешанных лесах.

Ввиду большого объема кроны и большой высоты ель обладает большой парусностью, поэтому при сильном ветре ее может вывернуть с корнями.

Этот фактор нужно учитывать во время высадки. Желательно высаживать растение на большом расстоянии от построек и линий электропередач.

Виды ели обыкновенной

Помимо дикой формы, у ели обыкновенной есть масса садовых подвидов, включая колоновидные, плакучие, стланиковые.

Есть вариации с различной окраской – от темно-зеленых до желтоватых и сизых.

Друг от друга виды ели обыкновенной отличаются довольно сильно, в первую очередь размерами, формой, окраской хвои, а также требованиями к почве, температуре и освещению.

По типам ветвления, ель делится на:

  • гребенчатая – горизонтальные или свисающие вниз ветки;
  • неправильно гребенчатая;
  • компактная – ель обыкновенная, ветки которой растут в горизонтальном направлении, довольно густая;

  • плоская – широкие, не сильно густые ветви растут в горизонтальной плоскости;
  • щетковидная – толстые, довольно короткие ветви с мелкими свисающими веточками-ответвлениями.

Наиболее популярные садовые сорта: Колючковидная, Эхиниформис, Акрокона, Магнифика, Берри.

Эхиниформис
Акрокона

Есть и множество разнообразных карликовых форм (не выше 1, 5 м) с компактной, густой полушаровидной или шаровидной кроной.

Ель обыкновенная Литл – по сути, это миниатюрная, карликовая форма обыкновенной ели.

Самые миниатюрные сорта имеют высоту всего 40-50 см.

Карликовые формы неприхотливы к грунту климату и окружающей среде. Хорошо растут на умеренно влажных грунтах, любят хорошо освещенные участки.

К сведению. Исключением являются лишь некоторые сорта сизой ели, любят тень и нуждаются в укрытии от морозов (только молодые деревья).

Ель обыкновенная: посадка и уход


Саженцы ели обыкновенной успешно приживаются практически на любом типе грунта, она не неприхотлива к климату и может расти как на Крайнем Севере, так и в субтропической зоне.

Размножение:

  1. В дикой природе ель размножается исключительно семенами. Благодаря лопастям семена ели обыкновенной разлетаются на десятки, а то и сотни метров от материнского дерева.
  2. Садовые формы размножают черенками или прививкой, лишь при вегетативном размножении удается сохранить все сортовые признаки растения.

Рекомендации по посадке:

  • Хотя растение и выносливо к тени, все же рекомендуем посадить ель обыкновенную на открытом участке с хорошим освещением.
  • В первые годы жизни растение растет крайне медленно, не любит регулярные пересадки, наличие грунтовых вод на малой глубине.
  • Не стоит высаживать деревья поздней осенью или ранней весной – молодые деревья чрезвычайно чувствительны к заморозкам. Многие декоративные формы в раннем возрасте желательно укрывать в теплице.

  • Рыхлые глинистые и песчаные почвы – идеальный вариант для высадки саженцев ели.
  • Поскольку растение не любит чрезмерно влажный грунт, потребуется сделать дренаж слоем 20 — 25 см из песка, щебня, керамзита или битого кирпича.

Для высадки в саду или на дачном участке обычная ель мало пригодна ввиду своих размеров и необходимости в большом количестве питательных веществ (“задавит” собой все растения вокруг).

Кустарниковые формы с плоскими кронами – более подходящий вариант.

Живая изгородь из ели обыкновенной

Живые изгороди пользуются огромной популярностью в ландшафтном дизайне. Живая изгородь из ели не только будет выполнять функции забора, но еще и освежит воздух в округе, наполнит двор приятным ароматом хвои.

Если вы решили высадить ель живой изгородью, расстояние между деревьями не должно быть меньше 1 м друг от друга.

Сажать ель желательно с северной стороны участка, вдали от заборов, сооружений и линий электропередач. Это поможет создать защиту сада от ветра в холодное время года.

Внимание! Высаживать ель в центре участка не рекомендуется, ее корни расползаются на десятки метров вокруг, будут мешать нормальному развитию других растений.

Уход за елью

В возрасте 2-3 лет, ель обыкновенная европейская прекрасно приспосабливается к местному климату, не требует полива и какого-либо дополнительного ухода.

Но, если грунты на которых высажено растение плотные, их придется периодически рыхлить, чтобы избежать застоя влаги.

Хвоя держится на дереве 7-10 лет, опадает редко в отличие от листья плодовых деревьев которое вам придется убирать каждую осень.

Обрезка ели обыкновенной

Красивая крона ели обыкновенной – первое над чем задумывается при высадке молодых деревьев каждый садовод.

Чтобы дерево выросло густым и пышным, с определенного момента жизни растения, вам придется периодически обрезать его верхушку.

  1. Дождитесь появления молодых побегов и начните “стрижку”. Для самой ели подобная “операция” безвредна.
  2. Уничтожение верхушки активирует рост соседних почек, ветки начинают расти в стороны.
  3. Когда один из побегов попытается возместить утраченную верхушку и начнет расти вверх – повторите процедуру.

Формирование кроны

Регулярная стрижка ели обыкновенной поможет сформировать крону желаемой формы. Весна – наиболее подходящее время для проведения процедуры, поскольку в этот период ветки наиболее мягкие и это не принесет вред растению.

Теперь, все попытки дерева расти вверх будут пресекаться. Горизонтальные ярусы веток будут постепенно смещаться относительно друг друга и в результате елка станет густой.

К сведению. Плюс, если ель начинает активно расти вверх (хотя это можно заметить и в лесу), то через некоторое время быстро потеряет ветки нижних ярусов. Дерево становится эстетически непривлекательным, и все труды пойдут насмарку. Вместо густой зеленой ограды вы получите зеленую колоннаду с плешивыми, полуголыми елями.

Пилить верхушку у 4-5 летней ели в попытках сделать ее низкорослой также не стоит. Как уже говорилось ранее, ближайшая ветка начнет расти вертикально, а дерево в итоге станет кривым.

Обрезать ветки точно не стоит, в попытке придать растению желаемую форму вы можете ненароком погубить все дерево.

Поскольку в большинстве случаев повреждение конца ветки приводит к ее полному усыханию.

Прищипывание

Лучше сделать прищипывание.

Когда начнут расти зеленые побеги на концах веток – просто выщипайте их (без фанатизма), из каждого такого “хвостика” в итоге пойдут разветвления.

Как результат – дерево станет гуще.

Болезни ели обыкновенной

Выявить болезнь ели довольно просто.

Первым признаком является побурение или пожелтение хвои.

Скорее всего дерево поражено грибком, для лечения потребуется в течение нескольких дней опрыскивать ель фунгицидами.

Внимание! Если этого не сделать, через пару месяцев дерево лишится всей хвои и быстро погибнет.

Если вы заметили деформации на стволе растения, обильное смолотечение и характерный кислый запах вблизи дерева – кора и древесина поражены бактериальной водянкой.

В саду вылечить дерево можно введением в ствол специального препарата. В случае с поражением целого лесного массива метод малоэффективен.

Также предлагаем еще ознакомиться с другим хвойным деревом: лиственницей.

Лучшие сорта голубой ели: описание и фото

Чистокровная надменная красавица американского происхождения занимает в столице России важный стратегический пост, вплотную подступив к стенам московского Кремля. Однако здесь нет и намёка на идеологическую диверсию, миссия у кремлёвских голубых елей сугубо гуманная. Стройные ряды пушистых голубых пирамид решают важные задачи озеленения главных улиц и площадей больших и малых городов, приусадебных и дачных участков. Парадные подъезды номенклатурных правительственных учреждений, городские скверы и бульвары, загородные особняки и лесные избушки – вот неполный перечень мест, которые круглый год напролёт украшают лучшие сорта голубых елей.   

Описание голубой ели

На своей исторической родине в Северной Америке природные виды голубой ели растут в долинах горных ручьев и рек на высоте до трёх тысяч метров. Сложно себе представить, что первая голубая ель была привезена в Россию лишь в середине девятнадцатого века, насколько сейчас хорошо и уверенно чувствует себя пушистая голубая красавица на российских землях. 

Не все сорта голубой ели обладают фирменной окраской, давшей название виду растений. Жёсткая и густая хвоя деревьев отличается множеством оттенков, от серо-зелёного до серебристо-белого. На фото голубых елей наглядно видно необыкновенную хвойную расцветку, обусловленную избыточным слоем растительного воска, которым покрыты хвоинки в большей или меньшей степени. Заботливо оплетая каждую иголочку, воск защищает хвою в частности и всё дерево в целом от неблагоприятного воздействия окружающей среды. Интенсивность сизого, синеватого или серебристого отлива напрямую зависит от густоты воскового налёта. Если тщательно потереть пальцем по хвоинкам, можно чуть смазать восковой налёт и разглядеть настоящий зелёный оттенок хвои.    

Благодаря покрытию хвоинок растительным воском практически все сорта голубых елей обладают высокой пылеустойчивостью, поэтому деревья хорошо приживаются на загазованных городских улицах и вдоль оживлённых автотрасс. Большинство сортов голубых елей в меньшей степени подвержены нашествию вредителей, чем другие хвойные, и при качественном уходе реже страдают от инфекционных заболеваний. 

Фото голубых елей в ландшафтном дизайне садовых участков свидетельствуют о том, что эта разновидность хвойных культур выигрышно смотрится как в одиночных посадках, так и в группах среди разнообразных видов растений.

Популярные сорта голубых елей

Современные селекционеры насчитывают около семидесяти сортов голубых елей, различающихся оттенками хвои, высотой ствола, формой кроны. Среди множества представленных вариантов наибольшей популярностью у профессиональных ландшафтных дизайнеров и рядовых садоводов традиционно пользуются карликовые и стелющиеся сорта. Выбирая для своего сада лучший сорт хвойного растения, следует внимательно изучить подробные описания голубых елей, излишне не увлекаясь броскими названиями, а делая ставку на соблюдение требований к оптимальным условиям содержания растений.  

  • Блю Даймонд
  • Биалобок
  • Хупси
  • Мисти Блю
  • Глаука Глобоза
  • Глаука Пендула
  • Кейбаб
  • Костер
  • Супер Блю Сидлинг
  • Хото
  • Эрик Храм
  • Эдит
  • Монтгомери
  • Лаки Страйк
  • Фастигиата

Ель европейская — Picea abies — Описание таксона

* – в списке-первоисточнике таксон имеет другой статус

Показано с 1 по 30-е (30 из 335 найденных)

Дерево 30—50 м выш. с остро-пирамидальной кроной и краснобурой или серой корой, шелушащейся тонкими чешуйками; молодые ветви голые или слегка опушенные; листья четырехгранные, сидящие очень густо, приподнятые вверх, блестящие, темнозеленые, 20—30 мм дл. и 3 мм шир., остающиеся на дереве 5—7, а иногда и 9 лет; пыльниковые цветки между листьями, у основания окружены светлозелеными прицветниками, 20—25 мм дл., пурпурно-красные; молодые шишки на концах двухлетних побегов удлиненно-цилиндрические, яркокрасные, позднее становятся зелеными, а перед созреванием буреют, зрелые висячие 10—16 см дл. и 3—4 см шир., чешуи их обратнояйцевидные, выпуклые, по краю волнистые или выгрызенно-зубчатые; семена яйцевидные, острые, темнобурые, 4 мм дл., крыло их желтокрасное, в 3 раза длиннее их; семена высыпаются ранней весной и раскрытые шишки, долго еще висят на дереве. Цветение: V, VI.

Образует густые леса, часто в смеси с сосной и березой, предпочитает суглинистые, более влажные почвы; теневынослива. Делается взрослой в возрасте 30—50 лет, достигает 300-летнего возраста. — На севере Европ. ч.: граница ели почти совпадает с сев. границей древесной растительности. Так на Мурмане она идет от Колы к устью Поноя, придерживаясь сев. окраины долины последнего, а вост. берег Белого моря пересекает севернее устья Мезени. Южная граница от Владимира-Волынского тянется к Новозыбкову, Стародубу, Жлобину, Карачеву, Рязани, Шацку, Ардатову, придерживаясь сев. окраины пояса широколиственных лесов и не проникая в степную полосу. Общ. распр.: растет в Скандинавии, на горах Средней Европы на запад до Пиренеев, на юг от Тироля и Юго-Славии (Боснии), в средней части Польши, как и на равнинах Германии ее нет, но она есть на севере и на юге этой страны.

Прим. За Волгой европейская ель постепенно сменяется сибирской, почему восточная ее граница не вполне ясна. Во всяком случае она еще растет на севере между рр. Мезенью и Печорой, не доходя до последней. От Печорского водораздела на юг примерно до 55° сев. шир. в западных предгорьях Урала мы находим ель в формах, отличающихся от европейской мелкими шишками и формою чешуй, представляющими различные переходы к сибирской ели.

Источник: Комаров В.Л. Ель – Picea Dietrich // Флора СССР. – М.; Л.: Изд-во АН СССР, 1934, Т. 1. — С. 144-145.

Хоз. знач. Древесина смолистая, белая с красноватым оттенком, дает строительный и топливный материал, ядра не имеет, дает целлюлозу, бумажную массу, поделочную древесину, клепку, гонт и пр.; кора дает смолу, идет как дубитель. Семена содержат до 30% жирного масла, идущего на лаковое производство. Хорошее парковое дерево, особенно в группах; легко образует живые изгороди и защитные полосы вдоль железных дорог.

Источник: Комаров В.Л. Ель – Picea Dietrich // Флора СССР. – М.; Л.: Изд-во АН СССР, 1934, Т. 1. — С. 144-145.

Picea abies (L.) H. Karst. // Плантариум. Растения и лишайники России и сопредельных стран: открытый онлайн атлас и определитель растений. [Электронный ресурс] URL: https://www.plantarium.ru/page/view/item/27952.html (дата обращения: 15.02.2022).Picea abies (L.) H. Karst. // Plantarium. Plants and lichens of Russia and neighboring countries: open online galleries and plant identification guide. URL: https://www.plantarium.ru/lang/en/page/view/item/27952.html (accessed on 15 Feb 2022).

ель | Описание, виды и использование

ель , (род Picea ), род около 40 видов вечнозеленых декоративных и древесных деревьев семейства хвойных Pinaceae, произрастающих в умеренных и холодных регионах Северного полушария. Еловая целлюлоза играет важную роль в бумажной промышленности, а древесина деревьев используется в самых разных целях. Резонаторная еловая древесина используется для резонаторов фортепиано и корпусов скрипок, а также в строительстве и для лодок, самолетов и бочек.Несколько видов выращивают как декоративные, а некоторые выращивают как рождественские елки.

Физическое описание

Ели пирамидальные с мутовчатыми ветвями и тонкой чешуйчатой ​​корой. Каждый из линейных, расположенных по спирали, игольчатых листьев сочленяется около стебля на отдельном деревянистом основании. Основание остается в виде колышка на ветке, когда лист падает. Шишки с устойчивыми чешуйками имеют яйцевидную или цилиндрическую форму и обычно свисают вниз после оплодотворения.

Британская викторина

Деревья мира

Что такое ладан? Что такое лиственное дерево? Посадите свои корни в этой викторине и проверьте свои знания о деревьях мира.

Основные виды

Ель черная ( Picea mariana ) и ель белая ( P. glauca ) встречаются на большей части северной части Северной Америки, от Великих озер до линии арктических деревьев. Оба используются для целлюлозы. Белая ель дает хорошие пиломатериалы, а черная ель является источником еловой камеди. Белая ель обычно имеет высоту от 18 до 21 метра (от 60 до 70 футов). Засухоустойчивый сорт Picea glauca ‘Black Hills’ полезен в ландшафтном дизайне и для защиты от ветра.Шишки черной ели фиолетовые, а белой ели коричневые.

ель голубая

ель голубая ( Picea pungens ).

Британская энциклопедия, Inc. Ель Энгельмана

( P. engelmannii ) в западной части Северной Америки является важным источником древесины. Голубая ель, или ель колорадская ( P. pungens ), имеет аналогичный ареал и используется в качестве декоративного растения из-за ее голубоватых листьев и симметричного роста. Ель европейская ( P.abies ), важное древесное и декоративное дерево, произрастающее в Северной Европе, используется для лесовосстановления как там, так и в Северной Америке.

Ель Энгельмана

Ель Энгельмана ( Picea engelmannii ).

© Эндрю Орлеманн/Shutterstock.com Редакция Британской энциклопедии Эта статья была недавно отредактирована и обновлена ​​Мелиссой Петруцелло.

Picea pungens

Классификация

 

 

Picea pungens или чаще Колорадская голубая ель получила свое название от ее голубой, почти серебристо-голубой цвет.В 1939 году оно было названо государственным деревом Колорадо, и с тех пор его называют Голубым Колорадо. С тех пор ель. Picea происходит от латинского слова pix или смола, относящаяся к смоле, содержащейся в его коре, и pungens переводится как «острый», имея в виду иглы.

Домен Eukarya: Члены этого домена имеют мембраносвязанные органеллы, ДНК которых организована в хромосомы расположены в ядре и более разнообразны, чем любая другая область жизни.Другие домены состоят из архей и бактерий.

Королевство Plantae: у членов этого Королевства есть ячейка стены сделаны из целлюлозы, а запасают пищу в виде крахмала. Они также фотосинтетические, что означает, что они автотрофы, обладающие способностью производить свои собственное питание для энергии. Другие королевства состоят из животных, грибов и Протиста

Тип Coniferophyta: представители этого типа имеют семена. и являются сосудистыми, что означает, что они имеют сосудистые ткани, которые циркулируют питательных веществ и ресурсов по всему растению.

Класс Хвойные: Этот класс включает хвойные деревья. Это конусовидные растения. Их семена размещены в этих шишках. Другие представители включают кипарисы, ели, каурисы, лиственницы, сосны, кедры. и секвойи.

Отряд Pinales: члены этого отряда — древесные растения. и состоят в основном из деревьев. Другие представители включают тисы, можжевельники, секвойи, лиственницы, кедры и сосны.

Семейство Pinaceae: Члены семейства сосновых почти сплошь деревья, в основном вечнозеленые. Они однодомные, то есть имеют и то, и другое. наборов половых органов на одном организме. Сосны также смолисты, и их филиалы имеют линейные, игольчатые листья. Другие члены включают кедры, сосны, лиственницы и болиголовы.

Род Picea A. Dietr.: Ели

Виды Picea pungens

 

Из этой филогении мы можем видеть близкое родство между Spermatopsida (семенными растениями, цветковыми растениями и хвойные) и Archaeopteridales (включают род Callixylon) и Прототипы.Хвойные, цветковые и семенные растения также имеют близкий общий предок с Polypodiopsida (папоротники). Более далекий родственники Spermatopsidae включают мохообразные (мхи), Anthocerotophytes (роголистники) и Marchantiomorphae (печеночники).

Это филогенетическое древо, родство между всеми сперматопсидами таково. показано. P. pungens , член семейства хвойных, оказался наиболее тесно связан с Cordaitopsidas.Кроме того, вы можете видеть, что Хвойные имеют общих предков с большинством других сперматопсидов, включая, но не ограничиваясь, гинкго, саговники и покрытосеменные растения (или цветущие растения). Среди наименее родственных хвойным, под конечности сперматопсиды, относятся к Calamopityaceae (члены включают B. perplexa ) и Hydraspermaceae. Другой родственник довольно далеко в отношении хвойные — это Lyginopteridaceae (члены включают E.полиморфа ). Кладистические деревья были созданы с использованием ДНК хлоропластов. вариации, а также молекулярный анализ данных (показан в кладистическом дерево ниже). Для получения дополнительной информации по данному виду работ нажмите здесь .


Хвойные факты для детей

Хвойные деревья — это шишковидные семенные растения. Большинство из них — деревья; некоторые кустарники.Формально они относятся к подразделу Pinophyta или Coniferophyta .

Хвойные относятся к голосеменным растениям. Это конусовидные семенные растения с сосудистой тканью. Все живые хвойные — древесные растения, и большинство из них — деревья.

Живые хвойные все в порядке Pinales . Типичные примеры включают кедры, кипарисы, ели, можжевельники, каурисы, лиственницы, сосны, секвойи, ели и тисы.

Виды хвойных встречаются почти во всех частях света и часто являются наиболее распространенными растениями в местах своего обитания, например, в тайге.Хвойные деревья имеют большое хозяйственное значение, а их древесина в основном используется для производства древесины и бумаги. Древесина хвойных пород известна как мягкая древесина, хотя древесина тиса на самом деле довольно твердая. Подразделение Coniferae включает около 700 живых видов.

Эволюция

Самые ранние хвойные появились в конце каменноугольного (пенсильванского) периода (около 300 миллионов лет назад), пинофиты, саговники и гинкго развивались в это время. Эти растения живут, не будучи так зависимы от воды.Другими адаптациями являются пыльца (поэтому оплодотворение может происходить без воды) и семя, которое позволяет транспортировать и развивать зародыш в другом месте.

Хвойные, по-видимому, являются одним из таксонов, которые выиграли от пермско-триасового вымирания. Они были доминирующими наземными растениями мезозойской эры. Хвойные со временем уступили место цветковым растениям, впервые появившимся в меловом периоде. Цветковые растения стали доминирующими в кайнозойскую эру.

Хвойные деревья были основной пищей травоядных динозавров, и их смолы и яды, несомненно, давали им некоторую защиту от травоядных.К концу мезозоя сложились все репродуктивные признаки современных хвойных.

Связанные страницы

Картинки для детей

  • Узкоконическая форма северных хвойных деревьев и их свисающие вниз ветви помогают им сбрасывать снег.

  • У Abies grandis ( grand fir ) и многих других видов со спирально расположенными листьями основания листьев скручены, чтобы сгладить их расположение и максимально уловить свет.

  • Внутренняя структура из хвойных пород

  • Сосновый лес Монтерей в Сиднее, Австралия.

  • Pinaceae: нераспустившиеся женские шишки пихты субальпийской ( Abies lasiocarpa )

  • Taxaceae: мясистая кожура, окружающая каждое семя тиса европейского ( Taxus baccata ), представляет собой сильно модифицированную чешуйку семенной шишки

  • Pinaceae: конус пыльцы лиственницы японской ( Larix kaempferi )

Классификация пород круглого леса сосны и ели с использованием многомерного анализа изображений коры

Литература

Антонелли, А., Cocchi, M., Fava, P., Foca, G., Franchini, C.G., Ulrici, A. (2004) Автоматизированная оценка пищевого цвета с помощью многомерного анализа изображений в сочетании с алгоритмом классификации на основе вейвлетов. Анальный. Чим. Acta515:3–13.Search in Google Scholar

Basset, O., Buquet, B., Abouelkaram, S., Delachartre, P., Culioli, J. (2000) Применение анализа изображения текстуры для классификации говядины. . Food Chem.69:437–445.Поиск в Google Scholar

Бхарати, М.Х., Лю, Дж.Дж., МакГрегор Дж.Ф. (2004) Анализ текстуры изображения: методы и сравнения. Химмет. Интел. лаборатория Syst.72:57–71.Search in Google Scholar

Бруннер, М., Югстер, Р., Тренка, Э., Бергамин-Стротц, Л. (1996) Спектроскопия FT-NIR и идентификация древесины. Holzforschung 50: 130–134. Поиск в Google Scholar

Daubechies, I. Десять лекций по вейвлетам. SIAM, Филадельфия, 1992. Поиск в Google Scholar

Эсбенсен К., Гелади П. (1989) Стратегия многомерного анализа изображений (MIA). Химмет. Интел.лаборатория Syst.7:67–86. Поиск в Google Scholar

Funck, JW, Zhong, Y., Butler, DA, Brunner, CC, Forrer, JB (2003). Алгоритмы сегментации изображения, применяемые для обнаружения дефектов древесины. вычисл. Электрон. Agric.41:157–179.Search in Google Scholar

Geladi, P., Esbensen, K. (1991) Регрессия на многомерных изображениях – регрессия основных компонентов для инструментов моделирования, прогнозирования и визуальной диагностики. J. Chemomet.5:97–111.Поиск в Google Scholar

Гелади П., Ковальски Б.Р. (1986) Частичная регрессия методом наименьших квадратов: Учебное пособие. Анальный. Чим. Acta185:1–17.Search in Google Scholar

Geladi, P., Isaksson, H., Lindqvist, L., Wold, S., Esbensen, K. (1989) Анализ основных компонентов многомерных изображений. Химмет. Интел. лаборатория Syst.5:209–220.Search in Google Scholar

Gjerdrum, P., Warensjö, M., Nylinder, M. (2001) Классификация типов кривизны для неокоренных пиловочников ели европейской с помощью 3D сканера бревен. Holz Roh Werkstoff59:374–379.Поиск в Google Scholar

Gonzalez R.К., Вудс Р.Э. Цифровая обработка изображений, 2-е изд. Прентис Холл, Нью-Джерси, 2002 г. Поиск в Google Scholar

Hagman, P.O.G. (1993) Автоматическая сортировка по качеству бревен Picea abies с помощью гамма-сканера бревен. Сканд. Дж. Для. Рез. 8: 583–590. Поиск в Google Scholar

Харалик, Р. М., Шанмугам, К., Динштейн, И. (1973) Текстурные признаки для классификации изображений. IEEE транс. Сист. Man Cybernetics3:610–621.Поиск в Google Scholar

Джайн, А.К., Мао, Дж.К., Мохиуддин, К.М. (1996) Искусственные нейронные сети: Учебное пособие. Компьютер 29:31–44.Поиск в Google Scholar

Джордан Р., Фини Ф., Несбитт Н., Эвертсен Дж.А. (1998) Классификация пород древесины с помощью нейросетевого анализа ультразвуковых сигналов. Ultrasonics36:219–222.Search in Google Scholar

Kvaal, K., Wold, J.P., Indahl, U.G., Baardseth, P., Næs, T. (1998) Многомерное извлечение признаков из текстурных изображений хлеба. Химмет. Интел. лаборатория Syst.42:141–158.Поиск в Google Scholar

Лоуренс, А.H. (1989) Быстрая характеристика пород древесины с помощью спектрометрии ионной подвижности. Дж. Палп Пап. Sci.15:J196–J199. Поиск в Google Scholar

Льюис, И.Р., Дэниел, Н.В., Чаффин, Н., Гриффитс, П. (1994) Рамановская спектрометрия и нейронные сети для классификации типов древесины 1. Спектрохим. Акта А Мол. Spectrosc.50:1943–1958. Поиск в Google Scholar

Lo, S.C.B., Li, H., Freedman, M.T. (2003) Оптимизация вейвлет-разложения для сжатия изображений и сохранения признаков. IEEE транс.Мед. Imaging22:1141–1151. Поиск в Google Scholar

Mäenpää, T., Pietikainen, M. (2004) Классификация по цвету и текстуре: вместе или по отдельности? Pattern Recognin.37:1629–1640.Search in Google Scholar

Oja, J., Wallbäcks, L., Grundberg, S., Hägerdal, E., Grönlund, A. (2003) Автоматическая классификация сосны обыкновенной ( Pinus sylvestris L.) пиловочника с помощью промышленного рентгеновского сканера бревен. вычисл. Электрон. Agric.41:63–75.Поиск в Google Scholar

Thygesen, L.G., Lundqvist, S.О. (2000) NIR-измерение содержания влаги в древесине в нестабильных температурных условиях. Часть 1. Тепловые эффекты в ближнем инфракрасном спектре древесины. J. Near Infrared Spectrosc.8:183–189.Search in Google Scholar

Trygg, J., Wold, S. (2002) Ортогональные проекции на скрытые структуры, O-PLS. J. Chemomet.16:119–128. Поиск в Google Scholar

Van de Wouwer, G., Scheunders, P., Livens, S., Van Dyck, D. (1999) Сигнатуры корреляции вейвлетов для характеристики цветовой текстуры. Распознавание образов32:443–451. Поиск в Google Scholar

Веттимуни, Р., Пенумаду, Д. (2004) Применение анализа Фурье к цифровым изображениям для анализа формы частиц. Дж. Комп. Civil Eng.18:2–9.Поиск в Google Scholar

Wold, S. (1978) Перекрестная проверка количества компонентов в моделях факторов и основных компонентов. Technometrics20:397–405. Поиск в Google Scholar

Уолд С., Эсбенсен К., Гелади П. (1987) Анализ главных компонентов. Химмет. Интел. лаборатория Сист.2:37–52. Поиск в Google Scholar

Уолд С., Антти Х., Линдгрен Ф., Оман Дж. (1998) Коррекция ортогонального сигнала спектров ближнего инфракрасного диапазона. Химмет. Интел. лаборатория Syst.44:175–185.Search in Google Scholar

Программа визуального распознавания для бинарной классификации и ее применение для идентификации пыльцы ели

Abstract

Различение ели черной и белой ( Picea mariana и Picea glauca ) является сложной проблемой палинологической классификации, решение которой может предоставить ценные данные для реконструкции палеоклимата.Мы разработали программное обеспечение для визуального распознавания с открытым исходным кодом (ARLO, Automated Recognition with Layered Optimization), способное различать эти два вида с точностью, сравнимой с точностью экспертов-людей. Система применяет распознавание образов и машинное обучение к анализу изображений пыльцы и обнаруживает общие характеристики изображений, определяемые простыми характеристиками линий и сеток пикселей, взятых с разными размерами, размером, интервалами и разрешением. Он адаптируется к заданной проблеме, ища наиболее эффективную комбинацию как представления признаков, так и стратегии обучения.В результате получается мощная и гибкая структура для классификации изображений. Мы работали с изображениями, полученными с помощью автоматического сканера слайдов. Сначала мы применили основанную на хеше модель «выявления пыльцы», чтобы отделить пыльцевые зерна от фона слайда. Затем мы проверили способность ARLO реконструировать соотношение пыльцы черной и белой ели, используя искусственно созданные слайды с известным соотношением. Затем мы разработали более масштабируемый метод анализа изображений на основе хэшей, который смог различать пыльцу черной и белой ели с расчетной точностью 83.61%, что сравнимо с производительностью человека-эксперта. Наши результаты демонстрируют способность систем машинного обучения автоматизировать сложные таксономические классификации при анализе пыльцы, а наш успех с простым представлением изображений предполагает, что наш подход применим ко многим другим задачам распознавания объектов.

Образец цитирования: Ченг Д.К., Наяк А.К., Фаулкс К.С., Пуньясена С.В. (2016) Программное обеспечение визуального распознавания для бинарной классификации и его применение для идентификации пыльцы ели.ПЛОС ОДИН 11(2): e0148879. https://doi.org/10.1371/journal.pone.0148879

Редактор: Peter Wilf, Penn State University, США

Поступила в редакцию: 23 апреля 2015 г.; Принято: 23 января 2016 г.; Опубликовано: 11 февраля 2016 г.

Авторские права: © 2016 Tcheng et al. Это статья с открытым доступом, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Все программное обеспечение имеет открытый исходный код и доступно через SourceForge. Из-за большого размера необработанных файлов изображений, собранных в этом анализе (~ 53 ТБ), данные изображения будут храниться в автономном режиме и будут доступны по запросу Суранги В. Пуньясене, с которой можно связаться по адресу [email protected]

Финансирование: Финансирование было предоставлено Национальным научным фондом (NSF EF-1137396 для SWP и DKT; NSF-DBI 1053036 для CCF; NSF-DBI 1262547 для CCF) и Национальным центром суперкомпьютерных приложений Institute for Advanced Computing Applications и технологии (NCSA IACAT) Стипендия присуждена SWP.AN была поддержана исследовательским опытом для студентов (REU) от NSF Macrosystems Biology, присужденным SWP. Спонсоры не участвовали в разработке исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Введение

Морфологическая дискриминация близкородственных, часто однородных видов является фундаментальной проблемой пыльцевого анализа, что способствует низкому таксономическому разрешению записи пыльцы и спор [1–4].Важным примером является различение пыльцы черной и белой ели ( Picea mariana и Picea glauca соответственно), которая бросала вызов исследователям с самого начала палинологии в Северной Америке [3, 5–8]. Хотя морфология пыльцевых зерен похожа, эти два вида имеют существенные экологические различия. Ель белая, как правило, занимает хорошо дренированные возвышенные почвы, тогда как ель черная часто заселяет плохо дренированные низменности и торфяники [9]. Следовательно, изменение их численности в ландшафте отражает изменение климатических условий, что делает эти два вида из таксонов Picea важными в реконструкции позднечетвертичных палеоклиматов Северной Америки [10, 11].

Мы разработали программное обеспечение с открытым исходным кодом ARLO (автоматическое распознавание с многоуровневой оптимизацией) для решения сложных задач классификации изображений, таких как идентификация пыльцы черной и белой ели. Программа применяет распознавание образов и машинное обучение к задачам идентификации и подсчета анализа пыльцы. В области палинологии анализ часто ограничивается скоростью сбора данных [12]. Автоматизация может экспоненциально увеличить размер палинологической выборки и увеличить пропускную способность выборки, тем самым позволяя исследователю-палинологу сосредоточиться на анализе и интерпретации подсчета пыльцы [13].Более крупные размеры выборки дополнительно позволили бы более точно оценить разнообразие растений, включая обнаружение редких таксонов.

Автоматическое распознавание образов было предметом машинного обучения с момента его появления в 1950-х годах [14]. С тех пор развились три основных подхода к построению системы машинного обучения для задач распознавания изображений. Эти подходы относятся к континууму, основанному на объеме фоновых знаний, встроенных в систему. На одном полюсе находятся чисто дедуктивные системы, которым заданы правила, определенные экспертами-людьми, а не изученные машиной.Эти модели часто называют «экспертными системами», чтобы подчеркнуть объем экспертных знаний, необходимых для разработки этих систем. В контексте распознавания пыльцы эти правила выводятся из характеристик изображения, таких как количество, форма и ориентация отверстий (апертур), размер, форма и симметрия зерен, орнаментация экзины и толщина экзины (следуя [15, 16]). Дедуктивная система распознает эти особенности изображения и реализует экспертные правила. Никакого обучения не требуется, потому что система просто применяет предопределенную логику, т.е.д., следуя классификационному ключу. Другой крайностью являются чисто индуктивные системы, в которых машине не даются фоновые знания (в виде экспертных правил или признаков изображения) для решения задачи [17]. Вместо этого для обучения даются только правильно классифицированные примеры (известные как основная правда). Система создает свои собственные правила, используя правильно классифицированные примеры, обнаруживая функции, которые хорошо работают при прогнозировании видов пыльцы. Многие системы анализа изображений используют некий промежуточный подход, при котором эксперт указывает характеристики изображения, а система индуктивно изучает относительную важность этих характеристик для получения правильной классификации (например,г. [3, 18]).

Методология классификации пыльцы ели, представленная в этом исследовании, в основном носит индуктивный характер, поскольку не требует каких-либо специальных знаний в виде правил или признаков, полученных экспертами-людьми. Система дает правильно классифицированные образцы пыльцы черной и белой ели и выводит свои признаки для классификации. В этом отношении система повторяет поведение большинства предыдущих автоматизированных систем классификации пыльцы (например, [3, 19, 20]). Ключевое отличие заключается в выборе системы обучения и используемых функций.Особенности, которые обнаруживает наша система, не являются традиционными особенностями морфологии пыльцы, которые мог бы распознать палинолог. Вместо этого используются низкоуровневые функции на основе изображений, такие как простые представления пиксельной сетки. Следовательно, наша методология должна быть применима к широкому кругу задач визуального распознавания, помимо классификации пыльцы. Однако за эту универсальность приходится платить. Значительный объем вычислений затрачивается на изучение этих особенностей на примерах.

Разработанная нами двухуровневая или двухэтапная индуктивная методология использует машинное обучение для сегментации пыльцевых зерен на фоновом слайде, классификации пикселей пыльцы и определения соотношения видов.Мы использовали ARLO для проведения двух отдельных экспериментов, в которых использовались два различных набора алгоритмов и процедур оптимизации. Первый анализ требовал значительных вычислительных ресурсов и был направлен на восстановление соотношений пыльцы черной и белой ели. Вместо того, чтобы сегментировать отдельные зерна пыльцы, мы обучили и протестировали нашу модель классификации на уровне слайдов. Это позволило нам напрямую сравнить наши автоматические подсчеты и подсчеты экспертов со слайдами с известными коэффициентами ели. Для достижения результатов, сравнимых с результатами экспертов-людей, мы использовали интенсивные методы оптимизации, но наши результаты нельзя было масштабировать, поскольку мы использовали алгоритм машинного обучения на основе экземпляров с вычислительной сложностью N 2 (где N — количество Примеры).Это означало, что подход был слишком затратным в вычислительном отношении, чтобы его можно было применять к более чем ограниченному числу выборок. Наш второй анализ был сосредоточен на максимальной точности классификации на уровне отдельных пыльцевых зерен. Вместо того, чтобы предсказывать соотношение данных слайдов, мы предсказали виды, представленные в данном окне изображения. Полученный анализ был более масштабируемым, поскольку мы использовали алгоритм машинного обучения на основе хэшей, сложность которого увеличивалась линейно, а не квадратично.

В нашей предыдущей работе мы показали, что индуктивный подход может создавать модели машинного обучения, которые точно имитируют экспертные реконструкции соотношений пыльцы ископаемой ели [3].Недостаток этого подхода заключался в том, что у нас не было абсолютной меры точности классификации. В наших обучающих выборках для предыдущего анализа использовались примеры, которые были классифицированы экспертом-человеком. Однако у нас не было объективного механизма проверки точности экспертных идентификаций. Напротив, для оценок отношения, полученных в этом исследовании, мы ожидаем, что наша основная правда должна иметь нулевую ошибку, потому что слайды пыльцы, используемые для обучения (или обучения), были созданы вручную из отобранных образцов пыльцы с известным количеством пыльцы каждого вида.Это почти исключает потенциальную ошибку в обучающих данных и позволяет нам строго оценить нашу систему классификации в большей степени, чем это было возможно в нашей предыдущей работе.

Материалы и методы

Заявление об этике

Пыльца была собрана с разрешения с мужских шишек деревьев на частной земле в Миннесоте. Насколько нам известно, для этих коллекций не требовалось никаких разрешений, которые соответствовали всем соответствующим правилам. Ни Picea mariana , ни Picea glauca не являются охраняемыми видами.

Подготовка предметных стекол

Пыльца была собрана с нескольких шишек ели черной ( Picea mariana ) и ели белой ( Picea glauca ) с трех насаждений ели за пределами Дулута и Гранд-Рапидса, Миннесота (46,466387°N -92,930358°W; 47,095307°N). -93,579061°з.д.; 46,825145°с.ш. -93,526411°з.д.) в мае 2011 г. Деревья были идентифицированы местными экспертами в полевых условиях. Из этого материала мы создали 12 эталонных слайдов (слайдов, содержащих сотни пыльцевых зерен с одного отдельного дерева).Было представлено по две особи каждого вида; у каждого человека было три повторных слайда. Эти слайды представляли собой сбалансированный набор для обучения машинному обучению.

Мы также вручную сконструировали 22 слайда с известным соотношением пыльцы черной и белой ели к производительности тестовой системы (таблица 1). Сто отдельных зерен помещали на предметные стекла с помощью реснички, прикрепленной к препаровальному зонду. Шесть уникальных особей (особи, которые не были представлены в эталонном наборе) были использованы для создания предметных стекол для тестирования, по три особи на вид.Использование уникальных людей должно было научить систему учитывать изменчивость среди людей. Существуют незначительные различия в форме и размере пыльцы даже в пределах пыльцы, происходящей от одного вида или одной шишки [21–23], и использование нескольких особей позволило нам учесть наибольший диапазон морфологической изменчивости. Из-за такой конструкции производительность системы измерялась, в частности, при идентификации пыльцы невидимых особей, что создавало более сложную задачу распознавания, чем тестировалось в предыдущих приложениях машинного обучения для идентификации пыльцы (например,г. [3, 19, 20]).

Сканирование слайдов и визуализация образцов

Мы использовали роботизированный сканирующий микроскоп Hamamatsu NanoZoomer для сканирования партий пыльцевых препаратов при максимально возможном оптическом увеличении (400x, 0,23 мкм/пиксель). Это стандартное увеличение для анализа пыльцы с помощью микроскопии в проходящем свете. Мы вручную установили область сканирования так, чтобы можно было сканировать весь образец пыльцы на каждом предметном стекле. Для каждого предметного стекла сканировали 61 осевую (z-) плоскость с интервалом 1 мкм, получая трехмерное изображение всего образца в оптическом разрезе.Несжатые данные изображения были получены с микроскопа со скоростью около 70 МБ/с с использованием собственного формата необработанных файлов NanoZoomer. В сотрудничестве с Hamamatsu мы разработали код Java для преобразования изображений NanoZoomer в примитивные объекты Java с использованием двумерных байтовых массивов для хранения информации о каналах. Требования к хранению изображений как для исходных необработанных изображений, так и для изображений в формате Java составляли в общей сложности около 53 ТБ. Мы решили использовать формат несжатого необработанного изображения, потому что отдали предпочтение скорости сканирования и обработки изображения, а не требованиям к хранилищу.Из-за размера необработанных несжатых изображений мы не можем поделиться полным набором данных изображений в Интернете. Однако исходные эталонные слайды и слайды с построенным соотношением, необработанные сканы изображений и субдискретизированные изображения доступны по запросу у соответствующего автора.

Вычислительная рабочая среда

Наша цель при разработке ARLO заключалась в создании системы машинного обучения, способной выполнять высокоуровневый анализ биологических изображений. Поскольку наш подход требует больших вычислительных ресурсов, мы воспользовались преимуществами суперкомпьютерных ресурсов, доступных через сеть Extreme Science and Engineering Discovery Environment (XSEDE) Национального научного фонда США.Суперкомпьютеры XSEDE имеют параллельный дисковый ввод-вывод, поэтому многие узлы могут одновременно обрабатывать данные изображений. Нам было предоставлено 50 000 процессорных часов XSEDE для запуска на суперкомпьютере Texas Advanced Computing Center «Lonestar» и их суперкомпьютере следующего поколения «Stampede». Lonestar имеет 1888 вычислительных узлов (24 ГБ памяти), 22 656 ядер, 44 ТБ общей памяти и 1 ПБ общего дискового пространства. Stampede, более крупная машина, имеет 6 400 вычислительных узлов (32 ГБ памяти), 102 400 ядер, 205 ТБ общей памяти и 14 ПБ общего дискового пространства.Некоторые из обработанных нами слайдов содержали информацию в одной цветовой полосе, что требовало большей емкости — 32 ГБ.

Обзор системы обучения

ARLO анализирует образцы иерархически за два прохода (рис. 1). Во время первого прохода он идентифицирует важные пиксели изображения. Мы называем этот первый шаг «выявлением пыльцы», потому что ARLO эффективно отличает пиксели пыльцы от фоновых пикселей (сегментация исходного изображения). Во время второго прохода ARLO классифицирует эти пиксели по одному из предопределенных классов, предоставленных пользователем.В этой статье ARLO классифицировал эти пиксели пыльцы как черную или белую ель. На протяжении всего процесса ARLO оптимизирует собственные параметры управления (подробно ниже), в конечном итоге выбирая стратегию представления и классификации с наиболее точным решением задачи. Java-код для ARLO доступен через SourceForge: http://sourceforge.net/projects/arlo/files/APPS/.

Рис. 1. Обзор системы.

Слайды были отсканированы с использованием микроскопа Hamamatsu NanoZoomer.Во время первого прохода ARLO извлекала случайные окна изображений, которые эксперты-люди помечали как «пыльца» или «не пыльца». Используя эту информацию, была построена модель сегментации или «выявления пыльцы», позволяющая отличать пиксели пыльцы от фона изображения. Во время второго прохода ARLO применил эту модель к новому набору случайных окон. Пул образцов, из которых были взяты эти окна, варьировался в экспериментах 1 и 2. Затем случайные окна с достаточным содержанием пыльцы использовались для построения модели классификации видов пыльцы, которая использовалась для прогнозирования соотношений видов на предметных стеклах в эксперименте 1 и для произвести классификацию видов в Эксперименте 2.Подробности смотрите в тексте.

https://doi.org/10.1371/journal.pone.0148879.g001

Мы использовали двухчастный анализ ARLO для проведения двух отдельных, но связанных экспериментов по классификации. Первый эксперимент был направлен на восстановление соотношений видов пыльцы ели на известных тестовых слайдах с учетом набора из 12 чистых эталонных (обучающих) слайдов, а второй — на максимальном повышении точности классификации с использованием всех примеров изображений. Однако оба классификационных анализа основаны на одной и той же методологии «выявления пыльцы».

Пятнистость пыльцы (сегментация)

Обнаружение пыльцы: создание обучающего примера.

Основную информацию об идентификации пикселей пыльцы на фоне фона предоставили 11 «экспертов» (студенты-аналитики, перечисленные в разделе «Благодарности»), которые пометили те же 637 окон размером 1000 x 1000 пикселей. Эти окна представляли собой случайную подвыборку из всех 30 слайдов и всех 61 z-плоскости. Окна находились в плоскости как в фокусе, так и вне фокуса. Каждое изображение было «сегментировано» экспертами на пыльцевые и непыльцевые пиксели путем ручной маркировки всех пикселей, содержащих пыльцу.Классификатор пикселей использовал пиксели, помеченные экспертом (наземная правда), чтобы отличить пиксели пыльцы от фоновых пикселей. В большинстве случаев случайно сгенерированные окна не содержали пыльцевых зерен, поэтому большинство примеров были «не пыльцевыми» пикселями. Наша модель обучалась на уровне пикселей, а всего было 7 007 000 000 размеченных обучающих примеров (пикселей). В среднем 9% (637 000 000) пикселей были помечены как «пыльца».

Обнаружение пыльцы: Алгоритм.

Мы использовали алгоритм машинного обучения на основе хеш-кода, который вычисляет числовой признак, «хеш-код», значение индекса для каждого пикселя на основе признаков его окрестности [24, 25].Каждый хэш-код указывает «класс формы» или категорию, к которой принадлежит пиксель, и представляет собой целое число в диапазоне от 1 до N , где N — системный параметр, подлежащий оптимизации. Параметр N управляет количеством различных классов форм, которые может распознать алгоритм. Оптимальное количество классов форм для изучения зависит от сложности задачи классификации и количества доступных обучающих примеров. Для сложных задач для высокой точности необходимы более четкие классы формы.По мере использования большего количества обучающих примеров оправдана более сложная модель (большее количество классов форм). Построение примеров хеш-кода для обучения включает (1) идентификацию представляющих интерес пикселей, окружающих пиксель, подлежащий классификации, (2) уменьшение разрешения значений пикселей (квантование), (3) вычисление случайно упорядоченных 64-битных хэш-кодов и (4) ) уменьшение диапазона хэш-кодов делением по модулю.

Чтобы определить интересующие пиксели, мы просмотрели каждый пиксель ( p i ) в каждом обучающем изображении и создали для него «пример сетки» ( g i ) (рис. 2).Пример сетки состоял из сетки пикселей с центром в интересующем пикселе ( p i ). Количество пикселей в сетке и расстояние между ними задавались параметрами размера сетки и шага сетки соответственно (рис. 3). Теоретически размер сетки может быть как 1 x 1 (один пиксель), так и 1000 x 1000 (все тренировочное изображение). При наименьшем размере сетки пример сетки состоял только из интересующего пикселя ( p i ), но при больших размерах сетки включались соседние пиксели.Мы рассматривали размеры сетки 2 х 2, 4 х 4, 8 х 8, 16 х 16, 32 х 32, 64 х 64 и 128 х 128. Расстояние между сетками определяло расстояние между выбранными пикселями (рис. 3). Например, использование сетки 8 x 8 с интервалом в 1 пиксель будет означать, что будут учитываться все 64 соседних пикселя. Использование сетки 8 x 8 с интервалом в 2 пикселя означает, что будет учитываться каждый второй пиксель. Использование сетки 8 x 8 с шагом сетки 128 пикселей будет означать, что будет учитываться каждый 128-й пиксель, в результате чего эффективный размер будет больше, чем все интересующие пыльцевые зерна.Мы рассматривали интервалы до 128.

.

Рис. 2. Обзор алгоритма классификатора пикселей.

Во время обучения сетки были извлечены из окон обучения, помеченных экспертом. Входные шаблоны определяли размер, масштабирование и квантование этих сеток. После извлечения сетки вычислялись хэш-коды для уменьшения размерности входного пространства. Затем подсчеты были сохранены в базе данных как для положительных, так и для отрицательных примеров. Во время тестирования тот же процесс произошел для неизвестного окна изображения.Как только хеш-код был вычислен для пикселя в окне неизвестного изображения, он просматривался в базе данных подсчетов для получения классификации. Подробности смотрите в тексте.

https://doi.org/10.1371/journal.pone.0148879.g002

Рис. 3. Размер сетки и шаг.

Вверху приведен пример окна изображения (1000 x 1000 пикселей, 0,23 мкм/пиксель). Выделено подокно размером 10×10 пикселей. Ниже показано подокно с различными размерами сетки и интервалами. В первой строке показаны размеры сетки от 1×1 до 2×2, 4×4 и 8×8.Сетка 1×1 представляет собой один пиксель и способна определять только цвет. Крупные сетки могут обнаруживать все более сложные текстурные узоры. Мы исследовали сетки размером до 128 x 128 пикселей. Третий ряд иллюстрирует сетку 2×2 с различными шагами сетки (1x, 2x, 4x, 8x). Мы исследовали интервалы размером до 128x.

https://doi.org/10.1371/journal.pone.0148879.g003

Чтобы уменьшить количество возможных примеров сетки, мы квантовали значения интенсивности пикселей. Исходные значения интенсивности пикселей в диапазоне от 0 до 127 были уменьшены на коэффициент квантования от 1 до 127 с использованием целочисленного деления, что дало × различных уровней интенсивности для каждого цветового канала (рис. 4).Выборочная сетка из N пикселей, квантованная до K = Q 3 возможных цветов, может принимать N K конфигураций, поэтому даже при небольшой сетке и квантовании остается очень большое количество цветов. возможных примеров сетки. Например, таблица с N = 8 x 8, K = 4 x 4 x 4 будет иметь более 10 115 комбинаций.

Рис. 4. Квантование цвета.

Изображение зерна черной ели показано со следующими квантованиями цвета для уменьшения числа возможных значений интенсивности пикселей: (A) 128x, (B) 64x, (C) 32x, (D) 16x, (E) 8x , и (F) 1x.Квантование цвета 128x уменьшает возможные значения интенсивности до 0 и 1. Квантование цвета 1x является исходным изображением. Диаметр пыльцевых зерен ~80 мкм.

https://doi.org/10.1371/journal.pone.0148879.g004

Чтобы уменьшить количество комбинаций до поддающегося обработке числа, мы вычислили рандомизированный 64-битный хеш-код из примера сетки. Для этого использовалась фиксированная матрица случайных 64-битных чисел размерностью N x Q , где N — количество пикселей в сетке, а Q — количество значений интенсивности.Для каждого пикселя в примере сетки (как определено выше) мы искали связанные случайные числа в этой матрице N x Q . Затем мы суммировали случайные числа, связанные со всеми пикселями в примере сетки, чтобы получить 64-битный хэш-код. Окончательный хеш-код (h i ) получается из 64-битного хэш-кода с использованием деления по модулю на коэффициент B , количество счетных ячеек для накопления статистики класса пикселей. В этом эксперименте В = 2 048 000.Это означает, что мы отслеживали около 2 миллионов различных классов форм и их положительные и отрицательные ассоциации с целевым классом (пыльца или не пыльца).

После вычисления хеш-кода h i он использовался в качестве индекса в двух массивах, содержащих количество шаблонов для положительных и отрицательных примеров (рис. 2). Во время обучения, если эксперт-человек классифицировал пиксель p i , из которого было вычислено h i , как положительный пример пыльцы, значение массива числа положительных образов в вычисленном индексе было увеличено.В противном случае значение массива счетчиков отрицательных шаблонов в вычисленном индексе увеличивалось.

После завершения обучения массивы подсчета образов, таблицы случайных чисел и глобальные параметры содержали всю необходимую информацию для классификации новых примеров и составляли «модель» машинного обучения. Во время тестирования пример сетки был сформирован из пикселя-кандидата для классификации с использованием тех же параметров, которые использовались для обучения (рис. 2). Затем с использованием тех же таблиц случайных чисел вычислялся хэш-код, и значения, соответствующие его индексу, искались в обоих массивах счетчиков шаблонов.Если значение массива положительных счетчиков было больше, чем значение массива отрицательных счетчиков, пиксель-кандидат классифицировался как положительный образец, т. е. как пыльца. В противном случае он классифицировался как негативный пример, т. е. как фон слайда. Хранение массивов подсчета шаблонов и таблиц случайных чисел для типичного набора параметров занимало около 32 МБ дискового пространства.

Этот подход аналогичен выполнению классификации со стандартным оценщиком гистограмм, где входное пространство разделено на бины, а предсказание нового примера основано на бине, в который он попадает [26].Однако, поскольку пространство примеров сетки имеет очень большую размерность, перед построением гистограммы необходимо использовать квантование и хеширование для уменьшения размерности. Наш подход также тесно связан с методами поиска изображений и аппроксимирует поиск ближайшего соседа с использованием хэширования с учетом местоположения [24, 25].

Обнаружение пыльцы: Оптимизация.

Оптимизация параметров, используемых для построения примеров сетки, напрямую влияет на типы шаблонов, обнаруженных классификатором пикселей.Шаг сетки определяет масштаб обнаруженных паттернов. Размер сетки и квантование цвета определяют количество возможных хэш-кодов, что влияет на сложность обнаруживаемых паттернов. Настройка масштаба и сложности модели была важна для достижения высокой точности. Мы использовали автоматизированный подход для настройки этих параметров модели на основе перекрестной проверки. Для заданного набора параметров мы создали модель из обучающих примеров и протестировали производительность полученной системы на некоторых проверочных данных.Перебирая настройки параметров, система может автоматически оценить настройку параметров, которая позволила бы добиться максимальной точности идентификации на новых, невидимых тестовых изображениях.

Чтобы ограничить поиск, параметры управления были оптимизированы по одному измерению за раз. Это было сделано в первую очередь для ограничения вычислительных требований оптимизации. Например, мы начали с размера сетки 1×1, шага сетки 1x и квантования цвета 1x. Сохраняя два других параметра постоянными, мы увеличили размер сетки с 1 x 1 до 2 x 2, а затем с 2 x 2 до 4 x 4 и так далее.Точность измерялась с помощью перекрестной проверки с исключением одного на уровне окна обучения, где система обучалась на 636 из 637 окон обучения и тестировалась на одном пропущенном окне. Это было повторено для всех 637 обучающих окон, что привело к 637-кратной перекрестной проверке. Точность усреднялась по всем 637 итерациям. Мы использовали значения параметров, которые дали наибольшую точность, чтобы сформировать окончательную классификационную модель с использованием всех обучающих примеров.

Эксперимент 1: Реконструкция соотношения видов

Цель нашего первого эксперимента по классификации состояла в том, чтобы предсказать соотношения видов на тестовых предметных стеклах, учитывая только обучающие (чистые эталонные) предметные стекла.Это означало, что обучение проводилось на материале пыльцы особей, не представленных в тестовой выборке. Учитывая потенциальную морфологическую изменчивость пыльцы от разных людей и образцов из-за биологической изменчивости и изменчивости обработки [21–23, 27–29], это сделало процесс обучения более сложным, чем в большинстве ранее сообщавшихся экспериментов с пыльцой машинного обучения.

Соотношения видов: создание обучающего примера.

Вместо использования сеток пикселей для обучения нашего классификатора, как мы делали это при обнаружении пыльцы, в этом эксперименте мы использовали линии пикселей.В нашей предыдущей работе мы обнаружили, что упрощенная версия этих пиксельных линий была наиболее предсказательной при различении двух видов елей [3]. Наш подход основывался на одном типе признаков, который мы назвали «профиль». Профиль представлял собой строку пикселей, которая удовлетворяла двум ограничениям: (1) она была идентифицирована как содержащая все пиксели пыльцы нашим классификатором пятен пыльцы и (2) она была идентифицирована как содержащая информацию, превышающую заданный порог. Мы определяем информационное содержание ( IC ) как: (1) где n = количество пикселей в профиле – 1 и x i = значение яркости пикселя в позиции i профиля x .Этот показатель положительно коррелирует с изображениями, которые находятся в фокусе или имеют высокую контрастность. Обоснование состояло в том, чтобы сосредоточить внимание машины на наиболее информативных областях изображений. Следовательно, если информативность профиля превышала или равнялась порогу в 5,0 единиц интенсивности пикселей на пиксель, профиль считался высококонтрастным (или в фокусе). Эти выбранные профили использовались в качестве обучающих примеров для классификации.

Для описанных здесь экспериментов мы использовали длину профиля 128 пикселей.Для уменьшения вычислительной сложности и времени работы алгоритма мы сделали следующее: (1) использовалась только полоса красного цвета каждого пикселя (не все три цвета RGB), (2) учитывались только вертикальные линии пикселей (не другие ориентации), и (3) только каждая 5-я z-плоскость рассматривалась для обучения и тестирования. В пределах z-плоскости учитывались все пиксели. Выбор красной полосы был произвольным. В нашей предыдущей работе мы использовали вертикальные, горизонтальные и диагональные пиксельные линии, читаемые как вперед, так и назад [3].Однако, учитывая расположение пикселей в памяти, наиболее эффективно было читать вертикальные строки пикселей. Ограничение анализа каждой 5-й z-плоскостью сократило время работы системы в 5 раз. Мы могли бы ожидать еще более высокой точности системы, если бы анализировались все цветовые полосы, ориентации линий и z-плоскости, но мы были ограничены процессорным временем суперкомпьютера. . Обучающие примеры были сгенерированы только из 12 обучающих слайдов. Всего в процессе было создано 205 407 234 обучающих примера.

Соотношение видов: Алгоритм.

Чтобы извлечь уроки из обучающих примеров, классификатор видов пыльцы сначала должен был определить, какие профили в обучающем наборе были наиболее эффективными при различении пыльцы черной и белой ели. Для этого профили случайным образом выбирались один за другим из обучающей выборки и оценивались. В пояснительных целях этот выбранный профиль можно рассматривать как потенциальное «правило», которое можно использовать для классификации других профилей путем измерения того, насколько они близки к профилю «правила».Для правила-кандидата было рассчитано манхэттенское расстояние между профилем правила и каждым профилем в обучающей выборке. Профили, которые были ближе к учащемуся, чем определенный порог (известный как порог «близко-далеко», оптимизация описана ниже), считались «близкими» профилями, а профили, которые были дальше, считались «дальними» профилями. . Предсказание, сделанное правилом, просто основано на доле обучающих примеров для каждого вида, попавших в ближний или дальний бины.

Для оценки качества правила-кандидата каждый обучающий пример был классифицирован с использованием правила-кандидата. Например, если обучающий пример был обозначен как «рядом», а базовая вероятность того, что он является «рядом» и черной елью, была больше, чем базовая вероятность того, что он был и «рядом», и белой елью, то обучающий пример классифицировался как черный. ель. После классификации всех обучающих примеров частота ошибок правила определялась путем сравнения назначенного класса обучающих примеров с его фактическим классом.Весь этот процесс повторялся с каждым новым выбранным правилом. Правила с низким уровнем ошибок имели большие различия в распределении классов их «ближних» и «дальних» категорий и, следовательно, были способны различать два класса. После того как был оценен большой набор правил, правила с наименьшим количеством ошибок были объединены с равным весом, чтобы сделать классификацию видов пыльцы и определить коэффициенты слайдов.

Соотношение видов: Оптимизация.

Точность модели зависела от нескольких параметров, которые мы меняли для достижения максимальной производительности.Они включали следующее: (1) длина строки в пикселях, (2) пороговое значение «информационного содержания», (3) пороговое значение «ближнего-дальнего» и (4) количество профилей учащихся, используемых для окончательной классификации.

Длина строки в пикселях была оптимизирована, начиная с длины 2 и увеличивая ее на степень 2, пока не будет достигнута наивысшая точность классификации. «Информационное содержание» строки пикселей измерялось путем вычисления среднего значения абсолютных значений различий между значениями интенсивности соседних пикселей. Качественно порог «информационного содержания» определяли путем просмотра изображений слайдов с разными порогами.Поскольку мы применили оптимизированный порог «информационного содержания» ко всем изображениям до создания примера, для классификации использовались только области пыльцевых зерен в фокусе. Порог «близко-далеко» был оптимизирован для каждого профиля учащегося путем поиска порога между 1 и максимально возможным расстоянием между двумя профилями, которое максимизировало информационное содержание изображения. Если длина строки пикселя равнялась 2, максимальное расстояние между двумя профилями составляло 510 единиц интенсивности пикселей (удвоенное значение 255, максимально возможное расстояние между любыми 2 значениями пикселей в 8-битном формате изображения).Если длина строки пикселей составляла 128, максимальное расстояние между двумя профилями составляло 32 640 единиц интенсивности пикселей. Чтобы определить оптимальное количество профилей учащихся для классификации, учащиеся были ранжированы на основе частоты их ошибок. Сначала в данных тестирования использовался лучший ученик, затем два лучших ученика, затем три лучших и так далее, пока не было определено оптимальное количество профилей с максимальной эффективностью. Классификации, сделанные этими учащимися, имели одинаковый вес.

Эксперимент 2: Масштабируемая классификация видов на уровне зерен

Целью нашего второго эксперимента по классификации было максимальное повышение точности классификации с использованием более масштабируемого подхода.Вместо использования линейных профилей во время второго прохода к пикселям, классифицированным как пыльца из первого прохода, был применен исходный алгоритм обнаружения пыльцы на основе пикселей (как описано выше в разделе «Выявление пыльцы»). Этот подход был более масштабируемым, чем использование классификатора профилей линий, использованного в эксперименте 1, который требует более интенсивного обучения и процесса оптимизации.

Классификация на уровне зерна: создание обучающего примера.

Во время второго прохода (рис. 1) из 10 из 12 чистых учебных слайдов (100 % черной ели или 100 % белой ели) были взяты случайные образцы 256 x 256 окон.Всего было отобрано 1232 окна на слайд. Поскольку окна были взяты из чистых тренировочных слайдов, классификации видов уже были известны, и в экспертном участии не было необходимости. Результаты обнаружения пыльцы при первом проходе использовались для выбора окон для обучения. В качестве обучающих примеров были выбраны только те окна, в которых содержание пыльцы превышало 50%.

Классификация на уровне зерна: Алгоритм.

Классификатор пикселей был обучен, как описано в разделе «Обнаружение пыльцы», за исключением того, что в этом случае примеры сетки были созданы только для пикселей, помеченных как пыльца.Мы выбрали только окна из наших эталонных слайдов, из которых изображение было бы на 100% черным или белым. Это было сделано для того, чтобы мы были на 100% уверены в истинном классе пыльцевых зерен. Во время тестирования было выбрано 100 случайных окон из двух чистых обучающих слайдов, которые были исключены во время обучения. Классификатор пикселей применялся к пикселям пыльцы в этих окнах, но позволял игнорировать окна, которые не были достаточно уверенно классифицированы. Достоверность определялась как разница в соотношении между черными и белыми пикселями ели, которые он классифицировал.Например, если классификатор пикселей классифицировал окно как содержащее 100 % пикселей черной ели и 0 % пикселей белой ели, его достоверность будет 100 %. Если бы он предсказал 50% пикселей черной ели и 50% пикселей белой ели, его достоверность была бы 0%. Если достоверность классификатора пикселей для определенного окна была ниже порога достоверности, он не классифицировал окно. Чтобы классификатор не игнорировал все окна на слайде, был использован параметр, устанавливающий минимальное количество окон для классификации на слайд.Этот параметр также был определен путем оптимизации.

Классификация на уровне зерна: оптимизация.

Оптимизация была аналогична процессу, использованному при первом проходе («засеивание пыльцой»), с двумя модификациями. Во-первых, были включены два дополнительных параметра для оптимизации: минимальная достоверность и минимальное количество классификаций на слайде. Кроме того, для увеличения скорости вычислений пространство параметров выбиралось случайным образом на каждой итерации вместо систематического поиска всего пространства параметров по степени двойки.У нас было достаточно вычислительных ресурсов, чтобы сгенерировать и протестировать 397 случайно выбранных точек параметров. Каждая точка была проверена путем измерения результирующей точности прогнозирования системы, и для окончательной модели использовалась точка параметра с наивысшей оценкой. Точность измерялась на основе перекрестной проверки на уровне слайдов, когда система обучалась на изображениях 10 из 12 обучающих слайдов и тестировалась на оставшихся 2 слайдах. Этот процесс был повторен для 10 случайно выбранных наборов из 10 обучающих слайдов.

Результаты

Обнаружение пыльцы

Хотя эксперты-люди в общих чертах пришли к единому мнению о том, что является пыльцой, а что не является пыльцой в окне изображения, тонкие края отмеченных областей пикселей различаются.Некоторые эксперты были более консервативны, а некоторые более либеральны в маркировке пикселей, находящихся вне фокуса, что внесло вариативность в обучающую выборку (рис. 5B1, 5B2, 5C1 и 5C2). Однако, поскольку большинство просмотренных пикселей не были пыльцой, в среднем эксперты соглашались в 99,68% случаев на уровне пикселей.

Рис. 5. Результаты обнаружения пыльцы.

Столбец (A) показывает два случайно выбранных тренировочных изображения с присутствием пыльцы, взятых из исходного набора сканированных данных. Каждое изображение имеет размер 1000 x 1000 пикселей, 0.23 мкм/пиксель. Верхнее изображение (A1) не в фокусе, а нижнее изображение (A2) в фокусе. Столбцы (B) и (C) показывают результат экспертного редактирования в окнах, показанных в (A). Два разных эксперта отметили пиксели пыльцы, удалив их с исходного изображения. Столбец (D) показывает прогнозы пикселей пыльцы (красный цвет), сделанные классификатором пикселей после его обучения на 637 обучающих примерах, предоставленных каждым из 11 экспертов.

https://doi.org/10.1371/journal.pone.0148879.g005

Результаты машинного определения пыльцы более точно соответствовали контурам пыльцевых зерен (рис. 5D1 и 5D2). Производительность классификатора пикселей зависела от количества обучающих примеров. Приблизительно 500 тренировочных окон, классифицированных всеми экспертами, потребовались для достижения результатов на экспертном уровне. Используя все 637 обучающих примеров, мы создали нашу наиболее точную модель, которая согласовывалась с классификацией на уровне пикселей, сделанной экспертом-человеком, в 99,77% случаев. Наиболее опытные из экспертов (что определяется многолетним опытом пыльцевого анализа) согласились с другими экспертами 99.76% времени. Наша самая точная модель имела размер сетки 8 x 8 пикселей, шаг сетки 8 пикселей и квантование цвета 10.

Эксперимент 1: результаты соотношения пыльцы

Для базового сравнения результатов классификации видов у нас были данные о производительности от одного человека-эксперта. Чтобы измерить производительность как человека-эксперта, так и машины (результаты одного профиля учащегося с наивысшей точностью), мы вычислили линейную регрессию между прогнозируемой и фактической долей черной ели и использовали коэффициент детерминации ( r 2 ) из регрессии наименьших квадратов в качестве меры точности (рис. 6).Машина ( r 2 = 0,67) превзошла человека-эксперта ( r 2 = 0,49). Однако эти результаты для машинного обучения очень оптимистичны, учитывая, что модель переобучена, поскольку профиль был оптимизирован с использованием данных тестирования.

Рис. 6. Результаты соотношения пыльцы.

Производительность машинного классификатора из первого эксперимента (красный) и эксперта-человека (синий) при восстановлении пропорции пыльцы черной ели из созданных вручную предметных стекол (таблица 1) и соответствующих им линий регрессии наименьших квадратов.Фактическая линия соотношения пыльцы показана серым цветом.

https://doi.org/10.1371/journal.pone.0148879.g006

Когда мы тренировались на примерах из обучающих справочных слайдов и измеряли эффективность профилей учащихся только по отношению к тестовым примерам, производительность составила r 2 = 0,55 было получено с использованием правила, которое показало наибольшую точность на обучающих данных. Когда мы объединили 128 лучших правил относительно обучающих примеров, мы достигли производительности r 2 = 0.61 на тестовых примерах. По сравнению с результатами экспертов-людей все наборы правил, от самых маленьких до самых больших, работали лучше. Однако оказалось, что производительность машины падала по мере того, как в ансамбль добавлялось больше некачественных правил (производительность упала со 128 до 512 правил) (рис. 7). Длина пиксельной линии, обеспечивающая наибольшую точность классификации, составляла 128 пикселей. Максимальный порог точности информационного контента составил 5,0 единиц интенсивности пикселей на пиксель.

Рис. 7. Число профилей в сравнении с прогнозируемой производительностью.

На этом графике показана точность прогнозирования моделей машинного обучения на тестовых слайдах с использованием первых 1, 2, 4, 8, 16, 32, 64, 128, 256 и 512 профилей ансамбля моделей. Результаты первого эксперимента. Было протестировано 91 696 шаблонов. Наивысшая точность была достигнута на отметке 128 профилей.

https://doi.org/10.1371/journal.pone.0148879.g007

Эксперимент 2: Результаты классификации видов на уровне зерна

Модель с наивысшей точностью, используемая классификатором пикселей во время второго прохода, имела размер сетки 3 x 3, шаг сетки 10, квантование цвета 14.24, минимальная достоверность 43,61% и минимальное количество классификаций на слайде, равное 1. Эта модель имела оценочную точность 85,85%. Однако предполагалось, что эта точность является оптимистичной, поскольку она была основана в среднем только на 10 испытаниях с перекрестной проверкой. Чтобы оценить истинную точность модели, мы усреднили результаты 271 испытания с перекрестной проверкой, используя точку параметра с наивысшей точностью, найденную в 10 испытаниях с перекрестной проверкой, что дало нам точность классификации слайдов 83.61%. Эта точность машины положительно сравнима с производительностью человека-эксперта; наш эксперт-человек получил в среднем точность 63,9% на четырех чистых предметных стеклах (100% P . мариана или 100% P . glauca ). Чтобы оценить количество обучающих примеров, необходимых для достижения экспертного уровня, мы рассчитали кривые обучения. Это продемонстрировало, как точность системы изменилась в зависимости от количества чистых обучающих слайдов и количества обучающих изображений, нарисованных на слайде (рис. 8).С 5 тренировочными эталонными слайдами и 14 784 тренировочными изображениями система смогла постоянно превосходить нашего эксперта-человека.

Рис. 8. Кривые обучения.

Коробчатые диаграммы, обобщающие влияние количества обучающих слайдов (вверху) и количества обучающих изображений на учебный слайд (внизу) на точность классификации видов во втором эксперименте. Медианные значения обозначены горизонтальными полосами. Края прямоугольника представляют собой 25-й и 75-й процентили. Усы представляют ±2.7 SD, или 99% данных. Выбросы отображаются как отдельные точки.

https://doi.org/10.1371/journal.pone.0148879.g008

Обсуждение

Наши результаты демонстрируют способность ARLO решать сложную задачу классификации видов пыльцы с использованием адаптивного подхода машинного обучения. Эффективным оказалось разделение задачи классификации изображений на задачу классификации пикселей переднего/фонового плана и задачу классификации отдельных видов. Поскольку ARLO использует общее представление (пиксельная сетка или пиксельная линия) и оптимизацию параметров для адаптации этого представления к заданной сложности задачи и количеству обучающих примеров, методология, описанная в нашем исследовании, должна быть легко обобщаема.

Результаты нашего первого эксперимента показывают, что ARLO способен обучаться на стандартных предметных стеклах эталонных образцов, которые представляют собой данные, которые могут быть получены без высокой квалификации. В наших экспериментах для различения пыльцевых и непыльцевых пикселей на изображении требовался лишь небольшой опыт; при некоторой подготовке стажеры бакалавриата могли делать это надежно. Эксперты-люди не использовались для предоставления «основной истины» для обучения классификатора видов. Это потенциально делает сбор больших обучающих наборов данных быстрым и высокоэффективным.Первый эксперимент также продемонстрировал, что это обучение может быть применено к классификации образцов пыльцы уникальных особей. Эти обучающие выборки были взяты у людей, которые не были представлены в тестовых выборках, демонстрируя способность ARLO выдерживать морфологическую изменчивость, которая могла быть уникальной для человека. Это снова позволяет использовать автоматизированный подход к классификации пыльцы, который не требует серьезного обучения и участия экспертов-людей.

Недостаток подхода ARLO, основанного на данных, заключается в том, что он требует обработки большого объема данных и изображений.Для классификации на уровне зерна, различающей пыльцу черной и белой ели (Эксперимент 2), системе потребовалось 14 784 классифицированных обучающих изображения. Использование функций, определяемых экспертами, потенциально могло привести к тому, что системе требовалось меньше обучающих изображений для достижения того же уровня точности, но требовался больший вклад экспертов в маркировку обучающих данных.

Особенности, которые обнаруживает наша система, не являются традиционными особенностями морфологии пыльцы, которые мог бы распознать палинолог.Вместо этого используются низкоуровневые функции на основе изображений, такие как простые представления пиксельной сетки. Одним из аспектов этого представления пикселей является цвет. Система использует нормализованное представление цвета и решает, насколько сильно цвет влияет на анализ. Там, где цвет не информативен, он не имеет существенного значения.

Мы понимаем, что наша интерпретация эффективности результатов обнаружения пыльцы ограничена нашим решением индивидуально варьировать каждую переменную во время оптимизации.Это решение было прагматичным, учитывая вычислительные требования анализа. Однако степень, в которой это влияет на наши результаты, спорна. Поскольку мы начали со значений, попадающих в середину диапазона возможных настроек, мы не ожидаем, что дальнейшая оптимизация существенно повлияет на производительность. Кроме того, производительность алгоритма зависит от дискретных параметров, поэтому невозможно использовать градиентный [30] и другие плавно изменяющиеся методы оптимизации параметров.Учитывая эти ограничения, наше использование метода координатного спуска соответствует нормам стандартной практики [31].

Различение пыльцы черной и белой ели представляет собой сложную задачу даже для опытного палинолога. Это проявляется в относительно низкой точности экспертных подсчетов (рис. 6). Мы признаем, что условия, в которых проводились наши экспертные базовые подсчеты, были несколько искусственными: на предметном стекле было ограниченное количество пыльцевых зерен (100 зерен), и подсчитывались все зерна, независимо от их ориентации и качества.При стандартных методах подсчета аналитики-люди могли бы оценить гораздо большее количество зерен. Однако следует отметить, что пристрастность эксперта заключалась в переоценке встречаемости редких видов (рис. 6). Несмотря на то, что общая абсолютная точность соотношения зерна к зерну человека-эксперта была выше для некоторых образцов, машинные результаты лучше соответствовали общей тенденции изменения соотношения черной и белой ели. Учет тенденций относительного содержания пыльцы, возможно, является более важным результатом для палеоэкологических интерпретаций [3].

ARLO представляет собой прогресс в решении проблемы автоматической идентификации пыльцы, но это не полное решение. Расширение результатов этой работы потребует экспериментов с другими более мощными методами машинного обучения, включая нейронные сети (NN) и машины опорных векторов (SVM). Тем не менее, компромисс — скорость. ARLO представляет собой очень быстрый алгоритм распознавания, сила которого заключается в способности обрабатывать большие объемы данных. Наш выбор представления изображения был экстремальным, каждый пиксель использовался в качестве примера.(Однако решение классифицировать на уровне пикселей позволило нам обойти необходимость прямого определения объектов и предоставило нам максимально возможное количество примеров). Использование изображений с высоким разрешением требовало быстрых, вычислительно эффективных алгоритмов. Масштабирование анализа до нескольких классов идентификации потребует дальнейших экспериментов, направленных на поиск компромисса между скоростью, точностью и интенсивностью вычислений.

В биологических науках, выходящих за рамки палинологии, существует значительная потребность в стандартизации и автоматизации интерпретации изображений, поскольку наша способность создавать изображения с высоким разрешением и высокой пропускной способностью быстро превышает возможности экспертов по их анализу.(Число этих экспертов также может сокращаться). Наши результаты подчеркивают степень, в которой визуально абстрактные функции могут использоваться для решения конкретных задач классификации на основе изображений. Сила этой абстракции в том, что она снижает сложность машинного анализа. Возможности не обязательно знать априори . По мере роста наших наборов данных изображений все большую роль будут играть эффективные алгоритмы визуального анализа в биологической классификации.

Благодарности

Авторы благодарят К.Pike, J. Almendinger, P. Mueller, B. Hansen и E. Grimm за образцы пыльцы, помощь в сборе исходных экспертных классификаций и помощь в инициировании этого исследования; Hamamatsu за то, что поделились своим API для просмотра NDP Nanozoomer; и M. Sivaguru, DS Haselhorst, A. Holz, A. Kesar, S. Tiwari, A. Restrepo, J. Rodiguez, CJ Wesseln, C. Lindsay, L. Gallagher, Y. Bello и M. Wycoff за техническую помощь. и экспертные примеры. Мы благодарим Peter Wilf, Shengping Zhang и анонимного рецензента за отзывы, которые существенно улучшили рукопись.Мы подтверждаем поддержку инфраструктуры Техасским передовым вычислительным центром NSF XSEDE.

Вклад авторов

Задумал и спроектировал эксперименты: DKT SWP. Выполнены опыты: ДКТ АКН. Проанализированы данные: ДКТ АКН CCF SWP. Написал статью: DKT SWP AKN CCF. Разработано программное обеспечение, используемое в анализе: DKT.

Каталожные номера

  1. 1. Биркс HH, Биркс HJB. Будущие применения анализа пыльцы должны включать макрофоссилии растений. J Биогеогр. 2000 г.; 27(1):31–5.
  2. 2. Джексон С.Т., Бут Р.К. Валидация исследований пыльцы. В: Элиас С.А., редактор. Энциклопедия четвертичных наук. Амстердам: Эльзевир; 2007. с. 2413–22.
  3. 3. Пуньясена С.В., Ченг Д.К., Вессельн С., Мюллер П.Г. Классификация пыльцы черной и белой ели с использованием многоуровневого машинного обучения. Новый Фитол. 2012;196(3):937–44. пмид:22943455
  4. 4. Мандер Л., Пуньясена С.В. О таксономическом разрешении записей пыльцы и спор земной растительности.Int J Plant Sci. 2014;175(8):931–45.
  5. 5. Эрдтман Г. Пыльцевая статистика: новый метод исследования в палеоэкологии. Наука. 1931; 73 (1893): 399–401. пмид:17794537
  6. 6. Каин СА. Палинологические исследования на озере Содон: I. Изучение размерно-частотного состава ископаемой пыльцы ели. Наука. 1948; 108 (2796): 115–7. пмид:17808732
  7. 7. Хансен Б., Энгстрем Д. Сравнение численных и качественных методов разделения пыльцы ели черной и белой. Может Джей Бот.1985;63(12):2159–63.
  8. 8. Линдблад М., Коннор Р.О., Джейкобсон Г.Л. Морфометрический анализ пыльцевых зерен для палеоэкологических исследований: классификация Picea из восточной части Северной Америки. 2009;89(9):1459–67.
  9. 9. Брубейкер Л.Б., Граумлих Л.Дж., Андерсон П.М. Оценка статистических методов различения пыльцы Picea glauca от пыльцы Picea mariana на севере Аляски. Может Джей Бот Может Бот. 1987; 65 (5): 899–906.
  10. 10.Бартлейн П.Дж., Андерсон К.Х., Андерсон П.М., Эдвардс М.Е., Мок С.Дж., Томпсон Р.С. и др. Моделирование палеоклимата для Северной Америки за последние 21000 лет: особенности смоделированного климата и сравнение с данными палеоокружающей среды. Quat Sci Rev. 1998; 17 (6–7): 549–85.
  11. 11. Джексон С.Т., Уэбб Р.С., Андерсон К.Х., Оверпек Дж.Т., Уэбб Т., Уильямс Дж.В. и др. Растительность и окружающая среда в восточной части Северной Америки во время последнего ледникового максимума. Quat Sci Rev. 2000;19(6):489–508.
  12. 12. Холт К., Беннетт К.Д. Принципы и методы автоматизированной палинологии. Новый Фитол. 2014; 203(3):735–42. пмид:25180326
  13. 13. Стиллман EC, Фленли JR. Потребности и перспективы автоматизации в палиноведении. Quat Sci Rev. 1996; 15 (1): 1–5.
  14. 14. Лайтхилл Дж. Искусственный интеллект: бумажный симпозиум. Совет по научным исследованиям, Лондон. 1973.
  15. 15. Faegri K, Kaland PE, Krzywinski K. Учебник по пыльцевому анализу.4-е изд. Чичестер, Англия; Нью-Йорк: Уайли; 1989. х, 328 с.
  16. 16. Пунт В., Хоэн П.П., Блэкмор С., Нильссон С., Ле Томас А. Глоссарий терминологии пыльцы и спор. Преподобный Палеобот Палинол. 2007 г.; 143 (1–2): 1–81.
  17. 17. Рассел С., Норвиг П. Искусственный интеллект: современный подход. 3-е изд. 2015 г.; Доступно: http://aima.cs.berkeley.edu/
  18. 18. Мандер Л., Ли М., Мио В., Фаулкс К.С., Пуньясена С.В. Классификация пыльцы трав путем количественного анализа орнаментации и текстуры поверхности.Proc R Soc B Biol Sci. 2013; 280 (1770): 20131905.
  19. 19. Холт К., Аллен Г., Ходжсон Р., Марсленд С., Фленли Дж. Прогресс в создании автоматизированной обучаемой системы определения местонахождения и классификации пыльцы для использования в палинологической лаборатории. Преподобный Палеобот Палинол. 2011 г.; 167 (3–4): 175–83.
  20. 20. Kaya Y, Erez ME, Karabacak O, Kayci L, Fidan M. Метод автоматической идентификации для сравнения пыльцы растений и меда на основе особенностей текстуры GLCM и искусственной нейронной сети.Грана. 2013; 52 (1): 71–7.
  21. 21. Каин СА. Палинологические исследования на озере Содон: I. Изучение размерно-частотного состава ископаемой пыльцы ели. Наука. 1948. 108 (2796): 115–117. пмид:17808732
  22. 22. Хансен Б.К., Энгстром Д.Р. Сравнение численных и качественных методов разделения пыльцы ели черной и белой. Может Джей Бот. 1985 год; 63 (12): 2159–63.
  23. 23. Биркс Х.Дж., Пеглар С.М. Идентификация пыльцы Picea позднечетвертичного возраста в восточной части Северной Америки: численный подход.Может Джей Бот. 1980 1 октября; 58 (19): 2043–58.
  24. 24. Индик П., Мотвани Р. Примерные ближайшие соседи: к снятию проклятия размерности. Материалы тридцатого ежегодного симпозиума ACM по теории вычислений. Нью-Йорк, штат Нью-Йорк, США: ACM; 1998. с. 604–13.
  25. 25. Дин Т., Рузон М., Сегал М., Шленс Дж., Виджаянарасимхан С., Ягник Дж. Быстрое и точное обнаружение 100 000 классов объектов на одном компьютере. В компьютерном зрении и распознавании образов (CVPR), конференция IEEE 2013 г., 23 июня 2013 г. (стр.1814–1821). IEEE.
  26. 26. Алпайдин Э. Введение в машинное обучение. 3-е изд. Массачусетский технологический институт Пресс; 2014. 640 с.
  27. 27. Faegri K, Kaland PE, Krzywinski K. Учебник по пыльцевому анализу. Джон Вили и сыновья Лтд.; 1989.
  28. 28. Рейтсма Т. Изменение размера недавних пыльцевых зерен при различных обработках. Преподобный Палеобот Палинол. 1969 год; 9(3):175–202.
  29. 29. Прагловски Дж. Влияние предварительной обработки и среды для заливки на форму пыльцевых зерен.Преподобный Палеобот Палинол. 1970 г.; 10(3):203–8.
  30. 30. Бенжио Ю. Градиентная оптимизация гиперпараметров. Нейронные вычисления. 2000; 12 (8): 1889–900. пмид:10953243
  31. 31. Рихтарик П., Такач М. Методы параллельного координатного спуска для оптимизации больших данных. Математическая программа. 2012 г.; стр. 1–52.

Классификация устойчивости к листовидным червям для ели и бальзамической пихты | Журнал лесного хозяйства

Получить помощь с доступом

Институциональный доступ

Доступ к контенту с ограниченным доступом в Oxford Academic часто предоставляется посредством институциональных подписок и покупок.Если вы являетесь членом учреждения с активной учетной записью, вы можете получить доступ к контенту следующими способами:

Доступ на основе IP

Как правило, доступ предоставляется через институциональную сеть к диапазону IP-адресов. Эта аутентификация происходит автоматически, и невозможно выйти из учетной записи с проверкой подлинности IP.

Войдите через свое учреждение

Выберите этот вариант, чтобы получить удаленный доступ за пределами вашего учреждения.

Технология Shibboleth/Open Athens используется для обеспечения единого входа между веб-сайтом вашего учебного заведения и Oxford Academic.

  1. Щелкните Войти через свое учреждение.
  2. Выберите свое учреждение из предоставленного списка, после чего вы перейдете на веб-сайт вашего учреждения для входа.
  3. Находясь на сайте учреждения, используйте учетные данные, предоставленные вашим учреждением.Не используйте личную учетную запись Oxford Academic.
  4. После успешного входа вы вернетесь в Oxford Academic.

Если вашего учреждения нет в списке или вы не можете войти на веб-сайт своего учреждения, обратитесь к своему библиотекарю или администратору.

Вход с помощью читательского билета

Введите номер своего читательского билета, чтобы войти в систему. Если вы не можете войти в систему, обратитесь к своему библиотекарю.

Члены общества

Многие общества предлагают своим членам доступ к своим журналам с помощью единого входа между веб-сайтом общества и Oxford Academic. Из журнала Oxford Academic:

  1. Щелкните Войти через сайт сообщества.
  2. При посещении сайта общества используйте учетные данные, предоставленные этим обществом. Не используйте личную учетную запись Oxford Academic.
  3. После успешного входа вы вернетесь в Oxford Academic.

Если у вас нет учетной записи сообщества или вы забыли свое имя пользователя или пароль, обратитесь в свое общество.

Некоторые общества используют личные аккаунты Oxford Academic для своих членов.

Личный кабинет

Личную учетную запись можно использовать для получения оповещений по электронной почте, сохранения результатов поиска, покупки контента и активации подписок.

Некоторые общества используют личные учетные записи Oxford Academic для предоставления доступа своим членам.

Институциональная администрация

Для библиотекарей и администраторов ваша личная учетная запись также предоставляет доступ к управлению институциональной учетной записью. Здесь вы найдете параметры для просмотра и активации подписок, управления институциональными настройками и параметрами доступа, доступа к статистике использования и т. д.

Просмотр ваших зарегистрированных учетных записей

Вы можете одновременно войти в свою личную учетную запись и учетную запись своего учреждения.Щелкните значок учетной записи в левом верхнем углу, чтобы просмотреть учетные записи, в которые вы вошли, и получить доступ к функциям управления учетной записью.

Выполнен вход, но нет доступа к содержимому

Oxford Academic предлагает широкий ассортимент продукции. Подписка учреждения может не распространяться на контент, к которому вы пытаетесь получить доступ. Если вы считаете, что у вас должен быть доступ к этому контенту, обратитесь к своему библиотекарю.

границ | Sentinel-2 Анализ уровней прозрачности кроны ели и их экологических факторов после летней засухи в Северном Эйфеле (Германия)

Введение

Во многих частях мира возрастет смертность деревьев из-за прогнозируемого изменения климата в будущем (Dai, 2013; Lausch et al., 2016). Тем не менее, мы уже находимся в этом процессе более высоких фоновых показателей смертности деревьев, которые были зарегистрированы на каждом растительном континенте и в большинстве биорегионов за последние два десятилетия (Anderegg et al., 2013). Большая часть этого вымирания лесов вызвана непосредственно засухой и тепловым стрессом или косвенно в результате гибели, вызванной заражением, например короедом (Sproull et al., 2016).

Steinkamp and Hickler (2015) не смогли определить общую тенденцию к высыханию или увеличение числа экстремальных засух в лесах во всем мире, но они утверждают, что сухие леса, по-видимому, страдают от уменьшения доступности воды и увеличения частоты засух.Более позднее исследование Senf et al. (2018) обнаружили, что смертность крон деревьев увеличилась на 2,4% с по 1 год в Европе, что привело к удвоению площади лесов, затронутых этим явлением, в период с 1984 по 2016 год. Более того, van Mantgem et al. (2009) сообщили о широко распространенных гидрологических изменениях на западе Соединенных Штатов, таких как уменьшение доли осадков, выпадающих в виде снега, уменьшение содержания воды в снежном покрове, более раннее весеннее таяние снега и поверхностный сток, а также последующее удлинение летней засухи.Физиологические механизмы, с помощью которых засуха вызывает гибель деревьев, являются быстро растущей областью исследований (Sala et al., 2010), но последствия вымирания лесов остаются менее изученными.

Даже в средах, которые обычно не считаются ограниченными в воде, эта обширная гибель деревьев приводит к ослаблению земного поглотителя углерода и обеспечивает положительную обратную связь с потеплением климата (Allen et al., 2010). Более того, снижение суммы транспирации на уровне растений в сочетании с уменьшением фотосинтеза в экосистеме приводит к снижению валовой первичной продуктивности (Anderegg et al., 2013). События гибели деревьев часто «пульсируют» из-за их связи с периодическим, но в последнее время более частым стрессом от засухи. Две ключевые характеристики определяют величину этих воздействий, это величина начальной «импульсной» реакции и скорость восстановления экосистемы (Anderegg et al., 2013). Несколько компенсационных механизмов (например, повышенная доступность ресурсов для оставшихся деревьев, избыточность ниш и взаимодополняемость) объясняют, почему существенная гибель деревьев не обязательно приводит к серьезным изменениям в экосистемных потоках (Anderegg et al., 2016).

Отмирание деревьев – естественный экологический процесс. Однако смертность, вызванная засухой и жарой, в том числе связанное с ними отмирание лесов, связанное с инвазиями, часто является селективной силой, по-разному воздействующей на древесные породы и быстро изменяющей размер, возраст и пространственную структуру лесов (Панайотов и др. , 2016; Pretzsch et al., 2020). Если это увеличение смертности будет сохраняться в течение более длительного периода, средний возраст деревьев в лесу сократится, что приведет к уменьшению средней высоты деревьев, диаметра ствола и кроны, а также к изменению структуры леса, состава, функционирования, архитектуры и, следовательно, обеспечение биоразнообразия и экосистемных услуг (т.g., емкость хранения углерода) (van Mantgem et al., 2009; Anderegg et al., 2013). Мониторинг и прогнозирование тех видов деревьев, которые могут быть наиболее уязвимыми, крайне необходимы для разработки стратегий смягчения последствий (O’Brien et al., 2017).

Ель – очень быстрорастущее дерево высотой 15,3 м 3 га –1 a –1 . Немецкая национальная инвентаризация лесов определила площадь 2,7 млн. га, покрытых елью в Германии (BMEL, 2015). Это около 25% площади лесов (BMEL, 2020).Тем не менее, тенденция снижается, самое позднее на -4% в период с 2002 по 2012 год. Резкая смертность ели оценивается примерно в 10,5% в 2020 году для земли Северный Рейн-Вестфалия (СРВ) (отношение погибших деревьев к общему количеству оцениваемых деревьев), в то время как смертность других пород деревьев составляет 2,1% (MUNLV, 2020). Недавно был повышен не только серьезный ущерб, но и уровень предупреждения прозрачности кроны ели (BMEL, 2020). В дополнение к общей экологически обусловленной тенденции отказа от монокультур ели основными причинами являются аномальная жара, воздействие ураганов и нашествия короедов.Мезей и др. (2017) состав трех последних аспектов называют адским трио для еловых насаждений. Однако условия ограничения воды могут инициировать три аспекта (Stadelmann et al., 2014; Netherer et al., 2015).

Данные наблюдения Земли (EO), т. е. спутниковые или наземные наблюдения и геопространственные данные, являются важным источником для мониторинга изменений в лесных экосистемах, особенно для выявления гибели деревьев (Lausch et al., 2016). Несмотря на то, что они являются дорогостоящими и обеспечивают получение только одиночных снимков, обычно бортовые цветные инфракрасные, мультиспектральные или гиперспектральные датчики используются для предоставления информации властям на государственном уровне (Fassnacht et al., 2012; Нильсен и др., 2014 г.; Стовалл и др., 2019). Для научных исследований используется все больше и больше данных космических датчиков. Например, Рао и др. (2019) использовали пассивные микроволновые данные и восстановление оптической толщины растительности в качестве индикатора гибели деревьев из-за засухи по шкале 0,25°. Латифи и др. (2018) объединили грубые (250 м) данные спектрорадиометра среднего разрешения (MODIS) и высокоразрешающие (5 м) данные RapidEye для определения гибели деревьев, которую они приписали вспышкам короедов.Удалось связать спектральные индексы растительности с местными подсчетами жуков. Байер и Джин (2017) продемонстрировали, что данные MODIS и двухэтапные модели случайного леса способны выявлять пространственные закономерности и серьезность гибели деревьев с общей точностью производителя 96,3%. Передавая данные Gaofen-2 и Sentinel-2 в различные алгоритмы машинного обучения, Zhan et al. (2020) отслеживали гибель деревьев как в масштабе одиночного дерева, так и в масштабе древостоя. Immitzer and Atzberger (2014) использовали мультиспектральные данные WorldView-2 для определения смертности европейской ели.Для раннего обнаружения возможностей мультиспектрального датчика редко бывает достаточно, а вот идентификация мертвых деревьев выполняется почти идеально. Хансен и др. (2013) использовали Google Earth Engine для глобальной оценки потери лесов по 30-метровым снимкам Landsat с хорошей точностью также в локальном масштабе, где сплошные рубки распространены, а пожары случаются редко (Linke et al., 2017). Циммерманн и Хоффманн (2020) проанализировали данные Sentinel-2 для выявления заражений короедом в немецких еловых лесах, получив хорошие результаты на больших территориях, где свойства отражения уже значительно изменились.Флеминг и др. (2015) использовали данные тематического картографа Landsat в тандеме с данными о лесоустроительных участках, чтобы получить пространственные и временные точные оценки запасов углерода в лесах. Эти примеры исследований показывают готовность данных ЭО и связанных с ними подходов к использованию для обнаружения гибели деревьев и других целей, однако лишь немногие из них нашли свое применение в общем управлении практиков или государственных программах мониторинга прямым оперативным путем. Монитор состояния европейских лесов на основе MODIS можно рассматривать как первый шаг к получению обзора, но он не обеспечивает своевременность и пространственное разрешение, необходимые потенциальным пользователям.

В Северном Эйфеле мы визуально наблюдали повышенный отпад еловых насаждений в последние годы из-за изменения климата. Таким образом, этот регион может служить примером для изучения влияния сильных засух, аномальной жары и нашествия короедов на гибель елей с помощью дистанционного зондирования. Целью данного исследования является предоставление метода количественной оценки и мониторинга этого процесса. Чтобы оценить серьезность повреждения елей в районе Эйфеля и поддержать государственную программу мониторинга (также косвенно информировать лесников, политиков, лесопромышленников, защитников природы и т.), можно использовать актуальные данные EO. Однако представители правительства могут не быть проинформированы о технологических новинках из других областей. Цель этого исследования — представить пример обработки облаков для обнаружения поврежденной ели в районе Северного Эйфеля и оценить потенциальные условия окружающей среды для этого повреждения. Здесь мы сосредоточимся на анализе смертности деревьев и здоровья елей после летней засухи 2018 года. После ознакомления с исследуемой территорией необходимо объяснить особое положение ели в этой местности для понимания экологических и искусственных предпосылок.

Особое положение ели в северной части Эйфеля

Район исследования был ограничен регионом Северный Эйфель (50,60°–50,80° с.ш., 6,19°–6,53° в.д. и 532 км 2 , см. рис. 1). Более конкретно, это исследование сосредоточено на Рюрайфеле, который включает в себя гидрологическую обсерваторию Эйфель/долина Нижнего Рейна (Hasan et al., 2014; Ali et al., 2015; Bogena et al., 2018), часть TERrestrial Environmental Observatories. (TERENO) (Zacharias et al., 2011; Bogena et al., 2018). Основными типами растительного покрова являются леса и пастбища. Лесные массивы охватывают антиклиналь Венн, простирающуюся с запада на север, и Керметр на юго-востоке с лесистыми склонами вдоль рек Рур и Калл в Национальном парке Эйфель. Высота увеличивается с северо-востока на юго-запад района исследований. Геология в основном состоит из толщ алевролитов и аргиллитов, а также песчаников и граувакк с небольшими полостями и объемами запасов подземных вод (Montzka et al., 2013). Юго-восток относится к так называемому треугольнику Мечерниха триаса, где девонский фундамент покрыт пестрым песчаником. Характерными почвами для Эйфеля являются маломощные Cambisols и Leptosols.

Рис. 1. Расположение исследуемой области в Северном Эйфеле согласно GEE.

С 15-го века Северный Эйфель был сформирован доиндустриальной экономикой выплавки чугуна, где популяция деревьев давала энергию для доменных печей, а реки — для сталелитейных заводов.Экстенсивное сменное земледелие и животноводство оказывали дополнительную нагрузку на леса. Когда в 19 веке металлургическая промышленность в регионе была разрушена из-за сильной конкуренции с каменным углем в Рурской области, большая часть лесов Эйфеля была вырублена, и преобладали вересковые пустоши. На Венском конгрессе 1815 года Пруссия захватила бывшую французскую Рейнскую область, включая регион Эйфель, и начала сажать быстрорастущие деревья на залежах для развития экономики этого бедного региона.В частности, ель европейская ( Picea abies (L.) H. Karst.), с тех пор известная в регионе как прусская , была выведена против первоначального отказа, которая произрастает от Скандинавии до Северной России до Урала, но также в Альпах и горных хребтах Восточной Европы. Спустя несколько поколений культивируемая ель стала хлебным (то есть высокоурожайным) деревом лесного хозяйства, способным покрывать потребности в древесине (хвойных пород) и обеспечивать целлюлозой развивающуюся бумажную промышленность.Во время ожесточенных боев Второй мировой войны в Северном Эйфеле (Хуртгенский лес) древесный массив был сильно поврежден, так что в 1950-х годах снова была посажена быстрорастущая ель, чтобы покрыть голые холмы. Когда в 1960-х годах многие мелкие землевладельцы прекратили свой бизнес, правительство Северного Рейна-Вестфалии поддержало передачу пастбищ и полей, даже если они не подходили, монокультуре ели. В результате крупных штормовых бедствий начала 1990-х годов, опустошивших большие площади еловых лесов, началось переосмысление. Последним нарушением ели, произрастающей в Эйфеле, были частые и сильные засухи (см. рис. 2).Это особенно верно в отношении засухи 2018 г., когда над Центральной Европой установилась система высокого давления, которая сохранялась почти непрерывно с апреля по октябрь (Buras et al., 2020). Для получения дополнительной информации об условиях засухи в Европе мы ссылаемся на отчеты Европейской обсерватории засухи (Masante and Vogt, 2018).

Рисунок 2. Типичная ситуация с еловым насаждением в Северном Эйфеле осенью 2020 г. После летней засухи 2018 г. многие еловые насаждения погибли, и лесоуправление не смогло быстро удалить и заменить огромное количество пострадавших деревьев.

Разрастающиеся еловые леса подавляли подлесок и, как следствие, сказывались на биоразнообразии территории. Кроме того, ель с ее неглубокой корневой системой плохо подготовлена ​​к засушливым условиям, которые в последние десятилетия также становятся более суровыми в Эйфеле. Ослабленные еловые насаждения страдают от нашествия короеда – наиболее значительного возбудителя естественной гибели взрослой ели. Вот почему текущая цель лесного хозяйства состоит в том, чтобы преобразовать неподходящие для данной местности чистые еловые насаждения в более устойчивые и естественные смешанные насаждения или лиственные леса, состоящие из местных лиственных деревьев (Umweltbundesamt, 2019; Holzwarth et al., 2020). Таким образом, повышенный отпад ели после засухи 2018 г., с одной стороны, трагически сказывается на лесопользовании и ценах на древесину, а с другой стороны, дает шанс на ускоренную трансформацию структуры леса.

Google Earth Engine для облачной обработки и доступных наборов данных

Простой способ войти в область применения ЭО — использовать Google Earth Engine (GEE). Пользователю не нужно загружать и хранить большие наборы данных EO, работать с неизвестными или сложными форматами файлов, проверять локализацию различных источников данных или заботиться об адекватной инфраструктуре информационных технологий, такой как высокопроизводительные вычислительные средства (суперкомпьютеры). .Все данные доступны и доступны для обработки в облачной инфраструктуре Google, от локального до глобального геопространственного масштаба. GEE также предназначен для поддержки распространения результатов среди других заинтересованных сторон или даже широкой общественности через приложения Earth Engine (Gorelick et al., 2017). Доступно множество решений на основе JavaScript, и их число постоянно растет. С помощью интерфейсов прикладного программирования (API) также можно реализовать код Python и R. Небольшие изменения в местоположении или временной шкале облегчают применение опубликованного кода в собственных целях.В этом исследовании мы также используем GEE для анализа данных и для подготовки рисунков.

Мультиспектральные данные Sentinel-2

Основной анализ основан на мультиспектральной миссии Sentinel-2. Имея четыре диапазона на 10 м, шесть диапазонов на 20 м и три диапазона на 60 м, пространственное разрешение Sentinel-2 охватывает видимый и ближний инфракрасный, а также коротковолновый инфракрасный диапазоны электромагнитного спектра (Drusch et al., 2012). . Миссия состоит из двух спутников, запущенных в июне 2015 г. (Sentinel-2A) и марте 2017 г. (Sentinel-2B), в результате чего время повторного посещения в средних широтах составляет 2–3 дня.Набор данных, доступный в каталоге данных Earth Engine (S2_SR), представляет собой продукт отражательной способности поверхности нижней части атмосферы (уровень 2A), уже скорректированный с учетом влияния атмосферы, рельефа и перистых волн с помощью инструментария sen2cor (Richter et al., 2012). Коллекция изображений была отфильтрована по проценту облачных пикселей со значениями ниже 10%, а медиана была рассчитана на основе доступных данных за июль и август за выбранные годы. Для анализа используются полосы B2 (синий), B3 (зеленый), B4 (красный), B5 (красный край 1), B8 (ближний инфракрасный диапазон), B11 (коротковолновый инфракрасный диапазон 1) и B12 (коротковолновый инфракрасный диапазон 2). путем расчета временной медианы по полосе, полосы B4 и B8 медианы использовались для расчета индекса нормализованной разности вегетации (NDVI) (Rouse et al., 1973).

Данные SMAP о влажности почвы и аномалии влажности почвы

Чтобы визуализировать условия засухи летом 2018 и 2019 годов по отношению к нормальным годам, были выбраны спутниковые данные о влажности почвы Active and Passive (SMAP). Доступный набор данных в каталоге данных Earth Engine был разработан Лабораторией гидрологических наук (HSL) в Центре космических полетов имени Годдарда НАСА в сотрудничестве с Министерством сельского хозяйства США (USDA) Иностранной сельскохозяйственной службой и Лабораторией гидрологии и дистанционного зондирования Министерства сельского хозяйства США ( Сазиб и др., 2018). SMAP — это пассивный микроволновый датчик, обеспечивающий пространственные расширенные оценки влажности почвы с разрешением 9 км с пролетами в средних широтах за 2–3 дня. Предлагаемый продукт основан на продукте SMAP Level 3, который был перенесен на сетку 10 км. Эти данные вводятся в двухуровневую модель водного баланса Палмера с помощью одномерного ансамблевого фильтра Калмана для уменьшения ошибок воздействия и наблюдения, а также для получения продукта влажности почвы в корневой зоне (Bolten et al., 2010).Здесь глубина эффективной корневой зоны определяется в соответствии с цифровой почвенной картой мира Продовольственной и сельскохозяйственной организации Объединенных Наций (ФАО). Аномалии рассматривают отклонение текущих условий относительно среднего значения доступного периода, стандартизированного по климатологическому стандартному отклонению, где климатологические значения оцениваются на основе полной записи данных за период спутниковых наблюдений в течение 31-дневного скользящего окна.

Статистические данные леса о прозрачности кроны

Оценка состояния лесов в Германии проводится ежегодно посредством национальной инвентаризации лесов (BMEL, 2020).Жизнеспособность немецких лесов характеризуется визуальным осмотром верхушек деревьев в июле и августе на систематической сетке выборки 16 км 16 км. Это расширено (до схемы 4 км * 4 км) для федеральной земли Северный Рейн-Вестфалия (MUNLV, 2020). Сцены Sentinel-2 были выбраны в течение этих месяцев проверки.

Поскольку здоровье деревьев не может быть легко охарактеризовано и существует несколько определений, при инвентаризации леса используется единственный показатель — прозрачность кроны дерева.На кроны деревьев могли воздействовать повреждающие насекомые-вредители или грибковые патогены, поэтому воздействие часто проявляется в изменении состояния кроны деревьев. В частности, было обнаружено, что признаки обесцвечивания листвы и дефолиации кроны являются хорошими показателями здоровья деревьев, что приводит к прозрачности кроны (Metzger and Oren, 2001; Borianne et al., 2017).

При проведении национальной инвентаризации лесов специалисты группируют деревья по международным стандартам в 5%-ные ступени прозрачности кроны.Они снова сгруппированы в пять стадий повреждения деревьев, и они снова в три группы, обозначающие здоровые деревья (без повышенной прозрачности кроны), уровень опасности (незначительное повышение прозрачности кроны) и серьезно поврежденные деревья (значительно повышенная прозрачность кроны) (Wellbrock et al. ., 2018). Стандартная ошибка статистики составляет 2,3% (BMEL, 2020).

Вспомогательные данные для анализа зависимости смертности

Температура поверхности земли (LST) в дневное время была выбрана из набора данных Terra LST и излучательной способности за 8 дней в глобальном масштабе на 1 км, представленных в каталоге данных Earth Engine.Тепловые инфракрасные диапазоны 31 и 32 MODIS были введены в обобщенный алгоритм LST с разделенным окном, в котором топографическая информация первого порядка (т. Е. Высота) учитывается при моделировании переноса излучения. Мы проанализировали данные LST с июня по сентябрь в 2018 и 2020 годах с акцентом на летние засухи.

Кроме того, анализируется зависимость прозрачности крон от осадков. Многолетние месячные осадки за 2007–2018 годы приведены на расстоянии 1 км в наборе данных OpenLandMap (Hengl, 2018).В подходе используется информация о влажности почвы, полученная с помощью усовершенствованного скаттерометра METOP (ASCAT), которая передается в процессор SM2RAIN для получения данных об осадках (Brocca et al., 2019). С помощью кубических сплайнов он был уменьшен до 1 км и усреднен между продуктами осадков WorldClim, CHELSA и IMERGE. Здесь для пространственного анализа здоровья ели выбраны многолетние августовские осадки.

Данные о высоте взяты из продукта Shuttle Radar Topography Mission (SRTM) V3 C-диапазона с разрешением 1 угловая секунда, т.е.э., около 30 м на экваторе (Farr et al., 2007). Пробелы и пустоты были заполнены дополнительными данными, такими как Глобальная цифровая модель рельефа ASTER 2 (Fujisada et al., 2012). Экспозиция и уклон были рассчитаны по данным о высоте с помощью функций местности GEE.

Подход

Подход использует статистику здоровья леса, примененную к анализу NDVI, полученному Sentinel-2. В основу анализа положены два основных допущения: Первое допущение предполагает, что статистика здоровья ели в Северном Рейне-Вестфалии является репрезентативной также для еловых насаждений в Северном Эйфеле.Заслуживающие внимания еловые насаждения можно найти только на юге Северного Рейна-Вестфалии. Рядом с регионом Северный Эйфель, особенно в Зауэрланде и, в меньшей степени, в Бергишес-Ланде и Везербергланде есть еловый покров. Эти регионы имеют сопоставимую высоту (100–600 м), схожую геологию — немецкие низкогорные хребты, развитые в Девоне и Триасе, и с таким же генезисом почвы. То есть экологические условия аналогичны Северному Эйфелю. При наличии более конкретных данных об уровне прозрачности кроны ели для интересующей области это можно реализовать аналогичным образом.Во-вторых, предполагается, что здоровье дерева постоянно увеличивается с NDVI. С ранее упомянутыми уровнями повреждения прозрачности кроны и связанным с ними обесцвечиванием листвы и дефолиацией кроны можно наблюдать снижение содержания хлорофилла. Таким образом, предположение о снижении NDVI при увеличении повреждения деревьев в целом справедливо и подтверждается многими исследованиями (Lausch et al., 2013; Misurec et al., 2016; Spruce et al., 2019; Gomez et al., 2020; Bryk и др., 2021).

Основываясь на этих предварительных условиях, наш простой подход оценивает NDVI отчетного года и определяет пороговые значения NDVI для групп поврежденная ель и ель на уровне предупреждения .Применяя те же пороговые значения к целевому году вместо базового, данные можно соответствующим образом классифицировать. В этом исследовании мы выбрали 2018 год в качестве базисного года и 2020 год в качестве целевого года. Все данные обрезаются до интересующей области, чтобы обеспечить региональную статистику. Без этого выбора анализ можно применить и к более крупным масштабам, но расчет статистики в GEE ограничен определенным количеством пикселей. Обходной путь — уменьшить пространственное разрешение анализа.

Во-первых, для отчетного года медианные данные Sentinel-2 были классифицированы методом контролируемой машины опорных векторов (SVM).Учебные полигоны были предоставлены для классов ель , прочие лесные , водные и прочие . Последний класс включает полигоны для населенных пунктов, пастбищ и сельского хозяйства. Ядро радиальной базисной функции (RBF) используется для решения нелинейных задач с промежуточными параметрами гиперплоскости (гамма 0,5) и запаса (стоимостью 10) (Cortes and Vapnik, 1995). Наш подход к классификации применялся ранее, например, Wessel et al. (2018) успешно применили аналогичный метод классификации пород деревьев с использованием данных Sentinel-2.Затем дополнительно анализируется площадь полученного класса елей для отчетного года, другие классы игнорируются. Все значения NDVI класса ели используются для расчета гистограммы и соответствующей CDF. В соответствии со статистикой леса, указывающей процент поврежденных (уровень предупреждения) елей, получают порог NDVI для определенного процента пикселей. CDF в физическом домене NDVI обеспечивает вероятность того, что NDVI ниже порогового значения для поврежденной ели ( N D V I D ).Здесь для отчетного 2018 года лесная статистика Северного Рейна-Вестфалии показывает, что 37% елей повреждено:

P(x≤NDVID)=∫-1NDVIDtdt=0,37(1)

Точно так же статистика показывает, что 36% еловых лесов в 2018 году достигли уровня опасности. Этот уровень используется для получения соответствующего порога.

P(NDVID≤x≤NDVIW)=∫NDVIDNDVIWtdt=0,36(2)

Из-за большого количества пикселей и бинов гистограммы мы отказались от подгонки функции CDF и использовали исходную CDF NDVI, т.е.е., эмпирический CDF, вместо этого с незначительной ошибкой.

один раз N D V I D N и N D V I W W были получены на основе ориентированного года, со случайным выбором соответствующих пикселей (здесь 10% каждого уровня) на трех уровнях, SVM с учителем был обучен на основе медианных составных полос Sentinel-2 базового года. Для классификации по уровням прозрачности ели использовались те же параметры, что и в предыдущем приложении SVM для классификации земного покрова.В дополнение к классам, представленным в лесной статистике, мы хотели отдельно выделить вырубленные еловые насаждения. SVM был обучен на репрезентативных областях данных Sentinel-2 2020 года. Затем эта информация применяется для классификации среднего составного значения Sentinel-2 в целевом 2020 году. Однако промежуточные результаты показали значительные различия в значениях отражательной способности медианных композитов базового и целевого лет. Расчет медианы не смог полностью это компенсировать.Поэтому подход сопоставления CDF был применен для каждой средней составной полосы, чтобы скорректировать смещения и сопоставить значение целевого пикселя изображения с соответствующим значением в эталонном CDF, которое имеет эквивалентное значение кумулятивной вероятности. Такой подход обеспечивает полную сопоставимость данных Sentinel-2 разных лет, где атмосферные условия не были полностью скорректированы, или где были разные углы наблюдения или условия освещения. Обратите внимание, что это сопоставление CDF было применено к полному срединному изображению, а не только к классу ели.

Рассчитываются доли площади трех классов состояния здоровья ели для контрольного года. Кроме того, классы оцениваются с точки зрения их частоты на определенных уровнях LST, высоты, наклона и аспекта. Обработка данных Sentinel-2 выполняется в масштабе 20 м из соображений производительности. Анализ гистограммы, относящейся к упомянутым предварительным условиям окружающей среды, выполняется с разрешением 50 м.

Результаты и обсуждение

Засуха

Аномалии влажности почвы в корневой зоне (начиная с 2015 г.), пространственно усредненные для региона Северный Эйфель, представлены на рисунке 3.Они указывают относительные различия между годами для оценки относительной засушливости в течение сезонов. В то время как 2016 год был очень влажным летом, а 2017 год был нормальным, в последние годы наблюдается серьезная засуха. В конце мая 2018 г. началась сильная засуха, которая продолжалась до конца года. Зимой 2018/2019 гг. осадков было недостаточно для восстановления влагоемкости почвы. Уже в марте 2019 г. условия влажности почвы были несколько ниже среднего, но здесь особые предпосылки 2018 г. и большая продолжительность в 7 месяцев стали вызовом для некоторых экосистем.2020 год характеризовался очень сухой весной, отделенной от засушливого лета небольшим количеством осадков.

Рис. 3. Аномалии влажности подповерхностных почв СМАП за 2016–2020 гг., осредненные по району исследований. Аномалии рассчитаны по отношению к базовому периоду 2015–2020 гг. Из-за непостоянных 2–3-дневных сборов SMAP он показан в виде точечной диаграммы.

Это показывает, что за последние 2018–2020 годы несколько экосистем пострадали от засушливых погодных условий.Кроме того, еловые насаждения располагались на малоплодородных участках Эйфеля с маломощными почвами (Montzka et al., 2008a,b), еще менее продуктивных для сельского хозяйства. Неглубокие почвы над коренной породой имеют очень низкую общую влагоемкость, поэтому более длительные засушливые периоды не могут быть преодолены. Эти два взаимосвязанных фактора приводят к увеличению смертности елей в Северном Эйфеле. Другой причиной является заражение короедом, например, Netherer et al. (2019) сообщают, что для австрийских лесов сухие и неглубокие почвы обычно менее подвержены влиянию, но доказано, что острая засуха повышает вероятность нападения короедов.Поскольку малая глубина почвы не отражается должным образом в информации о почве с более высоким разрешением, предоставляемой каталогом данных Earth Engine, например, картой текстуры почвы OpenLandMap, более подробный анализ может дать вводящие в заблуждение результаты в рамках GEE. Заинтересованные аналитики могут использовать для этой цели почвенную карту Северного Рейна-Вестфалии масштабом 1:50.000.

Определение площади, покрытой елью

Результаты классификации SVM за 2018 базисный год были оценены с использованием независимых выборок для проверки.Коэффициент каппа (Hudson and Ramm, 1987) для классификации составляет 0,965. Матрица путаницы показывает, что только класс , другой , имеет неправильную классификацию, ель класса была классифицирована идеально. Разделяемость ели замечательна, особенно при использовании всего потенциала полос Sentinel-2. Визуальный осмотр результатов классификации указывает на незначительные ошибки классификации ели на береговой линии озер, где спектральная характеристика смешанных пикселей и повторное озеленение выпавших засушливых участков после летнего периода ближе всего к ели класса .Классификация показана на рисунке 4 в соответствии с мультиспектральными данными Sentinel-2 за 2018 и 2020 годы (рисунок 5).

Рис. 4. Результат классификации методом опорных векторов (SVM) срединного композита Sentinel-2 2018 г. для Северного Эйфеля (темно-зеленый — ель; светло-зеленый — другой лес; синий — вода; белый — прочее).

Рисунок 5. Sentinel-2 медианная композиция июля/августа (RGB = B4, B3 и B2) (A) для 2018 года и (B) для 2020 года (сопоставление CDF).

Количественная оценка классов здоровья деревьев

Из лесной статистики за 2018 год проценты поврежденного и предупреждающего уровней для ели (т. е. 37% и 36% соответственно) были применены к CDF NDVI, чтобы получить пороговые значения для различения трех уровней прозрачности верхушек деревьев. Соответствующая гистограмма и CDF за 2018 г. представлены на рис. 6. Гистограмма NDVI ели за 2018 г. близка к гауссовой со средним значением 0,78, но слегка скошена хвостом в сторону более низкого NDVI. CDF обеспечивает полученные пороги N D V D 8 и N и V I W с 0.774 и 0,808 соответственно. Это согласуется с другими исследованиями, посвященными оценке здоровья ели или вспышек короеда (Lastovicka et al., 2020; Zimmermann and Hoffmann, 2020).

Рисунок 6. Гистограмма GEE (вверху) и CDF (в центре) ели NDVI 2018 и CDF (внизу) ели 2020. CDF 2018 используется для определения порога NDVI для ели с поврежденным и предупредительным уровнями согласно лесной статистике .

В 2020 году CDF предоставил другую картину (рис. 6).Здесь CDF непрерывно увеличивается от 0,15, где вырубленные еловые насаждения характеризуются низким NDVI. После засухи 2018 года и последующей вырубки деревьев индекс NDVI увеличивается в некоторых местах в связи со случайным повторным озеленением подлеска.

После определения уровней здоровья ели на основе медианного композита Sentinel-2, согласованного с CDF, за 2020 г. были рассчитаны их доли (табл. 1). Оценка доли площади, попадающей в класс здоровых , была близка к оценке лесной статистики, т.е.э., 28,4% и 26% соответственно. Предупреждающий уровень класса завышен, а класс поврежденный недопредставлен в оценке дистанционного зондирования, т. е. большое количество 45% поврежденной ели не полностью захвачено с долей площади 38,3%. В этом классе объединены поврежденные и удаленные еловые насаждения. 13,8% елей можно считать поврежденными, так как они уже удалены.

Таблица 1. Доли классифицированных состояний здоровья ели по данным лесной статистики и предлагаемого метода дистанционного зондирования.

Сопоставление CDF данных целевого года Sentinel-2 с базовым годом очень важно. В противном случае неадекватно компенсированные атмосферные условия могут повлиять на пороговое применение и, следовательно, на относительные доли площади трех основных классов. Здесь передовые методы атмосферной коррекции, например, с использованием псевдоинвариантных признаков (Schott et al., 1988) или многомерного обнаружения изменений с итеративным взвешиванием (Canty and Nielsen, 2008), могут повысить точность применяемого метода.

На рис. 7 показаны пространственные масштабы уровней здоровья ели в северной части Эйфеля. Удаленные классы и поврежденные кажутся более компактными, чем классы уровня предупреждения и здоровых . Для удаленных это явно связано с лесохозяйственной деятельностью, обычно применяемой на больших участках, тогда как для поврежденных класса это может быть показателем экологических предпосылок для жизнеспособности ели.Рисунок 7 и визуальный осмотр ландшафта, такой как на рисунке 2, позволяют предположить, что затронуты не отдельные деревья, а большие участки монокультур ели. В дополнение к генотипу елового насаждения на участке, который может проявлять особую устойчивость к засухе, на участок ели в целом могут влиять и общие факторы, такие как влагоемкость почвы или количество осадков. Дальнейший анализ этих условий окружающей среды представлен в разделе «Зависимость здоровья ели от условий окружающей среды». Разделение между предупреждающими уровнями и здоровыми классами не то чтобы четко локализовано, а постепенно проходит через посылки. Здесь необходимы дополнительные исследования, если NDVI является адекватным вегетационным индексом для определения уровней прозрачности все еще плотных еловых крон.

Рисунок 7. Удаленные классы здоровья ели 2020 г. (черный), поврежденные (красный), уровень опасности (желтый) и здоровый (зеленый), оцененные в этом исследовании в отношении CDF, соответствующего среднему составному Sentinel-2 за 2020 г.Область интереса занимает площадь 533 км 2 .

На рисунке 8 мы показываем подробный пример для периода с июля по август в 2018 и 2020 годах. На верхней панели показан медианный составной Sentinel-2 для базисного 2018 года и изменения через два года для того же периода года (средний и нижнюю панель). Во-первых, два изображения RGB кажутся очень похожими в результате сопоставления CDF. Это относится не только к полосам B2–B4, используемым для построения RGB, но и к другим полосам, включая B8, который был выбран для расчета NDVI (B4 и B8).Во-вторых, расчищенные участки в 2020 году очень заметны, и, если сравнивать с классификацией внизу, действительно удалена только ель. Эти местоположения очень хорошо фиксируются процедурой, представленной ранее. Причем в восточной части этого участка преобладают сильно поврежденные участки ели, происходящие как из более низкого возвышенного участка с в целом меньшим количеством осадков, так и с подветренной стороны к преобладающим западным ветрам, с относительно более сухими нисходящими воздушными массами.Взаимосвязь уровней жизнеспособности ели с условиями окружающей среды обсуждается в разделе «Зависимость здоровья ели от условий окружающей среды» .

Рисунок 8. Данные Sentinel-2 (RGB = B4, B3 и B2) о районе плотины Вехе на антиклинали Венна за 2018 г. (вверху), 2020 г. (в центре, соответствие CDF) и расчетные классы здоровья ели в 2020 г. (внизу снято = черное, повреждено = красное, уровень предупреждения = желтый, исправный = зеленый).

Лесоводы подтверждают, что основной причиной гибели ели в Северном Эйфеле являются засушливые условия последних лет.Более ранние исследования в еловых лесах немецкой уже сообщали о воздействии на более засушливые участки, где прозрачность кроны была выше в годы после жаркого лета (Seidling et al., 2012). Однако на мелкие фракции также влияет ветровал, который может не учитываться непосредственно в применяемой здесь статистике лесов. В пользу этой интерпретации может свидетельствовать особый случай: 13 марта 2019 г. смерч опустошил дома и леса вблизи деревни Рётген на юго-западе исследуемой территории. На рис. 9 показаны условия до и после торнадо и соответствующая классификация здоровья ели на 2020 год.Повреждения в пределах следа торнадо хорошо видны на сцене Sentinel-2 2020 года, но 4-километровая схема выборки лесной статистики не сможет определить полное измерение.

Рис. 9. Медианное композитное изображение Sentinel-2 (RGB = B4, B3 и B2) за 2018 г. до торнадо (вверху), 2020 г. после торнадо (в центре, CDF соответствует) и оценочные классы здоровья ели в 2020 г. (внизу снято = черное, повреждено = красное, уровень предупреждения = желтый, исправный = зеленый).

Зависимость здоровья ели от условий окружающей среды

Различные уровни жизнеспособности европейской ели в северной части Эйфеля были проанализированы с точки зрения их зависимости от осадков, LST, высоты, уклона и экспозиций. На рис. 10 показаны как абсолютное количество пикселей при разрешении 50 м в зависимости от этих факторов, так и относительные доли, нормализованные по общей ели.

Рисунок 10. Гистограммы уровней здоровья ели, выраженные в количестве пикселей, показывающие конкретный уровень здоровья на 2020 г. в зависимости от условий окружающей среды, таких как осадки в августе (A,B) летняя температура поверхности земли с июня по сентябрь 2018 г. –2020 (C,D) высота (E,F) уклон (G,H) и экспозиция (I,J) .Показаны как абсолютное количество пикселей (слева), так и относительные доли площади ели (справа).

На рисунке 10A показаны типичные августовские осадки (ось X ) в диапазоне от 77 до 93 мм (панели A и B). Важность осадков для жизнеспособности ели уже была продемонстрирована соответствующей влажностью почвы на рисунке 3. По оси Y показано абсолютное количество пикселей, классифицированных как ель. Большинство елей получают от 82 до 92 мм осадков. Рисунок 10B показывает, что существует четкая тенденция к увеличению доли удаленных и поврежденных елей при меньшем количестве осадков.Это указывает на то, что осадки (дефицит) можно рассматривать как один из основных факторов гибели ели и что более засушливые районы требуют повышенного внимания для преобразования монокультурного елового леса в устойчивый смешанный широколиственный лес. Тем не менее, более влажные районы классифицируются по уровню предупреждения , уже предсказывая дальнейшее воздействие ожидаемых изменений в климатической системе.

Анализ летнего распределения LST по местам произрастания ели, показанным на рисунках 10C,D, был выполнен для того, чтобы выяснить влияние относительных долей энергии за счет инсоляции и потерь транспирируемой воды для охлаждения растений.Это приводит к тому, что для большинства еловых лесов LST составляет 22°C. При игнорировании немногочисленных насаждений с летней ТПН < 21°C и >26°C также становится видна тенденция. Увеличение смертности задокументировано с увеличением летнего LST. Как и в случае с осадками, ель на уровне предупреждения равномерно распределена по территории, что позволяет прогнозировать, что более низкая летняя LST может не помочь снизить смертность в будущем.

Рисунки 10E,F подтверждают гипотезу о том, что удаленные и поврежденные деревья все чаще встречаются на более низких высотах от 600 до 200 м над уровнем моря.Общее впечатление на Рисунке 7 состоит в том, что негативное воздействие увеличивается с юго-запада на северо-восток, что может соответствовать общему уменьшению высоты. Эту гипотезу подтверждает рис. 10. Очевидно, что одни и те же закономерности возникают по высоте, а также по летним осадкам и LST, совпадающим в районе исследований.

Распределение уровней жизнеспособности ели в зависимости от крутизны склонов, показанное на рисунках 10G,H, происходит из предположения, что почвы на более крутых склонах более мелкие, чем почвы на равнинных участках, из-за сил гравитации и эрозии.Эти неглубокие почвы над коренной породой могут иметь более низкую водоудерживающую способность, что указывает на более низкую устойчивость культивируемых деревьев к засушливым условиям. При уклонах до 8° в Северном Эйфеле согласно модели высот SRTM с разрешением в 1 угловую секунду тенденция не просматривается. Поврежденная ель может несколько увеличиваться с уклоном, но это не существенно.

На рисунках 10I,J показано соотношение между ориентацией склона холма по отношению к солнцу, выраженной в градусах, считая по часовой стрелке, где 0° и 360° соответствуют северу, и различными уровнями здоровья.Изучение этой взаимосвязи основывается на предположении, что направление прямого солнечного излучения относительно изменяет эвапотранспирацию и, следовательно, запасы почвенной влаги. Здесь заметного тренда не видно, но есть небольшая тенденция поврежденной ели с более высокими фракциями при 160–200°, т. е. ориентация на юг.

Таким образом, имеются данные о тенденциях пространственного распределения воздействия на еловые насаждения, где осадки и соответствующие зависимости LST и высоты являются наиболее значительными.Меньшая тенденция видна для аспекта в зависимости от инсоляции, но наклон, похоже, не влияет.

Заключение и перспективы

В данном исследовании мы представили подход, позволяющий перенести статистику мониторинга лесов отчетного года (2018) на данные Sentinel-2 для выявления различных уровней прозрачности крон ели. Мы использовали индекс вегетации ели CDF для выявления участков с высокой прозрачностью кроны и уровнем предупреждения, когда здоровье деревьев уже было нарушено.Кроме того, их доля площади была рассчитана для целевого года (2020 г.), а также для поддержки статистической оценки и отчетности. В течение двух лет в районе Северный Эйфель пришлось удалить 14% елей, так как в последние годы они стали жертвами экстремальной засухи. Доля деревьев с высокой прозрачностью кроны увеличилась до 38,3% (с учетом вырубленных), что свидетельствует о драматической ситуации в типичных монокультурах ели европейской в ​​этом районе. Всего 28.3% остаются в хорошем состоянии. Фракции площади подтверждаются последними статистическими данными о лесах за 2020 год. На фоне того, что европейская ель не является эндемичной для Эйфеля, текущее и будущее управление лесами должно перейти к альтернативным породам, таким как каштан и американский красный дуб.

Расширение или передача исследования на уровень федеральной земли или в другие центральноевропейские еловые районы, такие как Тюрингенский лес, Эрцгебирге, Хунсрюк, Таунус, Вестервальд, Ротхааргебирге, Гарц или южные районы Эйфеля, возможно путем выбора нескольких адекватных учебных данные.Однако проведение статистической оценки результатов GEE является ограничивающим фактором для выбора размера региона. Кроме того, также возможна оценка здоровья ели в национальном масштабе для выявления мест, где ель находится под давлением. Использование для этой цели так называемых участков экологического мониторинга уровня II для жизнеспособности леса может привести к созданию стандартизированного инструмента мониторинга ели (Seidling, 2004). Точно так же подходы машинного обучения могут быть обучены данным, полученным на сетке выборки 4 × 4 км, для прогнозирования фактических уровней жизнеспособности ели.

Хотя было интересно предоставить надежный инструмент для оценки состояния здоровья елей в немецких низкогорных хребтах, некоторые улучшения все же возможны. Например, хотя NDVI является надежной метрикой, у него могут быть проблемы с насыщением и нелинейностью с пологом леса (Stone and Mohammed, 2017). Альтернативные вегетационные индексы могут улучшить имеющиеся результаты и могут лучше дифференцировать пораженные и неповрежденные еловые насаждения за счет преодоления эффектов насыщения NDVI.Индексы, зависящие от красного края, связанные с водой индексы, включающие полосу SWIR, или комбинация нескольких индексов могут повысить эффективность метода (см., например, Hawrylo et al., 2018; Abdullah et al., 2019; Lastovicka et al., 2020). ). Наш подход заключался в том, чтобы поддержать статистическую оценку здоровья деревьев, чтобы сроки наблюдений были согласованы с обследованием in situ . Однако Solberg (2004) обсудил причинно-следственные механизмы состояния кроны европейской ели и засух и заметил, что дефолиация является результатом повышенного опада хвои осенью после засушливого лета.Таким образом, отсрочка in situ и дистанционные наблюдения могут выявить самые последние воздействия засух на еловые насаждения. Кроме того, технические усовершенствования, такие как реализация Python API вместо приложения JavaScript, повысят гибкость инструмента с точки зрения обработки данных, а также вторичного анализа предварительных условий окружающей среды.

В этом исследовании сообщалось о значительной зависимости вырубленной и поврежденной ели от осадков и высоты над уровнем моря, что является явным признаком ограниченной устойчивости ели обыкновенной к усиливающимся условиям засухи и изменению климата.Выявленные здесь отмирающие насаждения ели, а также условия их окружающей среды можно использовать для разработки различных сценариев трансформации (Hilmers et al., 2020) и для прогнозирования потенциального вторичного заражения (Lausch et al., 2013). Предлагаемый метод может использоваться для оценки лесов in situ , а также для государственных программ мониторинга с целью определения приоритетов методов управления или выявления особо уязвимых еловых насаждений. Подход, примененный для тематического исследования Северного Эйфеля, может служить образцом для аналогичных анализов в еловых лесах, затронутых изменением климата.

Наличие кода

Доступ к инструменту GEE и код JavaScript можно протестировать и реализовать для собственных целей по следующей ссылке: https://code.earthengine.google.com/cde6a13b3c35a72a5d6bf0c3e5a3ea7a.

Заявление о доступности данных

Оригинальные вклады, представленные в исследовании, включены в статью/дополнительный материал, дальнейшие запросы можно направлять соответствующему автору.

Вклад авторов

CM: концептуализация, методология, реализация, визуализация и первоначальный проект.BB, AT, DM и HV: обзор и редактирование рукописи. Все авторы внесли свой вклад в статью и одобрили представленную версию.

Финансирование

Мы выражаем благодарность Федеральному министерству экономики и технологий Германии за поддержку проекта AssimEO в рамках гранта 50EE1914A, Федерального министерства образования и исследований Германии в отношении сельскохозяйственных систем будущего DAKIS (грант 031BO729F) и исследовательской инфраструктуре Гельмгольца. Модульные решения для наблюдения за системами Земли (MOSES).

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Сноски

    Каталожные номера

    Абдулла Х., Скидмор А.К., Дарвишзаде Р. и Хойрих М. (2019). Sentinel-2 точно отображает стадию зеленой атаки европейского елового короеда ( Ips typographus , L.) по сравнению с Landsat-8. Дистанционный датчик Ecol. Против. 5, 87–106. doi: 10.1002/rse2.93

    Полнотекстовая перекрестная ссылка | Академия Google

    Али, М., Монцка, К., Стадлер, А., Менц, Г., Тонфельд, Ф., и Верекен, Х. (2015). Оценка и валидация временных рядов индекса площади листьев озимой пшеницы в сельском водосборе (Германия). Дистанционный датчик Базель. 7, 2808–2831. дои: 10.3390/70302808

    рупий

    Полнотекстовая перекрестная ссылка | Академия Google

    Аллен, К. Д., Макалади, А.К., Ченчуни Х., Бачелет Д., Макдауэлл Н., Веннетье М. и др. (2010). Глобальный обзор смертности деревьев, вызванной засухой и жарой, показывает возникающие риски изменения климата для лесов. Для. Экол. Управление 259, 660–684. doi: 10.1016/j.foreco.2009.09.001

    Полнотекстовая перекрестная ссылка | Академия Google

    Андерегг, В.Р.Л., Кейн, Дж.М., и Андерегг, Л.Д.Л. (2013). Последствия массовой гибели деревьев, вызванной засухой и температурным стрессом. Нац. Клим.Изменение 3, 30–36. doi: 10.1038/nclimate1635

    Полнотекстовая перекрестная ссылка | Академия Google

    Anderegg, W.R.L., Martinez-Vilalta, J., Cailleret, M., Camarero, J.J., Ewers, B.E., Galbraith, D., et al. (2016). Когда дерево умирает в лесу: масштабирование смертности деревьев, вызванной климатом, до потоков воды и углерода в экосистеме. Экосистемы 19, 1133–1147. doi: 10.1007/s10021-016-9982-1

    Полнотекстовая перекрестная ссылка | Академия Google

    БМЭЛ (2015 г.). Бундесвальдинвентур. Бонн: Федеральное министерство продовольствия и сельского хозяйства (BMEL).

    Академия Google

    БМЭЛ (2020). Ergebnisse der Waldzustanderhebung 2019. Бонн: Федеральное министерство продовольствия и сельского хозяйства (BMEL).

    Академия Google

    Богена, Х. Р., Монцка, К., Хуисман, Дж. А., Граф, А., Шмидт, М., Стокингер, М., и соавт. (2018). Гидрологическая обсерватория ТЕРЕНО-рур: многомасштабная многокомпонентная исследовательская платформа для развития гидрологической науки. Зона Вадосе J. 17:55. doi: 10.2136/vzj2018.03.0055

    Полнотекстовая перекрестная ссылка | Академия Google

    Болтен, Дж. Д., Кроу, В. Т., Жан, X. В., Джексон, Т. Дж., и Рейнольдс, К. А. (2010). Оценка полезности извлечения данных о влажности почвы с помощью дистанционного зондирования для оперативного мониторинга засухи в сельском хозяйстве. IEEE J. Выберите. Вверх. заявл. Наблюдение за Землей. Рем. Sens. 3, 57–66. doi: 10.1109/Jstars.2009.2037163

    Полнотекстовая перекрестная ссылка | Академия Google

    Бориан, П., Субсол Г. и Каральо Ю. (2017). Автоматизированный эффективный расчет прозрачности кроны по изображениям силуэтов деревьев. Вычисл. Электрон. агр. 133, 108–118. doi: 10.1016/j.compag.2016.12.011

    Полнотекстовая перекрестная ссылка | Академия Google

    Brocca, L., Filippucci, P., Hahn, S., Ciabatta, L., Massari, C., Camici, S., et al. (2019). SM2RAIN-ASCAT (2007–2018): глобальные ежедневные спутниковые данные об осадках, полученные на основе наблюдений ASCAT за влажностью почвы. Система Земли. науч. Данные 11, 1583–1601.doi: 10.5194/essd-11-1583-2019

    Полнотекстовая перекрестная ссылка | Академия Google

    Брык М., Колодзей Б. и Плишка Р. (2021). Изменения здоровья европейской ели в белове (z) над дота-лесом (CE Europe) в 2013-2019 годах во время заражения короедом, изученные с помощью спутниковых снимков. Леса 12:10034. дои: 10.3390/f12010034

    Полнотекстовая перекрестная ссылка | Академия Google

    Бурас, А., Раммиг, А., и Занг, К.С. (2020). Количественная оценка воздействия засухи 2018 года на европейские экосистемы по сравнению с 2003 годом. Биогеонауки 17, 1655–1672. doi: 10.5194/bg-17-1655-2020

    Полнотекстовая перекрестная ссылка | Академия Google

    Байер С. и Джин Ю. Ф. (2017). Выявление вызванной засухой гибели деревьев в лесах Сьерра-Невады с помощью временных рядов спутниковых данных. Дистанционный датчик Базель. 9:ARTN929. дои: 10.3390/rs29

    Полнотекстовая перекрестная ссылка | Академия Google

    Канти, М. Дж., и Нильсен, А. А. (2008). Автоматическая радиометрическая нормализация многовременных спутниковых изображений с итеративно перевзвешенным преобразованием MAD. Дистанционный датчик окружающей среды. 112, 1025–1036. doi: 10.1016/jrse.2007.07.013

    Полнотекстовая перекрестная ссылка | Академия Google

    Дай, А. Г. (2013). Усиление засухи при глобальном потеплении в наблюдениях и моделях (том 3, стр. 52, 2013 г.). Нац. Клим. Изменить 3, 171–171. дои: 10.1038/Nclimate1811

    Полнотекстовая перекрестная ссылка | Академия Google

    Друш М., Дель Белло У., Карлье С., Колин О., Фернандес В., Гаскон Ф. и др. (2012). Sentinel-2: оптическая миссия ЕКА с высоким разрешением для оперативных служб GMES. Дистанционный датчик окружающей среды. 120, 25–36. doi: 10.1016/jrse.2011.11.026

    Полнотекстовая перекрестная ссылка | Академия Google

    Фарр, Т.Г., Розен, П.А., Каро, Э., Криппен, Р., Дурен, Р., Хенсли, С., и соавт. (2007). Топографическая миссия шаттла. Ред. Геофиз. 45:RG2004. дои: 10.1029/2005rg000183

    Полнотекстовая перекрестная ссылка | Академия Google

    Fassnacht, F.E., Latifi, H., and Koch, B. (2012). Угловой вегетационный индекс для визуализации данных спектроскопии — предварительные результаты обнаружения повреждений леса в Баварском национальном парке, Германия. Междунар. Дж. Заявл. Обсерв. Земли 19, 308–321. doi: 10.1016/j.jag.2012.05.018

    Полнотекстовая перекрестная ссылка | Академия Google

    Флеминг, А. Л., Ван, Г. X., и МакРобертс, Р. Э. (2015). Сравнение методов многомасштабного картирования углерода в лесах и анализа пространственной неопределенности: объединение данных национальных участков инвентаризации лесов и изображений TM landsat. евро. Дж. Для. Рез. 134, 125–137. doi: 10.1007/s10342-014-0838-y

    Полнотекстовая перекрестная ссылка | Академия Google

    Фудзисада, Х., Урай, М., и Ивасаки, А. (2012). Техническая методология ASTER Global DEM. Транзакция IEEE. Geosci. Дистанционный датчик 50, 3725–3736. doi: 10.1109/Tgrs.2012.2187300

    Полнотекстовая перекрестная ссылка | Академия Google

    Гомес, Д. Ф., Ритгер, Х. М. В., Пирс, К., Эйкворт, Дж., и Халкр, Дж. (2020). Способность систем дистанционного зондирования обнаруживать пятна короедов на юго-востоке США. Леса 11:1167.

    Академия Google

    Горелик, Н., Ханчер, М., Диксон М., Ильющенко С., Тау Д. и Мур Р. (2017). Google Earth Engine: геопространственный анализ планетарного масштаба для всех. Дистанционный датчик окружающей среды. 202, 18–27. doi: 10.1016/jrse.2017.06.031

    Полнотекстовая перекрестная ссылка | Академия Google

    Хансен М.С., Потапов П.В., Мур Р., Ханчер М., Турубанова С.А., Тюкавина А. и соавт. (2013). Глобальные карты изменения лесного покрова в 21 веке в высоком разрешении. Наука 342, 850–853. doi: 10.1126/наука.1244693

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Хасан С., Монцка К., Рюдигер К., Али М., Богена Х. и Верекен Х. (2014). Извлечение почвенной влаги с помощью бортовой пассивной микроволновой печи L-диапазона с использованием мультиспектральных данных высокого разрешения. ISPRS J. Фотограмма. Дистанционный датчик 91, 59–71.

    Академия Google

    Хаврило П., Беднарз Б., Везик П. и Шостак М. (2018). Оценка дефолиации насаждений сосны обыкновенной с использованием методов машинного обучения и вегетационных индексов Sentinel-2. евро. Дж. Дистанционный датчик 51:194. дои: 10.1080/22797254.2018.1469337

    Полнотекстовая перекрестная ссылка | Академия Google

    Хенгл Т. (ред.). (2018). Месячное количество осадков в мм на 1 км Разрешение На основе SM2RAIN-ASCAT 2007-2018, IMERGE, CHELSA Climate и WorldClim. Кастельон: OpenLandMap.

    Академия Google

    Хилмерс, Т., Бибер, П., Кнок, Т., и Преч, Х. (2020). Оценка сценариев трансформации чистой ели европейской в ​​смешанные разновозрастные леса в горных районах. евро. Дж. Для. Рез. 139, 567–584. doi: 10.1007/s10342-020-01270-y

    Полнотекстовая перекрестная ссылка | Академия Google

    Holzwarth, S., Thonfeld, F., Abdullahi, S., Asam, S., Da Ponte Canova, E., Gessner, U., et al. (2020). Мониторинг лесов Германии на основе наблюдения Земли: обзор. Дистанционный датчик Базель 12:3570.

    Академия Google

    Хадсон, В., и Рамм, К.В. (1987). Правильное формирование каппа-коэффициента согласия. Фотограмма.англ. Дистанционный датчик 53, 421–422.

    Академия Google

    Иммитцер, М., и Атцбергер, К. (2014). Раннее выявление заражения короедом ели европейской ( Picea abies , L.) с использованием данных WorldView-2. Фотограмма. Фернерк. 14, 351–367. дои: 10.1127/1432-8364/2014/0229

    Полнотекстовая перекрестная ссылка | Академия Google

    Ластовицка Дж., Швец П., Палуба Д., Коблюк Н., Свобода Дж., Гладкий Р. и соавт. (2020). Данные Sentinel-2 в оценке воздействия нарушений на лесную растительность. Дистанционный датчик Базель. 12:1914. дои: 10.3390/rs12121914

    Полнотекстовая перекрестная ссылка | Академия Google

    Латифи, Х., Дамс, Т., Бойдерт, Б., Хойрих, М., Куберт, К., и Деч, С. (2018). Синтетические данные RapidEye, использованные для обнаружения гибели елей в зависимости от площади, вызванной короедом. Гиши. Дистанционный датчик 55, 839–859. дои: 10.1080/15481603.2018.1458463

    Полнотекстовая перекрестная ссылка | Академия Google

    Лауш А., Эрасми С., Кинг Д.Дж., Магдон П. и Хойрих М. (2016). Понимание здоровья лесов с помощью дистанционного зондирования – часть IA, обзор спектральных характеристик, процессов и характеристик дистанционного зондирования. Дистанционный датчик Базель. 8:1029. дои: 10.3390/rs8121029

    Полнотекстовая перекрестная ссылка | Академия Google

    Лауш, А., Хойрих, М., Гордалла, Д., Добнер, Х. Дж., Гвиллим-Маргианто, С., и Салбах, К. (2013). Прогнозирование потенциальных вспышек короедов на основе показателей жизнеспособности еловых лесов с использованием гиперспектральных методов дистанционного зондирования в различных масштабах. Для. Экол. Управление 308, 76–89. doi: 10.1016/j.foreco.2013.07.043

    Полнотекстовая перекрестная ссылка | Академия Google

    Линке, Дж., Фортин, М.Дж., Куртенэ, С., и Кормье, Р. (2017). Глобальные карты ежегодной потери лесов в 21 веке с высоким разрешением: независимая оценка точности и применение в лесном регионе умеренного пояса Атлантической Канады. Дистанционный датчик окружающей среды. 188, 164–176. doi: 10.1016/jrse.2016.10.040

    Полнотекстовая перекрестная ссылка | Академия Google

    Мецгер, Дж.М. и Орен Р. (2001). Влияние размеров кроны на прозрачность и оценку здоровья дерева. Экол. заявл. 11, 1634–1640.

    Академия Google

    Мезей П., Якус Р., Пеннерсторфер Дж., Хавасова М., Скваренина Дж., Ференчик Дж. и соавт. (2017). Бури, температурные максимумы и еловый короед Ips typographus — инфернальное трио в норвежских еловых лесах Высоких Татр в Центральной Европе. Агр. За. метеорол. 242, 85–95.doi: 10.1016/j.agrformet.2017.04.004

    Полнотекстовая перекрестная ссылка | Академия Google

    Мисурек Дж., Копакова В., Лхотакова З., Кэмпбелл П. и Альбрехтова Дж. (2016). Выявление пространственно-временных изменений насаждений ели европейской в ​​рудных горах с использованием временных рядов земли и гиперспектральных снимков с воздуха. Дистанционный датчик Базель. 8:92. дои: 10.3390/rs8020092

    Полнотекстовая перекрестная ссылка | Академия Google

    Montzka, C., Bogena, H. R., Weihermüller, L., Jonard, F., Bouzinac, C., Kainulainen, J., et al. (2013). Проверка яркостной температуры и влажности почвы в различных масштабах во время кампании по проверке SMOS в водосборных бассейнах Рур и Эрфт, Германия. Транзакция IEEE. Geosci. Дистанционный датчик 51, 1728–1743. doi: 10.1109/ТГРС.2012.2206031

    Полнотекстовая перекрестная ссылка | Академия Google

    Montzka, C., Canty, M., Kreins, P., Kunkel, R., Menz, G., Vereecken, H., et al. (2008а). Мультиспектральные данные дистанционного зондирования при моделировании годовой изменчивости концентраций нитратов в фильтрате. Окружающая среда. Модель. ПО 23, 1070–1081. doi: 10.1016/j.envsoft.2007.11.010

    Полнотекстовая перекрестная ссылка | Академия Google

    Монцка, К., Канти, М., Кункель, Р., Менц, Г., Верекен, Х., и Вендланд, Ф. (2008b). Моделирование водного баланса мезомасштабного водосборного бассейна с использованием данных дистанционного зондирования земельного покрова. Дж. Гидрол. 353, 322–334. doi: 10.1016/j.jhydrol.2008.02.018

    Полнотекстовая перекрестная ссылка | Академия Google

    МУНЛВ (2020). Вальдзустандсберихт 2020.Министериум для Umwelt, Landwirtschaft, Natur- und Verbraucherschutzdes Landes Nordrhein-Westfalen, Дюссельдорф. Дюссельдорф: MUNLV.

    Академия Google

    Нетерер С., Мэтьюз Б., Катценштайнер К., Блэквелл Э., Хеншке П., Хитц П. и др. (2015). Предрасполагают ли ель европейскую к нападению короедов условия ограничения воды? Новый Фитол. 205, 1128–1141. doi: 10.1111/nph.13166

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Нетерер, С., Панассити Б., Пеннерсторфер Дж. и Мэтьюз Б. (2019). Острая засуха является важным фактором заражения короедом ели австрийской норвежской. Фронт. Глоб. Чанг. 2:39. doi: 10.3389/ffgc.2019.00039

    Полнотекстовая перекрестная ссылка | Академия Google

    Нильсен М.М., Хойрих М., Мальмберг Б. и Брун А. (2014). Автоматическое картирование стоящих мертвых деревьев после нашествия насекомых с использованием метода сегментации независимого от окна контекста. Дж. Для. 112, 564–571.doi: 10.5849/jof.13-050

    Полнотекстовая перекрестная ссылка | Академия Google

    О’Брайен, М. Дж., Энгельбрехт, Б. М. Дж., Йосвиг, Дж., Перейра, Г., Шульдт, Б., Янсен, С., и др. (2017). Синтез функциональных признаков деревьев, связанных с гибелью лесов от засухи в разных климатических зонах. J. Appl. Экол. 54, 1669–1686. дои: 10.1111/1365-2664.12874

    Полнотекстовая перекрестная ссылка | Академия Google

    Панайотов М., Кулаковский Д., Цветанов Н., Крумм Ф., Барбейто И.и Беби, П. (2016). Экстремальные климатические явления во время высокой конкуренции способствуют гибели неуправляемых самоизреженных насаждений ели обыкновенной в Болгарии. Для. Экол. Управление 369, 74–88. doi: 10.1016/j.foreco.2016.02.033

    Полнотекстовая перекрестная ссылка | Академия Google

    Pretzsch, H., Grams, T., Haberle, K.H., Pritsch, K., Bauerle, T., and Rotzer, T. (2020). Рост и отпад ели европейской и бука европейского в моновидовых и смешанных насаждениях в условиях естественной эпизодической и экспериментально-продолжительной засухи.Результаты эксперимента по исключению сквозного потока KROOF. Структура деревьев. Функц. 34, 957–970. doi: 10.1007/s00468-020-01973-0

    Полнотекстовая перекрестная ссылка | Академия Google

    Рао, К., Андерегг, В. Р. Л., Сала, А., Мартинес-Вилальта, Дж., и Конингс, А. Г. (2019). Оптическая толщина растительности на основе спутниковых данных как показатель гибели деревьев из-за засухи. Дистанционный датчик окружающей среды. 227, 125–136. doi: 10.1016/j.rse.2019.03.026

    Полнотекстовая перекрестная ссылка | Академия Google

    Рихтер, Р., Луи, Дж., и Юллер-Вильм, У. М. (2012). Sentinel-2 MSI — теоретический базовый документ по алгоритму продуктов уровня 2A. Дармштадт: Telespazio VEGA Deutschland GmbH.

    Академия Google

    Роуз, Дж. В., Хаас, Р. Х., Шелл, Дж. А., и Диринг, Д. В. (1973). Мониторинг весеннего продвижения и ретроградации (эффект зеленой волны) естественной растительности. Колледж-Стейшн, Техас: Центр дистанционного зондирования, Техасский университет A&M.

    Академия Google

    Сала, А., Пайпер Ф. и Хох Г. (2010). Физиологические механизмы гибели деревьев от засухи далеки от разрешения. Новый Фитол. 186, 274–281. doi: 10.1111/j.1469-8137.2009.03167.x

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Сазиб, Н., Младенова, И., и Болтен, Дж. (2018). Использование механизма Google Earth для оценки засухи с использованием глобальных данных о влажности почвы. Дистанционный датчик Базель. 10:1265. дои: 10.3390/rs10081265

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Шотт, Дж.Р., Сальваджио К. и Волчок В. Дж. (1988). Радиометрическая нормализация сцены с использованием псевдоинвариантных признаков. Дистанционный датчик окружающей среды. 26, 1–16. дои: 10.1016/0034-4257(88)

    -2

    Полнотекстовая перекрестная ссылка | Академия Google

    Зайдлинг, В. (2004). Состояние кроны в рамках интегрированных оценок данных мониторинга уровня II на уровне Германии. евро. Дж. Для. Рез. 123, 63–74. doi: 10.1007/s10342-004-0014-x

    Полнотекстовая перекрестная ссылка | Академия Google

    Зайдлинг, В., Зиче, Д., и Бек, В. (2012). Климатические реакции и взаимосвязь прироста ствола и прозрачности кроны ели европейской, сосны обыкновенной и бука обыкновенного. Для. Экол. Управление 284, 196–204. doi: 10.1016/j.foreco.2012.07.015

    Полнотекстовая перекрестная ссылка | Академия Google

    Сенф, К., Пфлюгмахер, Д., Чжицян, Ю., Себальд, Дж., Кнорн, Дж., Нойманн, М., и др. (2018). Смертность крон деревьев в европейских лесах умеренного пояса удвоилась за последние три десятилетия. Нац. коммун. 9:4978. doi: 10.1038/s41467-018-07539-6

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Сольберг, С. (2004). Летняя засуха: факторы, влияющие на состояние кроны и гибель ели европейской в ​​Норвегии. Для. Патол. 34, 93–104. doi: 10.1111/j.1439-0329.2004.00351.x

    Полнотекстовая перекрестная ссылка | Академия Google

    Спроулл, Г. Дж., Адамус, М., Шевчик, Дж., Керстен, Г., и Швагжик, Дж. (2016). Мелкомасштабная динамика гибели елей, вызванная вредителями-короедами, в Национальном парке Бабья Гора, Польша. евро. Дж. Для. Рез. 135, 507–517. doi: 10.1007/s10342-016-0949-8

    Полнотекстовая перекрестная ссылка | Академия Google

    Спрус, Дж. П., Хике, Дж. А., Харгроув, В. В., Грулке, Н. Э., и Медденс, А. Дж. Х. (2019). Использование продуктов MODIS NDVI для картирования уровней гибели деревьев в лесах, пораженных вспышками горного соснового лубоеда. Леса 10:811. дои: 10.3390/f100

    Полнотекстовая перекрестная ссылка | Академия Google

    Штадельманн Г., Бугманн Х., Вермелингер Б.и Биглер, К. (2014). Пространственные взаимодействия между ущербом, нанесенным ураганом, и последующим заражением еловым короедом. Для. Экол. Управление 318, 167–174. doi: 10.1016/j.foreco.2014.01.022

    Полнотекстовая перекрестная ссылка | Академия Google

    Стейнкамп, Дж., и Хиклер, Т. (2015). Растет ли во всем мире вымирание лесов, вызванное засухой? Дж. Экол. 103, 31–43. дои: 10.1111/1365-2745.12335

    Полнотекстовая перекрестная ссылка | Академия Google

    Стоун, К.и Мохаммед, К. (2017). Применение технологий дистанционного зондирования для оценки лесонасаждений, поврежденных насекомыми-вредителями и грибными патогенами: обзор. Курс. 3, 75–92. doi: 10.1007/s40725-017-0056-1

    Полнотекстовая перекрестная ссылка | Академия Google

    Umweltbundesamt (2019). Monitoringbericht 2019 Zur Deutschen Anpassungsstrategie an den Klimawandel. Бонн: Umweltbundesamt.

    Академия Google

    ван Мантгем, П.Дж., Стефенсон, Н.L., Byrne, J.C., Daniels, L.D., Franklin, J.F., Fule, P.Z., et al. (2009). Повсеместное увеличение смертности деревьев на западе США. Наука 323, 521–524. doi: 10.1126/science.1165000

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Wellbrock, N., Eickenscheidt, N., Hilbrig, L., Dühnelt, P.-E., Holzhausen, M., Bauer, A., et al. (2018). Leitfaden und Dokumentation zur Waldzustandserhebung в Германии. Рабочий документ Тюнена. Брауншвейг: Иоганн Генрих фон Тюнен-Институт, 97.

    Академия Google

    Вессель, М., Брандмайер, М., и Тиде, Д. (2018). Оценка различных алгоритмов машинного обучения для масштабируемой классификации типов и пород деревьев на основе данных Sentinel-2. Дистанционный датчик Базель. 10:1419. дои: 10.3390/rs100

    Полнотекстовая перекрестная ссылка | Академия Google

    Zacharias, S., Bogena, H., Samaniego, L., Mauder, M., Fuss, R., Putz, T., et al.(2011). Сеть наземных экологических обсерваторий в Германии. Зона Вадосе J. 10, 955–973. doi: 10.2136/Vzj2010.0139

    Полнотекстовая перекрестная ссылка | Академия Google

    Zhan, Z.Y., Yu, L.F., Li, Z., Ren, L.L., Gao, B.T., Wang, L.X., et al. (2020). Объединение изображений GF-2 и Sentinel-2 для выявления гибели деревьев, вызванной красным терпентинным жуком на ранней стадии вспышки в Северном Китае. Леса 11:172. дои: 10.3390/f11020172

    Полнотекстовая перекрестная ссылка | Академия Google

    Циммерманн, С.и Хоффманн, К. (2020). Оценка возможностей данных Sentinel-2 для обнаружения заражения короедом на больших площадях в Среднегерманской возвышенности. J. Appl. Дистанционный датчик 14:024515. doi: 10.1117/1.

    Добавить комментарий

    Ваш адрес email не будет опубликован.