Фитопатологическая характеристика дуба черешчатого в различных условиях произрастания

Цель настоящей работы – оценка влияния некротрофных и сапротрофных видов грибов на жизненное состояние деревьев дуба черешчатого в оптимумареале дуба черешчатого и севернее его естественного распространения. Для достижения поставленной цели нами был проведен комплексный анализ насаждений, сформированных в различных условиях произрастания дуба черешчатого. Объекты нашего исследования – комплекс ксилосапротрофных грибов, ассоциированных с побеговой системой дуба черешчатого в насаждениях дуба черешчатого в лесных и парковых экосистемах вдоль субширотносубмеридиональной трансекты «Тула – Выборг», отражающей движение из зоны оптимум-ареала этой породы к его периферии. Выявлен комплекс ключевых видов грибов-ксилосапротрофов, определяющий облик побеговой системы поздних генеративных и субсенильных особей дуба черешчатого: Сolpoma quercinum, Vuilleminia comedens (способствуют изреживанию кроны), Daedalea quercina, Laetiporus sulphureus, Fomitiporia robusta (вызывают стволовые гнили), Armillaria lutea (поражает преимущественно комлевую область дерева). Показано, что адаптивный потенциал деревьев дуба черешчатого определяется локальными почвенно-гидрологическими условиями. Выделяются «эвтрофная» и «олиготрофная» экады, характеризующиеся диаметром ствола (на выс. 1,3 м) более и менее 50 см соответственно. Проведенные исследования подтверждают большую устойчивость деревьев «эвтрофной» экады к прогрессирующему отмиранию кроны и ухудшению состояния: высокая корреляция некроза кроны с рангом по диаметру ствола объясняется конституциональным различием «эвтрофных» и «олиготрофных» экад дуба черешчатого и большей устойчивостью к стрессорным воздействиям эвтрофных экад. На лесостепном/широколиственнолесном участке трансекты деревья дуба слабо дифференцированы на две экады и в целом угнетены липовыми древостоями. На подтаежном участке трансекты наблюдается пестрая картина дифференциации деревьев дуба по фитопатологическому состоянию, причем «эвтрофные» экады демонстрируют низкий балл фитосанитарного состояния. На южнотаежном участке трансекты непрерывный поток поколений дуба черешчатого связан с антропогенно-преобразованной растительностью. Основная задача паркового строительства севернее естественного ареала Quercus robur – поддержание дренажной системы и отбор «эвтрофных» экад дуба черешчатого.

1. Баврина А.П. Современные правила применения параметрических и непараметрических критериев в статистическом анализе медико-биологических данных // Медицинский альманах. 2021. № 1 (66). С. 64–73.

2. Боровиков В.П. STATISTICA: искусство анализа данных на компьютере. СПб.: Питер, 2001. 650 с.

3. Звягинцев В.Б., Блинцов А.И., Козел А.В., Кухта В.Н., Сазонов А.А., Середич М.О., Хвасько А.В. Защита леса. Минск: БГТУ, 2019. 164 с.

4. Катаев О.А., Тальман П.Н., Методы лесоэнтомологического обследования. Л.: ЛТА, 1964. 120 с.

5. Кузьмичев Е.П., Соколова Э.С., Мозолевская Е.Г. Болезни древесных растений. Справочник. Т. 1. М.: ВНИИЛМ, 2004. 120 с.

6. Любищев А.А. Дисперсионный анализ в биологии. М.: Изд-во Моск. ун-та, 1986. 200 с.

7. Мастицкий С.Э., Шитиков В.К. Статистический анализ и визуализация данных с помощью R. Электронная книга 2014. URL: http://r-analytics.blogspot.com

8. Мозолевская Е.Г., Катаев О.А., Семенкова И.Г. Методы лесопатологического обследования очагов стволовых вредителей и болезней леса. М.: Лесн. пром-сть, 1984. 152 с.

9. Национальный атлас России / сост. и подгот. к изданию ПКО «Картография» / под общ. рук. М-ва транспорта Российской Федерации и Роскартографии; отв. ред. Г.Ф. Кравченко; предс. редколл. А.В. Бородко. Т. 2: Природа. Экология. Калининград, 2007. C. 370–371.

10. Недолужко В.А. Конспект дендрофлоры российского Дальнего Востока. Владивосток: Дальнаука, 1995. 208 с.

11. Селочник Н.Н., Каплина Н.Ф. Оценка состояния дубрав с учетом развития крон деревьев в неблагоприятных условиях: антропогенных (Московский регион) и климатических (лесостепь) // Вестник Моск. гос. ун-та леса. Лесн. вестник. 2011. № 4 (80). С. 103–108.

12. Синская Е.Н. Учение о виде и таксонах (конспект лекций). Л.: ВИР, 1961. 46 с.

13. Унгуряну Т.Н., Гржибовский А.М. Сравнение трех и более независимых групп с использованием непараметрического критерия Краскела-Уоллиса в программе STATA // Экология человека. 2014. № 6. С. 55–58.

14. Фирсов Г.А., Ярмишко В.Т., Змитрович И.В., Бондарцева М.А., Волобуев С.В., Дудка В.А. Морозобоины и патогенные ксилотрофные грибы в парке-дендрарии Ботанического сада Петра Великого. СПб.: Ладога, 2021. 304 с.

15. Фурменкова Е.С., Кочергина М.В. Методы диагностики состояния древесных растений по внешним патологическим признакам // Вестник Бурятской государственной сельскохозяйственной академии имени В.Р. Филиппова. 2021. № 4(65). С. 164–171.

16. Шишлянникова А.Б., Змитрович И.В., Зарудная Г.И., Перелыгин В.В., Жариков М.В. Результаты микологического обследования побеговой системы «Ириновского дуба» (Ленинградская область, Россия) // Микология и фитопатология. 2023. Т. 57. № 6. С. 456–461. DOI: 10.31857/S0026364823060120

17. Chang Y.H. Biostatistics 101: Data presentation // Singapore Medical Journal. 2003. No. 6. P. 280–285.

18. Grimshaw J., Bayton R. New trees: Recent introductions to cultivation // The Board of Trustees of the Royal Botanic Gardens, Kew and The International Dendrology Society, 2009. 976 p.

19. Harris C.R., Millman K.J., van der Walt S.J. et al. Array programming with NumPy // Nature. 2020. 585. Р. 357–362. DOI: 10.1038/s41586-020-2649-2.

20. Hunter J.D. Matplotlib: A 2D Graphics Environment // Computing in Science & Engineering. 2007. Vol. 9, no. 3. P. 90–95. DOI: 10.1109/MCSE.2007.55

21. McKinney W. Data structures for statistical computing in Python // Proceedings of the 9th Python in Science Conference. 2010. Vol. 445. P. 56–61. DOI: 10.25080/Majora-92bf1922-00a

22. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O. et al. Scikit-learn: Machine Learning in Python, Journal of Machine Learning Research. 2011. Vol. 12. P. 2825–2830.

23. Virtanen P., Gommers R., Oliphant T.E., Haberland M. et al. SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python // Nature Methods. 2020. No. 17(3). Р. 261–272. DOI: 10.1038/s41592-019-0686-2

24. Waskom M.L. Seaborn: statistical data visualization // Journal of Open Source Software. 2021. 6(60). 3021. DOI: 10.21105/joss.03021.