Phytopathological characteristics of Quercus robur in different growing conditions

The purpose of the present paper is to assess an influence of necrotrophic and saprotrophic fungi species on the vital state of Quercus robur trees in its optimum range and north of natural distribution. To achieve this purpose, we have carried out a comprehensive analysis of stands formed in various growing conditions of Q. robur. Another object of our study was a complex of xylosaprotrophic fungi associated with the shoot system of Q. robur in forest and park ecosystems along the sublatitudinal[1]submeridional transect «Tula – Vyborg», reflecting the movement from the zone of the optimum range of this species to its periphery. A complex of key species of xylosaprotrophic fungi that determine the appearance of the shoot system of late generative and subsenile individuals of Q. robur has been identified: Colpoma quercinum, Vuilleminia comedens (promote a crown thinning), Daedalea quercina, Laetiporus sulphureus, Fomitiporia robusta (cause a trunk rot), Armillaria lutea (affects mainly the butt area of the tree). It has been shown that the adaptive potential of Quercus robur trees is determined by local soil and hydrological conditions. «Eutrophic» and «oligotrophic» ecades are distinguished, characterized by a trunk diameter (at a height of 1.3 m) of more and less than 50 cm, respectively. The studies carried out confirm the high resistance of trees of the «eutrophic» ecades to progressive crown dying and deterioration. The high correlation of crown necrosis with the rank by trunk diameter is explained by the constitutional difference between the «eutrophic» and «oligotrophic» ecades of Q. robur and the high resistance of eutrophic ecadas to stress effects. In the forest-steppe/broadleaf forest section of the transect, oak trees are weakly differentiated into two ecades and are generally suppressed by linden stands. In the subtaiga section, a motley picture of differentiation of oak trees by phytopathological condition is observed, whereas the «eutrophic» ecadas demonstrate a low phytosanitary condition score. In the southern taiga section, the continuous flow of generations of Q. robur is associated with anthropogenically transformed vegetation. The main purpose of park building north of the natural range of Q. robur is to maintain the drainage system and select «eutrophic» oak stands.

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.