Статья: ОПРЕДЕЛЕНИЕ ПЛОИДНОСТИ НЕКОТОРЫХ ТАКСОНОВ АРКТО-МОНТАННЫХ ИВ ИЗ КОЛЛЕКЦИИ БОТАНИЧЕСКОГО САДА УРО РАН (2026)

Лес представляет собой сложную биологическую систему, постоянно находящуюся в условиях взаимодействия с атмосферой и подвергающуюся влиянию содержащихся в ней техногенных примесей. Исследованы морфолого-анатомические показатели хвои подроста сосны обыкновенной (Pinus sylvestris L.) в насаждениях, произрастающих как в условиях минимального антропогенного воздействия, так и находящихся под воздействием техногенных выбросов. Для изучения влияния атмосферного загрязнения были отобраны две точки на территории г. Красноярска (Академгородок и остров Татышев), точка в Березовском районе (скала Чертов Палец) и две точки в Западном Саяне (руч. Медовый ключ и урочище Титенкино). Для наибольшей информативности отбирался подрост высотой до 2.5 м. Данные об атмосферном загрязнении на выбранных точках были получены из Государственного доклада «О состоянии и охране окружающей среды в Красноярском крае в 2023 году». Изучены морфолого-анатомические признаки хвои сосны обыкновенной: длина, ширина и толщина хвои, ширина и толщина центрального цилиндра, размеры проводящих пучков, количество и размеры смоляных ходов. Выявлены изменчивые и стабильные признаки внутреннего строения хвои, из них наиболее изменчивыми оказались длина и толщина хвои, число смоляных ходов, наиболее стабильными – ширина хвои, размеры центрального цилиндра, ширина проводящих пучков, средний диаметр смоляного хода. Показано, что в условиях антропогенной нагрузки хвоя имеет меньшую длину и ширину, а также число смоляных ходов. Установлено, что многие данные относительно морфологии хвои, подверженной разным воздействиям, остаются спорными и требуют дальнейших исследований. Полученные результаты свидетельствуют о высокой чувствительности морфологических признаков хвои к изменениям окружающей среды и еще раз подчеркивают возможность использования этих показателей в качестве индикаторов экологического состояния лесных экосистем.

Сосна стланиковая (Pinus pumila (Pall.) Regel) является ценным источником пищевых липидов, содержащих биологически активные жирные кислоты (ЖК), включая пиноленовую, линолевую и олеиновую, обладающих противовоспалительными, гиполипидемическими и кардиопротективными свойствами, оказывающих ряд благоприятных эффектов на массу тела, а также на отложение жира за счет увеличения расход энергии (окисление жирных кислот) и снижение потребления энергии с пищей (снижение аппетита). Сбор шишек сосны стланиковой проводили на территории Бодайбинского района Иркутской области вблизи пос. Артемовского и в Билибинском районе Чукотского автономного округа на месторождении Баимка (Песчанка). Гравиметрическим методом установлено высокое содержание липидов в семенах сосны стланиковой: на территории Иркутской области общее содержание липидов – 66.25 %, а на территории Чукотского АО – 64.67 %, что подтверждает их питательную и функциональную ценность. Методом газовой хроматографии с масс-спектрометрическим детектированием (ГХ-МС) определено содержание жирных кислот: линолевая (42.29–42.43 %), олеиновая (24.58–25.51 %) и пиноленовая (17.27–18.29 %) кислоты оказались доминирующими жирными кислотами, тогда как доля насыщенных ЖК (пальмитиновой и стеариновой) не превышала 7.5 %, что дополнительно повышает питательную привлекательность сырья. Установлено, что общее содержание липидов и профиль большинства ЖК сохраняются на высоком и стабильном уровне. Однако выявлены статистически значимые различия в содержании пиноленовой кислоты между семенами из разных регионов (p < 0.05), что может быть связано с климатическими условиями произрастания. Полученные результаты свидетельствуют о высокой перспективности использования липидов сосны стланиковой для разработки инновационных функциональных пищевых продуктов, биологически активных добавок и фармацевтических препаратов, направленных на коррекцию метаболических нарушений и улучшение кардиоваскулярного здоровья.

На примере Исетского гранитного карьера (Средне-Уральский таежный район) изучены видовое разнообразие, надземная фитомасса и проективное покрытие живого напочвенного покрова (ЖНП) в первые годы после проведения рекультивационных работ по лесохозяйственному направлению. Актуальность исследования обусловлена необходимостью оценки эффективности рекультивации и состояния экосистем на нарушенных землях. Установлено, что спустя 1–2 года после создания лесных культур число видов ЖНП на обследованных участках варьирует от 16 до 29. Через год после проведения рекультивационных работ надземная фитомасса варьирует от 101.8 до 130.3 кг/га в абсолютно сухом состоянии, а спустя 2 года – от 552.9 до 1056.5 кг/га. Видовое разнообразие и продуктивность сообществ имеют тенденцию к увеличению уже в первые 2 года после завершения рекультивации. В надземной фитомассе ЖНП доминируют виды синантропной эколого-ценотической группы. Несмотря на значительное число видов ЖНП, во всех семи вариантах опыта с разной мощностью отсыпки почвогрунта в надземной фитомассе доминируют 1–2 вида, на долю которых приходится более половины общей надземной фитомассы в абсолютно сухом состоянии. В первый год после завершения рекультивационных работ это марь белая (Chenopodium album L.), а на 2-й год – иван-чай узколистный (Chamaenerion angustifolium (L.) Scop.), щавелек обыкновенный (Rumex acetosella L.), клевер ползучий (Trifolium repens L.).

В последние десятилетия в различных областях науки наблюдается быстрый рост применения инструментов, связанных с глубоким машинным обучением на искусственных нейронных сетях. Глубокие нейронные сети различаются по своей архитектуре, например в сверточной нейронной сети разные слои могут использовать ядра свертки для извлечения ключевых объектов из изображения и объединения слоев в пул для обобщения этих объектов. Рекуррентные нейронные сети обрабатывают последовательные ряды данных и сохраняют память о прошлых показателях, возвращая выходные данные слоя обратно в этот же слой. Обучение нейронной сети сводится к оптимизации веса соединений в сети с целью минимизировать ошибку прогнозирования. У глубокого обучения есть потенциал в использовании информации, скрытой в больших массивах данных с тем, чтобы по-новому ответить на сложные экологические вопросы. Большие объемы информации состоят из изображений, аудио, видео или неструктурированных текстов, которые сложно анализировать традиционными статистическими методами. При экспоненциальном росте публикаций, посвященных методам и результатам применения глубокого обучения на нейронных сетях в разных областях знаний, в представленном обзоре предпринята попытка анализа некоторых его применений в области лесной экологии. В частности, приведены результаты использования искусственных нейронных сетей для решения некоторых задач лесного хозяйства России при сопряжении разнородных исходных данных для оценки фитомассы лесов, при картировании и прогнозировании динамики лесного покрова, при идентификации корней растений на миниризотронных изображениях. В заключительном разделе описаны некоторые достижения, проблемы и неопределенности глубокого машинного обучения в экосистемной экологии.