Коротко и по делу — что нужно иметь и как моделировать смещение границ биомов в Европе для сценариев RCP$4.5$ и RCP$8.5$, и где главные неопределённости.
1) Данные (входы)
- Полевые наблюдения:
- пространственные данные о распространении видов и сообществах: европейские НФИ, GBIF, ICP-Forests, LUCAS, PEP725 (фенология); наличие/отсутствие и плотности — для калибровки SDM/динамики;
- лесные учёты и инвентаризации (структура, возраст, виды, биомасса);
- дендрохронология и паразито-эпидемические серии (история стресса/засух);
- почвенные профили, глубина воды, пригодность субстрата, микроклиматические пункты.
- Спутниковые данные:
- оптические (Landsat, Sentinel‑2) — карты покрытий, NDVI;
- MODIS/AVHRR — временные ряды вегетации, фенология;
- радиолокация и LiDAR (Sentinel‑1, ICESat/GLAS, GEDI) — высота кроны, структура;
- готовые продукты: Copernicus/CCI Land Cover, CORINE, Global Forest Change (Hansen), MCD64A1 (пожары).
- Климатические сценарии и данные:
- набор GCM (CMIP5/CMIP6) для RCP$4.5$ и RCP$8.5$;
- региональные модели (EURO‑CORDEX) и/или статистически интерполированные наборы (WorldClim, CHELSA, E‑OBS) для исторического периода;
- данные по влажности, испарению, осадкам, температуре, экстремальным событиям и CO${}_2$ (для влияния на продуктивность).
2) Методы моделирования
- Корреляционные модели места обитания (SDM): MaxEnt, GLM/GAM, Random Forest, Boosted Trees — для пространного ответа на климатические переменные (ещё нужны проверки на экстраполяцию).
- Механистические/процессные модели:
- DGVM/динамические вегетационные модели (LPJ‑GUESS, LPJmL, ED2, ORCHIDEE) — для отклика на CO${}_2$, водный стресс, конкуренцию и продуктивность;
- модели сукцессии и ландшафта (LANDIS‑II, ForClim) — для смены типов растительности, пожаров, управленческих мероприятий.
- Гибридные подходы: совмещение SDM с DGVM (взаимная калибровка), индивидно‑ориентированные модели (RangeShifter, MigClim) для оценки расселения и ограничений миграции.
- Обработка климата: ансамбли GCM/RCM, динамическая и статистическая даунскейлинг (delta method, quantile mapping, bias correction). Желательно использовать несколько RCM/GCM и методы коррекции.
- Учет демографии / дисперсии / взаимодействий: модели распространения с ограничениями по скорости миграции, фрагментации ландшафта и биотическими взаимодействиями.
- Анализ неопределённости: мульти‑моделирование (ensembles), бутстрэп, байесовские методы, variance partitioning, сценарный анализ.
3) Рекомендуемые пространственно‑временные масштабы и продукты
- Разрешение подбора: для Европы практично $1\text{km}$–$10\text{km}$ (в критических районах высокое разрешение); RCM часто предлагает $12\text{km}$ или $0.11^{\circ }$.
- Горизонты прогнозов: среднесрочный — около $2050$, долгосрочный — около $2100$.
- Использовать ансамбли: $\ge 5$–$10$ GCM/RCM и $\ge 3$–$5$ структурных моделей (SDM/DGVM и т. п.) для оценки разброса.
4) Основные источники неопределённости
- Сценарная неопределённость: выбор сценария эмиссий (RCP$4.5$ vs RCP$8.5$) — задаёт диапазон изменений климата.
- Климатическая модельная неопределённость: различия между GCM/RCM (внутренняя вариабельность климата, региональные смещения).
- Методологическая/структурная: различия между корелляционными SDM и механистическими DGVM приводят к различным смещениям биомов.
- Параметрическая неопределённость: параметры моделей (чувствительность к температуре/осадкам, скорость расселения, CO${}_2$‑эффект).
- Неполнота данных и ошибки наблюдений: выбор данных о распространении, смещение выборки (sampling bias), ошибки карт покрова.
- Незнание неклиматических драйверов: землепользование, управление лесами, инвазивные виды, пожары, болезни и насекомые — часто доминируют локально.
- Проблемы масштабирования и микро-климата: мелкомасштабные рефugia и топографическая неоднородность могут сильно менять локальный ответ.
- Случайные/экстремальные события: вспышки пожаров, эпидемии и зимние экстремумы добавляют стохастику.
- Биологические процессы, часто не учтённые: адаптация/эволюция видов, межвидовые взаимодействия, завязка на почвенные и гидрологические условия.
5) Как уменьшать и оценивать неопределённость (рекомендации)
- использовать мульти‑модельные ансамбли (GCMs+RCMs и набор SDM/DGVM), делить вклад неопределённости (variance partitioning);
- проводить калибровку и валидацию через hindcast (проверять модели на исторических сдвигах);
- включать дисперсию и барьеры (модели расселения), сценарии землепользования;
- применять методы коррекции смещений (quantile mapping) и несколько даунскейлингов;
- отчетность в виде вероятностных карт (вероятность смены биома) и явное перечисление источников неопределённости.
Короткий вывод: для надёжного прогноза нужны качественные полевые данные + временные ряды спутников + ансамбли климатических сценариев (GCM/RCM) для RCP$4.5$ и RCP$8.5$, сочетание корелляционных и процессных моделей с учётом дисперсии и землепользования, а также системный анализ и разложение неопределённости по источникам.