ГЛАВНАЯ О ЖУРНАЛЕ НОВОСТИ АВТОРАМ КОНТАКТЫ ENGLISH


Оценки экологического риска для контрастных экосистем
шельфа Арктики


Environmental risk assessments for contrasting Arctic shelf ecosystems



 

Соловьева Н.В.

Natalia V. Solovjova
 

Институт океанологии имени П.П. Ширшова РАН (Москва, Россия) 

Shirshov Institute of Oceanology RAS (Moscow, Russia)
 

УДК 551.46.072:51

 

В статье приведены оценки экологического риска для двух типов контрастных экосистем шельфа Арктики: высокопродуктивных и низкопродуктивных. Расчеты проводились по вероятностной модели риска с вариациями воздействия на экосистему со стороны стрессоров с учетом рисков со стороны технологических процессов добычи и перевозки минеральных ресурсов шельфа. Сравнение результатов моделирования риска для высокопродуктивных и низкопродуктивных экосистем показали, что в силу низкой продуктивности морских экосистем не следует снижать надежностные требования к технологическим процессам, обеспечивающим безопасность освоения ресурсов. Полученный нетривиальный вывод подтверждает нелинейность отклика экосистемы на воздействия, что обосновывает привлечение не только экспертных оценок, но и всех имеющихся методов, включая моделирование, для минимизации рисков освоения ресурсов Арктики.

Ключевые слова: моделирование; оценки экологического риска; экосистемы шельфа; Арктика

 

The article presents environmental risk assessments for two types of contrasting ecosystems of the Arctic shelf: highly productive and low-productive. Calculations were carried out using a probabilistic risk model with variations in the impact on the ecosystem from stressors, taking into account the risks from the technological processes of extraction and transportation of mineral resources of the shelf. Comparison of the results of risk modeling for highly productive and low-productive ecosystems showed that due to the low productivity of marine ecosystems, reliability requirements for technological processes ensuring the safety of resource development should not be reduced. The nontrivial conclusion obtained confirms the nonlinearity of the ecosystem response to impacts, which justifies the involvement not only of expert assessments, but also of all available methods, including modeling, to minimize the risks of Arctic resource development.

Keywords: modeling; environmental risk assessments; shelf ecosystems; Arctic

 

Введение

Оценка экологического риска для шельфовых экосистем является весьма актуальной задачей, к решению которой необходимо привлекать все накопленные методы и подходы, известные к настоящему времени. Морские прибрежные и шельфовые системы различной биопродуктивности обеспечены большими запасами минеральных ресурсов, интенсивность разработок которых увеличивается в последние десятилетия. В этом смысле морские экосистемы занимают исключительно важное, ключевое положение в решении проблемы ресурсов и нуждаются в решении проблем экологической безопасности. Особое место среди морских экосистем занимает шельф Арктики, регион особенно важный не только как ресурсный, но и участвующий в формировании компонент современного климата. Шельфовые экосистемы Арктики значительно отличаются друг от друга по своим физико-химическим, биологическим и географическим характеристикам, а, следовательно, отклик на климатические и антропогенные воздействия будет различным. Для оценки последствий интенсивного воздействия на морские экосистемы Арктики необходимы количественные методы оценки экологического риска. В настоящее время экосистемный подход (Elliott, Whitfield, 2011) является всеобъемлющим в отношении мониторинга, оценки состояния экосистем и управления. Вместе с тем при внешних воздействиях различных типов и масштабов оценки риска могут быть одной из граней рассмотрения состояния экосистем. Используя только экспертные оценки весьма затруднительно выявить, при каких сочетаниях стрессоров и периодах воздействия риск будет выше: например, при длительном воздействии на вспышке биомассы (сезонном максимуме) или при кратковременном воздействии на минимуме биомассы. Последствия множества возможных сочетаний естественного хода биомасс компонентов морской экосистемы, вариаций стрессоров, объемов и режимов воздействий на экосистему не поддается только экспертному анализу. Анализ различных подходов к оценке экологического риска для морских систем показывает, что для повышения эффективности и востребованности методов необходимо сочетать динамику стрессоров с динамикой функционирования морской экосистемы (Соловьева, 2019; Solovjova, 2020), что фактически реализовано в настоящей работе для арктических морских экосистем различной биопродуктивности.

Цель работы – показать на основе модельных расчетов возможность оценивать экологический риск шельфовых экосистем Арктики, контрастных по продуктивности. В качестве выводов из полученных расчетов акцентировать внимание на нелинейном характере полученных откликов на различные воздействия стрессоров.

В настоящей работе представлен метод экоскрининговой оценки риска, основанный на вероятностном подходе (Флейшман, 1982; Соловьева, Лобковский, 2015; Solovjova, 1999, 2019; Соловьева, 2020). Первоначально предложенный подход был применен для оценок экологического риска для шельфа Каспийского моря (Solovjova, 2020; Соловьева, 2020). Настоящая работа связана с расширением метода для расчета внутригодовых вариаций риска, что было реализовано для экосистем шельфа Арктики различной степени продуктивности. В ряду существующих методов оценки экологического риска предложенный подход имеет ряд существенных преимуществ, связанных с возможностью расчета внутригодовых вариаций риска при различных сочетаниях воздействующих факторов. С помощью вероятностной модели рассчитываются внутригодовые вариации экологического риска в зависимости от действия стрессоров в конкретные периоды естественного функционирования морских систем. Действие стрессоров в различные периоды внутригодового функционирования экосистем имеют различные отклики и различные последствия. Годовые вариации степени опасности на фоне естественных годовых вариаций компонент морской системы отражаются на годовых колебаниях экологического риска. Предложенный метод позволяет выявить интервалы повышенного экологического риска в течение года и в зависимости от этого рассчитать приемлемую вероятность антропогенного воздействия. Расчеты проведены для двух типов экосистем – высокопродуктивных и низкопродуктивных. 

 

Использование данных натурных наблюдений

Для Арктики особый интерес представляют оценки риска для морских экосистем с контрастной продуктивностью, интенсивное освоение ресурсов которых может иметь различные последствия. Экспедиционные исследования морских экосистем Арктики выявили уникальные особенности как в распределении биомасс и численностей основных компонент различных экосистем (Silkin et al., 2020), так и в их функционировании (Walsh et al., 2005; Sukhanova et al., 2009; Zatsepin et al., 2010, 2015; Ильяш и др., 2012; Hunt et al., 2013; Demidov et al., 2014, 2017; Flint et al., 2018; Dalpadado et al., 2020). Согласно данным приведенных авторов бóльшая часть Арктического шельфа с первичной продукцией менее 50 мгС/м2 в день относится к ультраолиготрофным районам, но в отдельных локальных областях продукция в сотни раз выше (Флинт, 2015; Dalpadado et al., 2020). В результате проведения натурных наблюдений выявлена изменчивость значений биомассы фитопланктона в интервале от 40 до 700 мг/м3, хлорофилла а в поверхностном слое – от 0,04 до 2,32 мг/м3 (Флинт, 2015; Demidov et al., 2017). Установлено различие в механизмах функционирования высокопродуктивных локальных экосистем и преобладающих сильно обедненных в продукционном отношении акваториях Арктического шельфа. В некоторых районах Арктического шельфа выявлена сильная плотностная стратификация, зависящая от распреснения и уменьшающаяся при вертикальной конвекции (Flint et al., 2018). Устойчивость сформированной плотностной стратификации не преодолевается вертикальной сезонной конвекцией и процесс обогащения фотического слоя биогенными элементами, участвующими в процессе фотосинтеза, не происходит (Флинт, 2015; Flint et al., 2018). Этот естественный барьер не ослабляют современные климатические изменения – увеличение безледного периода и прогрев поверхностного слоя воды (Flint et al., 2018). Учет таких особенностей функционирования морских экосистем Арктики будет определять разные уровни экологического риска, а, следовательно, разные уровни допустимости антропогенного воздействия, что связано с обеспечением безопасности освоения ресурсов Арктического шельфа. Оценка риска по предлагаемой методике дает возможность получить ответ на вопрос о принципиальной допустимости аварий и штатных воздействий определенных масштабов в морских экосистемах Арктики.

Расчет оценки экологического риска проведен для экосистем двух контрастных для Арктики типов: высокопродуктивных и низкопродуктивных. Особенности формирования биопродуктивности определяется различными по происхождению факторами: интенсивностью фотосинтетически активной радиации (Demidov et al., 2014), динамикой водных масс (Zatsepin et al., 2015), стратифицированностью водного слоя (Zatsepin et al., 2010), притоком биогенных элементов (Silkin et al., 2020), топографическими параметрами, присутствием льда (Dalpadado et al., 2020) и другими (Hunt et al., 2013; Silkin et al., 2020). Особое значение для биопродуктивности любой морской экосистемы имеют фронтальные зоны и районы апвеллинга, особенно при наложении экстремальных атмосферных приповерхностных явлений. Географические особенности, гидротермодинамические и гидрохимические режимы функционирования экосистем арктического шельфа (Silkin et al., 2020) формируют благоприятные условия для высокой биопродуктивности районов Баренцева моря (Dalpadado et al., 2020), каньона Барроу (Чукотское море) (Flint et al., 2018), эстуарий крупных Сибирских рек. Низкопродуктивными считаются моря Карское, Лаптевых, Восточно-Сибирское и основная акватория Чукотского моря (Hunt et al., 2013). Оценку риска будем проводить с учетом внутригодовых изменений биомассы фитопланктона как начального звена трофической цепи. Более высокие трофические уровни зависят от состояния и функционирования фитопланктона. Все звенья пищевой цепи связаны друг с другом и имеют непосредственное или опосредованное взаимовлияние.

Весенний период активности фитопланктона в акватории Баренцева моря длится с середины марта до начала июня при наибольших значениях численности и биомассы 1–8 млн кл/л и 1–1,7 мг/л соответственно (Matishov et al., 2017) до истощения запасов биогенных элементов и трофической активности зоопланктона, которая приводит к снижению биомассы фитопланктона. С конца июня до конца августа максимальная численность пелагических водорослей не превышает 20 тыс. кл/л (Комплексные исследования…, 2011; Matishov et al., 2017). С середины сентября (осенний максимум биомассы фитопланктона) до начала ноября численность не превышает 2 тыс. кл/л, к началу декабря – 1 тыс. кл/л и биомасса менее 5 мкг/л (Matishov et al., 2017). При продвижении в сторону высоких широт осенний максимум практически не присутствует в годовой динамике фитопланктона, которая приобретает однопиковый характер. Стадия покоя для фитопланктонного сообщества этой экосистемы длится с середины ноября до середины марта. Изменения в структуре функционирования экосистемы Баренцева моря, увеличение продуктивности за период 1970–2009, уменьшение площади и сокращение среды обитания для арктических видов обусловлены потеплением. В субарктических прибрежных экосистемах наблюдается три максимума – ранневесенний, поздневесенний и осенний (Комплексные исследования…, 2011; Matishov et al., 2017). Первый весенний максимум приходится на середину апреля с численностью до 2 млн кл/л и биомассой от 1 до 3 мг/л. Второй весенний максимум с конца мая до начала июня обусловлен континентальным стоком. При этом максимально зарегистрированная численность фитопланктона составила 8 млн кл/л, биомасса – 1,7 мг/л. Осенний максимум формируют диатомовые, биомасса которых не превышает 5 мкг/л (Matishov et al., 2017).

Весенний пик фитопланктона в Белом море приурочен к началу разрушения ледового покрова. Для начала мая характерная численность его может достигать значений 2,3–3,8 млн кл/л при биомассе 1,8–1,5 г/м3. К июню численность снижается до сотен клеток на 1 л, а в июле по мере повышения температуры нарастает до 1–2 млн кл/л (Ilyash et al., 2015; Matishov et al., 2017). Второй летний пик обусловлен сменой доминирующих видов. В отдельные годы для Белого моря были отмечены три максимума биомассы фитопланктона (Комплексные исследования…, 2011; Matishov et al., 2017). 

Для Карского моря интенсивность функционирования фитопланктона в отличие от Баренцева моря сокращается в среднем в два раза и составляет примерно четыре месяца в году (Sukhanova et al., 2015; Matishov et al., 2017). Анализ сезонного хода биомассы фитопланктона (Makarevich et al., 2011) и интегральной первичной продукции (Makarevich et al., 2009; Mosharov et al., 2016; Demidov et al., 2014, 2017) показали, что весенняя вегетация в прибрежных районах Оби и Енисея начинается в конце февраля задолго до таяния ледового покрова. Значения биомассы диатомовых водорослей составляют от 35 до 103 мкг/ л и численности – от 4 до 40 тыс. кл/л (Makarevich et al., 2011). В конце апреля наблюдается начало массового цветения при смене доминирующих видов (Sukhanova et al., 2015). Нарастание биомассы сообщества весной до 1,5 мг/л имеет резкий характер, как и последующий стремительный спад значений (Makarevich et al., 2011). В июле при увеличении температуры, образовании стратифицированного слоя и усилении распреснения достигаются максимальные значения численности 103 тыс. кл/л и биомассы 5 мг/л за весь сезон вегетации (Makarevich et al., 2011). Быстрое понижение температуры в конце сентября – начале октября способствует постепенному убыванию численности фитопланктона до 8 тыс. кл/л при биомассе 50 мкг/л (Makarevich et al., 2011). Годовой минимум активности сообщества приурочен к зимнему периоду с биомассами 5–20 мкг/л.

Было проанализировано все многообразие сезонных изменений биомассы фитопланктона в Баренцевом, Белом, Чукотском, Карском, Лаптевых, Восточно-Сибирском морях за период 1996–2018 гг. и выбраны два характерных варианта годового цикла: для продуктивных экосистем с двумя максимумами биомассы (рис. 1а) и для низкопродуктивных с одним максимумом (рис. 1б). Для этих контрастных случаев годовых вариаций значений биомассы фитопланктона были проведены расчеты вероятности экологического риска и соответствующие им вероятности допустимого воздействия на экосистему для нескольких сценариев, описанных ниже.

 

Модель экологического риска

Используя только экспертные оценки, весьма затруднительно выявить, при каких сочетаниях стрессоров и периодов воздействия риск будет выше: например, при длительном воздействии на подъеме биомассы (сезонном максимуме) или при кратковременном воздействии на минимуме биомассы. Экспертные заключения могут ошибочно давать меньший риск от воздействий на низкопродуктивные экосистемы, чем на высокопродуктивные. Количественные оценки в результате модельных расчетов, приведенных ниже, выявили более сложный отклик на внешние воздействия для морских систем различной продуктивности. Такие оценки позволяют оконтурить особо опасные области в пространстве значений риска. В подтверждение работоспособности метода в настоящей работе приведены три сценария расчетов, которые осуществлялись пошагово как в отношении учитываемых компонент экосистемы, так и в отношении сочетания и режимов воздействия стрессоров – от наименее опасной области к более опасной. 

Одним из существенных преимуществ предложенного подхода к оценкам риска является возможность рассчитывать годовой ход риска в зависимости от естественных сезонных вариаций состояния морской экосистемы. Это, в свою очередь, дает возможность расчета годовых вариаций допустимой вероятности воздействий на морскую систему.

В общем случае для 2М внутригодовых состояний популяции «вспышка-спад» при К внутригодовых состояниях технической системы (технологического режима) получена оценка внутригодового риска в следующем виде (Флейшман, 1982; Соловьева, 2019, 2020):

(1)

где qk – вероятность антропогенного воздействия (может осуществляться со стороны технической системы или технологического процесса освоения ресурсов шельфа) в течение года; pkm – вероятность m-го состояния биосистемы при k-ом состоянии технической системы; yk – вероятность риска биосистемы при k-ом состоянии технической системы; ykm вероятность риска биосистемы при k-ом состоянии техсистемы и m-ом состоянии биосистемы; pam, yam и p'am, y'am – вероятности пребывания биосистемы в m-м внутригодовом состоянии вспышки и спада и ее риск в них соответственно; ya –экологический риск в течение года:

(2)

значения pam и p'am определяются относительной продолжительностью вспышек и спадов:

(3)

где tm, t'm  и t – продолжительности вспышек, спадов и года соответственно в произвольных единицах измерения.

Обобщение соотношений экоскрининга на случай зависимости риска от времени дает следующее:

(4)

Величины Nkp и Nmax являются видоспецифическими "постоянными" значениями для популяции, не зависящими от m-го состояния ее внутри года. Зависимыми от времени величинами являются только Emν и E'mν.

(5)

где Emν и E'mν – математическое ожидание численности популяции на вспышках и спадах соответственно. Эти значения взяты на основе данных натурных наблюдений. При недостатке данных или необходимости уточнения расчетов можно использовать численные эксперименты с экосистемной (динамической) математической моделью (Беляев и др., 1990).

Используя соотношения экоскрининга для определения предельно допустимого воздействия на экосистему, получим ее вероятность в следующем виде (Флейшман, 1982; Соловьева, 2019, 2020):

(6)

где yk определяется оценкой (1); Q – предельно допустимая вероятность антропогенных воздействий для экологической системы; yd – предельно допустимый экологический риск при различных видах техногенной деятельности.

Для расчета ya и Q используются значения Nmax, Nkp, pam, p'am, Emν и E'mν,  полученные на основе данных натурных наблюдений.

Естественные режимы функционирования морских экосистем не являются статичными, а претерпевают изменения под действием как внешних факторов, включая антропогенные, так и внутренних, зависящих от самих компонент экосистемы. Каждый из таких режимов функционирования можно принимать за квазиравновесное состояние, что подтверждается данными наблюдений. Оценки риска в каждом новом квазиустойчивом состоянии экосистемы будут определяться новыми обстоятельствами. Сходство в структуре и функциях морских экосистем не является критерием равнозначности рисков для каждой из них. В рамках одного и того же континуума экосистемы изменяются в результате физически и биологически обусловленных процессов. При этом наблюдаемые экологические реакции являются сложными и изменчивыми для различных видов в пределах двух регионов одного и того же континуума. Это обстоятельство обуславливает наложение региональных особенностей (с использованием данных наблюдений) на универсальную модель экологического риска (соотношения 1–6).

 

Модель экологического риска

Все входные данные для модели риска – значения Nmax, Ncr, pam, p'am, Emν и E'mν могут быть получены как на основе данных натурных наблюдений, так и  при расчете по динамическим экосистемным моделям (Беляев и др., 1990; Solovjova, 1999, 2019). В нашем случае использовались обобщенные данные натурных наблюдений (рис. 1, a, b). Для апробации предложенного метода в настоящей работе не ставилась цель провести конкретный расчет для конкретного периода времени и воздействий на конкретную морскую экосистему Арктики. Для того чтобы показать работоспособность метода, его возможности и открывающиеся перспективы были выбраны характерные контрастные экосистемы с высокой и низкой продуктивностью. Для этого использовались данные наблюдений в конкретных экосистемах (см. раздел). Руководствуясь типологией морских и эстуарных опасностей, долгосрочных и краткосрочных, а также крупномасштабных и мелкомасштабных перспектив (Elliott, Whitfield, 2011) мы для составления сценариев учли следующее. 

Интервал значений вероятности допустимого экологического риска при различных видах и этапах технологической деятельности составляет от 10-7 до 10-1 (Патин, 2017). Допустимый риск yd можно связывать, в частности, с качеством среды. Если возможно при определенных условиях увеличить значения допустимого риска, это может означать возможность снижения требований к качеству среды, а, следовательно, возможность расширения диапазона воздействий Q. На основании этих данных для расчета Q выбраны три значения, соответствующие: повышенным требованиям к качеству экосистемы (yd=10-5), средним (yd=10-4) и ослабленным (yd=10-3). Вероятность воздействия на экосистему со стороны технических систем qk выбиралась из диапазона от 10-4 до 10-1 (Патин, 2017).  Были выбраны значения вероятности редкого события q1=10-3, события средней q2=10-2 и высокой частоты q3=10-1.

С учетом приведенных выше рисков отказов технической системы, приведенные выше, и модели (1) – (6) были проведены оценочные расчеты допустимой вероятности воздействия Q на экосистему для Сценариев 1, 2 и 3.

 

Рис. 1. Годовые изменения биомассы фитопланктона (мг/м3) по данным обобщенных экспедиционных наблюдений (Silkin et al., 2020; Flint et al., 2018; Matishov et al., 2017; Makarevich et al., 2009, 2011; Sukhanova et al., 2009, 2015; Demidov et al., 2014, 2017; Mosharov et al., 2016; Ilyash et al., 2015; Dalpadado et al., 2020; Hunt et al., 2013; Zatsepin et al., 2010, 2015; Walsh et al., 2005)
для: а) высокопродуктивных и б) низкопродуктивных экосистем Арктики


Сценарий 1. Расчеты проведены для продуктивной экосистемы с двумя максимумами, значения Emν взяты из данных натурных наблюдений (Рис. 1, a). Для биомассы фитопланктона задавались значения Nmax = 3∙103 mг/m3, Ncr = 0,5 mг/m3, pam=tm/t=1/12. Расчеты внутригодовых вариаций экологического риска и допустимого воздействия были проведены при значениях q1 = 10–3, q2 = 10–2, q3 = 10–1 и yd = 10-5 (рис. 2, a, b). Результаты показали снижение экологического риска при высоких значениях биомассы планктона и высокие вероятности риска при минимальных значениях биомассы (рис. 2, а). Соответствующие расчеты для вероятности допустимых воздействий выявили интервалы безопасного воздействия и интервалы с низкими значениями допустимых воздействий (рис. 2, b). Анализ полученных результатов показывает, что только при редких воздействиях на экосистему q1 = 10–3 достигается относительно безопасное состояние экосистемы и соответственно высокие значения допустимых воздействий Q1 от 70 до 100% (рис. 3). 

 

Рис. 2. Рассчитанные значения годового хода:
а) вероятности экологического риска и b) вероятности допустимых воздействий на экосистему
при редкой Q1, средней Q2 и высокой Q3 вероятности их осуществления и допустимом значении yd = 10-5


Вероятность такого воздействия (при соответствующем риске) возможна только на короткий промежуток времени, на пике биомассы фитопланктона (рис. 3). Этот участок выделен на рис. 3 и отражает рассчитанную зависимость вероятности допустимого воздействия от экологического риска. В течение остальной части года допустимая вероятность воздействия крайне низкая, менее 30% (рис. 3). Это обуславливается низкими значениями допустимого экологического риска yd = 10-5, что в терминах качества среды означает высокие требования к качеству экосистемы. 

 

Сценарий 2 предусматривает возможность снижения требований по экологической безопасности для высокопродуктивной экосистемы, т.е. задается увеличенное значения допустимого риска до yd = 10-4. Значения биомасс задавались такими же, как в сценарии 1:  Nmax = 3∙103 mg/m3, Ncr = 0,5 mg/m3, pam = tm/t = 1/12. Полученные результаты расчетов показывают практически стопроцентную допустимость редких воздействий Q1 и достаточно высокую допустимую вероятность воздействий средней частоты Q2, но только при максимуме биомассы фитопланктона (рис. 4). Для воздействий высокой частоты, q3 = 10–1 вероятность допустимого осуществления воздействия Q3<0,1 (меньше 10%). Другими словами, ослабление требований к качеству экосистемы существенно расширяет диапазон допустимых воздействий. Зависимость вероятности допустимого воздействия от экологического риска (рис. 5) для этого сценария также выявляет области безопасного воздействия (Q1) на экосистему и области значительного риска (Q3), что требует соответствующего увеличения затрат на поддержание безопасности.

Рис. 3. Зависимость вероятности допустимого воздействия на высокопродуктивную экосистему
при редкой Q1, средней Q2 и высокой Q3 вероятности их осуществления
от значений экологического риска при допустимом значении yd =10-5

Рис. 4. Годовые изменения рассчитанных значений вероятности допустимых воздействий
на высокопродуктивную экосистему при редкой Q1, средней Q2 и высокой Q3 вероятности
их осуществления и допустимом значении yd = 10-4

 

Сценарий 3. Для низкопродуктивной экосистемы с одним максимумом биомассы фитопланктона задавались значения Nmax = 1,7∙103 mg/m3, Ncr = 0,5 mg/m3, pam=tm/t=1/12, значения Emν взяты из данных натурных наблюдений (рис. 1, b). Значения допустимого экологического риска yd = 10-4 принималось таким же, как в сценарии 2 для дальнейшего сравнения полученных результатов. На рис. 6 представлены результаты расчета  внутригодовых  вариаций  экологического  риска  и  допустимого  воздействия  при  значениях q1 = 10–3, q2 = 10–2, q3 = 10–1. Анализ полученных результатов показывает, что для низкопродуктивной экосистемы шельфа существует возможность безопасного воздействия (Q1=100%) и Q2 достигающего 100% на коротком интервале внутригодовых вариаций – при максимуме биомассы и минимальном риске. Вместе с внутригодовыми вариациями экологического риска ya и допустимого воздействия Q были рассчитаны зависимости Q как функции ya (рис. 7). Результат выявил области с допустимой вероятностью воздействий выше 80% и области со значениями Q < 20%.

Рис. 5. Зависимость вероятности допустимого воздействия на высокопродуктивную экосистему
при редкой Q1, средней Q2 и высокой Q3 вероятности их осуществления
от значений экологического риска при допустимом значении yd=10-4

 

Сравнительный анализ результатов расчета для экосистем различной степени продуктивности позволил сделать нетривиальные выводы. Из сравнения рисунков 5 и 7 видно, что при одинаковом допустимом значении экологического риска yd = 10-4 значения вероятности возможного воздействия на экосистемы очень близки и при редких воздействиях q1 = 10–3 в обоих случаях достигается практически стопроцентная безопасность, а при воздействиях высокой частоты q3 = 10–1 вероятность допустимости таких воздействий ниже 10%.

Другими словами, экосистемы различной степени продуктивности могут давать близкий отклик на стрессовые воздействия при определенных условиях. Этот нетривиальный вывод открывает возможности оптимизировать в сторону уменьшения затраты на экологическую безопасность. В отношении самой реакции экосистемы на действие стрессоров можно говорить, что сам отклик на воздействия носит существенно нелинейный характер в силу нелинейности процессов в экосистеме. При ужесточении требований к безопасности (уменьшении значений yd) для редких (q1 = 10–3) и частых (q3 = 10–1) воздействиях на экосистемы с различной степенью продуктивности полученные результаты выявили эти нелинейные эффекты (рис. 5, 7). Этот результат демонстрирует возможности предложенного метода учесть асимметрию требований по устранению ошибок 1-го и 2-го рода Понятия ошибок взяты из статистической теории испытаний и актуальны для задач экологической безопасности. Если имеется ошибка 1-го рода, т. е. под безопасной ситуацией понимается ситуация, представляющая угрозу безопасности экосистемы, тогда чрезмерная перестраховка, связанная с ложной тревогой, не так опасна (хотя и приводит к неоправданным затратам), как ошибка 2-го рода, когда опасная ситуация скрыта внешним благополучием. Так, экспертные заключения, ошибочно указывающие меньший риск от воздействий на низкопродуктивные экосистемы, чем на высокопродуктивные, могут приводить к ошибкам 2-го рода. Предложенный метод позволяет дать количественные оценки риска и допустимых воздействий.

Рис. 6. Рассчитанные значения годового хода:
а) вероятности экологического риска и b) вероятности допустимых воздействий на экосистему
при редкой Q1, средней Q2 и высокой Q3 вероятности их осуществления и допустимом значении yd = 10-4

 

 

Рис. 7. Зависимость вероятности допустимого воздействия на низкопродуктивную экосистему
при редкой Q1, средней Q2 и высокой вероятности их осуществления
от значений экологического риска при допустимом значении yd =10-4

 

Выводы

Предложенный метод оценки экологического риска и допустимого воздействия на морские экосистемы имеет как преимущества, так и недостатки. Преимущества состоят в достаточной простоте расчетов по вероятностной модели, результаты которых позволяют получить не только общую оценку риска, но и ее вариации в течение года. Такие оценки, в свою очередь, позволяют рассчитать вероятности антропогенного воздействия, допустимые для каждой конкретной морской системы в каждый конкретный период времени. На примере контрастных по продуктивности экосистем шельфа Арктики проведенные модельные расчеты по трем сценариям показали эффективность предложенного метода.

Важным выводом проведенных расчетов является опровержение предположения о том, что для экосистем Арктического шельфа с низкой продуктивностью возможно более интенсивное антропогенное воздействие, которое якобы не принесет большого ущерба. Расчеты по сценарию 2 и 3 для высокопродуктивных и низкопродуктивных экосистем соответственно выявили очень близкие значения риска (рис. 5, 7). Из этого следует практический вывод о том, что только в силу низкой продуктивности морских экосистем не следует снижать надежностные требования к техническим системам, обеспечивающим безопасность освоения ресурсов.

Преимуществом метода является возможность оценить допустимую степень воздействия на морскую систему с сохранением устойчивости ее функционирования, трофической структуры и компонентного состава. В реальных условиях действие стрессоров накладывается на динамику естественного функционирования экосистемы шельфа. И предложенный метод, в отличие от существующих позволяет оценить экологический риск от совокупности стрессоров и сочетать эти воздействия с динамикой естественного функционирования экологических систем. Внутригодовые колебания основных компонентов Арктического шельфа при действии стрессоров вызывают колебания степени опасности, а, следовательно, и годовые колебания экологического риска. Предложенный метод позволяет выявлять интервалы повышенного экологического риска и рассчитывать приемлемую вероятность антропогенного воздействия на основе вероятностной модели.

К недостаткам, а точнее к затруднениям, предложенного метода можно отнести необходимость иметь большой объем данных наблюдений. Грубость оценок риска зависит от объема привлеченной информации об исследуемой морской системе. При минимуме такой информации оценки риска становятся тривиальными либо могут возникать ошибки 1-го и 2-го рода (понятия взяты из статистической теории испытаний).  Заметим, что при применении на практике экосистемного подхода (Elliott, Whitfield, 2011) также указывается на возникновение ошибок 1-го рода. Например, принцип ‘one-out, all-out’ влечет за собой риск наложения затрат на восстановление, несоразмерных достижимому улучшению состояния окружающей среды.

Наиболее важным вопросом при получении оценок риска является первичность определения допустимой величины риска для экологических систем, а не наоборот, определение допустимой интенсивности антропогенного воздействия. Это позволяет учесть специфику задач экологической безопасности, заключающуюся в асимметрии требований по устранению ошибок 1-го и 2-го рода.

Отметим, что предложенный подход следует рассматривать в рамках вероятности допустимого риска, когда полное устранение риска либо практически невозможно, либо экономически неоправданно. В процессе реализации крупномасштабных проектов освоения морских ресурсов Арктического шельфа (например, разработка нефтяных и газовых месторождений) ошибки в оценке рисков могут привести к серьезным экологическим и экономическим потерям, которых можно избежать, использую предложенный метод.

 

Автор благодарит сотрудников ИО РАН: академика РАН Л.И. Лобковского за обсуждение возможных подходов к оценке риска и доктора биологических наук В.А. Силкина за обсуждения вопросов моделирования процессов в экосистемах.

Работа выполнена по Государственному заданию, тема № 00128-2021-0004.

Автор заявляет об отсутствии конфликта интересов, требующего раскрытия в данной статье.

 

Список литературы

  1. Беляев В.И., Кондуфорова Н.В. Математическое моделирование экологических систем шельфа. – Киев: Наук. думка, 1990. – 240 с.
  2. Ильяш Л.В., Ратькова Т.Н., Радченко И.Г., Житина Л.С. Фитопланктон Белого моря // Система Белого моря. Т. II. Водная толща и взаимодействующие с ней атмосфера, криосфера, речной сток и биосфера. – М.: Научный мир, 2012. – С. 605–639.
  3. Комплексные исследования больших морских экосистем России // Матишов Г.Г. (ред.). – Апатиты: Изд-во КНЦ РАН, 2011. – 516 с.
  4. Патин С.А. Нефть и экология континентального шельфа: в 2-х т. т. 1: Морской нефтегазовый комплекс: состояние, перспективы, факторы воздействия. – М.: Изд-во ВНИРО, 2017. – 326 c.
  5. Соловьева Н.В. Синтез динамического и экоскринингового подходов в моделировании для оценки экологического риска // Экология гидросферы. 2019б. №1 (3). С. 68–81. URL:http://hydrosphere-ecology.ru/142  (дата обращения: 06.10.2021). DOI: https://doi.org/10.33624/2587-9367-2019-1(3)-68-81 
  6. Соловьева Н.В. Оценки экологического риска для экосистемы Каспийского шельфа на основе моделирования // Экология гидросферы. 2020. №1(5). URL: http://hydrosphere-ecology.ru/199 (дата обращения: 06.10.2021). DOI: https://doi.org/10.33624/2587-9367-2020-1(5)-21-37
  7. Соловьева Н.В., Лобковский Л.И. Моделирование эколого-экономического риска при освоении шельфа // ДАН. 2015. Т. 464. №3. С. 356–360. DOI: https://doi.org/10.7868/S0869565215270213
  8. Флейшман Б.С. Основы системологии. – М.: Радио и связь, 1982. – 368 с.
  9. Флинт М.В. Биоресурсы Арктических морей России: изменения под воздействием климата и факторов антропогенной природы, экосистемные основы охраны // Научно-технические проблемы освоения Арктики– М.: Наука, 2015. – С. 55–71.
  10. Dalpadado P., Ingvaldsen R.B., Stige L.C., Bogstad B., Knutsen T., Ottersen G., Ellertsen B. Climate effects on the Barents Sea ecosystem dynamics // ICES Journal of Marine Science. 2012. V. 69. P. 1303-1316 DOI: https://doi.org/10.1093/icesjms/fss063
  11. Demidov A.B., Kopelevich O.V., Mosharov S.A., Sheberstov S.V., Vazyulya S.V. Modelling Kara Sea phytoplankton primary production: development and skill assessment of regional algorithms // J. Sea Res. 2017. V. 125. P. 1–17. DOI: https://doi.org/10.1016/j.seares.2017.05.004
  12. Demidov A.B., Mosharov S.A., Makkaveev P.N. Patterns of the Kara Sea primary production in autumn: Biotic and abiotic forcing of subsurface layer // J. Mar. Sys. 2014. V. 132. P. 130–149. DOI: https://doi.org/10.1016/j.jmarsys.2014.01.014
  13. Elliott M., Whitfield K. Challenging paradigms in estuarine ecology and management // Estuarine, Coastal and Shelf Science. 2011. V. 94, №4. P. 306-314. DOI: https://doi.org/10.1016/j.ecss.2011.06.016
  14. Flint M.V., Poyarkov S.G. & Rymsky-Korsakov N.A. Ecosystems of the Siberian Arctic Seas-2017 (Cruise 69 of the R/V Akademik Mstislav Keldysh) // Oceanology. 2018. V. 58, №2. P. 315–318. DOI: https://doi.org/10.1134/S0001437018020042
  15. Hunt Jr. G.L., Blanchard A.L., Boveng P., Dalpadado P., Drinkwater K.F., Eisner L., Hopcroft R.R., Kovacs K.M., Norcross B.L., Renaud P., Reigstad M., Renner M., Skjoldal H.R., Whitehouse A., Woodgate R.A. The Barents and Chukchi Seas: Comparison of tow Arctic shelf ecosystems // Journal of Marine Systems. 2013. V. 109-110. P. 43-68. DOI: https://doi.org/10.1016/j.jmarsys.2012.08.003
  16. Ilyash L.V., Belevich T.A., Stupnikova A.N., Drits A.V. & Flint M.V. Effects of local hydrophysical conditions on the spatial variability of phytoplankton in the White Sea // Oceanology. 2015. V. 55. P. 216–225. DOI: https://doi.org/10.1134/S0001437015020046
  17. Makarevich P.R., Larionov V.V. Annual cycle of the planktonic phytocenosis in the Ob-Enisei shallow zone of the Kara Sea // Russ. J. Mar. Biol. 2011. V. 37, №1. DOI: https://doi.org/10.1134/S1063074011010093
  18. Makarevich P.R., Oleinik A.A. Structure of the annual cycle of phytoplankton community evolution in the Ob-Yenisei shoal of the Kara Sea // Dokl. Earth Sc. 2009. V. 426. P. 669–671. DOI: https://doi.org/10.1134/S1028334X09040357
  19. Matishov G.G., Dzhenyuk S.L., Moiseev D.V. Climate and large marine ecosystems of the Arctic. Her. Russ. Acad. Sci. 2017. V. 87. P. 30–39. DOI: https://doi.org/10.1134/S1019331617010087
  20. Mosharov S.A., Demidov A.B., Simakova U.V. Peculiarities of the primary production process in the Kara Sea at the end of the vegetation season // Oceanology. 2016. V. 56. P. 84–94. DOI: https://doi.org/10.1134/S0001437016010100
  21. Solovjova N.V. Ecological risk modelling in developing resources of ecosystems characterized by varying vulnerability levels // Ecological Modelling. 2019. V. 406. P. 60–72.
  22. Solovjova N.V. Risk assessment simulation for shelf ecosystems based on the ecoscreening and dynamic methods synthesis // Estuarine, Coastal and Shelf Science. 2020. V. 243. P. 106881. DOI: https://doi.org/10.1016/j.ecss.2020.106881
  23. Solovjova N.V. Synthesis of ecosystemic and ecoscreening modelling in solving problems of ecological safety // Ecol. Modelling. 1999. V. 124. P. 1–10.
  24. Silkin V., Pautova L., Giordano M., Artemiev V. Interannual variability of Emiliania huxleyi blooms in the Barents Sea: In situ data 2014-2018 // Marine Pollution Bulletin. 2020. V. 158. P. 111392. DOI: https://doi.org/10.1016/j.marpolbul.2020.111392
  25. Sukhanova I.N., Flint M.V., Druzhkova E.I., Sazhin A.F., Sergeeva V.M. Phytoplankton in the northwestern Kara Sea // Oceanology. 2015. V. 55. P. 547–560. DOI: https://doi.org/10.1134/S0001437015040141
  26. Sukhanova I.N., Flint M.V., Pautova L.A., Stockwell D.A., Grebmeier J.M., Sergeeva V.M. Phytoplankton of the western Arctic in the spring and summer of 2002: Structure and seasonal changes // Deep-Sea Res. II. 2009. V. 56, №17. P. 1223–1236. DOI: https://doi.org/10.1016/j.dsr2.2008.12.030
  27. Walsh J., Dieterle D., Maslowski W., Grebmeier J., Whitledge T., Flint M., Sukhanova I., Bates N., Cota G., Stockwel D., Moran S., Hansell D., McRoy C. A numerical model of seasonal primary production within the Chukchi/Beaufort Seas // Deep Sea Research Part II: Topical Studies in Oceanography. 2005. V. 52, № 24-26. P. 3541-3576. DOI: https://doi.org/10.1016/j.dsr2.2005.09.009
  28. Zatsepin A.G., Poyarkov S.G., Kremenetskiy V.V., Nedospasov A.A., Shchuka S.A., Baranov V.I., Kondrashov A.A., Korzh A.O. Hydrophysical features of deep water troughs in the western Kara Sea // Oceanology. 2015. V. 55. P. 472-484. DOI: https://doi.org/10.1134/S0001437015040165
  29. Zatsepin A.G., Zavialov P.O., Kremenetskiy V.V., Poyarkov S.G., Soloviev D.M. The upper desalinated layer in the Kara Sea // Oceanology. 2010. V. 50. P. 657–667. DOI: https://doi.org/10.1134/S0001437010050036

Статья поступила в редакцию 23.09.2021
После доработки 15.10.2021
Статья принята к публикации 21.10.2021

 

Об авторах

Соловьева (Кондуфорова) Наталья Владимировна − Natalia V. Solovjova

доктор физико-математических наук
ведущий научный сотрудник, Институт океанологии им. П.П.Ширшова РАН,  Москва, Россия (P.P. Shirshov Institute of Oceanology RAS, Moscow, Russia), Лаборатория структуры и динамики планктонных сообществ

soloceanic@yandex.ru

https://orcid.org/0000-0002-4268-7790

Корреспондентский адрес: Россия, 117997, г. Москва, Нахимовский проспект, 36, ИОРАН. Телефон (499) 124-79-96.

 

ССЫЛКА:

Соловьева Н.В. Оценки экологического риска для контрастных экосистем шельфа Арктики // Экология гидросферы. 2021. №1 (6). С. 69–84. URL: http://hydrosphere-ecology.ru/232 

DOI – https://doi.org/10.33624/2587-9367-2021-1(6)-69-84


При перепечатке ссылка на сайт обязательна

Уважаемые коллеги! Если Вы хотите получить версию статьи в формате PDF, пожалуйста, напишите в редакцию, и мы ее вам с удовольствием пришлем бесплатно. 
Адрес - info@hydrosphere-ecology.ru

 

 

Environmental risk assessments for contrasting Arctic shelf ecosystems

Natalia V. Solovjova

Shirshov Institute of Oceanology RAS (Moscow, Russia)

The article presents environmental risk assessments for two types of contrasting ecosystems of the Arctic shelf: highly productive and low-productive. Calculations were carried out using a probabilistic risk model with variations in the impact on the ecosystem from stressors, taking into account the risks from the technological processes of extraction and transportation of mineral resources of the shelf. Comparison of the results of risk modeling for highly productive and low-productive ecosystems showed that due to the low productivity of marine ecosystems, reliability requirements for technological processes ensuring the safety of resource development should not be reduced. The nontrivial conclusion obtained confirms the nonlinearity of the ecosystem response to impacts, which justifies the involvement not only of expert assessments, but also of all available methods, including modeling, to minimize the risks of Arctic resource development.

Key words: modeling; environmental risk assessments; shelf ecosystems; Arctic

 

References

  1. Belyaev V.I., Konduforova N.V. Matematicheskoe modelirovanie ekologicheskih sistem shel'fa [Mathematical modeling of ecological systems of the shelf]. Naukova Dumka, Kiev, 1990. 240 p. (in Russ).
  2. Dalpadado P., Ingvaldsen R.B., Stige L.C., Bogstad B., Knutsen T., Ottersen G., Ellertsen B. Climate effects on the Barents Sea ecosystem dynamics. ICES Journal of Marine Science. 2012. V. 69. P. 1303–1316 DOI: https://doi.org/10.1093/icesjms/fss063
  3. Demidov A.B., Kopelevich O.V., Mosharov S.A., Sheberstov S.V., Vazyulya S.V. Modelling Kara Sea phytoplankton primary production: development and skill assessment of regional algorithms. J. Sea Res. 2017. V. 125. P. 1–17. DOI: https://doi.org/10.1016/j.seares.2017.05.004
  4. Demidov A.B., Mosharov S.A., Makkaveev P.N. Patterns of the Kara Sea primary production in autumn: Biotic and abiotic forcing of subsurface layer. J. Mar. Sys. 2014. V. 132. P. 130–149. DOI: https://doi.org/10.1016/j.jmarsys.2014.01.014
  5. Elliott M., Whitfield K. Challenging paradigms in estuarine ecology and management. Estuarine, Coastal and Shelf Science. 2011. V. 94, №4. P. 306-314. DOI: https://doi.org/10.1016/j.ecss.2011.06.016
  6. Flejshman B.S. Osnovy sistemologii [Fundamentals of Systemology]. Radio i svjaz', Moscow, 1982. 368 p. (In Russ.)
  7. Flint M.V. Bioresursy Arkticheskih morej Rossii: izmenenija pod vozdejstviem klimata i faktorov antropogennoj prirody, jekosistemnye osnovy ohrany [Bioresources of the Arctic seas of Russia: changes under the influence of climate and anthropogenic factors, ecosystem bases of protection]. V kn.: Nauchno-tehnicheskie problemy osvoenija Arktiki/Rossijskaja akademija nauk. Nauka, Moscow, 2015. P. 55–71. (In Russ.)
  8. Flint M.V., Poyarkov S.G. & Rymsky-Korsakov N.A. Ecosystems of the Siberian Arctic Seas-2017 (Cruise 69 of the R/V Akademik Mstislav Keldysh). Oceanology. 2018. V. 58. №2. P. 315–318. DOI: https://doi.org/10.1134/S0001437018020042
  9. Hunt Jr. G.L., Blanchard A.L., Boveng P., Dalpadado P., Drinkwater K.F., Eisner L., Hopcroft R.R., Kovacs K.M., Norcross B.L., Renaud P., Reigstad M., Renner M., Skjoldal H.R., Whitehouse A., Woodgate R.A. The Barents and Chukchi Seas: Comparison of tow Arctic shelf ecosystems. Journal of Marine Systems. 2013. V. 109–110. P. 43–68. DOI: https://doi.org/10.1016/j.jmarsys.2012.08.003
  10. Ilyash L.V., Belevich T.A., Stupnikova A.N., Drits A.V. & Flint M.V. Effects of local hydrophysical conditions on the spatial variability of phytoplankton in the White Sea. Oceanology. 2015. V. 55. P. 216–225. DOI: https://doi.org/10.1134/S0001437015020046
  11. Il'jash L.V., Rat'kova T.N., Radchenko I.G., Zhitina L.S. Fitoplankton Belogo morja // Sistema Belogo morja. T. II. Vodnaja tolshha i vzaimodejstvujushhie s nej atmosfera, kriosfera, rechnoj stok i biosfera [Phytoplankton of the White Sea // System of the White Sea. Vol. II. The water column and the atmosphere interacting with it, the cryosphere, river runoff and the biosphere]. Nauchnyj mir, Moscow, 2012. P. 605–639. (In Russ.)
  12. Kompleksnye issledovanija bol'shih morskih jekosistem Rossii [Comprehensive studies of large marine ecosystems in Russia]. otv. Red. G.G. Matishov; Murman. Mor. Biol. In-t Kol'skogo nauchnogo centra RAN. Apatity: Izd-vo KNC RAN. 2011. 516 p. (In Russ.)
  13. Makarevich P.R., Larionov V.V. Annual cycle of the planktonic phytocenosis in the Ob-Enisei shallow zone of the Kara Sea. Russ. J. Mar. Biol. 2011. V. 37, №1. DOI: https://doi.org/10.1134/S1063074011010093
  14. Makarevich P.R., Oleinik A.A. Structure of the annual cycle of phytoplankton community evolution in the Ob-Yenisei shoal of the Kara Sea. Dokl. Earth Sc. 2009. V. 426. P. 669–671. DOI: https://doi.org/10.1134/S1028334X09040357
  15. Matishov G.G., Dzhenyuk S.L., Moiseev D.V. Climate and large marine ecosystems of the Arctic. Her. Russ. Acad. Sci. 2017. V. 87. P. 30–39. DOI: https://doi.org/10.1134/S1019331617010087
  16. Mosharov S.A., Demidov A.B., Simakova U.V. Peculiarities of the primary production process in the Kara Sea at the end of the vegetation season. Oceanology. 2016. V. 56. P. 84–94. DOI: https://doi.org/10.1134/S0001437016010100
  17. Patin S.A. Neft' i jekologija kontinental'nogo shel'fa: v 2-h t. 2-e izd. t. 1: Morskoj neftegazovyj kompleks: sostojanie, perspektivy, faktory vozdejstvija [Oil and ecology of the continental shelf: Offshore oil and gas complex: state, prospects, impact factors]. Izd-vo VNIRO, Moscow, 2017. 326 p. (In Russ.)
  18. Silkin V., Pautova L., Giordano M., Artemiev V. Interannual variability of Emiliania huxleyi blooms in the Barents Sea: In situ data 2014-2018. Marine Pollution Bulletin. 2020. V. 158. P. 111392. DOI: https://doi.org/10.1016/j.marpolbul.2020.111392
  19. Solovjova N.V. Ecological risk assessment for the ecosystem of the Caspian shelf on the basis of modeling. Hydrosphere Ecology. 2020. №1 (5). P. 21–37. URL: http://hydrosphere-ecology.ru/199 (date: 06.10.2021). (In Russ.) DOI: https://doi.org/10.33624/2587-9367-2020-1(5)-21-37
  20. Solovjova N.V. Ecological risk modelling in developing resources of ecosystems characterized by varying vulnerability levels. Ecological Modelling. 2019. V. 406. P. 60–72.
  21. Solovjova N.V. Risk assessment simulation for shelf ecosystems based on the ecoscreening and dynamic methods synthesis. Estuarine, Coastal and Shelf Science. 2020. V. 243. P. 106881. DOI: https://doi.org/10.1016/j.ecss.2020.106881
  22. Solovjova N.V. Synthesis of dynamic and eco-screening approaches in modeling for ecological risk assessment. Hydrosphere Ecology. 2019. №1 (3). P. 68–81. URL: http://hydrosphere-ecology.ru/142 (date: 06.10.2021) (In Russ.) DOI: https://doi.org/10.33624/2587-9367-2019-1(3)-68-81
  23. Solovjova N.V. Synthesis of ecosystemic and ecoscreening modelling in solving problems of ecological safety. Ecol. Modelling. 1999. V. 124. P. 1–10.
  24. Solovjova N.V., Lobkovskij L.I. Modelirovanie jekologo-jekonomicheskogo riska pri osvoenii shel'fa [Modeling of ecological and economic risk in the development of the shelf]. DAN. 2015. V. 464. № 3. P. 356–360. (In Russ.) DOI: https://doi.org/10.7868/S0869565215270213
  25. Sukhanova I.N., Flint M.V., Druzhkova E.I., Sazhin A.F., Sergeeva V.M. Phytoplankton in the northwestern Kara Sea. Oceanology. 2015. V. 55. P. 547–560. DOI: https://doi.org/10.1134/S0001437015040141
  26. Sukhanova I.N., Flint M.V., Pautova L.A., Stockwell D.A., Grebmeier J.M., Sergeeva V.M. Phytoplankton of the western Arctic in the spring and summer of 2002: Structure and seasonal changes. Deep-Sea Res. II. 2009. V. 56, №17. P. 1223–1236. DOI: https://doi.org/10.1016/j.dsr2.2008.12.030
  27. Walsh J., Dieterle D., Maslowski W., Grebmeier J., Whitledge T., Flint M., Sukhanova I., Bates N., Cota G., Stockwel D., Moran S., Hansell D., McRoy C. A numerical model of seasonal primary production within the Chukchi/Beaufort Seas. Deep Sea Research Part II: Topical Studies in Oceanography. 2005. V. 52, № 24–26. P. 3541-3576. DOI: https://doi.org/10.1016/j.dsr2.2005.09.009
  28. Zatsepin A.G., Poyarkov S.G., Kremenetskiy V.V., Nedospasov A.A., Shchuka S.A., Baranov V.I., Kondrashov A.A., Korzh A.O. Hydrophysical features of deep water troughs in the western Kara Sea. Oceanology. 2015. V. 55. P. 472-484. DOI: https://doi.org/10.1134/S0001437015040165
  29. Zatsepin A.G., Zavialov P.O., Kremenetskiy V.V., Poyarkov S.G., Soloviev D.M. The upper desalinated layer in the Kara Sea. Oceanology. 2010. V. 50. P. 657–667. DOI: https://doi.org/10.1134/S0001437010050036

 

Author

Solovjova Natalia V.

P.P. Shirshov Institute of Oceanology RAS, Moscow, Russia

soloceanic@yandex.ru

https://orcid.org/0000-0002-4268-7790

 

ARTICLE LINK:

Solovjova N.V. Environmental risk assessments for contrasting Arctic shelf ecosystems. Hydrosphere Ecology. 2021. №1 (6). P. 69–84. URL: http://hydrosphere-ecology.ru /232

DOI – https://doi.org/10.33624/2587-9367-2021-1(6)-69-84


When reprinting a link to the site is required

Dear colleagues! If you want to receive the version of the article in PDF format, write to the editor, please and we send it to you with pleasure for free. 
Address - info@hydrosphere-ecology.ru

 

 

 

 

На ГЛАВНУЮ

К разделу ПУБЛИКАЦИИ

 



ВЫПУСКИ ЖУРНАЛА
ПУБЛИКАЦИИ
ТЕМАТИЧЕСКИЕ РАЗДЕЛЫ
КОНФЕРЕНЦИИ
УЧЕБНО-МЕТОДИЧЕСКИЕ МАТЕРИАЛЫ
ВИДЕОМАТЕРИАЛЫ
ФОТОМАТЕРИАЛЫ
НАШИ ПАРТНЕРЫ
ENGLISH SUMMARY




  Эл № ФС77-61991 от 2 июня 2015 г.

  ISSN 2587-9367

  Издатель -
  Камнев Александр Николаевич.

  Адрес издательства - 123298,
  г. Москва, ул.Берзарина, д.16.

Все права защищены (с)
Экология гидросферы
http://hydrosphere-ecology.ru/