CC BY
18
Научни трудове на Съюза на учените в България - Пловдив. Серия В. Техника и технологии. Том XVII, ISSN 1311 -9419 (Print); ISSN 2534-9384 (Online), 2019. Scientific Works of the Union of Scientists in Bulgaria - Plovdiv. Series C. Technics and Technologies. Vol. XVII., ISSN 1311 -9419 (Print); ISSN 2534-9384 (Online), 2019
ГИС МОДЕЛ ЗА ОЦЕНКА НА ЗАВИСИМОСТТА ПОЛЕН-КЛИМАТ Стоян Вергиев1, Марияна Филипова-Маринова2 хКатедра „Растениевъдство", Технически университет - Варна 2Природонаучен музей - Варна
GIS-BASED MODEL FOR ANALYSIS OF MODERN POLLEN-CLIMATE RELATIONSHIP Stoyan Vergiev1, Mariana Filipova-Marinova2 ^epartmentofPlantProductio^Necdnioal University ofVarna 2Varna mdsaum of nafural Mstory
Abstract: The aim of the present paper is to present a GIS-based model for analysis of modern pollen-climate relationship in order to obtain reliable modern pollen analogues for palaeoclimate reconstructions using the Modern Analog Technique (MAT). A data set consisting of 63 modern pollen surface samples from the basic plant communities along the North-South transect of the Bulgarian Black Sea Coast was created. Pollen percentage values were calculated on a sum of 43 pollen taxa for each pollen sample for 2018. Climatological data for each site, including average annual temperature, average temperature of the warm and cold half-year and average annual precipitation were taken from the nearest meteorological station and were corrected with an altitudinal coefficient of temperature variation. Statistical analysis was used to reveal the relationships between individual pollen types and climate variables.
Keywords: Мodern pollen data, Climate-vegetation relationship, Northeastern Bulgaria.
В-ведение
Класическите палеоклиматични реконструкции се основават на качествени интерпретации на фосилните поленови спектри, получени при спорово-поленовия анализ (Guiot, 1990; Vergiev & Filipova-Marinova, 2017). Необходимостта, от точни количествени данни за палеоклиматите, налага прилагането на количествени математически модели, от които най-голямо приложение за кватернерни седименти намира Методът на съвременните аналози (МСА) (Overpeck et al., 1985; Prell, 1985). Този метод се основава на събирането на съвременни повърхностни поленови проби и на сравнението на наличието и процентното участие на поленови типове в тях със съвременни климатични данни, като по този начин се установява зависимостта полен - климат (Vergiev & Filipova-Marinova, 2015). Климатичните променливи свързани с най-сходната съвременна проба, могат да бъдат асоциирани към времето и мястото на фосилната проба, която се реконструира в рамките на даден географски район.
МСА е тестван и валидиран чрез симулации (Vergiev, 2014; Vergiev et al., 2014a) и приложен в Източна България в серия от палеоклиматични реконструкции (Vergiev et al., 2013; Vergiev et al., 2014b; Vergiev & Filipova-Marinova, 2015), потвърждаващи данните от
класическите интуитивни интерпретации на фосилни спектри от същите региони (Filipova -Marinova et al., 2013; Filipova-Marinova et al., 2014a; Filipova-Marinova et al., 2014b).
Съвременните данни, които трябва да бъдат използвани при палеореконструкциите, за да се намери необходимия минимален брой съвременни аналози, са в линейна зависимост от мащаба на изследвания район, т.е. колкото по-голям е изследвания район, толкова повече съвременни аналози трябва да бъдат приложени (Seppä, 2004). Ето защо, от голямо значение е натрупването на база от съвременни калибрирани данни за прецизиране на моделите, допускане на относително по-малки грешки, а от там и до по-голяма точност на реконструкциите (Vergiev, 2014).
Натрупването на голям обем разнородни данни затруднява както работата с тях, така и използването и прилагането на статистически анализи. Същевременно, съвременните географски информационни системи (ГИС) дават възможност за преобразуване на климатичните данни за дадена географска точка в пространствена информация, чрез използване на различни методи за пространствена интерполация (напр. IDW) (Gikov & Nedkov, 2005). Това налага изготвянето на модел в ГИС среда, в края на който, като резултат се получава Съвременен калибрационен сет (СКС) приложим за палеоклиматични реконструкции.
Целта на настоящото изследване е да се изготви ГИС модел, който да интегрира масивите от поленови данни от съвременни повърхностни проби за 2018 г. и да интерполира прилежащите им климатични параметри в Съвременен калибрационен сет (СКС), като по този начин се остойности зависимостта полен-климат, така че да може да бъде използвана при палеоекологични реконструкции.
Материал и методика
За изясняването на връзката полен-климат в съвременни условия, са събрани 63 съвременни повърхностни проби от Източна България (34 повърхностни почвени проби (ППП) и 29 повърхностни мъхови проби (ПМП) през 2018 г. (Табл. 1), по трансекта север-юг в 10 характерни за българското черноморско крайбрежие растителни съобщества.
За анализ са вземани на случаен принцип 5 повърхностни почвени подпроби от по 2 -3 ст3 от почвения субстрат на дълбочина максимум до 5 ст и няколко подпроби от мъхове от различни видове в рамките на пробна площадка с размери 1 х 1 т. Впоследствие, подпробите са смесени в една и от нея е взето количество от 3 ст3.
Лабораторната обработка на пробите е извършена в Лабораторията по базови биологични дисциплини към катедра „Растениевъдство" при Технически университет -Варна, в съответствие със стандартния ацетолизен метод на Faegri & Iversen (1989) с модификация от Birks & Birks (1980). За определяне на статистическите зависимости в поленовите спектри са изготвени нетрайни глицеринови микроскопски препарати, в които са изброявани и определяни до най-ниско таксономично ниво всички срещащи се в пробите поленови зърна и спори.
При установяване на зависимостта полен - климатични фактори е приложен Анализът на остатъците (Redundancy Analysis, RDA) (ter Braak, 1986; ter Braak & Verdonschot, 1995), като статистическата обработка на данните и графичното представяне е осъществено с помощта на софтуерния продукт CANOCO 4.5 (ter Braak & Smilauer, 2002).
Получените данни са организирани и структурирани в атрибутивни таблици и отнесени към слоевете във векторен формат посредством релационни класове с помощта на на софтуерния продукт ArcGIS v.10.0 ESRI Inc. Използвани са: Картографска проекция UTM Zone 35 North, Земна координатна система WGS84 и Балтийската височинна система.
Резултати и обсъждане
С цел да се интегрират масивите от поленови данни от съвременните поленови проби и да се интерполират прилежащите им климатични параметри беше изграден и приложен ГИС базиран пространствен модел (Фиг. 1).
Първият етап от модела е свързан със събиране и предварителен анализ на необходимите изходни данни - съществуващи карти (Геоложка, почвена и геоморфоложка карти на България) и прилежащите им бази данни. При събирането на климатични данни са взети предвид 4 основни параметъра на климата: средногодишна температура (СГТ), средна температура на студеното полугодие (СТСП), средна температура на топлото полугодие (СТТП) и средногодишна сума на валежите (СГСВ). Предходни изследвания (Vergiev, 2014а; Vergiev & Filipova-Marinova, 2015) показват, че тези параметри демонстрират най-добра корелация с поленовите спектри и са най-подходящи при палеоклиматични реконструкции._
Фиг. 1. Алгоритъм на моделирането в ГИС среда
Данните за климатичните променливи са взети от най-близката до поленовата проба метеорологична станция (Климатичен справочник на НРБ, 1979 - 1990; Месечен хидрологичен бюлетин). При отдалечени проби е извършена корекция на метеорологичните стойности, в зависимост от разликата в надморската височина между метеорологичната станция и опробвания терен. Приложен е и метод за пространствена интерполация (Inverse distance weighted - IDW), като по този начин е получено пространственото разпределение на климатичните променливи. Логаритмичната зависимост между полечените климатични данни от станциите и надморската височина на която се намират показва близки корелационни стойности, съответно и възможност те да бъдат изчислени (Фиг. 2). За СГТ -беше получен коефициент 0,534°С на 100 m надморска височина. Полученият резултат е близък до използвания коефициент на температурно отклонение от 0,57°C на 100 m
надморска височина от Laaksonen (1976) и превишаващ получения от Luo et а1. (2010) -0,46°С/100 т. За другите променливи бяха получени следните данни: СТСП - 0,531°С/100 т; СТТП - 0,519°С/100 т и СГСВ - 47 тт/т2/100 т.
К
^ о, • с?? • •
к о°
100 200
НадаорсЕа
СГТ "С СП И -с Ьо5. (СТСП =С)
СТСП "С
(СГТ*С) Ьо». (СТТТГС)
• * •• Р* *
и
100 200 300 400 500 ПэдасоргЕа вжочкка (и) -------------- (СГСВ ЯШ1. Я12)
б
а
Фиг. 2. Логаритмична зависимост между надморската височина и а) термалните климатични параметри и б) сумата на годишните валежи.
При спорово-поленовия анализ на съвременните проби са установени 63 поленови таксона (Фиг. 3), които се срещат и в изследвани фосилни проби в района (Filipova-Marmova et г1., 2013; Vergiev, 2014; Filipova-Marinova et al., 2014a; Filipova-Marinova et я1., 2014Ь).
а б
о о о СГСВ -о »■ ° О ® <?< 0 <?\ • о СГТ • о ® >.°.о
• о °< «ь- о о • • • • 'XVе......• , О о ф о СТТП о о \ • • СТСП
-3 0 1 3
• Тренисти гаксони о Дьрнеснн и храп они гак-сони
СГС^ » ц (, СГТ • % ►Л & •л •4«
10 ¿¡11 ! 36 • ¡1• СТТП «\«„ « и. • СТСП
О Ахга 1 I • 2*
Фиг. 3. Ординационни диаграми на анализ на остатъците (RDA).
а) Биплот показващ взаимовръзката между растителните таксони и климатичните параметри. Всяка точка показва осредненото участие на поленовите типове. б) Биплот показващ взаимовръзката между всеки поленов спектър и климатичните параметри. Всяка точка отразява една повърхностна проба: 1. ППП, 2. ПМП.
От голямо значение за интерпретацията на зависимостта полен - климат е намирането на статистическа зависимост в съвременните проби и след това интерполирането и за фосилните. При анализа на тази зависимост, за всеки отделен поленов таксон, може да се прецени пригодността му и дали той да бъде включен в модела или да бъде изключен като индикатор.
С цел да се гарантира, че рядко срещаните, но важни за крайните резултати поленови таксони, няма да бъдат изключени, беше приложен метода „Square-root transformation" и беше изчислена общата сума на квадратните отклонения на процентното участие на всеки от поленовите типове (Фиг. 3 а). Същевременно бяха изчислени и корелационните коефициенти на Pearson между процентното участие на всеки от поленовите типове във всяка проба и климатичните променливи (Фиг. 3а).
скс № Тип Координатн Надм. височина Климатични фактори Поленови спектри
ширина дължина (т) СГТ°С СТСГ1 °С СТТП °С СГСВ mm 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
1 ппп 42°57'i6.34"c 27°31"9.82"и 182 II 5.9 15,8 500 ■ I V ■ ■
2 ппп 42=35'49.07t 27°зг48.46"и 56 12.5 8.1 600 ■
3 III111 42353'15.99т 27°52'33.77"и 34 11.7 7.1 510
4 IIIIII 43°13'41.16"с 27°46-38.67"и 36 12.2 6 540
5 Him 43°1г10.22"с 27°43'11.99"и 71 122 | 6.1 540 п ж
6 iiiiii 43°17'37.87т 27°56'13.58"и 314 12 5.8 17.8 520 ят ни в л
7 nriri 42°10'19.18"с 27°44'37.45"и 105 12.9 6.3 18.4 620
8 ппп 42°56'35.08"с 26°5г53.4|"и 442 10.6 5.1 14.9 450 ш ■
9 ппг1 43°26'6.47"с 28° 7'24.25"и 186 11.9 5.4 17.6 500 ннв »»
10 ппп 43®29'49.1 гс 28"29'39.20"и 54 11.8 5.4 17.2 400 шт мнв ш шят
II ппп 42° 7'57.63"с 27°25'3.34"и 349 12.8 6.4 600 I ■ ■ ■ ■
12 IIIIII 42°44'45.01т 27"49'4.83"и 262 11.5 6.4 16,2 430 1 ■
13 ппп 42°49'34.15"с 27°13'5.06"п 472 II 5.8 15.2 480
14 IIIIII 43°22'47.29т 27°30'15.65"11 302 11.3 5.4 17 490 т
15 ппп 43°13'30.05"с 27°9'15.71"и 368 11 5.1 16.3 460
16 IIIIII 42°2г19.06"с 27с'20,4.48"и 66 12.7 8.2 19 600 ■ ■ а^^п 1 ^т 1
17 IIIIII 42°18'43.24"с 27°4|-21.|7"и 61 12.7 8.1 19 630 ■ 1
18 IIIIII 42с25'1.65"с 26°44'26.05"и 317 11.3 5.9 17,9 510 на ^т ш
19 ппп 42°37'37.ю"с 27° 3'43.93"и 352 11.6 6 18,2 540 1 = ■ ■
20 IIIIII 43°36'12.9гс 27°40'5.14"и 245 11.2 5.7 17.2 460 | ^н v ■_ ■ в^нв
21 ппп 43° г59.95"с 27°6'12.85"и 133 10.8 5.9 15 490
22 IIIIII 42'43'37.53ч" 27°2г14.47"и 242 11.4 6.4 500
23 ппп 42°45'9.55"с 26°29'48.96"и 612 10 4,9 14 400
24 IIIIII 43°10'36.84т 27и47'39.40"и 47 12.2 6.1 540
25 ппп 42°43'40.16"с 27°5г32.12"и 151 11.4 6.2 16.3 493 ■ 1
26 IIIIII 43"10'9.88"с 27°5г43.33"и 161 12.2 6.1 540 ■ ' ч чн
27 ппп 43°1223,49"с 27°55'54.37"и 14 12.2 6 18.1 540
28 пмп 43310'43.96"с 27°49'41.85"и 28 12.2 6.1 540
29 iimii 42°14'6.90"с 26°52'42.02"и 180 11.4 5.8 17.7 520
30 пмп 42°39'14.76"с 26°437.3гп 271 10.2 5 14.3 410 ■ ■ ■
31 пмп 43°2г3.57т 27°17-29.52"и 147 11.1 5.2 16.7 420 1
32 iimii 42°32'4.02"с 27°12'28.10"и 110 11.9 6.4 600 в ив.шав^н ii
33 iimii 42°40'52.19"с 27°40'57.31"и 8 12.4 8 560 ■
34 пмп 42° 6'53.85"с 27°35'6.04"п 307 12.8 6.5 610
35 iimii 43°32'21.10"с 27°57'25.81"и 261 11.6 5.3 17.2 480 В ■■ ■ н
36 пмп 42°54'35.92"с 27°0-17.73"и 388 10.7 52 15.3 470 1
37 iimii 42356'13.46"с 27°33'10.23"и 295 ii 5.9 500 ■ ■ |
38 пмп 43°13'6.86"с 27°42'22.75"и 131 12.2 6 540 т ■ ■
39 iimii 42=43'45.84"с 27°47ю.4ги 236 11.1 | 5.9 510
40 пмп 43° 0'16.85"с 27°53'ю.76"и 2 11.3 5.7 420 щ
41 iimii 43324'35.18"с 28°29"28.50"н 36 11.8 5.4 17.2 412
42 пмп 43°24'58.65"с 28°22'44.39"и 45 11.2 5.3 17.2 412 ■ в
43 iimii 43°40'17.55"с 280332522"и 10 11.3 5.4 450 ■ № ■н
44 пмп 43°34'32.37"с 28°34'5.48*и 13 ii.s 5.6 17.8 500
45 пмп 43°0'56.55"с 27°52"2.30"и 7 11.3 5.7 420 tet^Bi я ■ ■
46 пмп 42°i9"02"n 27"43'05"е 23 12.6 8.1 620
47 пмп 43° 8'46.64"с 26°45'12.79"и 394 10 4.8 13.9 390 м «1 т^шшш
48 iimii 43° 6'20.13"с 26°50'17.62"и 349 10 4,9 400
49 пмп 42° 2'52.83"с 27°47"24.36"и 142 12.5 62 600 ■н ^^hhh 9яв
50 iimii 42" 3'52.28"с 27в5с26.2г'и 211 12.4 6.2 610 Ш 1 ■ ■
51 iimii 42° 2'6.47"с 27°49'16.45"и 203 12.9 6,3 620
52 iimii 43°8'58.38"с 27 4'48.14-ц 322 10.1 4.9 417
53 ппп 43°13'41.1 гс 26°48,59.8г'и 343 10 4.8 413 ш
54 iimii 43°5'20.92"с 27°1137.39"и 181 ii 5.9 500 ■ ^т ■
55 iiiiii 43°14'11.3гс 27°12'12.00"и 232 ii.1 5.9 510 ЯШ 1ШШ я
56 iiiiii 43э32'51.25"с 27°16'4.56"и 289 ii 5.9 15.7 500 шт
57 пмп 43°46'|7.19"с 27°46'40.70"и 214 12 5,8 17,8 520 ■ ■ i а
58 mm 43°24'14.40"с 2б°59"9.55"11 243 11.4 6.4 15.8 500 Hi ^т 1 ■ ■ 1 =4
59 ппп 43°25'9.98"с 27°56'1.70'и 178 11.4 5.8 17.7 520 ^н
60 iiiiii 43°10'22.65"с 26°35"39.1 г'и 235 ii.1 5.9 15.9 510
61 пмп 42°57'52.38"с 26°42"29.03"н 509 10 4.9 14 400 т mm 1
62 iimii 42=56'41.82"с 27°25"37.34"и 196 ii 5.9 15.8 508 ■ ■ АН
63 ппп 43°3'56.37"с 27°28'53.80"и 117 11.9 6.4 18.8 530 ■ш
■ Pinus diploxylon ujutupena ■ Picea ■ Querela mCarpi/ms beluhu uCorylus ■ Ulmus ■ 77/«/ Alnus uAcer uFugus • Belula •Fraximaormu * Carpinus orienlolis Jiiglum mHippophae ■ Ulis ■ Humulus/Ctmnabis • Artemisia « chenopodiaccac poaccac «aster-type uAchillea-iype «cichoriaccac CerealiaAypc • Plan/ago lanceolaia Rumex acelosella *(.'entaurea cyanus mFilipendula apiaccac ■ fabaceac ■ Cenluiuva jaciw-typc ■ lumiaccac • brassicaccae ujurinea-type butaginaceac m Polygonum miculare uXanthium ■Hypericum огзияи-typc * Abies Ephedra
Табл. 1. Атрибутна таблица с климатични данни и преизчислени поленови спектри.
СГТ — средногодишна температура, СТСП — средна температура на студеното полугодие, СТТП — средна температура на топлото полугодие, СГСВ — средногодишна сума на валежите, ППП — Повърхностна почвена проба, ПМП — Повърхностна мъхова проба
По този начин бяха идентифицирани някои аномалии и отклонения, бяха интерпретирани взаимоотношенията между поленовите типове и климатичните променливи и бяха определени индикаторните видове, които да бъдат включени при изчисленията в съответствие с изискванията на Tonello & Prieto (2008).
От идентифицираните при спорово-поленовия анализ 56 поленови таксона, в модела бяха включени само видовете със значими коефициенти на корелация (R>0,29, р=0,32, N=73-596). Техният брой е 43.
Въз основа на факторен анализ на променливите климатични данни и процентното участие на всеки тип в спектрите, беше изчертана диаграма. На нея е съотнесен всеки поленов спектър към коефициентите на корелация на климатичните параметри (Фиг. 3б).
Процентното съотношение на избраните като подходящи за индикатори таксони във всяка проба беше преизчислено до 100% (Табл. 1).
Следващият етап от модела е свързан с дигитализация на всички получени данни и интегрирането им в ГИС среда, като в резултат се получиха растерни и векторни слоеве, както и атрибутивна таблица (Табл. 1).
През последния етап беше изграден динамичен ГИС базиран модел с помощта на модула Model Builder на ArcView Spatial Analyst (ArcGIS v.10.0 ESRI Inc.). Моделът е проектиран да интегрира всички налични данни в ГИС среда, като в резултат на това да се получи Съвременен калибрационен сет приложим за палеоклиматични реконструкции.
Изводи
Извършените анализи показват значима корелация на климатичните параметри и процентните съотношения на таксоните в поленовите спектри. За 76,9 % от поленовите типове е установена линейна зависимост между процентното им съотношение и климатичните променливи. Изготвеният модел може да бъде прилаган за изготвяне на СКС, а получените данни за 2018 г. са приложими при палеоклиматични и палеоекологични реконструкции в ГИС среда.
Благодарности
Научните изследвания, резултатите от които са представени в настоящата публикация, са извършени по проект НП11/2018 „Създаване на ГИС модел за оценка на зависимостите полен-растителност и полен-климат в агроценози" в рамките на присъщата на ТУ-Варна научноизследователска дейност, финансирана целево от държавния бюджет.
References
Birks, H., Birks, H. 1980. Quaternary Palaeoecology. Edward Arnold, London.
ter Braak, C. 1986. Canonical correspondence analysis: a new eigenvector technique for multivariate direct gradient analysis. Ecology, 67:1167-1179.
ter Braak, C., Smilauer, J. 2002. CANOCO reference manual and CanoDraw for Windows user's guide: software for canonical community ordination (version 4.5).
ter Braak, C., Verdonschot, P. 1995. Canonical correspondence analysis and related multivariate methods in aquatic ecology. Aquatic Sciences, 57:255-289.
Faegri, K., Iversen, J. 1989. Textbook of pollen analysis. John Wiley Sons, Chichester.
Filipova-Marinova, M., Pavlov, D., Vergiev, S., Slavchev, V., Giosan, L. 2013. Palaeoecology and geoarchaeology of Varna Lake, northeastern Bulgaria. Comptes Rendus de L'Academie Bulgare Des Sciences, 66(3):377-392.
Filipova-Marinova, M., Pavlov, D., Vergiev, S., Slavchev, V., Giosan, L. 2014a. Varna Lake (north-eastern Bulgaria): vegetation history and human impact during the last 8000 years. Grana, 53(4):309-311.
Filipova-Marinova, M., Pavlov, D., Coolen, M., Giosan, L., Vergiev, S. 2014b. Vegetation development in the central part of the Bulgarian Black Sea coast during the last 13 000 years. Grana, 53(3):249-251.
Gikov, A., Nedkov, S. 2005. GIS based model for spatial distribution of climatical elements in mountains areas. Scientific Conference "Space, ecology, safety" 10-13 June Varna, 161-166.
Guiot, J. 1990. Methodology of the last climatic cycle reconstruction in France from pollen data. Palaeogeogr. Palaeoclimatol. Palaeoecol., 80:49-69.
Klimatichen spravochnik na NRB. 1979 - 1983, t. 1 - 4. NIMH - BAN.
Laaksonen, K. 1976. The dependence of mean air temperatures upon latitude and altitude in Fennoscandia (1921 - 1950). Annales Academiae Scientiarum Fennicae A III, 119:1-19.
Luo, C., Zheng, Z., Tarasov, P., Nakagawa, T., Pan, A., Xu, Q., Lu, H., Huang, K. 2010. A potential of pollen-based climate reconstruction using a modern pollen-climate dataset from arid northern and western China. Review of Palaeobotany and Palynology, 160:111-125.
Mesechen hidrometeorologichen Byuletin, NIMH - BAN, http://www.meteo.bg/
Overpeck, J., Webb, T., Prentice., I. 1985. Quantitative interpretation of fossil pollen spectra: dissimilarity coefficients and the method of modern analogs. Quat. Res., 23(1):87-108.
Prell, W. 1985. The stability of low-latitude sea-surface temperatures: an evaluation of the CLIMAP reconstruction with emphasis on the positive SST anomalies. Report TR 025, US Department of Energy, Washington DC.
Seppa, H., Birks, H., Odland, A., Poska, A., Veski., S. 2004. A modern pollen-climate calibration set from northern Europe: developing and testing a tool for palaeoclimatological reconstructions. Journal of Biogeography, 31:251-267.
Tonello, M., Prieto, A. 2008. Modern vegetation-pollen-climate relationships for the Pampa grasslands of Argentina. J. Biogeogr., 35(5):926-938.
Vergiev, S. 2014. Palaeoecology and geoarchaeology of upper Pleistocene and Holocene sediments from the Black Sea deep water zone and the Varna Lake. PhD Thesis. IO-BAN, Varna, AI "prof. M. Drinov", BAN, Sofia.
Vergiev, S., Filipova-Marinova, M., 2017. GIS-based model for analysis of modern pollen-climate relationship: Calibration set from Eastern Bulgaria. Proceedings of the 5th SSC "Ecology and environment", 56-66.
Vergiev, S., Filipova-Marinova, M., Pavlov, D., Coolen, M., Giosan, L. 2013. Pollen-based paleoclimate reconstructions of the Central Bulgarian Black Sea Coast during the last 13000 years using modern analog technique (MAT). National Conference "GEOSCIENCES 2013" with International Participation, 81-82.
Vergiev, S., Filipova-Marinova, M., Giosan, L., Slavchev, V. 2014a. Pollen-based paleoclimate reconstructions of the Varna-Beloslav Lake area during the last 6200 years using polen-based analysis and modern analog technique (MAT). National Conference "GEOSCIENCES 2014" with International Participation, 71-72.
Vergiev, S., Filipova-Marinova, M., Giosan, L., Pavlov, D., Slavchev, V. 2014b. Pollenbased quantitative reconstruction of holocene vegetation in Varna Lake area (Northeastern Bulgaria) using modelling and simulation approach. Comptes Rendus de L'Academie Bulgare des Sciences, 67(6):831-834.
Vergiev, S., Filipova-Marinova, M. 2015. Pollen-based palaeoclimate reconstructions of the Shabla-Ezeretz lake area during the last 7000 years using modern analog technique (MAT). National Conference "GEOSCIENCES 2015" with International Participation, 123-124.
Corresponding author:
e-mail: [email protected]
