Rs 2007 viljapuu laigud



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Rs 2007 viljapuu laigud, mis määratleti 2006. aastal, et hõlmata 0,5–1 hektari suurusi plaastreid. Igale plaastrile määrati individuaalne identifitseerimisnumber (ID) vahemikus 1 kuni 4869. Need plaastri ID-numbrid sisestati seejärel veebiandmebaasi, kus registreeriti kõik asjakohased keskkonnaandmed ja puuliikide koosseis igas plaastris. Keskkonnamuutujad, millel on teadaolevalt mõju taimestikutüüpidele, hõlmasid topograafilist aspekti (põhja, kirde, ida, lõuna, edela, lääs), mulla pH-d, orgaanilise aine protsenti, kaugust veest, kallet, aspekti ja kaugust lähima teeni. Need tegurid valiti välja nende bioloogilise tähtsuse alusel keskkonnale ja nende prognoositavale võimele eristada erinevaid taimestikutüüpe [@pone.0097255-Zhou1], [@pone.0097255-Yao1]. Pinnase pH, mulla orgaanilise aine sisalduse, kalde ja aspekti mõõtmiseks võeti plaastri tasemel mullaproovid iga laigu keskpunktist 15 m intervalliga ruudustiku järgi.

### Kogukonna andmed {#s2b2}

Laigude puude arvukuse andmed koguti 2007. aastal olemasolevatest metsainventuuridest [@pone.0097255-Chew1]. Need loendid olid ruumiliselt ammendavad, kasutades metsavõra katmiseks kihilisi proovivõtumeetodeid ja hõlmasid kõiki ülekorruselisi puid, mille läbimõõt oli ≥10 cm rinna kõrgusel (DBH). Puuliikide identiteet registreeriti kohalike ekspertide, välivaatluste ja molekulaarsete lähenemisviiside kombinatsiooni abil. Iga puu kohta hinnati ka puude suremust (s.o. ≥10 cm läbimõõduga tüve olemasolu ilma nähtavate elavate oksteta, kuid terve koorega). Kõik registreeritud puud mõõdeti seejärel põllul uuesti, et võimaldada puu DBH registreerimist.

Puu tasemel atribuudid, sealhulgas liigiline koosseis, vanus, suurusklass, kõrgus, aspekt, elupaik (st küps/alune korrus, lõhe) ja võra kate registreeriti 10 × 10 m kvadraati. Puu kõrguse andmed jätsime analüüsist välja, kuna andmeid oli palju (86% puuduvad).

### Selgitavad muutujad {#s2b3}

Kõik selgitavad muutujad, välja arvatud kaks plaastritegurit ja kliimamuutujaid, modelleeriti pikslite tasemel. Meie analüüsi kaasatakse laigutasandi keskkonnategurid, kuna varem on leitud, et need selgitavad rohkem liikide leviku erinevust kui kohalikud keskkonnategurid [@pone.0097255-Zhou1]. Laigutaseme kalle, aspekt ja pinnase pH tuletati GIS-ist ja teisendati vastavalt binaarmuutujateks >,0° ja <,0°. Mulla pH ja mulla orgaanilise aine sisaldust modelleeriti pidevate muutujatena [@pone.0097255-Anderson1]. Kliimamuutujad (õhutemperatuur, suhteline niiskus, päevane maksimum- ja miinimumtemperatuur, sademed) tuletati WeatherStationi (National Oceanic and Atmospheric Administration, NOAA, <,http://www.weatherstation.com/WxCalc/>) abil tehtud kliimaprognoosidest. ) ja modelleeritud pidevate muutujatena piksli tasemel [@pone.0097255-Cullingham1]. Kaks laigutegurit (lõhe kate ja võrakate) modelleeriti binaarsete muutujatena, mille teguri väärtus ümbritseval maastikul oli esitatud selle maksimumiga andmebaasis ja defineeriti kui 0 ja teine ​​pool kui 1. Nende arvutamise üksikasjad muutujaid on varem teatatud [@pone.0097255-Zhou2].

Analüüs {#s2c}

--------

### Liigiline koostis ja tiheduse kõikumine {#s2c1}

Keskkonnategurite ja liigitiheduse vahelise seose uurimiseks arvutasime välja iga liigi (n = 11 619) kõigi muutujate keskmise plaastri väärtuse (st keskmistatud kõigi plaastri pikslite lõikes). Kasutasime üldistatud lineaarseid mudeleid (GLM) koos Poissoni veajaotuse ja logilinki funktsiooniga, et uurida maastikuomaduste (n = 6, kõik pidevad) ja kliima (n = 4, kõik pidevad) mõju iga objekti keskmisele laigutihedusele. liiki. Andmed normaliseeriti, kasutades Box-Coxi võimsusteisendust ja vajaduse korral null-baaslogaritmilist teisendust [@pone.0097255-Sokal1]. Maastiku- ja kliimategurite mõju arvutati osaliste korrelatsioonikoefitsientidena liigitiheduse kontrollimiseks kõigi muude muutujate jaoks [@pone.0097255-Quinn1]. P väärtused määrati permutatsioonide ja 1000 randomiseerimise abil. Randomiseerimiste arv valiti nii, et selle tulemuseks oli ligikaudu sama valimi suurus kui vaadeldud maastikul [@pone.0097255-Quinn1]. Analüüside jaoks kasutasime R-paketti 'mvabund' [@pone.0097255-Blanchet1], mis võimaldab hõlpsasti võrrelda osalisi korrelatsioonikordajaid (vt ka [tekst S1](#pone.0097255.s003){ref-type=" lisamaterjal"}).

![Liikide ebaühtlane jaotus ja laikude analüüs.

a) Liigitiheduse (isendite arv ruutmeetri kohta) jaotus uuringualal (hall), mis on kaetud 1 km eraldusvõimega maakasutuse rasterkaardiga. Liikide levik on selgelt ebaühtlane. b) Plaastri analüüsi 3D-vaade (üksikasjaliku selgituse saamiseks vt [joonis S1](#pone.0097255.s001){ref-type="supplementary-material"}). c) Vaadeldud liikide arv (must) vs eeldatavate liikide arv (hall) lihtsa hõivatuse mudeli järgi. d) Sama, kuid võttes arvesse liikide keskkonnataluvust. e) Vaadeldud liikide arv (must) vs. eeldatavate liikide arv (hall) lihtsa asustusmudeli järgi, võttes arvesse liikide keskkonnataluvust. f) Sama, kuid randomiseerimismudeli kasutamisel.](pone.0097255.g001){#pone-0097255-g001}

Täitemudel {#s2c}

---------------

Täheldatud loendusandmeid (ainult kohaloleku kohta) analüüsiti kahe mudeli abil. Esiteks kasutasime lihtsat täitumusmudelit [@pone.0097255-Hines2], [@pone.0097255-MacKenzie1], [@pone.0097255-MacKenzie2], milles me ei modelleerinud tolerantsi ega plaastrite ruumilist paigutust. Analüüsisime andmeid 'mvabund' paketi [@pone.0097255-Blanchet1] abil R-is (versioon 2.13.2). Teises analüüsis kasutasime üldisemat mudelit, mis võtab arvesse liikide keskkonnataluvust, kasutades R-is (versioon 2.13.2) 'märgistamata' paketti [@pone.0097255-Jombart1]. Sellesse mudelisse lisasime lisamuutujana ka muutuja ruumilise paigutuse (plaastri suuruse suhe) ([tabel S2](#pone.0097255.s002){ref-type="supplementary-material"}). Kõik analüüsid viidi läbi Poissoni veajaotuse ja logi-linki funktsiooni abil. Parima mudeli väljaselgitamiseks kasutasime Burnhami ja Andersoni [@pone.0097255-Burnham1] soovitatud teabeteoreetilist lähenemisviisi. Arvutasime välja AIC (Akaike teabekriteerium), võrreldes kahe mudeli väärtusi, kasutades lõplike valimi suuruste parandustegurit (R pakett 'AICcmodavg') [@pone.0097255-Johnson1].

Keskkonnamudel {#s2d}

-------------------

Üldine lineaarne segamudel (


Vaata videot: teritamine


Kommentaarid:

  1. Dharr

    Meie vahel proovige otsida vastus oma küsimusele Google.com -ist

  2. Muireadhach

    Senks. Huvitav ja üldiselt kasulik ajaveeb teile

  3. Ansleigh

    Vabandage, kustutasin selle fraasi

  4. Abdul-Wadud

    Pts meeldis))

  5. Grogor

    Of course you're right. There's something about that, and that's a great idea. Olen valmis teid toetama.



Kirjutage sõnum


Eelmine Artikkel

Http www.southernliving.com aia lilled roosa-õhtupriimula

Järgmine Artikkel

Premeerige maastiku- ja veeherbitsiidide SD-d