For deriving selected indicators, w

For deriving selected indicators, we used a WorldView-2 image (acquired in June 2012, 8 multispectral bands, 2 m ground sampling distance (GSD), pan-sharpened to 0.5 m GSD) and airborne LiDAR data acquired in April 2006 with a mean point density of 1 point/m2. LiDAR data were used for the creation of a digital terrain model (DTM), a digital surface model (DSM) and a normalized surface model (nDSM) with a spatial resolution of 1 m. The time gap between the EO data used is justifiable, as only minor micro-relief changes occurred in this period due to flood events. As baseline patch geometry we used the EUNIS categories G1.1 and G1.2 (Davies et al., 2004) of a semi-automated habitat delineation with a nominal scale of 1:4000 (Strasser et al., 2014) (Fig. 1). The outlines of the delineated units were generalized by applying the PAEK (Polynomial Approximation with Exponential Kernel) algorithm. All polygons with an area less than 100 m2 were merged with the neighbouring polygon sharing the longest boarder. After merging, forest patches with a total area less than 400 m2 were excluded from further analysis as they represent large single trees or groups rather than forest patches. The resulting map has a minimum mapping unit (MMU) of 400 m2 (patch size: mean = 4700 m2, minimum = 400 m2, maximum = 20300 m2).

Deriving seven EO-based indicators
To produce a conceptual and statistically sound composite indicator, we followed the general sequence proposed by OECD guidelines (Nardo et al., 2008). Based on the conceptual framework on habitat quality and the four related attributes, the following seven indicators out of the indicators presented in Table 1 were chosen based on their relevance for the study site:

(1) Proportion of characteristic and (2) of allochthonous tree species [attribute: tree species composition]
The proportions of characteristic and allochthonous tree species were derived as the percentage of the respective tree species per patch. Tree species were identified by single tree detection based on spectral values of a WorldView-2 image (Strasser et al., 2014). For EUNIS G1.1 Grey alder (Alnus incana (L.) Moench) and White willow (Salix alba L.) and for EUNIS G1.2 Sycamore maple (Acer pseudoplatanus L.), European ash (Fraxinus excelsior L.) and English oak (Quercus robur L.) together with Grey alder and White willow were selected as characteristic tree species. Norway spruce (Picea abies (L.) H. Karst.) was specified as the most disturbing allochthonous tree species, as it is not native in Central European riparian forests ( Ellenberg, 2009).

(3) Variance in canopy height and (4) Old trees [attribute: vertical forest structure]
The vertical structure of forests and the openness in forest patches are represented by the variance in canopy height. A low variance indicates a homogeneous crown closure whereas high variance reflects different height and/or species composition. Open canopy increases light levels below the canopy which influences the existence of below-canopy species and structural diversity (Eycott et al., 2006), both known as typical features of riparian forests (Ellmauer, 2005). Large old trees provide habitat for a number of plant and animal species (Coote et al., 2013 and Berg et al., 1994) and enhance the chance of deadwood in the near future which in turn increases biodiversity (Andersson, 1991). Both indicators were derived from the nDSM. The variance in canopy height was calculated as the standard deviation of height information within habitat patches. The number of old trees per patch was calculated by first computing local maxima of the nDSM and then selecting trees with a height of more than 26 m.

(5) Within-patch heterogeneity and (6) Shape index [attribute: horizontal forest structure]
Within-patch heterogeneity, expressed by spectral variance, is assumed to reflect habitat heterogeneity and the local distribution of species. Although spectral variance was rarely linked directly to biodiversity, a relationship to plant species richness was found (Palmer et al., 2002 and Rocchini et al., 2004). To calculate the within-patch heterogeneity, a scene component analysis was used to extract variations in the spectral information (Hoffman et al., 2000). We used an unsupervised approach, ISODATA (Iterative Self-Organizing Data Analysis), to identify spectral clusters. The maximum number of spectral clusters, depending on the landscape variability and imaging sensor, was set to 80. Each scene component represents the characteristics of the surface, composed by several clusters depending on the present conditions (e.g. moisture content or viewing geometry). Clusters were labelled using ecological domain expertise (e.g. bare ground, water body, shaded canopy, bright canopy) and manually merged where representing the same scene component (Supplement 1). The within-patch heterogeneity was estimated from a measure of relative entropy (Dean and Smith, 2003), calculated on the scene component proportions per patch, resulting in 0 for a completely uniform object (only one scene component) and 1 for the maximum level of scene component mix (each scene component present in equal proportions). For this computation, the 1Spatial LAMPS2 GIS system was used.

The shape index was used as a standardised measure for describing the form complexity of individual patches by relating patch area to perimeter (Forman and Godron, 1986), calculated using V-LATE (Lang and Tiede, 2003). It has been used to assess riparian vegetation structure on landscape (Fernandes et al., 2011), but also on patch level, where the complexity of patch form is typically increased by the occurrence of structures like small creeks (Riedler et al., 2013) that contribute to ideal conditions (Ellmauer, 2005).

(7) Variance in terrain roughness [attribute: water regime]
The variance in terrain roughness is an approximation of soil wetness induced by perennial streams or streams which are activated during heavy rain and flood events. The variance of the micro-topographic relief indicates areas where water is likely to accumulate with specific soil conditions and plant species distribution (Unger and Muzika, 2008). Abandoned streams and temporary water bodies can also provide additional habitat for specific species (Tockner et al., 1999). To calculate terrain roughness, the DTM was filtered by a 5 × 5 pixel moving window to smooth artefacts. Based on the filtered DTM, slope and its standard deviation per patch were computed.

Combining indicators into RFI_S
Before aggregating the individual indicators, the underlying statistical data structure was analysed using descriptive statistics (Supplement 2) as well as Spearman's rank correlation coefficient (ρ) and the variance in inflation factors (VIF) to detect multi-collinearities among indicators. Indicators with ρ < I 0.9 I and VIF < 5 were considered for further analysis. Data values were normalized using the Min–Max method and the resulting values ranging from 0 to 1 were shifted by a factor of 10 to receive positive values only ( Lung et al., 2013). The RFI_S was then calculated using geometric aggregation which reduces the problem of compensability between indicators compared to linear additive aggregation ( Nardo et al., 2008). Weights were obtained by both an expert-based and a statistical approach ( Table 2). Experts’ weightings resulted from a budget allocation process ( Nardo et al., 2008) with four experts allocating a budget of 100 points to the indicator set based on the relative importance of the indicators. A final consensus was reached through an interactive discussion. For the statistical weighting PCA was used. Standard threshold values were applied for considering indicators (overall KMO > 0.6) and choosing factors (with Eigen values > 1 that individually explain more than 10% of the total variance) as well as standard procedures (varimax rotation of factors and grouping of indicators with highest factor loadings to intermediate composites) ( Nardo et al., 2008 and Nicoletti et al., 2000). The robustness of the RFI_S was analyzed in terms of influence of single indicators under both weighting schemes. Thereby each input indicator was excluded while keeping the other settings constant ( Lung et al., 2013). The resulting (modified) composite indicators were standardised to a range between 0 and 1 and subtracted from the original RFI_S, which served as reference indicator. The interquartile range was used to evaluate the influence of the excluded indicators.

ผลลัพธ์ (ไทย) 1:

บริษัทฯ เลือกตัวบ่งชี้ เราใช้รูป 2 โลกทัศน์ของ (มาในเดือน 2012 มิถุนายน วง multispectral 8 พื้นดิน 2 เมตรระยะห่าง (GSD), แพนรุนแรงขึ้น 0.5 เมตร GSD การสุ่มตัวอย่าง) และรับข้อมูลจาก LiDAR สู่ 2549 เมษายน มีค่าเฉลี่ยการชี้ความหนาแน่นของจุด 1 m2 ข้อมูลจาก LiDAR ถูกใช้สำหรับการสร้างแบบจำลองภูมิประเทศดิจิตอล (DTM), แบบจำลองพื้นผิวดิจิตอล (DSM) และแบบมาตรฐานผิวจำลอง (nDSM) ด้วยความละเอียดพื้นที่ม. 1 ช่องว่างระหว่างข้อมูลอีโอใช้เวลาจะแข่งขัน เป็นรองเท่าไมโครบรรเทาการเปลี่ยนแปลงที่เกิดขึ้นในรอบระยะเวลานี้เนื่องจากเหตุการณ์น้ำท่วม เป็นพื้นฐานแก้ไขเรขาคณิต เราใช้ประเภท EUNIS G1.1 และ G1.2 (เดวีส์ et al., 2004) ของ delineation อยู่อาศัยกึ่งอัตโนมัติ มีขนาดระบุของ 1:4000 (ชตราสเซอร์ et al., 2014) (Fig. 1) เค้าร่างของหน่วย delineated ถูกตั้งค่าทั่วไป โดยใช้อัลกอริทึม PAEK (ประมาณพหุนามกับ Kernel เนน) รูปหลายเหลี่ยมทั้งหมด มีพื้นที่น้อยกว่า 100 m2 ถูกผสานกับรูปหลายเหลี่ยมเพื่อนร่วมพึงที่ยาวที่สุด หลังจากที่ผสาน ซอฟต์แวร์ป่า มีพื้นที่ทั้งหมดที่น้อยกว่า 400 m2 ถูกแยกออกจากการวิเคราะห์เป็นแทนต้นไม้ใหญ่เดี่ยว หรือกลุ่ม มากกว่าป่าซอฟต์แวร์ แผนที่ผลลัพธ์มีการแม็ปขั้นต่ำหน่วย (MMU) ของ 400 m2 (แก้ไขขนาด: หมายถึง = 4700 m2 ขั้นต่ำ = 400 m2 สูงสุด = 20300 m2)ตัวบ่งชี้ตามอีโอ 7 บริษัทฯในการผลิตแนวคิด และทางสถิติเสียงชี้คอมโพสิต เราตามลำดับทั่วไปที่เสนอตามแนวทาง OECD (Nardo et al., 2008) ตามกรอบแนวคิดในการอยู่อาศัยคุณภาพและคุณลักษณะที่เกี่ยวข้อง 4 ประการ ตัวบ่งชี้ในเจ็ดจากตัวบ่งชี้ที่แสดงในตารางที่ 1 ได้เลือกตามความเกี่ยวข้องในเว็บไซต์การศึกษา:(1) สัดส่วน ของลักษณะ และ (2) พันธุ์ allochthonous ทรี [แอตทริบิวต์: แผนภูมิองค์ประกอบพันธุ์]สัดส่วนของชนิดแผนภูมิลักษณะและ allochthonous ได้มาเป็นเปอร์เซ็นต์ของชนิดแผนภูมิที่เกี่ยวข้องต่อแพทช์ ต้นไม้ชนิดที่ระบุ โดยตรวจสอบแผนภูมิเดี่ยวตามค่าสเปกตรัมของโลกทัศน์ของ 2 รูป (ชตราสเซอร์ et al., 2014) สำหรับ EUNIS G1.1 alder สีเทา (Alnus incana (L.) Moench) ไวท์วิลโลว์ (Salix alba L.) และเมเปิ้ล Sycamore EUNIS G1.2 (ข้าวลูกผสม L.), เถ้ายุโรป (เอ็กเซลซิเออร์ Fraxinus L.) และภาษาอังกฤษโอ๊ค (Quercus robur L.) กับ alder สีเทาและสีขาววิลโลว์ได้เลือกเป็นชนิดแผนภูมิลักษณะการ นอร์เวย์ spruce (Picea abies (L.) เทือกเขา H..) ระบุเป็นชนิด แผนภูมิ allochthonous มากที่สุดจะไม่พื้นเมืองในกลางป่า riparian ยุโรป (Ellenberg, 2009)(3) ผลต่างของความสูงของฝาครอบและต้นไม้เก่า (4) [แอตทริบิวต์: โครงสร้างแนวตั้งป่า]โครงสร้างแนวตั้งของป่าไม้และแขกเป็นป่าจะแสดง โดยใช้ผลต่างในความสูงของฝาครอบ ผลต่างที่ต่ำบ่งชี้ปิดเหมือนมงกุฎในขณะที่ผลต่างสูงสะท้อนให้เห็นถึงความสูงที่แตกต่างกันและ/หรือส่วนประกอบชนิด ฝาครอบเปิดเพิ่มแสงระดับด้านล่างฝาครอบที่มีผลต่อการดำรงอยู่ของสายพันธุ์ด้านล่างฝาครอบและหลากหลายโครงสร้าง (Eycott และ al., 2006), รู้จักกันทั้งเป็นคุณลักษณะทั่วไปของป่า riparian (Ellmauer, 2005) ต้นไม้ใหญ่เก่าให้อยู่อาศัยจำนวนพืชและสัตว์พันธุ์ (Coote et al., 2013 และเบิร์กลักซ์เชอรี่ et al., 1994) และเพิ่มโอกาสของ deadwood ในอนาคตอันใกล้ซึ่งจะเพิ่มความหลากหลายทางชีวภาพ (Andersson, 1991) ตัวบ่งชี้ทั้งสองได้มา nDSM มีคำนวณผลต่างสูงฝาครอบเป็นส่วนเบี่ยงเบนมาตรฐานของข้อมูลความสูงภายในปรับปรุงอยู่อาศัย มีคำนวณจำนวนต้นไม้เก่าต่อแพทช์ โดยคำนวณเฉพาะแมกของ nDSM แรก แล้ว เลือกต้นไม้ มีความสูงมากกว่า 26 เมตร(5) ภายในแพทช์ heterogeneity และดัชนีรูป (6) [แอตทริบิวต์: โครงสร้างแนวนอนป่า]ภายในปรับปรุง heterogeneity แสดง โดยสเปกตรัมต่าง สันนิษฐานถึง heterogeneity อยู่อาศัยและกระจายพันธุ์ในท้องถิ่น แม้ว่าสเปกตรัมต่างไม่ค่อยถูกเชื่อมโยงโดยตรงกับความหลากหลายทางชีวภาพ ความสัมพันธ์กับพืชชนิดร่ำรวยพบ (พาล์มเมอร์และ al., 2002 และ Rocchini et al., 2004) การคำนวณ heterogeneity ภายในโปรแกรม การวิเคราะห์ส่วนประกอบฉากถูกใช้เพื่อแยกความแตกต่างในข้อมูลสเปกตรัม (แมนและ al., 2000) เราใช้วิธีการ unsupervised, ISODATA (ซ้ำ Self-Organizing วิเคราะห์ข้อมูล), ระบุกลุ่มสเปกตรัม จำนวนสูงสุดของคลัสเตอร์สเปกตรัม สำหรับความผันผวนของภูมิทัศน์และเซ็นเซอร์ถ่ายภาพ ถูกตั้งค่าให้ 80 ส่วนประกอบแต่ละฉากแสดงลักษณะของพื้นผิว ประกอบ ด้วยหลายคลัสเตอร์ขึ้นอยู่กับเงื่อนไขปัจจุบัน (เช่นชื้นหรือดูเรขาคณิต) คลัสเตอร์ที่มันใช้ความเชี่ยวชาญระบบนิเวศโดเมน (เช่นดินเปลือย ร่างกายน้ำ ฝาครอบสีเทา ฝาครอบใส) และผสานด้วยตนเองแสดงถึงส่วนประกอบฉากเดียวกัน (ภาคผนวก 1) Heterogeneity ภายในแพทช์ถูกประเมินจากการวัดเอนโทรปีญาติ (คณบดีและ Smith, 2003), คำนวณสัดส่วนประกอบฉากต่อแพทช์ ใน 0 สำหรับวัตถุเป็นรูปแบบสมบูรณ์ (ส่วนประกอบฉากเดียว) และ 1 สำหรับระดับสูงสุดของการผสมส่วนประกอบฉาก (แต่ละฉากประกอบในสัดส่วนที่เท่ากัน) สำหรับการคำนวณนี้ มีใช้ระบบ LAMPS2 GIS 1Spatialดัชนีรูปร่างถูกใช้เป็นหน่วยวัดแบบในแบบฟอร์มความซับซ้อนของซอฟต์แวร์แต่ละตัวโดยเกี่ยวข้องปรับปรุงพื้นที่ในขอบเขต (Forman และ Godron, 1986), คำนวณโดยใช้ V-ปลาย (Lang และ Tiede, 2003) มีการใช้ในการประเมินโครงสร้างพืช riparian ในแนวนอน (Fernandes et al., 2011), แต่ยังอยู่ ใน ระดับปรับปรุง ที่ความซับซ้อนของโปรแกรมปรับปรุงแบบฟอร์มได้โดยทั่วไปเพิ่มขึ้นตามการเกิดขึ้นของโครงสร้างเช่นลำธารขนาดเล็ก (Riedler et al., 2013) ที่นำไปสู่เงื่อนไขในอุดมคติ (Ellmauer, 2005)(7) ผลต่างในภูมิประเทศความหยาบ [แอตทริบิวต์: ระบอบน้ำ]ผลต่างในภูมิประเทศความหยาบเป็นการประมาณของ wetness ดินที่เกิดจากกระแสยืนต้นหรือกระแสข้อมูลที่เรียกใช้ในระหว่างฝนตกหนักและน้ำท่วมเหตุการณ์ ความแปรปรวนของบรรเทาไมโคร topographic บ่งชี้พื้นที่ที่น้ำมีแนวโน้มที่จะสะสม มีเงื่อนไขเฉพาะดิน และพืชที่กระจายพันธุ์ (Unger และ Muzika, 2008) ละทิ้งลำธารและแหล่งน้ำชั่วคราวสามารถยังให้อยู่อาศัยเพิ่มเติมสำหรับเฉพาะชนิด (Tockner et al., 1999) เพื่อคำนวณความหยาบภูมิประเทศ DTM มีกรองหน้าต่างเคลื่อนพิกเซล 5 × 5 นวลสิ่งประดิษฐ์ ตาม DTM กรอง ความชันและความเบี่ยงเบนมาตรฐานของต่อแพทช์ที่คำนวณตัวบ่งชี้รวมเป็น RFI_Sก่อนที่จะรวบรวมตัวชี้วัดแต่ละตัว ข้อมูลสถิติโครงสร้างพื้นฐานถูก analysed โดยใช้สถิติพรรณนา (ภาคผนวก 2) สัมประสิทธิ์สหสัมพันธ์อันดับของ Spearman (ρ) และตัวแปรในปัจจัยเงินเฟ้อ (VIF) เพื่อตรวจหาหลาย collinearities ระหว่างตัวบ่งชี้ ตัวบ่งชี้กับρ < 0.9 ฉันฉันและ VIF < 5 ได้ถือสำหรับการวิเคราะห์เพิ่มเติม ค่าข้อมูลได้ตามปกติโดยใช้วิธีต่ำสุด – สูงสุด และผลจากค่าได้ตั้งแต่ 0 ถึง 1 โดยตัวคูณ 10 จะได้รับเฉพาะค่าบวกเท่านั้น (ลุง et al., 2013) RFI_S ถูกแล้วคำนวณโดยใช้เรขาคณิตรวมซึ่งช่วยลดปัญหาของ compensability ระหว่างตัวบ่งชี้ที่เมื่อเทียบกับเส้นสามารถรวม (Nardo et al., 2008) น้ำหนักได้รับ โดยทั้งผู้เชี่ยวชาญและตามวิธีการทางสถิติ (ตารางที่ 2) ผู้เชี่ยวชาญด้าน weightings เป็นผลมาจากกระบวนการจัดสรรงบประมาณ (Nardo et al., 2008) กับผู้เชี่ยวชาญ 4 การปันส่วนงบประมาณ 100 จุดที่ชุดตัวบ่งชี้ตามความสำคัญของตัวบ่งชี้ ถึงมติสุดท้ายผ่านการสนทนาโต้ตอบ สำหรับน้ำหนักทางสถิติใช้ PCA ค่าขีดจำกัดมาตรฐานที่ใช้สำหรับการพิจารณาตัวบ่งชี้ (KMO รวม > 0.6) และเลือกปัจจัย (กับ Eigen ค่า > 1 ที่อธิบายทีละกว่า 10% ของความแปรปรวนทั้งหมด) เป็นขั้นตอนมาตรฐาน (varimax หมุนปัจจัย) และกลุ่มตัวบ่งชี้กับ loadings ปัจจัยสูงสุดการคอมโพสิตกลาง (Nardo et al., 2008 และ Nicoletti และ al., 2000) เสถียรภาพของ RFI_S ถูกวิเคราะห์ในแง่ของอิทธิพลของตัวบ่งชี้เดียวภายใต้แผนงานทั้งน้ำหนัก ตัวบ่งชี้แต่ละอินพุตจึงถูกแยกออกในขณะที่เก็บอื่นตั้งค่าคง (ลุง et al., 2013) ดัชนีคอมโพสิต (แก้ไข) ผลแบบช่วงระหว่าง 0 ถึง 1 และหักออกจาก RFI_S เดิม ซึ่งเป็นตัวบ่งชี้การอ้างอิง ช่วง interquartile ถูกใช้ในการประเมินอิทธิพลของตัวบ่งชี้แยก

ผลลัพธ์ (ไทย) 2:

สำหรับตัวชี้วัดที่ได้รับเลือกเราใช้ภาพ WorldView-2 (มาในเดือนมิถุนายน 2012, 8 วง multispectral, 2 เมตรระยะการเก็บตัวอย่างพื้นดิน (GSD), แพนรุนแรงขึ้นถึง 0.5 เมตร GSD) และข้อมูล LiDAR อากาศที่ได้มาในเดือนเมษายนปี 2006 มีค่าเฉลี่ย ความหนาแน่นของจุดที่ 1 จุด / m2 ข้อมูล LiDAR ถูกนำมาใช้สำหรับการสร้างแบบจำลองภูมิประเทศดิจิตอล (DTM), รูปแบบพื้นผิวดิจิตอล (DSM) และรูปแบบพื้นผิวปกติ (NDSM) ที่มีความละเอียดเชิงพื้นที่ของ 1 เมตร ช่องว่างเวลาระหว่างข้อมูล EO ใช้เป็นธรรมเช่นการเปลี่ยนแปลงเพียงเล็กน้อยไมโครบรรเทาเกิดขึ้นในช่วงนี้เนื่องจากเหตุการณ์น้ำท่วม ในฐานะที่เป็นรูปทรงเรขาคณิตแพทช์พื้นฐานที่เราใช้ EUNIS ประเภท G1.1 และ G1.2 ของการวาดภาพที่อยู่อาศัยกึ่งอัตโนมัติที่มีขนาดเล็กน้อยจาก 1 (เดวีส์และคณะ, 2004.) (. Strasser, et al, 2014) 4000 (รูปที่ 1) เค้าร่างของหน่วย delineated ได้ทั่วไปโดยใช้ PAEK (ประมาณพหุนามกับชี้แจง Kernel) อัลกอริทึม รูปหลายเหลี่ยมทั้งหมดที่มีพื้นที่น้อยกว่า 100 m2 ถูกรวมกับรูปหลายเหลี่ยมใกล้เคียงร่วมกันนักเรียนที่ยาวที่สุด หลังจากการควบรวมกิจการเป็นหย่อมป่าที่มีพื้นที่รวมน้อยกว่า 400 m2 ได้รับการยกเว้นจากการวิเคราะห์ต่อไปขณะที่พวกเขาเป็นตัวแทนของต้นไม้ใหญ่เดียวหรือกลุ่มมากกว่าแพทช์ป่า แผนที่ที่เกิดมีหน่วยการทำแผนที่ขั้นต่ำ (MMU) 400 ม. ​​2 (ขนาดแพทช์: ค่าเฉลี่ย = 4700 m2 ขั้นต่ำ = 400 m2 สูงสุด = 20300 m2) อันเกิดตัวแปรชี้ EO-based เพื่อผลิตแนวคิดและเสียงทางสถิติบ่งชี้คอมโพสิต เราตามลำดับโดยทั่วไปที่นำเสนอตามแนวทางของ OECD (Nardo et al., 2008) ขึ้นอยู่กับกรอบแนวคิดเกี่ยวกับคุณภาพที่อยู่อาศัยและคุณลักษณะสี่ที่เกี่ยวข้องต่อไปนี้เจ็ดตัวชี้วัดจากตัวชี้วัดที่แสดงในตารางที่ 1 ได้รับการแต่งตั้งขึ้นอยู่กับความสัมพันธ์ของพวกเขาสำหรับเว็บไซต์การศึกษา: (1) สัดส่วนของลักษณะและ (2) ของต้นไม้ allochthonous สายพันธุ์ [แอตทริบิวต์: ต้นไม้องค์ประกอบของชนิดพันธุ์] สัดส่วนของต้นไม้ชนิดลักษณะและ allochthonous ได้มาเป็นร้อยละของต้นไม้ชนิดนั้น ๆ ต่อแพทช์ ต้นไม้ชนิดระบุการตรวจสอบต้นไม้ต้นเดียวขึ้นอยู่กับค่าสเปกตรัมของภาพที่โลกทัศน์-2 (Strasser et al., 2014) สำหรับ EUNIS G1.1 ต้นไม้ชนิดหนึ่งสีเทา (Alnus incana (L. ) Moench) และวิลโลว์สีขาว (Salix Alba L. ) และ EUNIS G1.2 มะเดื่อเมเปิ้ล (เอ pseudoplatanus L. ) เถ้ายุโรป (Fraxinus ยิ่ง L. ) และภาษาอังกฤษ โอ๊ค (robur ว L. ) ร่วมกับต้นไม้ชนิดหนึ่งสีเทาและสีขาววิลโลว์ได้รับเลือกเป็นต้นไม้ชนิดลักษณะ นอร์เวย์โก้ (Picea abies (L. ) Karst เอช.) ได้รับการระบุเป็นรบกวนมากที่สุดต้นไม้ชนิด allochthonous ขณะที่มันไม่ได้เป็นพื้นเมืองในภาคกลางของป่าชายฝั่งยุโรป (Ellenberg, 2009). (3) ความแปรปรวนในท้องฟ้าสูงและ (4 ) ต้นไม้เก่า [แอตทริบิวต์: โครงสร้างป่าแนวตั้ง] โครงสร้างแนวตั้งของป่าไม้และการเปิดกว้างในแพทช์ป่าเป็นตัวแทนของความแปรปรวนสูงหลังคา ความแปรปรวนต่ำบ่งชี้การปิดมงกุฎที่เป็นเนื้อเดียวกันในขณะที่ความแปรปรวนสูงสะท้อนให้เห็นถึงความสูงที่แตกต่างกันและ / หรือองค์ประกอบของชนิดพันธุ์ เปิดหลังคาเพิ่มระดับแสงต่ำกว่าหลังคาที่มีอิทธิพลต่อการดำรงอยู่ของสายพันธุ์ที่ต่ำกว่าหลังคาและความหลากหลายของโครงสร้าง (Eycott et al., 2006) ทั้งที่รู้จักกันเป็นคุณสมบัติทั่วไปของป่าชายฝั่ง (Ellmauer, 2005) ต้นไม้เก่าแก่ขนาดใหญ่ให้ที่อยู่อาศัยสำหรับจำนวนของสายพันธุ์พืชและสัตว์ (คู้ et al., 2013 และ Berg et al., 1994) และเพิ่มโอกาสในการเดดวูดในอนาคตอันใกล้ซึ่งจะเพิ่มความหลากหลายทางชีวภาพ (แอนเดอ, 1991) ตัวชี้วัดทั้งสองได้มาจาก NDSM ความแปรปรวนสูงหลังคาที่คำนวณได้เป็นส่วนเบี่ยงเบนมาตรฐานของข้อมูลที่สูงภายในแพทช์ที่อยู่อาศัย จำนวนของต้นไม้เก่าต่อแพทช์ที่คำนวณได้จากการคำนวณครั้งแรกสูงสุดในท้องถิ่นของ NDSM แล้วเลือกต้นไม้ที่มีความสูงกว่า 26 เมตร. (5) ความแตกต่างภายในแพทช์และ (6) ดัชนี Shape [แอตทริบิวต์: โครงสร้างป่าแนวนอน] ความแตกต่างภายในแพทช์แสดงโดยแปรปรวนสเปกตรัมจะถือว่าสะท้อนให้เห็นถึงความแตกต่างที่อยู่อาศัยและการจำหน่ายในประเทศของสายพันธุ์ แม้ว่าความแปรปรวนสเปกตรัมไม่ค่อยถูกเชื่อมโยงโดยตรงกับความหลากหลายทางชีวภาพ, ความสัมพันธ์กับความอุดมสมบูรณ์ของพืชสายพันธุ์ที่ได้รับการค้นพบ (พาลเมอร์ et al., 2002 และ Rocchini et al., 2004) การคำนวณความแตกต่างภายในแพทช์, การวิเคราะห์ฉากองค์ประกอบที่ถูกนำมาใช้เพื่อดึงรูปแบบในข้อมูลสเปกตรัม (ฮอฟแมน et al., 2000) เราใช้วิธีการใกล้ชิด, ISODATA (ซ้ำตัวเองจัดงานการวิเคราะห์ข้อมูล) เพื่อระบุกลุ่มสเปกตรัม จำนวนสูงสุดของกลุ่มสเปกตรัมขึ้นอยู่กับความแปรปรวนของภูมิทัศน์และเซ็นเซอร์ภาพที่ถูกกำหนดให้ 80. องค์ประกอบฉากแต่ละลักษณะของพื้นผิวประกอบด้วยหลายกลุ่มขึ้นอยู่กับสภาพปัจจุบัน (เช่นความชื้นหรือรูปทรงเรขาคณิตที่ดู) กลุ่มถูกระบุโดยใช้ความเชี่ยวชาญโดเมนระบบนิเวศ (เช่นพื้นเปลือยร่างกายน้ำหลังคาสีเทาหลังคาสดใส) และควบรวมกิจการด้วยตนเองที่เป็นตัวแทนขององค์ประกอบฉากเดียวกัน (ภาคผนวก 1) ภายในแพทช์ความแตกต่างได้รับการประเมินจากตัวชี้วัดของเอนโทรปีญาติ (คณบดีและสมิ ธ , 2003) คำนวณจากสัดส่วนองค์ประกอบฉากต่อแพทช์ที่มีผลใน 0 สำหรับวัตถุเครื่องแบบสมบูรณ์ (เฉพาะองค์ประกอบหนึ่งที่เกิดเหตุ) และ 1 สำหรับในระดับสูงสุด ของฉากผสมส่วนประกอบ (แต่ละองค์ประกอบฉากอยู่ในสัดส่วนที่เท่ากัน) สำหรับการคำนวณนี้ระบบ GIS 1Spatial LAMPS2 ถูกนำมาใช้. ดัชนีรูปร่างถูกใช้เป็นตัวชี้วัดที่เป็นมาตรฐานสำหรับการอธิบายความซับซ้อนของรูปแบบของแต่ละแพทช์โดยพื้นที่ที่เกี่ยวข้องกับแพทช์ที่จะปริมณฑล (ฟอร์แมนและ Godron, 1986), การคำนวณโดยใช้ V-LATE (Lang และผูก 2003) มันได้ถูกนำมาใช้ในการประเมินโครงสร้างพืชชายฝั่งบนภูมิทัศน์ (เฟอร์นันเด et al., 2011) แต่ยังอยู่ในแพทช์ระดับที่ซับซ้อนของรูปแบบแพทช์จะเพิ่มขึ้นโดยทั่วไปการเกิดขึ้นของโครงสร้างเช่นลำห้วยขนาดเล็ก (Riedler et al., 2013 .) ที่นำไปสู่เงื่อนไขที่เหมาะสม (Ellmauer 2005) (7) ความแปรปรวนในความหยาบภูมิประเทศ [แอตทริบิวต์: ระบอบการปกครองของน้ำ] แปรปรวนในความขรุขระภูมิประเทศเป็นประมาณความชื้นแฉะดินที่เกิดจากลำธารยืนต้นหรือลำธารซึ่งจะเปิดใช้งานในช่วงฝนตกหนักและน้ำท่วม เหตุการณ์ที่เกิดขึ้น ความแปรปรวนของการบรรเทาไมโครภูมิประเทศบ่งชี้ว่าพื้นที่ที่น้ำมีแนวโน้มที่จะสะสมที่มีสภาพดินที่เฉพาะเจาะจงและการกระจายพันธุ์พืช (อังเกอร์และมิวสิค 2008) ลำธารและถูกทอดทิ้งและแหล่งน้ำชั่วคราวนอกจากนี้ยังสามารถจัดหาที่อยู่อาศัยที่เพิ่มขึ้นสำหรับสายพันธุ์ที่เฉพาะเจาะจง (Tockner et al., 1999) การคำนวณความหยาบภูมิประเทศ DTM ถูกกรองโดย 5 × 5 หน้าต่างเคลื่อนไหวพิกเซลให้เรียบสิ่งของ บนพื้นฐานของ DTM กรองความลาดชันและส่วนเบี่ยงเบนมาตรฐานต่อแพทช์ได้รับการคำนวณ. รวมตัวชี้วัดที่เป็น RFI_S ก่อนที่จะรวมตัวชี้วัดแต่ละโครงสร้างข้อมูลสถิติพื้นฐานได้รับการวิเคราะห์โดยใช้สถิติเชิงพรรณนา (ภาคผนวก 2) เช่นเดียวกับค่าสัมประสิทธิ์สหสัมพันธ์อันดับเปียร์แมน (ρ) และความแปรปรวนในปัจจัยอัตราเงินเฟ้อ (VIF) เพื่อตรวจสอบ collinearities หลายในหมู่ตัวชี้วัด ตัวชี้วัดที่มีρ <0.9 ฉันฉันและ VIF <5 ได้รับการพิจารณาสำหรับการวิเคราะห์ต่อไป ค่าข้อมูลปกติโดยใช้วิธี Min-Max และค่าผลตั้งแต่ 0-1 ถูกเปลี่ยนโดยปัจจัยที่ 10 จะได้รับค่าบวกเท่านั้น (ปอด et al., 2013) RFI_S ที่คำนวณแล้วใช้การรวมตัวทางเรขาคณิตซึ่งจะช่วยลดปัญหาของ compensability ระหว่างตัวชี้วัดเมื่อเทียบกับการรวมตัวของสารเติมแต่งเชิงเส้น (Nardo et al., 2008) น้ำหนักที่ได้รับจากทั้งผู้เชี่ยวชาญที่ใช้และวิธีการทางสถิติ (ตารางที่ 2) น้ำหนักผู้เชี่ยวชาญเป็นผลมาจากกระบวนการจัดสรรงบประมาณ (Nardo et al., 2008) กับสี่ผู้เชี่ยวชาญด้านการจัดสรรงบประมาณ 100 คะแนนในการกำหนดตัวบ่งชี้ขึ้นอยู่กับความสำคัญของตัวชี้วัด ฉันทามติสุดท้ายก็มาถึงผ่านการสนทนาแบบโต้ตอบ สำหรับน้ำหนักสถิติ PCA ถูกนำมาใช้ ค่าเกณฑ์มาตรฐานถูกนำไปใช้ในการพิจารณาตัวชี้วัด (โดยรวม KMO> 0.6) และการเลือกปัจจัย (มีค่า Eigen> 1 ว่าแต่ละที่อธิบายเพิ่มเติมกว่า 10% ของความแปรปรวนทั้งหมด) เช่นเดียวกับขั้นตอนมาตรฐาน (หมุน Varimax ของปัจจัยและการจัดกลุ่มของตัวชี้วัดที่มี สูงสุดน้ำหนักองค์ประกอบที่จะคอมโพสิตกลาง) (Nardo et al., 2008 และ Nicoletti et al., 2000) ความทนทานของ RFI_S ได้รับการวิเคราะห์ในแง่ของอิทธิพลของตัวชี้วัดเดียวภายใต้ทั้งแผนการน้ำหนัก ดังนั้นแต่ละตัวบ่งชี้การป้อนข้อมูลได้รับการยกเว้นในขณะที่เก็บการตั้งค่าอื่น ๆ คงที่ (ปอด et al., 2013) ผล (แก้ไข) ตัวชี้วัดประกอบให้เป็นมาตรฐานในช่วงระหว่าง 0 และ 1 และหักออกจาก RFI_S เดิมซึ่งทำหน้าที่เป็นตัวบ่งชี้การอ้างอิง ช่วง interquartile ถูกนำมาใช้ในการประเมินอิทธิพลของตัวชี้วัดที่ได้รับการยกเว้น

ผลลัพธ์ (ไทย) 3:

สำหรับใช้เลือกตัวที่เราใช้เป็นภาพ worldview-2 ( ได้มาในเดือนมิถุนายน 2012 , 8 และ 3 วง 2 เมตรพื้น ) ระยะทาง ( GSD ) , กะทะคม 0.5 M GSD ) และทางอากาศ LIDAR ข้อมูลที่ได้มาในเดือนเมษายน 2549 ว่า มีจุดความหนาแน่นของ M2 / 1 จุด LIDAR ข้อมูลที่ใช้สำหรับสร้างแบบจำลองภูมิประเทศ ( DTM ) , ดิจิตอลพื้นผิวแบบดิจิตอล ( DSM ) และพื้นผิวแบบปกติ ( ndsm ) ที่มีความละเอียดเชิงพื้นที่ 1 เมตร เวลาช่องว่างระหว่าง EO ใช้ข้อมูลนั้นถูกต้อง เป็นเพียงเล็กน้อย การเปลี่ยนแปลงที่เกิดขึ้นในช่วงเวลานี้ไมโครบรรเทาเนื่องจากน้ำท่วม เหตุการณ์ เป็นแพทช์เรขาคณิตพื้นฐานที่เราใช้ eunis และประเภท g1.1 g1.2 ( เดวีส์ et al . , 2004 ) อธิบายที่อยู่อาศัยกึ่งอัตโนมัติที่มีขนาดปกติ 1 :4000 ( สแตรสเซอร์ et al . , 2010 ) ( รูปที่ 1 ) เค้าร่างของสมาชิกหน่วยทั่วไป โดยการใช้แป๊ก ( การประมาณพหุนามด้วยเมล็ด ( ) ขั้นตอนวิธี รูปหลายเหลี่ยมทั้งหมดที่มีพื้นที่น้อยกว่า 100 ตร. ม. ถูกรวมเข้ากับเพื่อนบ้านรูปหลายเหลี่ยมร่วมกันอยู่ที่ยาวที่สุด หลังจากที่ผสานป่าซอฟต์แวร์ มีพื้นที่รวมไม่น้อยกว่า 400 ตารางเมตร ได้รับการยกเว้นจากการวิเคราะห์เพิ่มเติมตามที่พวกเขาแสดงเดี่ยวขนาดใหญ่ ต้นไม้ หรือกลุ่มดีกว่าหย่อมป่า ส่งผลให้แผนที่มีหน่วยแผนที่ขั้นต่ำ ( แปรง ) 400 ตารางเมตร ( ขนาด : หมายถึง = 4 , 700 ตารางเมตร ขั้นต่ำ 400 m2 สูงสุด = 20 , 300 ตารางเมตร ปะ )

4
7 ออตัวตามเพื่อสร้างแนวคิดและข้อมูลเสียงประกอบตัวบ่งชี้เราตามลําดับที่เสนอโดยทั่วไปแนวทาง OECD ( นาร์โด et al . , 2008 ) ตามกรอบแนวคิดด้านคุณภาพสิ่งแวดล้อมและสี่ที่เกี่ยวข้องกับคุณลักษณะต่อไปนี้เจ็ดตัวชี้วัดของตัวชี้วัดที่แสดงในตารางที่ 1 ได้รับเลือกตามความเกี่ยวข้องของพวกเขาการศึกษาเว็บไซต์ :

( 1 ) และ ( 2 ) สัดส่วนของลักษณะของ allochthonous ชนิดคุณลักษณะ : [ ต้นไม้พืช ]
สัดส่วนองค์ประกอบของลักษณะและ allochthonous พรรณไม้ได้เป็นเปอร์เซ็นต์ตามต้นไม้ชนิดต่อแพทช์ พืชที่ถูกระบุโดยการตรวจสอบต้นไม้เดียวตามค่าสเปกตรัมของภาพ worldview-2 ( สแตรสเซอร์ et al . , 2010 ) สำหรับ eunis g1.1 สีเทา Alder ( alnus incana ( L . ) 9 ) และ White Willow ( salix alba L . ) และ eunis G1 .2 Sycamore เมเปิล ( Acer pseudoplatanus L . ) , เถ้ายุโรป ( fraxinus Excelsior L . ) และภาษาอังกฤษ ( Quercus โอ๊ก robur L . ) ร่วมกับ Alder สีเทาและสีขาววิลโลว์ต้นไม้ชนิดที่เป็นลักษณะ นอร์เวย์สปรูซ ( picea abies ( L . ) Karst . . ) ก็ระบุเป็นรบกวนมากที่สุด allochthonous พรรณไม้ เป็นไม่พื้นเมืองในยุโรปกลางทรัพยากรป่าไม้ ( ellenberg , 2009 ) .

( 3 ) ความแปรปรวนสูง ทรงพุ่ม และ ( 4 ) คุณลักษณะของต้นไม้ [ เก่า ]
: โครงสร้างป่าในแนวดิ่งแนวตั้ง โครงสร้างของป่า และการเปิดกว้างในแพทช์ป่าเป็นตัวแทนของความแปรปรวนในความสูงของทรงพุ่ม ความแปรปรวนต่ำบ่งชี้การเป็นเนื้อเดียวกัน ส่วนความแปรปรวนสูงมงกุฎสะท้อนความสูงแตกต่างกัน และชนิดหรือองค์ประกอบเปิดหลังคากันสาดเพิ่มระดับแสงด้านล่างที่มีอิทธิพลต่อการดำรงอยู่ของชนิดและความหลากหลายของโครงสร้างด้านล่าง กันสาด ( eycott et al . , 2006 ) , ที่รู้จักกันเป็นคุณสมบัติทั่วไปของป่าชายฝั่ง ( ellmauer , 2005 ) ต้นไม้ขนาดใหญ่ที่เก่าแก่ให้อยู่อาศัยสำหรับจำนวนของพืชและสัตว์สายพันธุ์ ( คู้ต et al . , 2013 และเบิร์ก et al . ,1994 ) และเพิ่มโอกาสของการแนะนำในใกล้อนาคตซึ่งจะช่วยเพิ่มความหลากหลายทางชีวภาพ ( แอนเดอร์ น , 1991 ) 2 ตัวนี้ได้มาจาก ndsm . ความแปรปรวนในความสูงเรือนยอดมีค่าเป็นส่วนเบี่ยงเบนมาตรฐานของข้อมูลความสูงภายในถิ่น แพทช์จำนวนของต้นไม้เก่าต่อแพทช์แรกถูกคำนวณโดยคอมพิวเตอร์ท้องถิ่น maxima ของ ndsm แล้วเลือกต้นไม้ที่มีความสูงมากกว่า 26 เมตร

( 5 ) และ ( 6 ) ภายในแพทช์สามารถรูปร่างดัชนี [ คุณสมบัติ : แนวนอนโครงสร้างป่า ]
ภายในแพทช์ สามารถ แสดง โดย ความเงาจะถือว่าสะท้อน สามารถอยู่อาศัย และการกระจายท้องถิ่นของสปีชีส์แม้ว่าความเงายังไม่ค่อยเชื่อมโยงโดยตรงกับความหลากหลายทางชีวภาพ มีความสัมพันธ์กับชนิดพืชอุดมสมบูรณ์พบ ( เมอร์ et al . , 2002 และ rocchini et al . , 2004 ) คำนวณภายในแพทช์ที่สามารถเป็นฉาก การวิเคราะห์ใช้เพื่อสกัดการเปลี่ยนแปลงในข้อมูลสเปกตรัม ( ฮอฟแมน et al . , 2000 ) เราใช้วิธีการโดยขาดการควบคุมisodata ( ของตนเองการจัดวิเคราะห์ข้อมูล ) เพื่อระบุพื้นที่กลุ่ม จำนวนสูงสุดของสเปกตรัมกลุ่ม , ทั้งนี้ขึ้นอยู่กับภูมิทัศน์ของภาพเซ็นเซอร์ ไว้ที่ 80 แต่ละฉาก องค์ประกอบ หมายถึง ลักษณะของพื้นผิว โดยประกอบด้วยกลุ่มหลาย ขึ้นอยู่กับสภาพปัจจุบัน เช่น ความชื้น หรือการดูเรขาคณิต )กลุ่มถูกติดป้าย โดยใช้ความเชี่ยวชาญโดเมนนิเวศ ( เช่น เปลือยดิน ร่างกาย น้ำ ท้องฟ้าสดใส ท้องฟ้าสีเทา , ) และตนเองผสานที่เป็นตัวแทนขององค์ประกอบในฉากเดียวกัน ( ภาคผนวก 1 ) ภายในแพทช์ที่สามารถจะคำนวณจากการวัดค่าสัมพัทธ์ ( คณบดีและ Smith , 2003 ) , การคำนวณเกี่ยวกับฉากองค์ประกอบสัดส่วนต่อแพทช์ส่งผลให้ 0 สำหรับวัตถุทั้งหมดเครื่องแบบ ( เฉพาะฉากหนึ่งองค์ประกอบ ) และ 1 ในระดับสูงสุดของการผสมส่วนประกอบฉาก ( แต่ละองค์ประกอบฉากปัจจุบันในสัดส่วนที่เท่ากัน ) สำหรับการคำนวณนี้ 1spatial lamps2 GIS ระบบใช้

ดัชนีรูปร่างถูกใช้เป็นมาตรฐานในการวัดความซับซ้อนของซอฟต์แวร์ที่อธิบายถึงรูปแบบของแต่ละบุคคลโดยมีพื้นที่ปริมณฑล ( และแพทช์เพื่อ OE godron , 1986 ) , คำนวณการใช้ v-late ( Lang และวิทยาศาสตร์ , 2003 ) มันถูกใช้เพื่อประเมินโครงสร้างพืชชายฝั่งในแนวนอน ( Fernandes et al . , 2011 ) แต่ยังอยู่ในระดับแพทช์ที่ซับซ้อนของแพทฟอร์มโดยปกติจะเพิ่มขึ้นการเกิดโครงสร้างเหมือนลำธารขนาดเล็ก ( riedler et al . , 2013 ) ส่งผลให้เงื่อนไขที่เหมาะสม ( ellmauer , 2005 ) .

( 7 ) ความแปรปรวนในภูมิประเทศที่ขรุขระ [ คุณสมบัติ : น้ำระบบ ]
ความแปรปรวนในภูมิประเทศที่ขรุขระเป็นประมาณ ดินเปียกเกิดจากลำธารยืนต้นหรือลำธารซึ่งจะเปิดใช้งานในช่วงฝนตกหนัก และเหตุการณ์น้ำท่วม ความแปรปรวนของการบรรเทาภูมิประเทศไมโครแสดงพื้นที่ที่น้ำมีแนวโน้มที่จะสะสมกับสภาพดินที่เฉพาะเจาะจงและพืชชนิดการกระจายและกล่าว muzika , 2008 )ทิ้งลำธารและแหล่งน้ำชั่วคราวสามารถให้อยู่อาศัยเพิ่มเติมสำหรับเฉพาะชนิด ( tockner et al . , 1999 ) เพื่อคำนวณความขรุขระ terrain , DTM ถูกกรองโดย 5 × 5 พิกเซลย้ายหน้าต่างเพื่อรวบเรียบ ยึดกรอง DTM , ความลาดชันและส่วนเบี่ยงเบนมาตรฐานต่อแพทช์ถูกคำนวณตัวชี้วัดในการ rfi_s


ก่อนปี ตัวชี้วัดรายบุคคลข้อมูลสถิติพื้นฐานโครงสร้าง วิเคราะห์โดยใช้สถิติเชิงพรรณนา ( ภาคผนวก 2 ) รวมทั้งการใช้ Rank Correlation Coefficient ( ρ ) และความแปรปรวนในปัจจัยภาวะเงินเฟ้อ ( VIF ) เพื่อตรวจหา Multi collinearities ของตัวชี้วัด ตัวชี้วัดที่มีρ < ชั้น 0.9 และ VIF < 5 ได้รับการพิจารณาสำหรับการวิเคราะห์ต่อไปค่าข้อมูลปกติใช้มิน–แม็กซ์วิธีและผลค่าตั้งแต่ 0 ถึง 1 ถูกเปลี่ยนโดยปัจจัยที่ 10 เพื่อรับค่าเป็นบวก ( ปอด et al . , 2013 ) การ rfi_s ถูกคำนวณโดยใช้เรขาคณิตรวมซึ่งจะช่วยลดปัญหาของ compensability ระหว่างตัวชี้วัดเมื่อเทียบกับการเพิ่มเส้น ( นาร์โด et al . , 2008 )น้ำหนักที่ได้จากทั้งผู้เชี่ยวชาญโดยวิธีการทางสถิติ ( ตารางที่ 2 ) ผู้เชี่ยวชาญ weightings ที่เกิดจากกระบวนการจัดสรรงบประมาณ ( นาร์โด et al . , 2008 ) กับสี่ผู้เชี่ยวชาญการจัดสรรงบประมาณ 100 คะแนน การตั้งค่าตัวบ่งชี้ตามความสำคัญสัมพัทธ์ของตัวชี้วัด ประเด็นสุดท้ายคือถึงผ่านการสนทนาโต้ตอบสำหรับการชั่งน้ำหนักทางสถิติในปัจจุบันใช้ เกณฑ์มาตรฐานค่าสมัครพิจารณาตัวชี้วัด ( โดยรวม kmo > 0.6 ) และการเลือกปัจจัย ( eigen ค่า 1 ที่แยกอธิบายมากกว่า 10 % ของความแปรปรวนทั้งหมด ) รวมทั้งกระบวนการมาตรฐาน ( ตัวหมุนของปัจจัยและการจัดกลุ่มของตัวชี้วัดที่มีภาระปัจจัยสูงสุดกลางคอมโพสิต ) ( นาร์โด et al . ,2008 และ Nicoletti et al . , 2000 ) ความแข็งแกร่งของ rfi_s ถูกวิเคราะห์ในแง่ของอิทธิพลของตัวบ่งชี้เดี่ยวภายใต้ทั้งน้ำหนักแผน จึงได้รวมปัจจัยแต่ละตัวในขณะที่เก็บการตั้งค่าอื่น ๆคงที่ ( ปอด et al . , 2013 ) ( แก้ไข ) ดัชนีคอมโพสิตซึ่งเป็นมาตรฐานในช่วงระหว่าง 0 และ 1 และหักออกจาก rfi_s ต้นฉบับซึ่งทำหน้าที่เป็นดัชนีอ้างอิง ช่วงที่สร้างถูกใช้เพื่อประเมินอิทธิพลของค่าดัชนี