2.3. Data analysesTo assess the ind

2.3. Data analyses

To assess the indicator status of the legumes for botanical diversity on Sundaland we stacked all thresholded legume SDMs, as well as the SDMs of the other seven families that represent botanical diversity to generate two patterns of ‘diversity’. We clipped the Sundaland extent from the wider geographical extent at the Kangar–Pattani line and excluded the Philippines, Sulawesi, the Moluccas, and Lesser Sunda Islands (Fig. 1). Sundaland covers 18,094 raster cells. We used an ordinary least squares (OLS) regression model to assess how well the legume diversity predicts botanical diversity. Additionally, we established the indicator status for ‘four’ different growth habits; trees, lianas, herbs, or miscellaneous. We assessed the indicator status of all legumes, for the different legume growth habits individually, and for the different legume growth habits simultaneously with a forward–backward stepwise multiple regression analysis and the Akaike Information Criterion (AIC) best model selection procedure. All analyses were performed in R (R Development Core Team, 2012). For the stepwise multiple regression we used the function stepAIC from the R-library MASS (Venables and Ripley, 2002). In the ecological literature, however, claims are made that residual spatial autocorrelation in models of spatially structured data (as is the case here) result in shifts in the partial coefficients, which bias the interpretation of factors influencing geographical patterns (Dormann et al., 2007). Yet, Hawkins et al., 2007 and Hawkins, 2012 found that “OLS coefficients generated from data containing residual spatial autocorrelation were statistically indistinguishable from coefficients generated from the same data sets in which short-distance spatial autocorrelation was not present in all 22 coefficients tested. Consistent with the statistical literature on this subject, we conclude that coefficients estimated from OLS regression are not seriously affected by the presence of spatial autocorrelation in gridded geographical data”. These findings led us to plot the residuals of the best OLS model to identify regions where legumes under- and over-predict botanical diversity.

ผลลัพธ์ (ไทย) 1:

2.3. ข้อมูลวิเคราะห์การประเมินตัวบ่งชี้สถานะของถั่วสำหรับเขตชีวภาพซุนดาพฤกษศาสตร์ความหลากหลาย เราซ้อนข้อมูลถั่ว thresholded ทั้งหมด รวมทั้งข้อมูลของครอบครัวเจ็ดอื่น ๆ ที่แสดงถึงความหลากหลายพฤกษศาสตร์เพื่อสร้างรูปแบบที่สองของ 'ความหลากหลาย' เราตัดขอบเขตชีวภาพซุนดาจากขอบเขตทางภูมิศาสตร์กว้างเมื่อบรรทัดกาน – ปัตตานี และไม่รวมฟิลิปปินส์ สุลาเวสี โมลุกกะ และหมู่เกาะซุนดาน้อย (1 รูป) เขตชีวภาพซุนดาครอบคลุมเซลล์ raster 18,094 เราสามารถใช้แบบจำลองถดถอยธรรมดากำลังสองน้อยสุด (OLS) เพื่อประเมินอย่างหลากหลาย legume ทำนายพฤกษศาสตร์ความหลากหลาย นอกจากนี้ เราสามารถสร้างตัวบ่งชี้สถานะสำหรับ 'สี่' เจริญเติบโตแตกต่างกันนิสัย ต้นไม้ lianas สมุนไพร หรือเบ็ดเตล็ด เราประเมินตัวบ่งชี้สถานะของพืชตระกูลถั่วทั้งหมด สำหรับนิสัยการเจริญเติบโตของพืชตระกูลถั่วต่าง ๆ เป็นรายบุคคล และนิสัยการเจริญเติบโตของพืชตระกูลถั่วต่าง ๆ พร้อมกันกับการเดินหน้า – ถอยหลังศวิเคราะห์การถดถอยและการ Akaike ข้อมูลเกณฑ์ (AIC) เลือกรุ่นที่ดีที่สุด วิเคราะห์ทั้งหมดถูกดำเนินการใน R (R พัฒนาหลักทีม 2012) สำหรับที่ยังคงถดถอยหลายที่เราใช้การ stepAIC ฟังก์ชันจากไลบรารี R มวล (Venables และริบลีย์ 2002) ในวรรณคดีทางนิเวศวิทยา อย่างไรก็ตาม เรียกร้องที่ทำ autocorrelation เชิงพื้นที่ที่เหลือในรูปแบบของข้อมูลโครงสร้าง spatially (เป็นกรณีที่นี่) มีผลกะในสัมประสิทธิ์บางส่วน ซึ่งอคติการตีความของปัจจัยที่มีอิทธิพลต่อรูปแบบทางภูมิศาสตร์ (Dormann et al. 2007) ยัง ฮอว์กินส์ et al. 2007 และฮอว์กินส์ 2012 พบว่า "OLS สัมประสิทธิ์ที่สร้างขึ้นจากข้อมูลที่ประกอบด้วย autocorrelation spatial เหลือคล้ายสัมประสิทธิ์ที่สร้างขึ้นจากชุดข้อมูลเดียวกันซึ่งระยะ spatial autocorrelation ไม่ในทั้งหมด 22 สัมประสิทธิ์ทดสอบทางสถิติ สอดคล้องกับวรรณกรรมทางสถิติในเรื่องนี้ เราสรุปได้ว่า ค่าสัมประสิทธิ์ที่ประมาณจากถดถอย OLS จะไม่กระทบอย่างจริงจัง โดยการปรากฏตัวของ spatial autocorrelation ในข้อมูลทางภูมิศาสตร์ที่แทบ" ค้นพบเหล่านี้นำเราไปพล็อตเหลือของรูปแบบ OLS ที่ดีที่สุดเพื่อระบุภูมิภาคที่ถั่วใต้ - และ over - predict พฤกษศาสตร์ความหลากหลาย

ผลลัพธ์ (ไทย) 2:

2.3 การวิเคราะห์ข้อมูล

เพื่อประเมินสถานะการบ่งชี้ของพืชตระกูลถั่วสำหรับความหลากหลายทางพฤกษศาสตร์ใน Sundaland เราซ้อน SDMS ถั่วทั้งหมด thresholded, เช่นเดียวกับ SDMS ของอื่น ๆ เจ็ดครอบครัวที่เป็นตัวแทนของความหลากหลายทางพฤกษศาสตร์เพื่อสร้างสองรูปแบบของการ 'หลากหลาย' เราตัดขอบเขต Sundaland จากขอบเขตทางภูมิศาสตร์ที่กว้างขึ้นที่เส้น Kangar-ปัตตานีและได้รับการยกเว้นฟิลิปปินส์ซูโมลุกกะและหมู่เกาะซุนดาน้อย (รูปที่ 1). Sundaland ครอบคลุม 18,094 เซลล์แรสเตอร์ เราใช้สามัญสองน้อยที่สุด (OLS) แบบการถดถอยเพื่อประเมินว่าความหลากหลายของพืชตระกูลถั่วคาดการณ์ความหลากหลายทางพฤกษศาสตร์ นอกจากนี้เราจัดตั้งขึ้นสถานะตัวบ่งชี้สำหรับ 'สี่' นิสัยการเจริญเติบโตที่แตกต่างกัน ต้นไม้เถาวัลย์, สมุนไพร, หรืออื่น ๆ เราประเมินสถานะการบ่งชี้ของพืชตระกูลถั่วที่ทุกคนสำหรับนิสัยการเจริญเติบโตของพืชตระกูลถั่วที่แตกต่างกันเป็นรายบุคคลและเป็นนิสัยการเจริญเติบโตของพืชตระกูลถั่วที่แตกต่างกันไปพร้อม ๆ กันกับการวิเคราะห์การถดถอยไปข้างหน้าย้อนกลับพหุแบบขั้นตอนและวิธีการคัดเลือกตัวแบบที่ดีที่สุด Akaike ข้อมูลเกณฑ์ (AIC) การวิเคราะห์ข้อมูลทั้งหมดได้ดำเนินการในการวิจัย (R พัฒนาหลักของทีม, 2012) สำหรับการถดถอยพหุคูณแบบขั้นตอนที่เราใช้ฟังก์ชั่น stepAIC จากมวล R-ห้องสมุด (Venables และริบลีย์, 2002) ในวรรณคดีระบบนิเวศอย่างไรก็ตามการเรียกร้องที่ทำที่เหลืออัตเชิงพื้นที่ในรูปแบบของข้อมูลที่มีโครงสร้างเชิงพื้นที่ (เป็นกรณีที่นี่) ส่งผลให้เกิดการเปลี่ยนแปลงในค่าสัมประสิทธิ์บางส่วนซึ่งความลำเอียงความหมายของปัจจัยที่มีอิทธิพลต่อรูปแบบทางภูมิศาสตร์ (Dormann et al., 2007) แต่ฮอว์กิน et al., ปี 2007 และฮอว์กิน, 2012 พบว่า "ค่าสัมประสิทธิ์ OLS สร้างขึ้นจากข้อมูลที่มีอัตเชิงพื้นที่ที่เหลือก็แยกไม่ออกจากสถิติสัมประสิทธิ์สร้างขึ้นจากข้อมูลชุดเดียวกันซึ่งในระยะสั้นอัตเชิงพื้นที่ไม่ได้อยู่ในทุก 22 ค่าสัมประสิทธิ์การทดสอบ . สอดคล้องกับวรรณกรรมทางสถิติในเรื่องนี้เราสรุปได้ว่าค่าสัมประสิทธิ์การประมาณจาก OLS ถดถอยจะไม่ได้รับผลกระทบจากการปรากฏตัวของอัตเชิงพื้นที่ในข้อมูลทางภูมิศาสตร์ gridded ว่า " การค้นพบนี้นำเราไปสู่พล็อตที่เหลือของรูปแบบ OLS ที่ดีที่สุดในการระบุภูมิภาคที่พืชตระกูลถั่วเข้าใจและมากกว่าคาดการณ์ความหลากหลายทางพฤกษศาสตร์

ผลลัพธ์ (ไทย) 3:

2.3 การวิเคราะห์ข้อมูลการประเมินตัวบ่งชี้สถานะของพืชตระกูลถั่วในสวนพฤกษศาสตร์ของซุนดาแลนด์เราซ้อนกันทั้งหมด thresholded ถั่ว sdms ตลอดจน sdms ของอื่น ๆเจ็ดครอบครัวที่เป็นตัวแทนของความหลากหลายทางพฤกษศาสตร์เพื่อสร้างสองรูปแบบของ " ความหลากหลาย " เราตัดขอบเขตจากขอบเขตทางภูมิศาสตร์ซัลฟาไทอะโซลกว้างขึ้นใน Kangar –ปัตตานีและบรรทัดยกเว้นฟิลิปปินส์ , สุลาเวสี , โมลุกกะ และหมู่เกาะซุนดาน้อย ( รูปที่ 1 ) ซัลฟาไทอะโซลครอบคลุม 18094 เรียกว่าเซลล์ เราใช้วิธีกำลังสองน้อยที่สุด ( OLS ) แบบจำลองการถดถอยเพื่อประเมินวิธีการที่ดีและหลากหลายต่อความหลากหลายทางพฤกษศาสตร์ นอกจากนี้เราก่อตั้งตัวบ่งชี้สถานะ " โฟร์ " นิสัยแตกต่างกันการเจริญเติบโต ; ต้นไม้ เถาวัลย์ สมุนไพร หรือเบ็ดเตล็ด เราประเมินตัวบ่งชี้สถานะของถั่ว , ถั่วต่าง ๆของพฤติกรรมบุคคลและพฤติกรรมที่แตกต่างกันและเติบโตพร้อมกันกับไปข้างหน้า ถอยหลัง และการวิเคราะห์ถดถอยพหุ และเกณฑ์เคราะห์ข้อมูล ( AIC ) ที่ดีที่สุดเลือกแบบจำลองกระบวนการ ทั้งหมดที่วิเคราะห์ได้ใน R ( ทีมหลัก r พัฒนา 2012 ) สำหรับวิเคราะห์ถดถอยพหุคูณแบบขั้นตอน เราใช้ฟังก์ชัน stepaic จากมวล r-library ( เวนาเบล และ ริปลีย์ , 2002 ) ในวรรณกรรมทางนิเวศวิทยา โดยอ้างว่าจะทำให้ข้อมูลเชิงพื้นที่ที่เหลือในรูปแบบของโครงสร้างเชิงพื้นที่ข้อมูล ( เป็นกรณีนี้ ) ส่งผลให้เปลี่ยนค่าสัมประสิทธิ์บางส่วน ซึ่งมีการตีความของปัจจัยที่มีผลต่อรูปแบบทางภูมิศาสตร์ ( dormann et al . , 2007 ) ยัง , Hawkins et al . , 2007 และ Hawkins , 2012 พบว่า " วิธีสัมประสิทธิ์ที่สร้างขึ้นจากข้อมูลที่มีข้อมูลพบว่าพื้นที่ที่เหลืออกจากค่าสัมประสิทธิ์ที่สร้างขึ้นจากชุดข้อมูลเดียวกันที่ระยะทางสั้น ๆข้อมูลเชิงพื้นที่ไม่ได้อยู่ในทั้งหมด 22 แบบทดสอบ สอดคล้องกับวรรณกรรมทางสถิติในเรื่องนี้สรุปได้ว่า ค่าประมาณจากวิธี OLS Regression จะไม่ได้รับผลกระทบ อย่างจริงจัง โดยการแสดงตนของปริภูมิข้อมูลในข้อมูลทางภูมิศาสตร์ gridded . ข้อมูลเหล่านี้ทำให้เราแปลงค่าของที่ดีที่สุดและรูปแบบเพื่อระบุพื้นที่ซึ่งมากกว่าคาดการณ์และพืชตระกูลถั่วภายใต้ความหลากหลายทางพฤกษศาสตร์