Más

¿Las observaciones de latitud y longitud son independientes entre sí o están correlacionadas?

¿Las observaciones de latitud y longitud son independientes entre sí o están correlacionadas?


Quiero desarrollar un kernel gaussiano bivariado para manejar el ruido aleatorio en mis pistas GPS donde cada punto tiene tres parámetros (latitud, longitud y marca de tiempo).

Me preguntaba si los errores de latitud y longitud están correlacionados o son independientes entre sí.

Mi sentido común dice que son independientes porque no existe una relación causal entre ellos.


Sí, están relacionados. Un valor u otro no le proporciona suficiente información para una ubicación. Necesita tener ambos valores para tener un punto en el espacio.


Interdependencia y previsibilidad de la movilidad humana y las interacciones sociales.

Estudios anteriores han demostrado que el movimiento humano es predecible hasta cierto punto a diferentes escalas geográficas. Las técnicas de predicción existentes explotan solo la historia pasada de la persona que se toma en consideración como entrada de los predictores.

En este artículo, mostramos que mediante técnicas de predicción de series de tiempo no lineales multivariadas es posible aumentar la precisión de la predicción al considerar movimientos de amigos, personas o más en entidades generales, con patrones de movilidad correlacionados (es decir, caracterizados por una alta información mutua). ) como entradas. Finalmente, evaluamos las técnicas propuestas en los conjuntos de datos Nokia Mobile Data Challenge y Cabspotting.


Fondo

Los estudios de microbiomas han demostrado éxitos en la detección de patrones de composición microbiana en contextos de salud y ambientales. Los estudios a gran escala que ejemplifican los esfuerzos globales para facilitar la comprensión de la presencia y abundancia microbiana en relación con enfermedades o factores ambientales, han incluido el Proyecto del Microbioma Humano [1], el Metagenomics & amp Metadesign of Subways & amp Urban Biomes (MetaSUB) [2] y el Proyecto del Microbioma de la Tierra [3]. Los avances tecnológicos que han mejorado la capacidad para detectar especies y estimar su abundancia en muestras, incluyen el enfoque de secuenciación de amplicones de ARN ribosómico 16S (ARNr) que se dirige y secuencia específicamente una región dentro del gen ARNr 16S de bacterias y arqueas y el genoma completo de escopeta. enfoque de secuenciación en el que se secuencia todo el material genético presente en una muestra. Este último tiene el potencial de permitir la identificación de todo tipo de especies a nivel de cepa, además de permitir la detección y caracterización de unidades funcionales como genes, plásmidos o islas de patogenicidad. Además, la concordancia entre los dos métodos es un área de debate activo, con discrepancias entre los estudios en los que se ha realizado una comparación directa de estos dos métodos [4, 5, 6, 7]. A pesar de los pros y los contras de cada técnica, se han encontrado éxitos en la extracción de información biológica significativa para estudios de enfermedades y ambientales utilizando ambos métodos [2, 3, 8,9,10,11].

La mayoría de los enfoques analíticos para la predicción de fuentes de muestras utilizados hasta la fecha se han centrado en métodos de clasificación supervisados, como máquinas de vectores de apoyo y bosques aleatorios, para asignar etiquetas de fuentes capacitadas a muestras desconocidas [9, 10, 12, 13]. Delgado-Baquerizo et al. encontraron una alta variabilidad en la abundancia relativa en varias ubicaciones geográficas mediante el examen del microbioma del suelo, y utilizaron modelos forestales aleatorios para predecir la preferencia de hábitat para los filotipos dominantes [9]. En el Proyecto del Microbioma de la Tierra, se construyeron modelos forestales aleatorios para distinguir muestras de varios factores ambientales, incluida la asociación con plantas o animales, así como la presencia de solución salina [10]. Desde la perspectiva de identificar fuentes potencialmente mixtas, SourceTracker [14] utiliza un enfoque bayesiano para estimar las proporciones de entornos fuente en una muestra sin la suposición de una etiqueta de fuente. En el desafío de 2018 Critical Assessment of Massive Data Analysis (CAMDA), se han aplicado enfoques de clasificación supervisada para predecir la fuente de la muestra utilizando un microbioma urbano con altas precisiones de hasta 0,91, donde el conjunto de muestras independientes tenía los mismos orígenes que las muestras previamente entrenadas [12 , 15,16,17].

El objetivo del desafío forense de metagenómica de CAMDA de 2019 fue utilizar datos del microbioma urbano para predecir la ubicación de muestras de nuevos orígenes que no se habían muestreado previamente (Figura S1). Como los modelos de clasificación se limitan a asignar nuevas muestras a los orígenes previamente entrenados de los que ya se recolectaron y entrenaron algunas muestras, nunca pueden predecir un origen nuevo. Por lo tanto, con el fin de predecir nuevos orígenes, se debe utilizar un enfoque alternativo. Uno de estos métodos consiste en modelar los orígenes urbanos utilizando coordenadas geográficas, como se demostró en un informe sobre la asociación entre la genética humana y las ubicaciones geográficas [18]. Si bien la evolución de los microorganismos con respecto a las ubicaciones puede ser bastante diferente, la asociación entre la latitud y la composición microbiana en varios contextos se ha descrito en varios estudios [19,20,21,22]. Se encontró que la riqueza y diversidad de las bacterias marinas planctónicas y el microbioma de la superficie de las ambulancias en los Estados Unidos estaban inversamente correlacionados con la latitud, un patrón llamado “gradiente de diversidad latitudinal” [20, 21]. En el microbioma intestinal, Suzuki et al. encontraron correlaciones significativas positivas y negativas con la latitud con Firmicutes y Bacteriodetes, respectivamente en 23 poblaciones, utilizando datos basados ​​en 16S [22], mientras que Fisman et al. informó de la correlación entre la infección del torrente sanguíneo por bacterias gramnegativas y la proximidad al ecuador medida por latitud al cuadrado [19]. Tal variabilidad de patrones puede usarse para ayudar en la predicción de nuevos orígenes, y se investigó para este estudio.

Dada la disponibilidad de datos de escopeta y amplicón de ARNr 16S, primero nos propusimos comparar y contrastar la abundancia de organismos normalizados a partir de conjuntos de datos generados utilizando tecnologías de secuenciación de escopeta y amplicón 16S en un conjunto de datos derivado de una sola ubicación (Boston). Luego usamos el conocimiento obtenido de este análisis para realizar la atribución de la fuente de la muestra a un nuevo origen geográfico, modelando la longitud y la latitud como variables de resultado. Los niveles de abundancia taxonómica normalizados se utilizaron como características, y se seleccionó el modelo de regresión multivariante con regularización de Lasso para la predicción de nuevos orígenes de muestra para evitar el sobreajuste del modelo. Posteriormente, comparamos el rendimiento de predicción entre modelos de regresión multivariante y clasificación multiclase para los datos misteriosos de nuevos orígenes. Por último, presentamos un enfoque computacional para identificar si una muestra es de un origen nuevo o previamente entrenado a través del índice de diversidad de Simpson sobre probabilidades de clasificación.


Resultados

Probamos hasta qué punto los datos de OSM pueden ofrecer una buena estimación del volumen de tráfico general y el número de interrupciones del tráfico, definido como cualquier desviación del tráfico normal suave en una red de carreteras, mediante el uso de una serie de modelos de regresión lineal. Para los modelos de volumen de interrupciones de tráfico, las observaciones son los puntos geográficos (latitud y longitud) donde se observaron interrupciones de tráfico en la red y la variable de respuesta es el número de interrupciones de tráfico observadas durante el mes de marzo de 2017.

Las tuberías de análisis de datos para los dos conjuntos de modelos lineales en este estudio se describen en la Fig. 1. Como se muestra en los paneles superiores (a), primero producimos estimaciones de densidad de kernel (KDE) de cada categoría y metacategoría de OSM. Luego, estimamos el número de interrupciones del tráfico en una latitud y longitud determinadas utilizando los KDE de las metacategorías de OSM o de las categorías de OSM en cada punto. Para producir los KDE, utilizamos un kernel gaussiano buscado en un rango de parámetros de ancho de banda antes de adoptar un ancho de banda de 0.001, que captura el rango de variación espacial de todos los puntos de interés de OSM. El valor específico del parámetro de ancho de banda no afectó cualitativamente nuestros resultados. Estos KDE nos permiten estimar la densidad de cualquier tipo de característica OSM en todos los puntos donde se informaron interrupciones del tráfico.

Pipeline esquemático del modelo lineal para los dos conjuntos de modelos lineales en este estudio. Como se muestra en los paneles superiores (a), primero producimos estimaciones de densidad del kernel (KDE) de cada categoría y metacategoría de OpenStreetMap (OSM), que luego comparamos con el número de interrupciones del tráfico en una latitud y longitud determinadas. Los paneles inferiores (B) muestran que también agregamos los puntos de datos de OSM en un recuento total por distrito, que luego comparamos con el volumen de tráfico que ingresa a cada distrito en Oxfordshire.

Como se muestra en los paneles inferiores (B), también realizamos un segundo conjunto de regresiones lineales donde agregamos los puntos de datos de OSM en un recuento total para cada uno de los 112 distritos electorales en el condado de Oxfordshire, Reino Unido. Luego, estimamos el volumen de tráfico que ingresa a cada sala utilizando los recuentos de las metacategorías de OSM o todas las categorías de OSM para cada sala.

Estimación de las interrupciones del tráfico

El primer modelo lineal para estimar las interrupciones del tráfico solo hace uso de las metacategorías de las características de OSM (consulte la Tabla 1a). Estas metacategorías representan clasificaciones tradicionales de tipos de uso de la tierra. El modelo solo se ajusta débilmente a los datos de interrupciones del tráfico, lo que resulta en un ajuste R 2 de 0.11, que es una métrica de bondad de ajuste que tiene en cuenta el número diferente de variables independientes y es una métrica común para la comparación de modelos en las ciencias sociales computacionales 22,23,24. Los coeficientes individuales muestran que las áreas comerciales son las más asociadas con un alto tráfico, mientras que las áreas industriales son las menos asociadas. También probamos diferentes versiones del modelo y solo estimamos las distribuciones los días de semana y los fines de semana, ya que la naturaleza de las interrupciones del tráfico en estos días podría ser diferente, pero el ajuste general a los datos transformados por logaritmos fue similar.

El segundo modelo tiene datos de uso de la tierra más granulares al hacer uso de todas las categorías de OSM que se observaron al menos cien veces en Oxfordshire, lo que resultó en KDE para 40 tipos diferentes de puntos (desde pubs, escuelas y restaurantes hasta cementerios, buzones de correo y jardines). ). Este modelo se ajusta a los datos transformados logarítmicamente mejor que el modelo de metacategorización según lo capturado por el R 2. Este modelo granular da como resultado un ajuste R 2 = 0,55. Este gran aumento en el ajuste R 2 no es simplemente el resultado de más variables de entrada / independientes ajustadas R 2 representa el número de variables independientes y disminuirá cuando se agreguen variables que no afectan a las variables dependientes. Los coeficientes del modelo de mayor valor absoluto se representan en la Tabla 1b, y también se indican sus valores p correspondientes. Es importante tener en cuenta que la categoría OSM Residencial no es equivalente a la metacategoría Residencial, ya que este último incluye más categorías de OSM. Discutiremos este punto con más detalle en las siguientes secciones.

El segundo modelo granular proporciona estimaciones de cómo las cosas que podríamos esperar que expliquen los atascos de tráfico locales varían con las interrupciones reales del tráfico. Por ejemplo, uno esperaría que los lugares de culto y las escuelas tuvieran un número relativamente alto de interrupciones del tráfico, pero los coeficientes en este modelo indican una gran diferencia entre el coeficiente correspondiente a la relación entre el número de puntos de interés etiquetados como escuelas (C = 0.042) y el número transformado logarítmicamente de interrupciones del tráfico y el coeficiente correspondiente para lugares de culto (C = 0,009). Sin embargo, el análisis es solo correlacional: los puntos de interés de OSM etiquetados como tierras de cultivo y estacionamiento tienen altos coeficientes positivos, lo que sugiere que la gran cantidad de interrupciones del tráfico alrededor de dichos puntos podría deberse a características de la red de tráfico, como carreteras estrechas, en lugar de a los efectos. de estas funciones de OSM directamente.

Estimación del volumen de tráfico

También probamos la efectividad de los datos de OSM para estimar el volumen de tráfico en Oxfordshire. Para esta variable, en lugar de utilizar KDE para estimar la densidad de cada característica de OSM en una carretera determinada, agregamos el número de puntos de interés etiquetados con cada metacategoría y categoría, produciendo dos conjuntos de variables independientes para cada barrio: uno correspondiente al número total de puntos marcados con cada una de las 6 metacategorías de OSM, y uno correspondiente a los puntos en cada sala en las 40 categorías. Luego, producimos dos modelos de regresión lineal correspondientes utilizando el tráfico total transformado logarítmicamente que fluye hacia una sala como variable dependiente.

No es sorprendente que algunas categorías de OSM también estén altamente correlacionadas, en el sentido de que a menudo aparecen en las mismas salas. La Figura 2 enumera todas las categorías de OSM y muestra estas correlaciones en detalle. Muestra un mapa de calor que muestra la correlación de Pearson entre la distribución de las categorías de OSM en los distritos, dando valores más altos a los pares de categorías de OSM que a menudo aparecen en los mismos distritos (p. Ej., bosque y prado), y valores más bajos para pares de salas que rara vez coexisten (p. ej., patio y comida rápida). La figura también muestra el resultado de realizar agrupaciones jerárquicas en las categorías de OSM según su correlación. Hay un grupo formado por granja, tierras de cultivo, patio, bosque, prado, cementerio y reservorio, que separa estas categorías rurales de las más urbanas como Universidad o Al por menor.

Mapa de conglomerados que muestra la correlación de Pearson de la distribución de diferentes categorías de OSM en todos los distritos de Oxfordshire. El mapa de calor muestra la correlación entre el número de puntos de interés etiquetados como cada categoría de OSM en este estudio. Los árboles muestran cómo las categorías de OSM se agrupan según su correlación. Por ejemplo, categorías de OSM como granja, tierras de cultivo, patio forman un grupo, lo que indica que a menudo aparecen en los mismos barrios, aunque no están tan correlacionados con categorías como cafetería y comida rápida.

Los modelos de regresión lineal construidos con los datos del volumen de tráfico muestran la misma tendencia cualitativa que los construidos con los datos de interrupciones del tráfico. El primer modelo, con las 6 metacategorías, da como resultado un ajuste R 2 de 0,26. Sus coeficientes indican que los puntos OSM etiquetados como comercial están asociados con un tráfico entrante más pesado, mientras que los puntos etiquetados como recreativo están asociados negativamente con él. Los coeficientes correspondientes a las metacategorías se presentan en la Tabla S1 en la Información complementaria.

El modelo más detallado, que presenta las 40 categorías de OSM que se muestran en la Fig. 2, muestra naturalmente un escenario más matizado. No solo proporciona un mejor ajuste a los datos, con un ajuste R 2 de 0.45, pero también proporciona más detalles sobre las metacategorías utilizadas en los modelos lineales más simples. Categorías como teléfono y Universidad muestran fuertes asociaciones con niveles más altos de tráfico entrante, mientras que categorías como bosque, prado y asignaciones muestran asociaciones más débiles.

Tanto para el volumen de tráfico entrante por distrito como para el número de interrupciones del tráfico, el salto de 6 metacategorías a 40 categorías OSM implicó un cambio de un modelo lineal con un ajuste deficiente a un modelo con un mejor ajuste, indicado por los cambios en su ajustado R 2. Es natural preguntar entonces si las 40 categorías de OSM son necesarias para que el nuevo modelo funcione, o si se podría obtener un ajuste igualmente bueno seleccionando un número diferente de metacategorías, o un subconjunto de esas 40 categorías de OSM, excluyendo las categorías correlacionadas. categorías. Esto se analiza en la siguiente subsección.

Selección de características

Abordamos el poder explicativo de cada variable en estos modelos lineales utilizando la clasificación de características con eliminación de características recursivas, con la ayuda de una selección con validación cruzada del mejor número de características, como se implementó en el scikit-learn Biblioteca de Python 25. Para ambas variables dependientes, es decir, el volumen de tráfico entrante por distrito y el volumen de interrupciones del tráfico en un punto de la red de carreteras, realizamos 1000 rondas de validación cruzada de k veces con k = 10, puntuando los modelos por su ajuste R 2. Para cada ronda de validación cruzada, las 6 o 40 variables independientes se clasifican según su importancia, que en este caso es la magnitud de sus coeficientes correspondientes en los modelos lineales. A las características seleccionadas se les asigna el rango 1, y a la siguiente mejor variable se le asigna el rango 2, y así sucesivamente hasta la última variable.

Como múltiples rondas de validación cruzada pueden resultar en diferentes clasificaciones de sus variables predictoras, combinamos todas las clasificaciones calculando la estabilidad de cada variable, así como su rango medio. La selección de estabilidad 26 es un método que proporciona un equilibrio útil entre la selección de características y la interpretación de datos, mediante la evaluación de la frecuencia con la que una característica determinada se incluye entre las más importantes (es decir, rango 1) para un modelo. Las características fuertes o importantes deben alcanzar puntuaciones cercanas a 1, lo que indica que la mayoría de las 1000 rondas de validación cruzada las clasificaron como una de las mejores características para la predicción. Cualquier característica más débil pero aún relevante debe tener puntajes distintos de cero, ya que deben seleccionarse como las mejores características al menos ocasionalmente. Por último, las características irrelevantes deben devolver puntuaciones cercanas a cero, lo que indica que es muy poco probable que aparezcan entre las variables seleccionadas.

Para el volumen de las interrupciones del tráfico, tanto el rango medio como el análisis de estabilidad revelan el mismo patrón, como se muestra en las Tablas 2 y 3. Como no existe un umbral específico que separe las características estables de las inestables, estas tablas muestran las seis metacategorías en Tabla 2 y las 10 variables con las clasificaciones más bajas y las puntuaciones de estabilidad más altas en la Tabla 3. La metacategoría Residencial características en la parte superior, con rango medio y estabilidad igual a 1, lo que indica una variable que se destacó como importante en todas las 1000 rondas de validación cruzada. Luego le sigue la metacategoría de recreativo, que sigue siendo importante, con todas las demás metacategorías con un rango inferior y una estabilidad inferior a 0,6. Las categorías de OSM granulares correspondientes muestran las categorías tierras de cultivo, Residencial, estacionamiento, bosque, y patio en la parte superior, con rango medio y estabilidad de 1.000, lo que indica que se consideraron variables importantes en las 1000 rondas de validación cruzada. Estas categorías van seguidas de granja, prado, y industrial, con estabilidad de 0.999 y rangos medios respectivos de 1.001, 1.002 y 1.003.

Las tablas 2 y 3 también muestran el rango medio y los resultados de estabilidad para el volumen total de tráfico entrante. Los resultados informados son para viajes en las mañanas de los días laborables, pero se obtienen resultados cualitativamente similares cuando se usa la colección completa de viajes en el conjunto de datos como se muestra en la Tabla S2 en la Información complementaria. La metacategoría comercial características en la parte superior, con rango medio y estabilidad igual a 1, lo que indica una variable que se destacó como importante en todas las 1000 rondas de validación cruzada. Luego le sigue la metacategoría de recreativo, que sigue siendo importante, con todas las demás metacategorías con un rango más bajo y una estabilidad menor o igual al 10%. Las categorías de OSM granulares correspondientes muestran comida rápida en la parte superior, con un rango medio y una estabilidad de 1. Las categorías buzón y cafetería característica siguiente. Categorías de OSM como granja y patio característica con rangos medios más bajos y estabilidad por debajo de 0,7. Hay que tener en cuenta que las categorías OSM Residencial y comercial no son equivalentes a las metacategorías Residencial y comercial. Este punto se analiza con más detalle en la siguiente sección.


5 respuestas 5

Si (id, time_stamp) es único, es decir, no hay dos filas para el mismo vehículo y el mismo time_stamp, puede usar una vista en línea (mysql lo llama una tabla derivada) para obtener el último time_stamp para cada vehículo. Luego puede unir esa tabla derivada a la tabla de posición, para obtener las otras columnas, algo como esto:

Puede ejecutar solo esa consulta en la vista en línea (se le asignó un alias de m en la consulta anterior, para verificar que esto devuelve el último time_stamp para cada vehículo.

Puede agregar un ORDER BY, si desea los resultados en un orden en particular. (Esta consulta tiene el potencial de devolver más de una fila para un vehículo, IFF el último valor time_stamp ocurre en dos (o más) filas para el mismo vehículo. Eso no sucederá si no se duplica ningún valor time_stamp para un vehículo).

Un índice apropiado acelerará la creación de la tabla derivada y acelerará la operación de unión de regreso a la tabla de posiciones:


2 respuestas 2

¿Conoce las coordenadas de las dos ubicaciones?

latitud La latitud en grados. Los valores positivos indican latitudes al norte del ecuador. Los valores negativos indican latitudes al sur del ecuador.

longitud La longitud en grados. Las mediciones son relativas al meridiano cero, con valores positivos que se extienden al este del meridiano y valores negativos que se extienden al oeste del meridiano.

Por lo tanto, la latitud es bastante simple, si la latitud del destino es menor que la latitud de la ubicación actual, entonces se encuentra al norte, si es mayor que la latitud de la ubicación actual, entonces se encuentra al sur.

latitudinal_distance = destino.latitude - origen.latitude

La longitud es un poco más compleja, ya que debe considerar que un destino a tres cuartas partes del camino alrededor de la Tierra hacia el este probablemente se exprese mejor como hacia el oeste. Nuevamente compare los valores de longitud, considere la distancia tanto al este como al oeste, maneje el cruce del meridiano y elija la distancia más corta.

distancia_este = (origen.longitud & gt 0 & amp & amp destino.longitud & lt 0)? 180 - origen.longitud + destino.longitud - -180: destino.longitud - origen.longitud if (distancia_este & lt 0) distancia_este + = 360

distance_west = (origen.longitud & lt 0 & amp & amp destino.longitud & gt 0)? -180 - origen.longitud - 180 - destino.longitud: origen.longitud - destino.longitud if (distance_west & lt 0) distance_west + = 360

distancia_longitudinal = min (distancia_este, distancia_oeste)

Una vez que sepa cuántos grados de latitud y longitud separan sus dos puntos, puede calcular un rumbo a su destino y decidir qué rumbo debe mostrarse como qué puntos de la brújula. En una brújula con solo cuatro puntos (N, E, S, W), cada punto cubriría 90 grados. En una brújula con 8 puntos, cada punto cubriría 45 grados. Con suerte se entiende la idea.

rumbo = arctan (distancia_longitudinal / distancia_ latitudinal) if (rumbo & gt = -45 || rumbo & lt 45) devuelve 'N' else if (rumbo & gt = 45 & amp & amp rumbo & lt 135) devuelve 'E' else if.

Es tarde aquí y no estoy probando esas expresiones, así que si parecen útiles, asegúrese de comprenderlas y probarlas en lugar de intentar aplicarlas a ciegas. Desafortunadamente, las probabilidades de que transpuse un signo o un par de coordenadas son altas.


Coordenadas celestes

números utilizados para especificar la posición de los objetos celestes y los puntos auxiliares en la esfera celeste. En astronomía se utilizan varios sistemas de coordenadas celestes. Cada uno es esencialmente un sistema de coordenadas polares en una esfera con un polo elegido apropiadamente. Un sistema de coordenadas celestes viene dado por un gran círculo en la esfera celeste o por su polo, que está situado a 90 ° de cada punto de este círculo, junto con la designación en el círculo del origen para medir una de las coordenadas. Los sistemas de coordenadas celestes se denominan sistemas de horizonte, ecuatoriales, eclípticos o galácticos, según la elección de este gran círculo. Las coordenadas celestes ya estaban en uso en la antigüedad remota. Varios sistemas fueron descritos por el antiguo geómetra griego Euclides (c. 300 ANTES DE CRISTO.). Catálogo de estrellas de Hipparchus & rsquo, que se publicó en Ptolomeo & rsquos Almagesto, contenía las posiciones de 1.022 estrellas en el sistema de coordenadas de la eclíptica.

En el sistema de coordenadas del horizonte, el gran círculo primario es el horizonte matemático o verdadero. NESW (Figura 1), y el polo es el cenit Z del punto de observación. Para especificar la posición de un objeto celeste &sigma, dibujamos un gran círculo a través de &sigma y Z, que se llama círculo vertical del objeto. El arco Zo- a lo largo del círculo vertical desde el cenit hasta el objeto se llama su distancia cenital Z y es la primera coordenada Z puede tener cualquier valor de 0 ° para el cenit Z a 180 ° para el nadir Z y rsquo. En lugar de z, se puede usar la altitud h del objeto, que es igual al arco del círculo vertical desde el horizonte hasta el objeto. La altitud se mide en ambas direcciones desde el horizonte de 0 ° a 90 ° y es positiva si el objeto está por encima del horizonte y negativa si el objeto está por debajo del horizonte. Con esta convención, la relación Z + h = 90 ° siempre se mantiene.

La segunda coordenada, el acimut A, es el arco medido hacia el este desde el punto norte a lo largo del horizonte hasta el círculo vertical del objeto & rsquos. (En astrometría, el acimut a menudo se mide hacia el oeste desde el punto sur S.) Este arco NESM, mide el ángulo esférico en Z entre el meridiano celeste y el círculo vertical del objeto & rsquos. Este ángulo esférico es igual al ángulo diedro entre los dos planos. El acimut puede tener cualquier valor de 0 ° a 360 °. Una característica importante del sistema de coordenadas del horizonte es su dependencia del punto de observación, ya que el cenit y el horizonte están determinados por la dirección de la plomada (vertical), que es diferente en diferentes puntos de la superficie terrestre y rsquos. Debido a esto, las coordenadas de incluso un objeto muy distante son diferentes cuando se observan simultáneamente desde varios puntos. En el proceso de moverse a lo largo de un círculo diurno, cada objeto se cruza con el meridiano dos veces. Cada paso del objeto a través del meridiano se denomina culminación. En la culminación superior, Z es el más pequeño, y en la culminación inferior, Z es el más grande. En el transcurso de un día, Z varía entre estos límites. Para objetos cuya culminación superior está al sur de Z, el acimut A varía de 0 ° a 360 ° en el transcurso de un día. Pero para los objetos que culminan entre el polo celeste PAG y Z, el azimut varía dentro de ciertos límites que están determinados por la latitud del punto de observación y la distancia angular entre el objeto y el polo celeste.

En el primer sistema de coordenadas ecuatoriales, el círculo primario es el ecuador celeste. Q y gamma Q 1 (Figura 2), y el polo es el polo celeste PAG que es visible desde un punto dado. Para especificar la posición de un objeto y sigma, dibujamos un gran círculo, llamado círculo de la hora, a través del objeto y a través de PAG. El arco de este círculo desde el ecuador hasta el objeto es la primera coordenada & mdashthe objeto & rsquos declinación & delta. La declinación & delta se mide desde el ecuador en ambas direcciones desde 0 & deg hasta 90 & deg y se considera negativa para los objetos del hemisferio sur. A veces, en lugar de la declinación, usamos la distancia polar pag, que es igual al arco Por del círculo horario desde el polo norte celeste hasta el objeto la cantidad & rho puede asumir cualquier valor de 0 & deg a 180 & deg, de modo que la relación & rho + & delta = 90 & deg siempre se mantiene.

La segunda coordenada, el ángulo horario t, es el arco QM en el ecuador, medido desde la intersección del ecuador con el meridiano celeste en el punto Q ubicado sobre el horizonte en la dirección de la rotación de la esfera celeste al objeto y círculo de hora rsquos. Este arco corresponde al ángulo esférico en PAG entre el círculo horario del objeto & rsquos y el arco del meridiano que se dirige hacia el punto sur. El ángulo horario de un objeto fijo cambia de 0 ° a 360 ° en el transcurso de un día, mientras que la declinación del objeto permanece constante. Dado que el ángulo horario cambia en proporción directa al tiempo, sirve como medida del tiempo. El ángulo horario casi siempre se expresa en horas, minutos y segundos de tiempo, por lo que 24 h corresponde a 360 °, 1 h corresponde a 15 ° y así sucesivamente. Ambos sistemas descritos anteriormente, el horizonte y los primeros sistemas ecuatoriales, comparten los llamados sistemas locales, ya que las coordenadas en estos sistemas dependen del punto de observación.

El segundo sistema de coordenadas ecuatoriales difiere del primero solo en la segunda coordenada. En lugar del ángulo horario, el segundo sistema usa el objeto & rsquos ascensión recta & alpha & mdashthe arc & gamma METRO en el ecuador celeste medido desde el equinoccio vernal y gamma hasta el círculo horario del objeto y rsquos en la dirección opuesta a la rotación de la esfera celeste (Figura 2). Este arco mide el ángulo esférico en PAG entre el círculo de la hora que pasa por el punto T y el círculo de la hora a través del objeto dado. Por lo general, & alpha se expresa en horas, minutos y segundos de tiempo, y puede asumir cualquier valor entre 0 horas y 24 horas. Dado que el punto & gamma gira junto con la esfera celeste, ambas coordenadas de un objeto fijo suficientemente distante en este sistema son independientes del punto de observación.

En el sistema de coordenadas de la eclíptica, el círculo primario es la eclíptica. E y gammaE y rsquo (Figura 3), y el polo es el polo eclíptico y Pi. Para especificar la posición de un objeto & sigma, dibujamos un gran círculo a través del objeto y el punto & Pi. Este gran círculo se llama círculo de latitud del objeto dado, y el arco a lo largo de él desde la eclíptica hasta el objeto se llama latitud eclíptica, celeste o astronómica. &beta y es la primera coordenada. La latitud &beta se mide desde la eclíptica hacia los polos eclípticos norte o sur en este último caso, el valor se toma como negativo. La segunda coordenada es la longitud eclíptica, celeste o astronómica y lambda y mdash el arco y gammaMETRO a lo largo de la eclíptica desde el punto T hasta el círculo de latitud del objeto & rsquos, medido en la dirección del movimiento anual del sol & rsquos. Puede tener cualquier valor de 0 ° a 360 °. Las coordenadas &beta y & lambda de puntos en la esfera celeste no cambian en el transcurso de un día y no dependen del punto de observación.

En el sistema de coordenadas galáctico, el círculo primario es el

ecuador galáctico BDB y rsquo (Figura 4), que es el gran círculo en la esfera celeste que es paralelo al plano de simetría de la Vía Láctea como se ve desde la tierra, el polo es el polo y Gamma de este gran círculo. La posición del ecuador galáctico en la esfera celeste solo se puede determinar aproximadamente. Por lo general, se especifica mediante las coordenadas ecuatoriales de su polo norte, que se toman como & alpha = 12 hr 49 min y & delta = + 27.4 & deg (época 1950.0). Para especificar la posición de un objeto & sigma, dibujamos un gran círculo, llamado círculo de latitud galáctica, a través del objeto y a través del punto & Gamma. El arco de este círculo desde el ecuador galáctico hasta el objeto, llamado latitud galáctica B, es la primera coordenada. La latitud galáctica puede tener cualquier valor de + 90 ° a + mdash90 °; el signo menos corresponde a las latitudes galácticas de los objetos en el hemisferio en el que se encuentra el polo sur celeste. La segunda coordenada, la longitud galáctica. l, es el arco DM medido a lo largo del ecuador galáctico desde el punto D en el que el ecuador galáctico cruza el ecuador celeste con el círculo de latitud galáctica del objeto & rsquos, la longitud galáctica / se mide en la dirección de ascensión recta creciente y puede asumir cualquier valor de 0 ° a 360 °. La ascensión recta del punto D es igual a 18 h 49 min. Coordinates in the first three systems are determined from observations that are made by using appropriate instruments. Ecliptic and galactic coordinates are obtained from the equatorial coordinates by means of calculations.

In order to compare the celestial coordinates of objects observed from different points on the earth or at different times of the year (at different points on the earth&rsquos orbit), these coordinates are referred either to the center of the earth or to the center of the sun, with parallax being taken into account. Because of precession and nutation, there is a slow change in the orientation in space of the plane of the celestial equator and the plane of the ecliptic, which define the primary circles in a number of celestial coordinate systems the origins from which the coordinates are measured also change. As a result of this, the values of the celestial coordinates also change slowly. Therefore, in order to specify the precise location of objects on the celestial sphere, we must indicate the moment of time (the &ldquoepoch&rdquo), which determines the position of the celestial sphere and the ecliptic. The position of objects in a given celestial coordinate system proves to be affected by the aberration of light, which is a consequence of the earth&rsquos orbital motion (annual aberration) and the observer&rsquos motion owing to the earth&rsquos rotation (diurnal aberration) the position is also affected by the refraction of light in the atmosphere. The celestial coordinates of an object also change as a result of the proper motion of the object.

Observations of variations in celestial coordinates have led to very significant discoveries in astronomy, which are of great importance for the understanding of the universe. These discoveries include the phenomena of precession, nutation, aberration, parallax, and of the proper motion of stars. Celestial coordinates make it possible to solve the problem of measuring time and the determination of geographic coordinates of different points on the earth&rsquos surface. Celestial coordinates find wide application in the compilation of various star catalogs, in the study of the true motions of celestial bodies (both natural and artificial) in celestial mechanics and in astrodynamics, and in the study of the spatial distribution of stars in stellar astronomy.


Referencias

Aarons J (1997) Global positioning system phase fluctuations at auroral latitudes. J Geophys Res 102:17219–17231. doi:10.1029/97JA01118

Aarons J, Lin B (1999) Development of high latitude phase fluctuations during the January 10, April 10–11, and May 15, 1997 magnetic storms. J Atmos Sol-Terr Phys 61:309–327

Baker DN et al (2016) Highly relativistic radiation belt electron acceleration, transport, and loss: large solar storm events of March and June 2015. J Geophys Res Space Phys 121:6647–6660. doi:10.1002/2016JA022502

Basu S, MacKenzie E, Basu Su (1988) Ionospheric constraints on VHF/UHF communications links during solar maximum and minimum periods. Radio Sci 23(3):363–378. doi:10.1029/RS023i003p00363

Blewitt G (1990) An automatic editing algorithm for GPS data. Geophys Res Lett 17:199–202

Cherniak I, Zakharenkova I (2015) Dependence of the high-latitude plasma irregularities on the auroral activity indices: a case study of 17 March 2015 geomagnetic storm. Earth Planets Space. doi:10.1186/s40623-015-0316-x

Cherniak I, Zakharenkova I (2016a) High-latitude ionospheric irregularities: differences between ground- and space-based GPS measurements during the 2015 St. Patrick’s Day storm. Earth Planets Space 2016(68):136. doi:10.1186/s40623-016-0506-1

Cherniak I, Zakharenkova I (2016b) First observations of super plasma bubbles in Europe. Geophys Res Lett. doi:10.1002/2016GL071421

Gurtner W (1994) RINEX: the receiver-independent exchange format. GPS World 4:48–52

Hofmann-Wellenhof B (2001) Global positioning system: theory and practice. Springer, New-York

Hofmann-Wellenhof B, Lichtenegger H, Wasle E (2008) GNSS—global navigation satellite systems: GPS, GLONASS, Galileo, and more. Springer, Wien. doi:10.1007/978-3-211-73017-1

Horvath I, Crozier S (2007) Software developed for obtaining GPS-derived total electron content values. Radio Sci. 42:RS2002. doi:10.1029/2006RS003452

ICD-GLONASS (2008) Global navigation satellite system GLONASS interface control document, version 5.1. Russian Institute of Space Device Engineering, Moscow, Russia

Jacobsen KS (2014) The impact of different sampling rates and calculation time intervals on ROTI values. J Space Weather Space Clim 4:A33. doi:10.1051/swsc/2014031

Jacobsen KS, Andalsvik YL (2016) Overview of the 2015 St. Patrick’s day storm and its consequences for RTK and PPP positioning in Norway. J Space Weather Space Clim 6:A9. doi:10.1051/swsc/2016004

Jakowski N, Stankov SM, Klaehn D, Becker C (2006) SWACI—a near-real time ionosphere service based on Ntrip technology. In: Proceedings of the Ntrip Symposium and Workshop “Streaming GNSS data via internet” BKG. Frankfurt am Main

Jakowski N, Mielich J, Borries C, Cander L, Krankowski A, Nava B, Stankov SM (2008) Large-scale ionospheric gradients over Europe observed in October 2003. J Atmos Sol-Terr Phys 70:1894–1903. doi:10.1016/j.jastp.2008.03.020

Jakowski N, Béniguel Y, De Franceschi G, Hernandez-Pajares M, Jacobsen KS, Stanislawska I, Tomasik L, Warnant R, Wautelet G (2012) Monitoring, tracking and forecasting ionospheric perturbations using GNSS techniques. J Space Weather Space Clim 2:A22. doi:10.1051/swsc/2012022

Jeffrey C (2015) An introduction to GNSS: GPS, GLONASS, Galileo and other global navigation satellite systems. NovAtel Publisher, Calgary, Canada

Kelley MC, Vickrey JF, Carlson CW, Torbert R (1982) On the origin and spatial extent of high-latitude F region irregularities. J Geophys Res 87(A6):4469–4475

Keskinen MJ, Ossakow SL (1983) Theories of high-latitude ionospheric irregularities: a review. Radio Sci 18:1077–1091. doi:10.1029/RS018i006p01077

Laundal KM, Østgaard N (2009) Asymmetric auroral intensities in the Earth’s Northern and Southern hemispheres. Nature 460:491–493. doi:10.1038/nature08154

Melbourne WG (1985) The case for ranging in GPS based geodetic systems. In: Proceedings of the 1st international symposium on precise positioning with the global positioning system, Rockville, pp 373–386

Miyake W, Jin H (2010) Near-real time monitoring of TEC Over Japan at NICT (RWC Tokyo OF ISES). In: Advances in geosciences A 6-Volume Set Volume 21: Solar Terrestrial (ST). Published by World Scientific Publishing, Singapore

NICT (2016) Service NICT GEONET quasi-realtime TEC maps over JAPAN (segweb.nict.go.jp/GPS/QR_GEONET/index_e.html). As Accessed on 15 Aug 2016

Pi X, Mannucci AJ, Lindqwister UJ, Ho CM (1997) Monitoring of global ionospheric irregularities using the worldwide GPS network. Geophys Res Lett 24:2283

Prikryl P, Jayachandran PT, Mushini SC, Richardson IG (2012) Toward the probabilistic forecasting of high-latitude GPS phase scintillation. Space Weather 10:S08005. doi:10.1029/2012SW000800

Prikryl P, Jayachandran PT, Mushini SC, Richardson IG (2014) High-latitude GPS phase scintillation and cycle slips during high-speed solar wind streams and interplanetary coronal mass ejections: a superposed epoch analysis. Earth Planets Space 66:62. doi:10.1186/1880-5981-66-62

Russian IAC PNT (Information and Analysis Center for Positioning, Navigation and Timing) (2016) FTP server (ftp://ftp.glonass-iac.ru/MCC/ALMANAC/). As Accessed on 15 Aug 2016

SWACI (2016) The Space Weather Application Center Ionosphere (http://www.swaciweb.dlr.de/data-and-products/?no_cache=1&L=1/). As Accessed on 15 Aug 2016

Tiwari R, Strangeways HJ, Tiwari S, Ahmed A (2013) Investigation of ionospheric irregularities and scintillation using TEC at high latitude. Adv Space Res 52:1111–1124. doi:10.1016/j.asr.2013.06.010

Tsunoda RT, Haggstrom I, Pellinen-Wannberg A, Steen A, Wannberg G (1985) Direct evidence of plasma density structuring in the auroral F region ionosphere. Radio Sci 20:762–784

Valladares CE, Villalobos J, Sheehan R, Hagan MP (2004) Latitudinal extension of low-latitude scintillations measured with a network of GPS receivers. Ann Geophys 22:3155–3175. doi:10.5194/angeo-22-3155-2004

van der Meeren C, Oksavik K, Lorentzen D, Moen JI, Romano V (2014) GPS scintillation and irregularities at the front of an ionization tongue in the nightside polar ionosphere. J Geophys Res Space Phys 119:8624–8636. doi:10.1002/2014JA020114

Wanner B (2015) DR #127: effect on WAAS from Iono Activity on March 17–18, 2015, WAAS Technical Report at the WAAS Test Team web-page, 2015. Accessed 03 April 2017. http://www.nstb.tc.faa.gov/Discrepancy%20Reports%20PDF/DR%20127%20Effect%20on%20WAAS%20from%20Iono%20Activity%20March%2017%202015.pdf

Weber EJ, Buchau J, Moore J, Sharber J, Livingston R, Winningham J, Reinisch B (1984) F layer ionization patches in the polar cap. J Geophys Res 89(A3):1683–1694

Wübbena G (1985) Software developments for geodetic positioning with GPS using TI 4100 code and carrier measurements. In: Proceedings of the 1st international symposium on precise positioning with the global positioning system. Rockville, pp 403–412


Practical Example of Soil Moisture Sensor Determination for Agricultural Areas

For this example of soil moisture sensor number determination, 26.6 acres of perennial pasture located in Hillsborough County, Florida, was chosen. Figure 3 shows the aerial photograph of the area and identifies the soil series.

Figure 4 shows the soil moisture distribution map for three different soil moisture conditions. The dry condition (Figure 4, top graph) was characterized by the percentage of the sampled points below 7.9% volumetric water content (VWC). In this case, 94.7% of the points were below the VWC threshold, while only 5.3% of the sampled points were between 8% and 15% VWC range. For the medium soil moisture condition evaluation (Figure 4, center graph), about 20% of the area sampled was characterized by medium soil moisture conditions. The sampling was performed 2 days after 1.4 inches of precipitation. Another soil moisture variability evaluation was performed after 3.43 inches of rainfall in the 3 previous days, characterizing a wet soil moisture condition (Figure 4, bottom graph).

For the area of this example, three soil moisture conditions were evaluated in terms of spatial soil moisture distribution patterns (dry, medium, and wet conditions). For irrigation and crop management purposes, the soil moisture maps were used to identify homogenous area. These areas are called management zones, and they should be managed independently for irrigation based on soil moisture and crop water requirements. For those areas, the fixed soil moisture sensors located in the management zones could be used to periodically monitor the soil moisture or automatically drive the irrigation valves.

Based on graphs of soil moisture distribution, three management zones were identified (Figure 5) for the studied area. Because of their soil moisture characteristics, the three zones should be managed independently for irrigation purposes. Zone I was characterized by drier soil moisture conditions than Zones II and III. The estimated area of Zone I was 16 acres, followed by 9.4 and 1.2 acres for Zones II and III, respectively. Zones I and II could be monitored by one or two soil moisture sensors placed at convenient points within each management zone. Because of its small area, a single moisture sensor could monitor Zone III, or alternatively, area drainage could be improved and, depending on a future soil moisture characterization, the area could be incorporated into Zone I or II accordingly.

When determining irrigation management zones, one should also consider irrigation method and design. Irrigation management zones with irregular shapes may not be practical and could be hard to manage. Therefore, adequate distribution of irrigation management zones within irrigation design may be crucial to irrigate the crops according to the soil moisture holding capacity of each zone.


Supplementary Material

Aoki, K., Ueno, S., Kamijo, T., Setoguchi, H., Murakami, N., Kato, M., et al. (2014). Genetic differentiation and genetic diversity of Castanopsis (Fagaceae), the dominant tree species in Japanese broadleaved evergreen forests, revealed by analysis of EST-associated microsatellites. Más uno 9:e87429. doi: 10.1371/journal.pone.0087429

Bahram, M., Hildebrand, F., Forslund, S. K., Anderson, J. L., Soudzilovskaia, N. A., Bodegom, P. M., et al. (2018). Structure and function of the global topsoil microbiome. Naturaleza 560, 233�. doi: 10.1038/s41586-018-0386-6

Baldrian, P. (2017). Forest microbiome: diversity, complexity and dynamics. FEMS Microbiol. Rdo. 41, 109�.

Bengtsson-Palme, J., Ryberg, M., Hartmann, M., Branco, S., Wang, Z., Godhe, A., et al. (2013). Improved software detection and extraction of ITS1 and ITS2 from ribosomal ITS sequences of fungi and other eukaryotes for analysis of environmental sequencing data. Methods Ecol. Evol. 4, 914�.

Blanchet, F. G., Legendre, P., and Borcard, D. (2008). Forward selection of explanatory variables. Ecología 89, 2623�. doi: 10.1890/07-0986.1

Borcard, D., and Legendre, P. (1994). Environmental control and spatial structure in ecological communities: an example using oribatid mites (Acari, Oribatei). Reinar. Ecol. Stat. 1, 37�. doi: 10.1007/bf00714196

Borcard, D., Legendre, P., Avois-Jacquet, C., and Tuomisto, H. (2004). Dissecting the spatial structure of ecological data at multiple scales. Ecología 85, 1826�. doi: 10.1890/03-3111

Camacho, C., Coulouris, G., Avagyan, V., Ma, N., Papadopoulos, J., Bealer, K., et al. (2009). BLAST+: architecture and applications. Bioinformática BMC 10:421. doi: 10.1186/1471-2105-10-421

Fukasawa, Y., Osono, T., and Takeda, H. (2013). Effects of environmental moisture on twig litter decomposition by fungal colonizers. J. Integr. Field Sci. 10, 1𠄶. doi: 10.1007/s13225-010-0083-8

Gardes, M., and Bruns, T. D. (1993). ITS primers with enhanced specificity for basidiomycetes: application to the identification of mycorrhizae and rusts. Mol. Ecol. 21, 113�. doi: 10.1111/j.1365-294x.1993.tb00005.x

Gourbière, F., van Maanen, A., and Debouzie, D. (2001). Associations between three fungi on pine needles and their variation along a climatic gradient. Mycol. Res. 105, 1101�. doi: 10.1016/s0953-7562(08)61973-5

Hagiwara, Y., Matsuoka, S., Hobara, S., Mori, A. S., Hirose, D., and Osono, T. (2015). Bleaching of leaf litter and associated fungi in subboreal and subalpine forests. Poder. J. Microbiol. 61, 735�. doi: 10.1139/cjm-2015-0111

Hirose, D., Hobara, S., Matsuoka, S., Kato, K., Tanabe, Y., Uchida, M., et al. (2016). Diversity and community assembly of moss-associated fungi in ice-free coastal outcrops of continental Antarctica. Fungal Ecol. 24, 94�. doi: 10.1016/j.funeco.2016.09.005

Huson, D. H., Auch, A. F., Qi, J., and Schuster, S. C. (2007). MEGAN analysis of metagenomics data. Genome Res. 17, 377�.

Matsukura, K., Hirose, D., Kagami, M., Osono, T., and Yamaoka, Y. (2017). Geographical distribution of rhytismataceaous fungi on Camellia japonica leaf litter in Japan. Fungal Ecol. 26, 37�. doi: 10.1016/j.funeco.2016.11.006

Matsuoka, S., Kawaguchi, E., and Osono, T. (2016). Temporal distance decay of similarity of ectomycorrhizal fungal community composition in a subtropical evergreen forest in Japan. FEMS Microbiol. Ecol. 92:fiw061. doi: 10.1093/femsec/fiw061

Miura, K., and Kudo, M. (1970). An agar-medium for aquatic hyphomycetes. Trans. Mycol. Soc. Jpa. 11, 116�.

Miyamoto, T., Igarashi, T., and Takahashi, K. (2000). Lignin-degrading ability of litter-decomposing basidiomycetes from Picea forests of Hokkaido. Mycoscience 45, 24�.

Nilsson, T., and Daniel, G. (1989). Chemistry and microscopy of wood decay by some higher ascomycetes. Holzforschung 43, 11�. doi: 10.1515/hfsg.1989.43.1.11

Oksanen, J., Blanchet, F. G., Friendly, M., Kindt, R., Legendre, P., McGlinn, D., et al. (2019). Package ‘vegan’ Version 2.5-6. Avaliable at: http://cran.r-project.org/web/packages/vegan/index.html (accessed August 8, 2020).

Osono, T. (2011). Diversity and functioning of fungi associated with leaf litter decomposition in Asian forests of different climatic regions. Fungal Ecol. 4, 375�. doi: 10.1016/j.funeco.2011.02.004

Osono, T. (2017). Leaf litter decomposition of 12 tree species in a subtropical forest in Japan. Ecol. Res. 32, 413�. doi: 10.1007/s11284-017-1449-0

Osono, T. (2020). Functional diversity of ligninolytic fungi associated with leaf litter decomposition. Ecol. Res. 35, 30�. doi: 10.1111/1440-1703.12063

Osono, T., Ishii, Y., and Hirose, D. (2008). Fungal colonization and decomposition of Castanopsis sieboldii leaf litter in a subtropical forest. Ecol. Res. 23, 909�. doi: 10.1007/s11284-007-0455-z

Peay, K. G., Garbelotto, M., and Bruns, T. D. (2010). Evidence of dispersal limitation in soil microorganisms: isolation reduces species richness on mycorrhizal tree islands. Ecología 91, 3631�. doi: 10.1890/09-2237.1

Peay, K. G., Kennedy, P. G., and Talbot, J. M. (2016). Dimensions of biodiversity in the Earth mycobiome. Nat. Rev. Microbiol. 14, 434�. doi: 10.1038/nrmicro.2016.59

Peres-Neto, P. R., Legendre, P., Dray, S., and Borcard, D. (2006). Variation partitioning of species data matrices: estimation and comparison of fractions. Ecología 87, 2614�. doi: 10.1890/0012-9658(2006)87[2614:vposdm]2.0.co2

Pointing, S. B., Parungao, M. M., and Hyde, K. D. (2003). Production of wood-decay enzymes, mass loss and lignin solubilization in woody by tropical Xylariaceae. Mycol. Res. 107, 231�. doi: 10.1017/s0953756203007329

Preston, C. M., Trofymow, J. A., Sayer, B. G., and Niu, J. (1997). 13C nuclear magnetic resonance spectroscopy with cross-polarization and magic-angle spinning investigation of the proximate-analysis fractions used to assess litter quality in decomposition studies. Poder. J. Bot. 75, 1601�. doi: 10.1139/b97-872

Tanabe, A. S., and Toju, H. (2013). Two new computational methods for universal DNA barcoding: a benchmark using barcode sequences of bacteria, archaea, animals, fungi, and land plants. Más uno 8:e76910. doi: 10.1371/journal.pone.0076910

Tedersoo, L., Bahram, M., Põlme, S., Kõljalg, U., Yorou, N. S., Wijesundera, R., et al. (2014). Global diversity and geography of soil fungi. Ciencia 346:1256688.

Tokumasu, S. (2001). Geographical distribution of Sporidesmium goidanichii in pine forests of Japan. Mycoscience 42, 575�. doi: 10.1007/bf02460957

Valášková, V., Šnajdr, J., Bittner, B., Cajthaml, T., Merhautová, V., Hofrichter, M., et al. (2007). Production of lignocellulose-degrading enzymes and degradation of leaf litter by saprotrophic basidiomycetes isolated from a Quercus petraea forest. Soil Biol. Biochem. 39, 2651�. doi: 10.1016/j.soilbio.2007.05.023

van der Wal, A., Geydan, T. D., Kuype, T. W., and de Boer, W. (2013). A thready affair: linking fungal diversity and community dynamics to terrestrial decomposition processes. FEMS Microbiol. Rdo. 37, 477�. doi: 10.1111/1574-6976.12001

van Maanen, A., Debouzie, D., and Gourbière, F. (2000). Distribution of three fungi colonizing fallen Pinus sylvestris needles along altitudinal transects. Mycol. Res. 104, 1133�. doi: 10.1017/s0953756299002282

Větrovský, T., Kohout, P., Kopecký, M., Machac, A., Man, M., Bahnmann, B. D., et al. (2019). A meta-analysis of global fungal distribution reveals climate-driven patterns. Nat. Comun. 10:5142.

Vilgalys, R., and Hester, M. (1990). Rapid genetic identification and mapping of enzymatically amplified ribosomal DNA from several Cryptococcus especies. J. Bacteriol. 172, 4238�. doi: 10.1128/jb.172.8.4238-4246.1990

Wit, D. R., and Bouvier, T. (2006). 𠆎verything is everywhere, but, the environment selects’ what did baas becking and beijerinck really say? Reinar. Microbiol. 8, 755�. doi: 10.1111/j.1462-2920.2006.01017.x

Zhang, N., Li, Y., Wubet, T., Bruelheide, H., Liang, Y., Purahong, W., et al. (2018). Tree species richness and fungi in freshly fallen leaf litter: unique patterns of fungal species composition and their implications for enzymatic decomposition. Soil Biol. Biochem. 127, 120�. doi: 10.1016/j.soilbio.2018.09.023

Keywords : biogeography, bleaching, fungal community, spatial structure, decomposition

Citation: Osono T, Matsuoka S and Hirose D (2020) Diversity and Geographic Distribution of Ligninolytic Fungi Associated With Castanopsis sieboldii Leaf Litter in Japan. Parte delantera. Microbiol. 11:595427. doi: 10.3389/fmicb.2020.595427

Received: 16 August 2020 Accepted: 26 October 2020
Published: 23 November 2020.

Dhanushka Nadeeshan Wanasinghe, Kunming Institute of Botany, China

Yong Zheng, Fujian Normal University, China
Kasun Thambugala, University of Sri Jayewardenepura, Sri Lanka

Copyright © 2020 Osono, Matsuoka and Hirose. Este es un artículo de acceso abierto distribuido bajo los términos de la Licencia de atribución Creative Commons (CC BY). Se permite el uso, distribución o reproducción en otros foros, siempre que se acredite al autor (es) original (es) y al propietario (es) de los derechos de autor y se cite la publicación original en esta revista, de acuerdo con la práctica académica aceptada. No se permite ningún uso, distribución o reproducción que no cumpla con estos términos.


Ver el vídeo: Latitude and Longitude. Time Zones. Video for Kids