Suite

Les observations de latitude et de longitude sont-elles indépendantes ou corrélées ?

Les observations de latitude et de longitude sont-elles indépendantes ou corrélées ?


Je souhaite développer un noyau gaussien bivarié afin de gérer le bruit aléatoire dans mes traces GPS où chaque point a trois paramètres (lat, long et horodatage).

Je me demandais si les erreurs de latitude et de longitude sont corrélées ou indépendantes les unes des autres ?

Mon bon sens dit qu'ils sont indépendants car aucune relation causale n'existe entre eux.


Oui, ils sont liés. Une valeur ou l'autre ne vous donne pas assez d'informations pour un emplacement. Vous devez avoir les deux valeurs pour avoir un point dans l'espace.


Interdépendance et prévisibilité de la mobilité humaine et des interactions sociales

Des études antérieures ont montré que le mouvement humain est prévisible dans une certaine mesure à différentes échelles géographiques. Les techniques de prédiction existantes n'exploitent que l'histoire passée de la personne prise en considération en entrée des prédicteurs.

Dans cet article, nous montrons qu'au moyen de techniques de prédiction de séries chronologiques non linéaires multivariées, il est possible d'augmenter la précision des prévisions en considérant les mouvements d'amis, de personnes ou plus dans des entités générales, avec des modèles de mobilité corrélés (c'est-à-dire caractérisés par une forte information mutuelle ) comme entrées. Enfin, nous évaluons les techniques proposées sur les jeux de données Nokia Mobile Data Challenge et Cabspotting.


Contexte

Des études sur le microbiome ont démontré des succès dans la détection des modèles de composition microbienne dans des contextes sanitaires et environnementaux. Des études à grande échelle qui illustrent les efforts mondiaux pour faciliter la compréhension de la présence et de l'abondance microbiennes en relation avec des maladies ou des facteurs environnementaux, ont inclus le Human Microbiome Project [1], le Metagénomique & Metadesign of Subways & Urban Biomes (MetaSUB) [2] et le projet Earth Microbiome [3]. Les avancées technologiques qui ont amélioré la capacité à détecter les espèces et à estimer leur abondance dans les échantillons, incluent l'approche de séquençage d'amplicon de l'ARN ribosomique 16S (ARNr) qui cible et séquence spécifiquement une région dans le gène de l'ARNr 16S des bactéries et des archées et le génome entier du fusil de chasse approche de séquençage dans laquelle tout le matériel génétique présent dans un échantillon est séquencé. Ce dernier a le potentiel de permettre l'identification de toutes sortes d'espèces au niveau de la souche ainsi que la détection et la caractérisation d'unités fonctionnelles telles que des gènes, des plasmides ou des îlots de pathogénicité. De plus, la concordance entre les deux méthodes est un domaine de débat actif, avec des divergences entre les études dans lesquelles une comparaison directe de ces deux méthodes a été entreprise [4,5,6,7]. Malgré les avantages et les inconvénients de chaque technique, des succès dans l'extraction d'informations biologiques significatives ont été trouvés pour les études sur les maladies et l'environnement en utilisant les deux méthodes [2, 3, 8,9,10,11].

La majorité des approches analytiques pour la prédiction des sources d'échantillons utilisées à ce jour se sont concentrées sur des méthodes de classification supervisées telles que les machines à vecteurs de support et la forêt aléatoire, afin d'attribuer des étiquettes de source entraînées à des échantillons inconnus [9, 10, 12, 13]. Delgado-Baquerizo et al. ont trouvé une grande variabilité dans l'abondance relative à travers divers emplacements géographiques en examinant le microbiome du sol et ont utilisé une modélisation forestière aléatoire pour prédire la préférence d'habitat pour les phylotypes dominants [9]. Dans le Earth Microbiome Project, des modèles forestiers aléatoires ont été construits pour distinguer les échantillons de divers facteurs environnementaux, notamment l'association avec des plantes ou des animaux ainsi que la présence de solution saline [10]. Du point de vue de l'identification de sources potentiellement mixtes, SourceTracker [14] utilise une approche bayésienne pour estimer les proportions d'environnements sources dans un échantillon sans l'hypothèse d'une étiquette de source. Dans le défi 2018 d'évaluation critique de l'analyse de données massives (CAMDA), des approches de classification supervisées ont été appliquées pour prédire la source d'échantillons à l'aide du microbiome urbain avec une précision élevée jusqu'à 0,91, où l'ensemble d'échantillons indépendant était des mêmes origines que les échantillons précédemment formés [12 , 15,16,17].

L'objectif du défi médico-légal de métagénomique CAMDA 2019 était d'utiliser les données du microbiome urbain pour prédire les emplacements d'échantillons de nouvelles origines qui n'avaient pas été échantillonnés auparavant (figure S1). Comme les modèles de classification se limitent à attribuer de nouveaux échantillons aux origines pré-entraînées à partir desquelles certains échantillons ont déjà été collectés et entraînés, ils ne peuvent jamais prédire une nouvelle origine. Ainsi, dans le but de prédire de nouvelles origines, une approche alternative doit être utilisée. L'une de ces méthodes consiste à modéliser les origines urbaines à l'aide de coordonnées géographiques, comme cela a été démontré dans un rapport sur l'association entre la génétique humaine et les emplacements géographiques [18]. Alors que l'évolution des micro-organismes par rapport aux emplacements peut être assez différente, l'association entre la latitude et la composition microbienne dans divers contextes a été décrite dans plusieurs études [19,20,21,22]. La richesse et la diversité des bactéries marines planctoniques et le microbiome de surface des ambulances aux États-Unis se sont révélés inversement corrélés à la latitude, un modèle appelé « gradient de diversité latitudinale » [20, 21]. Dans le microbiome intestinal, Suzuki et al. ont trouvé des corrélations positives et négatives significatives avec la latitude avec Firmicutes et Bacteriodetes, respectivement dans 23 populations, en utilisant des données basées sur 16S [22], tandis que Fisman et al. ont rapporté une corrélation entre l'infection sanguine par des bactéries à Gram négatif et la proximité de l'équateur mesurée par la latitude au carré [19]. Une telle variabilité structurée peut être utilisée pour aider à la prédiction de nouvelles origines, et a été étudiée pour cette étude.

Compte tenu de la disponibilité des données d'amplicon d'ARNr 16S et de fusil de chasse, nous avons commencé par comparer et contraster l'abondance d'organismes normalisés à partir d'ensembles de données générés à l'aide des technologies de séquençage d'amplicon 16S et de fusil de chasse dans un ensemble de données dérivé d'un seul emplacement (Boston). Nous avons ensuite utilisé les connaissances obtenues à partir de cette analyse pour effectuer l'attribution d'une source d'échantillon à une nouvelle origine géographique, en modélisant la longitude et la latitude comme variables de résultat. Les niveaux d'abondance taxonomique normalisés ont été utilisés comme caractéristiques, et le modèle de régression multivariée avec régularisation Lasso a été sélectionné pour la prédiction de nouvelles origines d'échantillon afin d'éviter le surajustement du modèle. Par la suite, nous comparons les performances de prédiction entre les modèles de régression multivariée et de classification multiclasse pour les données mystères de nouvelles origines. Enfin, nous rapportons une approche informatique pour identifier si un échantillon provient d'une origine nouvelle ou pré-formée grâce à l'indice de diversité de Simpson sur les probabilités de classification.


Résultats

Nous testons dans quelle mesure les données OSM peuvent offrir une bonne estimation du volume de trafic global et du nombre de perturbations du trafic, défini comme tout écart par rapport au trafic normal régulier sur un réseau routier, en utilisant une série de modèles de régression linéaire. Pour les modèles de volume de perturbations de trafic, les observations sont les points géographiques (latitude et longitude) où des perturbations de trafic ont été observées dans le réseau et la variable de réponse est le nombre de perturbations de trafic observées au cours du mois de mars 2017.

Les pipelines d'analyse de données pour les deux ensembles de modèles linéaires de cette étude sont décrits dans la figure 1. Comme indiqué dans les panneaux du haut (une), nous produisons d'abord des estimations de densité de noyau (KDE) de chaque catégorie et méta-catégorie OSM. Nous estimons ensuite le nombre de perturbations du trafic à une latitude et une longitude données en utilisant les KDE soit des méta-catégories OSM, soit des catégories OSM à chaque point. Pour produire les KDE, nous avons utilisé un noyau gaussien recherché sur une plage de paramètres de bande passante avant d'adopter une bande passante de 0,001, qui capture la plage de variation spatiale de tous les points d'intérêt OSM. La valeur spécifique du paramètre de bande passante n'a pas affecté qualitativement nos résultats. Ces KDE nous permettent d'estimer la densité de tout type de fonctionnalité OSM à tous les points où des perturbations de trafic ont été signalées.

Pipeline schématique du modèle linéaire pour les deux ensembles de modèles linéaires de cette étude. Comme indiqué dans les panneaux supérieurs (une), nous produisons d'abord des estimations de densité de noyau (KDE) de chaque catégorie et méta-catégorie OpenStreetMap (OSM), que nous comparons ensuite avec le nombre d'interruptions de trafic à une latitude et une longitude données. Les panneaux inférieurs (b) montrent que nous agrégeons également les points de données OSM en un nombre total par quartier, que nous comparons ensuite avec le volume de trafic entrant dans chaque quartier de l'Oxfordshire.

Comme indiqué dans les panneaux inférieurs (b), nous effectuons également une deuxième série de régressions linéaires où nous agrégeons les points de données OSM en un nombre total pour chacune des 112 circonscriptions électorales du comté d'Oxfordshire, au Royaume-Uni. Nous estimons ensuite le volume de trafic entrant dans chaque quartier en utilisant soit le décompte des méta-catégories OSM, soit toutes les catégories OSM pour chaque quartier.

Estimation des perturbations de la circulation

Le premier modèle linéaire pour estimer les perturbations du trafic n'utilise que les méta-catégories de fonctionnalités OSM (voir tableau 1a). Ces méta-catégories représentent les classifications traditionnelles des types d'utilisation des terres. Le modèle ne correspond que faiblement aux données sur les perturbations de la circulation, ce qui entraîne un ajustement R 2 sur 0,11, qui est une métrique d'adéquation qui prend en compte le nombre différent de variables indépendantes et est une métrique courante pour la comparaison de modèles en sciences sociales computationnelles 22,23,24. Les coefficients individuels montrent que les zones commerciales sont les plus associées à un trafic intense, tandis que les zones industrielles le sont le moins. Nous avons également testé différentes versions du modèle en estimant uniquement les distributions les jours de semaine et les week-ends, car la nature des perturbations de la circulation ces jours-là pouvait être différente, mais l'ajustement global aux données transformées en log était similaire.

Le deuxième modèle a des données d'utilisation des terres plus granulaires en utilisant toutes les catégories OSM qui ont été observées au moins une centaine de fois dans l'Oxfordshire, résultant en des KDE pour 40 types de points différents (des pubs, écoles et restaurants aux cimetières, boîtes aux lettres et jardins ). Ce modèle s'adapte considérablement mieux aux données transformées en log que le modèle de méta-catégorisation tel que capturé par le R 2 . Ce modèle granulaire aboutit à un ajustement R 2 = 0,55. Cette forte augmentation des R 2 n'est pas simplement le résultat de plus de variables d'entrée/indépendantes ajustées R 2 représente le nombre de variables indépendantes et diminue lorsque des variables sont ajoutées qui n'affectent pas les variables dépendantes. Les coefficients du modèle de la plus grande valeur absolue sont représentés dans le tableau 1b, et leurs valeurs p correspondantes sont également indiquées. Il est important de noter que la catégorie OSM Résidentiel n'est pas équivalent à la méta-catégorie Résidentiel, car ce dernier comprend plus de catégories OSM. Nous discutons plus en détail de ce point dans les sections suivantes.

Le second modèle granulaire donne des estimations de la façon dont les éléments susceptibles d'expliquer les embouteillages locaux varient en fonction des perturbations réelles de la circulation. Par exemple, on pourrait s'attendre à ce que les lieux de culte et les écoles aient tous deux un nombre relativement élevé de perturbations de la circulation, mais les coefficients de ce modèle indiquent une grande différence entre le coefficient correspondant à la relation entre le nombre de points d'intérêt marqués comme écoles (c = 0,042) et le logarithme du nombre de perturbations de la circulation et le coefficient correspondant pour les lieux de culte (c = 0,009). L'analyse, cependant, n'est que corrélationnelle : les points d'intérêt OSM étiquetés comme terres agricoles et parking ont des coefficients positifs élevés, ce qui suggère que le nombre élevé de perturbations de la circulation autour de ces points pourrait être dû à des caractéristiques du réseau de circulation telles que des routes étroites plutôt qu'aux effets de ces fonctionnalités OSM directement.

Estimation du volume de trafic

Nous testons également l'efficacité des données OSM pour estimer le volume de trafic dans l'Oxfordshire. Pour cette variable, plutôt que d'utiliser des KDE pour estimer la densité de chaque caractéristique OSM sur une route donnée, nous agrégeons le nombre de points d'intérêt marqués avec chaque méta-catégorie et catégorie, produisant deux ensembles de variables indépendantes pour chaque quartier : un correspondant au nombre total de points marqués avec chacune des 6 méta-catégories de l'OSM, et un correspondant aux points dans chaque quartier des 40 catégories. Nous produisons ensuite deux modèles de régression linéaire correspondants en utilisant le trafic total transformé par logarithme entrant dans un quartier comme variable dépendante.

Sans surprise, certaines catégories OSM sont également fortement corrélées, dans le sens où elles apparaissent souvent dans les mêmes services. La figure 2 répertorie toutes les catégories OSM et montre ces corrélations en détail. Il montre une carte thermique affichant la corrélation de Pearson entre la distribution des catégories OSM sur les quartiers, donnant des valeurs plus élevées aux paires de catégories OSM qui apparaissent souvent dans les mêmes quartiers (par exemple, forêt et Prairie), et des valeurs inférieures aux paires de services qui se produisent rarement (par exemple, cour de ferme et Fast food). La figure montre également le résultat de l'exécution d'un clustering hiérarchique sur les catégories OSM en fonction de leur corrélation. Il existe un amas formé par cultiver, les terres agricoles, cour de ferme, forêt, Prairie, cimetière et réservoir, qui sépare ces catégories rurales des catégories plus urbaines comme Université ou alors vendre au détail.

Clustermap montrant la corrélation de Pearson de la distribution des différentes catégories OSM dans tous les quartiers de l'Oxfordshire. La carte thermique montre la corrélation entre le nombre de points d'intérêt marqués comme chaque catégorie OSM dans cette étude. Les arbres montrent comment les catégories OSM se regroupent en fonction de leur corrélation. Par exemple, les catégories OSM telles que cultiver, les terres agricoles, cour de ferme forment un cluster, indiquant qu'ils apparaissent souvent dans les mêmes quartiers, tout en n'étant pas aussi corrélés à des catégories telles que café et Fast food.

Les modèles de régression linéaire construits avec les données de volume de trafic montrent la même tendance qualitative que ceux construits avec les données de perturbation du trafic. Le premier modèle, avec les 6 méta-catégories, aboutit à un ajustement R 2 de 0,26. Ses coefficients indiquent que les points OSM marqués comme commercial sont associés à un trafic entrant plus dense, tandis que les points marqués comme récréatif y sont négativement associés. Les coefficients correspondant aux méta-catégories sont présentés dans le tableau S1 des informations supplémentaires.

Le modèle plus fin, comportant les 40 catégories OSM illustrées à la figure 2, montre naturellement un scénario plus nuancé. Non seulement il offre un meilleur ajustement aux données, avec un R 2 sur 0,45, mais il fournit également plus de détails sur les méta-catégories utilisées dans les modèles linéaires plus simples. Des catégories telles que Téléphone et Université montrent de fortes associations avec des niveaux plus élevés de trafic entrant, alors que des catégories telles que forêt, Prairie et attributions montrent des associations plus faibles.

Tant pour le volume de trafic entrant par quartier que pour le nombre de perturbations de la circulation, le passage de 6 méta-catégories à 40 catégories OSM impliquait un changement d'un modèle linéaire avec un mauvais ajustement à un modèle avec un meilleur ajustement, indiqué par les changements de leur ajusté R 2 . Il est naturel de se demander ensuite si les 40 catégories OSM sont nécessaires pour que le nouveau modèle fonctionne, ou si un ajustement tout aussi bon pourrait être obtenu en sélectionnant un nombre différent de méta-catégories, ou un sous-ensemble de ces 40 catégories OSM, à l'exclusion des catégories corrélées. catégories. Ceci est discuté dans la sous-section suivante.

Sélection de fonctionnalité

Nous abordons le pouvoir explicatif de chaque variable dans ces modèles linéaires en utilisant le classement des caractéristiques avec élimination récursive des caractéristiques, aidé par une sélection croisée du meilleur nombre de caractéristiques, comme mis en œuvre dans le scikit-apprendre Bibliothèque Python 25 . Pour les deux variables dépendantes, c'est-à-dire le volume de trafic entrant par quartier et le volume de perturbations du trafic sur un point du réseau routier, nous effectuons 1000 tours de validation croisée k-fold avec k = 10, les modèles de notation pour leur ajusté R 2 . Pour chaque ronde de validation croisée, les 6 ou 40 variables indépendantes sont ensuite classées selon leur importance, qui est dans ce cas la grandeur de leurs coefficients correspondants dans les modèles linéaires. Les entités sélectionnées se voient attribuer le rang 1, la variable suivante la meilleure étant attribuée le rang 2, et ainsi de suite jusqu'à la dernière variable.

Étant donné que plusieurs cycles de validation croisée peuvent entraîner des classements différents de leurs variables prédictives, nous combinons tous les classements en calculant la stabilité de chaque variable, ainsi que son rang moyen. La sélection de stabilité 26 est une méthode qui fournit un équilibre utile entre la sélection de caractéristiques et l'interprétation des données, en évaluant la fréquence à laquelle une caractéristique donnée est incluse parmi les plus importantes (c'est-à-dire le rang 1) pour un modèle. Les caractéristiques fortes ou importantes devraient obtenir des scores proches de 1, ce qui indique que la plupart des 1 000 cycles de validation croisée les ont classées parmi les meilleures caractéristiques pour la prédiction. Toutes les fonctionnalités plus faibles mais toujours pertinentes doivent toujours avoir des scores non nuls, car elles doivent être sélectionnées comme les meilleures fonctionnalités au moins occasionnellement. Enfin, les caractéristiques non pertinentes devraient renvoyer des scores proches de zéro, indiquant qu'il est très peu probable qu'elles figurent parmi les variables sélectionnées.

Pour le volume des perturbations de la circulation, le classement moyen et l'analyse de stabilité révèlent le même schéma, comme le montrent les tableaux 2 et 3. Comme il n'y a pas de seuil spécifique séparant les caractéristiques stables des caractéristiques instables, ces tableaux montrent les six méta-catégories dans Le tableau 2 et les 10 variables avec les classements les plus bas et les scores de stabilité les plus élevés dans le tableau 3. La méta-catégorie Résidentiel caractéristiques en haut, avec un rang moyen et une stabilité égaux à 1, indiquant une variable qui s'est avérée aussi importante dans l'ensemble des 1 000 cycles de validation croisée. Elle est ensuite suivie de la méta-catégorie de récréatif, qui est toujours aussi important, avec toutes les autres méta-catégories présentant un rang inférieur et une stabilité inférieure à 0,6. Les catégories OSM granulaires correspondantes affichent les catégories les terres agricoles, Résidentiel, parking, forêt, et cour de ferme en haut, avec un rang moyen et une stabilité de 1.000, indiquant qu'ils étaient considérés comme des variables importantes dans les 1000 cycles de validation croisée. Ces catégories sont suivies de cultiver, Prairie, et industriel, avec une stabilité de 0,999 et des rangs moyens respectifs de 1,001, 1,002 et 1,003.

Les tableaux 2 et 3 montrent également le classement moyen et les résultats de stabilité pour le volume total de trafic entrant. Les résultats rapportés concernent les trajets effectués les matins de semaine, mais des résultats qualitativement similaires sont obtenus en utilisant la collection complète de trajets dans l'ensemble de données, comme indiqué dans le tableau S2 des informations supplémentaires. La méta-catégorie commercial caractéristiques en haut, avec un rang moyen et une stabilité égaux à 1, indiquant une variable qui s'est avérée aussi importante dans l'ensemble des 1 000 cycles de validation croisée. Elle est ensuite suivie de la méta-catégorie de récréatif, qui est toujours aussi importante, avec toutes les autres méta-catégories présentant un rang inférieur, et une stabilité inférieure ou égale à 10 %. Les catégories OSM granulaires correspondantes montrent Fast food en tête, avec un rang moyen et une stabilité de 1. Les catégories boîte aux lettres et café fonctionnalité suivante. Catégories OSM telles que cultiver et cour de ferme caractéristique avec des rangs moyens inférieurs et une stabilité inférieure à 0,7. Il faut garder à l'esprit que les catégories OSM Résidentiel et commercial ne sont pas équivalents aux méta-catégories Résidentiel et commercial. Ce point est discuté plus en détail dans la section suivante.


5 réponses 5

Si (id, time_stamp) est unique, c'est-à-dire qu'il n'y a pas deux lignes pour le même véhicule et le même time_stamp, vous pouvez utiliser une vue en ligne (mysql l'appelle une table dérivée) pour obtenir le dernier time_stamp pour chaque véhicule. Vous pouvez ensuite joindre cette table dérivée à la table de position, pour obtenir les autres colonnes, quelque chose comme ceci :

Vous pouvez exécuter uniquement cette requête dans la vue en ligne (attribué un alias de m dans la requête ci-dessus, pour vérifier que cela renvoie le dernier horodatage pour chaque véhicule.

Vous pouvez ajouter un ORDER BY, si vous voulez les résultats dans un ordre particulier. (Cette requête a le potentiel de renvoyer plus d'une ligne pour un véhicule, IFF la dernière valeur time_stamp se produit sur deux (ou plus) lignes pour le même véhicule. Cela ne se produira pas si aucune valeur time_stamp n'est dupliquée pour un véhicule.)

Un index approprié accélérera la création de la table dérivée et accélérera l'opération de jointure vers la table des positions :


2 réponses 2

Connaissez-vous les coordonnées des deux endroits?

latitude La latitude en degrés. Les valeurs positives indiquent les latitudes au nord de l'équateur. Les valeurs négatives indiquent les latitudes au sud de l'équateur.

longitude La longitude en degrés. Les mesures sont relatives au méridien zéro, les valeurs positives s'étendant à l'est du méridien et les valeurs négatives s'étendant à l'ouest du méridien.

La latitude est donc assez simple, si la latitude de la destination est inférieure à la latitude de l'emplacement actuel alors elle se trouve au nord, si elle est supérieure à la latitude de l'emplacement actuel alors elle se trouve au sud.

latitudinal_distance = destination.latitude - origin.latitude

La longitude est légèrement plus complexe car vous devez considérer qu'une destination aux trois quarts du tour de la Terre à l'est est probablement mieux exprimée comme étant à l'ouest. Comparez à nouveau les valeurs de longitude, considérez la distance à la fois est et ouest, manipulez le franchissement du méridien et choisissez la distance la plus courte.

distance_east = (origine.longitude > 0 && destination.longitude < 0) ? 180 - origin.longitude + destination.longitude - -180 : destination.longitude - origin.longitude if (distance_east < 0) distance_east += 360

distance_ouest = (origine.longitude < 0 && destination.longitude > 0) ? -180 - origin.longitude - 180 - destination.longitude : origin.longitude - destination.longitude if (distance_west < 0) distance_west += 360

longitudinal_distance = min(distance_east, distance_west)

Une fois que vous savez combien de degrés de latitude et de longitude séparent vos deux points, vous pouvez calculer un cap vers votre destination et décider quel cap doit être affiché comme quels points de la boussole. Sur une boussole avec seulement quatre points (N, E, S, W) chaque point couvrirait 90 degrés. Sur une boussole à 8 points, chaque point couvrirait 45 degrés. J'espère que vous avez l'idée.

cap = arctan(longitudinal_distance / latitudinal_distance) if (cap >= -45 || cap < 45) renvoie 'N' else if (heading >= 45 && cap < 135) renvoie 'E' else if .

Il est tard ici et je ne teste pas ces expressions, donc si elles semblent utiles, assurez-vous de les comprendre et de les tester au lieu d'essayer de les appliquer aveuglément. Les chances que j'ai transposé un signe ou une paire de coordonnées sont malheureusement élevées.


Coordonnées célestes

nombres utilisés pour spécifier la position des objets célestes et des points auxiliaires sur la sphère céleste. Divers systèmes de coordonnées célestes sont utilisés en astronomie. Chacun est essentiellement un système de coordonnées polaires sur une sphère avec un pôle choisi de manière appropriée. Un système de coordonnées célestes est donné par un grand cercle sur la sphère céleste ou par son pôle, qui est situé à 90° de chaque point de ce cercle, ainsi que la désignation sur le cercle de l'origine pour mesurer l'une des coordonnées. Les systèmes de coordonnées célestes sont appelés horizons, systèmes équatoriaux, écliptiques ou galactiques, selon le choix de ce grand cercle. Les coordonnées célestes étaient déjà utilisées dans la haute antiquité. Plusieurs systèmes ont été décrits par l'ancien géomètre grec Euclide (c. 300 AVANT JC.). Catalogue d'étoiles Hipparchus&rsquo, qui a été publié dans Ptolémée&rsquos Almageste, contenait les positions de 1 022 étoiles dans le système de coordonnées de l'écliptique.

Dans le système de coordonnées de l'horizon, le grand cercle primaire est l'horizon mathématique, ou vrai, NOUV (Figure 1), et le pôle est le zénith Z du point d'observation. Afin de spécifier la position de á objet céleste &sigma, on trace un grand cercle à travers &sigma et Z, qui est appelé le cercle vertical de l'objet. L'arc Zo- le long du cercle vertical du zénith à l'objet est appelé sa distance zénithale Z et est la première coordonnée Z peut avoir n'importe quelle valeur de 0° pour le zénith Z à 180° pour le nadir Z&rsquo. À la place de z, on peut utiliser l'altitude h de l'objet, qui est égal à l'arc de cercle vertical de l'horizon à l'objet. L'altitude est mesurée dans les deux sens à partir de l'horizon de 0° à 90° et est positive si l'objet est au-dessus de l'horizon et négative si l'objet est en dessous de l'horizon. Avec cette convention, la relation Z + h = 90° est toujours valable.

La deuxième coordonnée, l'azimut UNE, est l'arc mesuré vers l'est depuis le point nord le long de l'horizon jusqu'au cercle vertical de l'objet. (En astrométrie, l'azimut est souvent mesuré vers l'ouest à partir du point sud S.) Cet arc, NESM, mesure l'angle sphérique en Z entre le méridien céleste et le cercle vertical de l'objet, cet angle sphérique est égal à l'angle dièdre entre les deux plans. L'azimut peut avoir n'importe quelle valeur de 0° à 360°. Une caractéristique importante du système de coordonnées de l'horizon est sa dépendance vis-à-vis du point d'observation, puisque le zénith et l'horizon sont déterminés par la direction du fil à plomb (vertical), qui est différente en différents points de la surface terrestre. Pour cette raison, les coordonnées d'un objet même très éloigné sont différentes lorsqu'elles sont observées simultanément à partir de divers points. Dans le processus de déplacement le long d'un cercle diurne, chaque objet coupe le méridien deux fois, chaque passage de l'objet à travers le méridien est appelé point culminant. Au sommet supérieur, Z est le plus petit, et à la culmination inférieure, Z est le plus grand. Au cours d'une journée, Z varie entre ces limites. Pour les objets dont le point culminant supérieur est au sud de Z, l'azimut UNE varie de 0° à 360° au cours d'une journée. Mais pour les objets qui culminent entre le pôle céleste P et Z, l'azimut varie dans certaines limites qui sont déterminées par la latitude du point d'observation et la distance angulaire entre l'objet et le pôle céleste.

Dans le premier système de coordonnées équatoriales, le cercle primaire est l'équateur céleste Q&gammaQ 1 (Figure 2), et le pôle est le pôle céleste P qui est visible d'un point donné. Afin de préciser la position d'un objet &sigma, nous traçons un grand cercle, appelé cercle des heures, à travers l'objet et à travers P. L'arc de ce cercle de l'équateur à l'objet est la première coordonnée&mdashla déclinaison&rsquos de l'objet&delta. La déclinaison &delta est mesurée à partir de l'équateur dans les deux sens de 0° à 90° et est considérée comme négative pour les objets de l'hémisphère sud. Parfois, au lieu de la déclinaison, on utilise la distance polaire p, qui est égal à l'arc Par du cercle horaire du pôle nord céleste à l'objet la quantité &rho peut prendre n'importe quelle valeur de 0° à 180°, de sorte que la relation &rho + &delta = 90° est toujours valable.

La deuxième coordonnée, l'angle horaire t, est l'arc QM sur l'équateur, mesuré à partir de l'intersection de l'équateur avec le méridien céleste au point Q situé au-dessus de l'horizon dans le sens de la rotation de la sphère céleste vers le cercle horaire de l'objet. Cet arc correspond à l'angle sphérique à P entre le cercle horaire de l'objet et l'arc du méridien qui est dirigé vers la pointe sud. L'angle horaire d'un objet fixe passe de 0° à 360° au cours d'une journée, tandis que la déclinaison de l'objet reste constante. Étant donné que l'angle horaire change en proportion directe avec le temps, il sert de mesure du temps. L'angle horaire est presque toujours exprimé en heures, minutes et secondes. Ainsi, 24 heures correspondent à 360 degrés, 1 heure correspond à 15 degrés, et ainsi de suite. Les deux systèmes décrits ci-dessus&mdashl'horizon et les premiers systèmes équatoriaux&mdapartagent les systèmes locaux, car les coordonnées dans ces systèmes dépendent du point d'observation.

Le deuxième système de coordonnées équatoriales ne diffère du premier que par la deuxième coordonnée. Au lieu de l'angle horaire, le deuxième système utilise l'objet&rsquos ascension droite &alpha&mdashthe arc &gamma M sur l'équateur céleste mesuré de l'équinoxe vernal & gamma au cercle horaire de l'objet dans la direction opposée à la rotation de la sphère céleste (Figure 2). Cet arc mesure l'angle sphérique à P entre le cercle horaire passant par le point T et le cercle horaire passant par l'objet donné. Habituellement, &alpha est exprimé en heures, minutes et secondes, et il peut prendre n'importe quelle valeur de 0 h à 24 h. Puisque le point &gamma tourne avec la sphère céleste, les deux coordonnées d'un objet fixe suffisamment éloigné dans ce système sont indépendantes du point d'observation.

Dans le système de coordonnées de l'écliptique, le cercle principal est l'écliptique E&gammaE&rsquo (Figure 3), et le pôle est le pôle écliptique &Pi. Pour spécifier la position d'un objet &sigma, nous traçons un grand cercle passant par l'objet et le point &Pi. Ce grand cercle est appelé le cercle de latitude de l'objet donné, et l'arc le long de l'écliptique à l'objet est appelé latitude écliptique, céleste ou astronomique &bêta et est la première coordonnée. La latitude &bêta est mesurée de l'écliptique vers les pôles de l'écliptique nord ou sud dans ce dernier cas, la valeur est considérée comme négative. La deuxième coordonnée est la longitude écliptique, céleste ou astronomique &lambda &mdashthe arc &gammaM le long de l'écliptique du point T au cercle de latitude de l'objet, mesuré dans la direction du mouvement annuel du soleil. Il peut avoir n'importe quelle valeur de 0° à 360°. Les coordonnées &bêta et &lambda des points sur la sphère céleste ne changent pas au cours d'une journée et ne dépendent pas du point d'observation.

Dans le système de coordonnées galactiques, le cercle principal est le

équateur galactique BDB&rsquo (Figure 4), qui est le grand cercle sur la sphère céleste qui est parallèle au plan de symétrie de la Voie Lactée vu de la terre le pôle est le pôle &Gamma de ce grand cercle. La position de l'équateur galactique sur la sphère céleste ne peut être déterminée qu'approximativement. Il est généralement spécifié par les coordonnées équatoriales de son pôle nord, qui sont prises comme &alpha = 12 h 49 min et &delta = + 27,4° (époque 1950,0). Pour spécifier la position d'un objet &sigma, nous traçons un grand cercle, appelé cercle de latitude galactique, passant par l'objet et passant par le point &Gamma. L'arc de ce cercle de l'équateur galactique à l'objet, appelé la latitude galactique b, est la première coordonnée. La latitude galactique peut avoir n'importe quelle valeur de +90° à &mdash90° le signe moins correspond aux latitudes galactiques des objets dans l'hémisphère dans lequel se trouve le pôle sud céleste. La deuxième coordonnée, la longitude galactique je, est l'arc DM mesuré le long de l'équateur galactique à partir du point auquel l'équateur galactique coupe l'équateur céleste au cercle de latitude galactique de l'objet, la longitude galactique / est mesurée dans le sens de l'ascension droite croissante et peut prendre n'importe quelle valeur de 0° à 360°. L'ascension droite de la pointe est égal à 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.


Les références

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. PLoS Un 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. La nature 560, 233�. doi: 10.1038/s41586-018-0386-6

Baldrian, P. (2017). Forest microbiome: diversity, complexity and dynamics. FEMS Microbiol. Tour. 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. Évol. 4, 914�.

Blanchet, F. G., Legendre, P., and Borcard, D. (2008). Forward selection of explanatory variables. Écologie 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). Environ. Écol. 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. Écologie 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. BMC Bioinformatics 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. Écol. 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. Rés. 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. Pouvez. 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. Écol. 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. Écol. Rés. 32, 413�. doi: 10.1007/s11284-017-1449-0

Osono, T. (2020). Functional diversity of ligninolytic fungi associated with leaf litter decomposition. Écol. Rés. 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. Écol. Rés. 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. Écologie 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. Écologie 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. Rés. 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. Pouvez. 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. PLoS Un 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. Science 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. Biochimie. 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. Tour. 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. Rés. 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. Commun. 10:5142.

Vilgalys, R., and Hester, M. (1990). Rapid genetic identification and mapping of enzymatically amplified ribosomal DNA from several Cryptococcus espèce. J. Bactériol. 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? Environ. Microbiole. 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. Biochimie. 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. De face. Microbiole. 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. Il s'agit d'un article en libre accès distribué sous les termes de la Creative Commons Attribution License (CC BY). L'utilisation, la distribution ou la reproduction dans d'autres forums est autorisée, à condition que le ou les auteurs originaux et le ou les titulaires des droits d'auteur soient crédités et que la publication originale dans cette revue soit citée, conformément aux pratiques académiques acceptées. Aucune utilisation, distribution ou reproduction non conforme à ces conditions n'est autorisée.