Sta&s&sk styrka i rummet Anders Bignert 1
General monitoring objecve To monitor the condion and possible trends in contaminant exposure in marine biota
Ø Hur många prov? Ø Hur o:a? Ø Hur länge?
Ø Hur små förändringar måste vi kunna upptäcka? Ø Vilka risker aa komma &ll fel slutsats är vi beredda aa ta? Ø Hur mycket brus finns det i våra data?
Kvantava mål Programmet ska vara &llräckligt känsligt för aa upptäcka en: Ø genomsnialig årlig förändring av 5% eller mindre (fördubbling på 14 år) Ø inom en period av 1 år Ø med en sta&s&sk styrka av 8% Ø vid en signifikansnivå av 5%
Tidssserie 1 Tidsserie 2 24 22 2 18 n(tot)=19,n(yrs)=19 m=93.6 (89.1,98.4) slope=.3%(-.89,.96) SD(lr)=.11,1.2%,8 yr power=1./.99/3.2% y(9)= 94 ( 85, 14) r2=., NS 24 22 2 18 n(tot)=19,n(yrs)=19 m=99. (8.8,121 ) slope=1.3%(-2.4,5.1) SD(lr)=.43,4.7%,19 yr power=.85/.24/13% y(9)= 112 ( 75, 166) r2=.3, NS 16 16 14 14 12 12 1 1 8 8 6 6 4 4 2 2 95 5 95 5
Landsort (3-5) Utlangan (2-5) Lindane, ug/g, lipid w. Herring muscle.14.12 ).1 n(tot)=285,n(yrs)=2 m=.19 (.13,.27).14 slope=-13%(-14,-12) SD(lr)=4.5,2.1%,12 yr power=1./.59/6.5%.12 y(6)=.5 (.5,.6) r2=.95, p<.1 * tao=-.91, p<.1 * SD(sm)=4.2, NS,6.1%.1 n(tot)=278,n(yrs)=19 m=.17 (.12,.26) slope=-14%(-15,-13) SD(lr)=3.2,1.6%,1 yr power=1./.86/4.6% y(6)=.5 (.4,.6) r2=.98, p<.1 * tao=-.95, p<.1 * SD(sm)=2.5, p<.5,3.7%.8.8.6.6.4.4.2.2. 9 95 5. 9 95 5
Kartor - sjöar ph lakes TOC lakes ph (NV 2) > 6.8 mkt. god buffr. kapacitet 6.5-6.8 god 6.2-6.5 svag 5.6-6.2 mycket svag </= 5.6 ingen buffr. kapacitet TOC mg/l (NV 2) </= 4 mkt lag halt 4-8 lag halt 8-12 mattligt hog halt 12-16 hog halt > 16 mycket hog halt 1 km 1 km TISS - 11.8.23 15:3, ph_dots_6years TISS - 11.9.4 19:21, TOC_dots_6years 8
Tidstrender - kvartal 6 5 4 tot-p ug/l, 3SDSNN, quarter of a year Alstern 949 n(tot)=18,n(yrs)=23 m=5.78 (5.26,6.35) slope=-2.4%(-3.5,-1.2) CV(lr)=43%,.5%,7 yr LDT=1.3 % r2=.16, p<.1 * CV(sm)=19%, p<.1,1.% slope=-3.5%(-4.6,-2.4) CV(lr)=1%,.4%,3 yr LDT=.3 % r2=.51, p<.1 * 6 5 4 Mogesjon 141 n(tot)=18,n(yrs)=23 m=6.77 (6.31,7.26) slope=-1.1%(-2.,-.2) CV(lr)=33%,.4%,6 yr LDT=1. % r2=.6, p<.16 * CV(sm)=16%, p<.13,1.% slope=-2.3%(-2.6,-1.9) CV(lr)=3.%,.2%,2 yr LDT=.2 % r2=.83, p<.1 * Antal år för aa upptäcka en specifik förändring Lägsta detekterbara årliga förändring under 12 år (power 8%) 3 3 2 2 Linjär trend linjär regression 1 1 Icke linjär trend smoother 9 8 85 9 95 5 8 85 9 95 5
År eller kvartal? tot-p ug/l, 3SDSNN, annual mean values Alstern 949 n(tot)=18,n(yrs)=26 m=5.98 (5.12,6.98) slope=-2.3%(-4.2,-.4) CV(lr)=36%,2.7%,25 yr LDT=9.4 % y(9)=4.5 (3.42,5.92) r2=.21, p<.19 * CV(sm)=11%, p<.1,5.3% slope=-3.5%(-6.8,-.25) CV(lr)=13%,4.6%,13 yr LDT=3.4 % r2=.44, p<.37 * Mogesjon 141 n(tot)=18,n(yrs)=26 m=7.1 (6.48,7.58) slope=-.93%(-1.9,.72) CV(lr)=19%,1.5%,17 yr LDT=4.9 % y(9)=6.24 (5.39,7.22) r2=.13, p<.64 CV(sm)=5.9%, p<.1,3.% slope=-3.3%(-3.8,-2.8) CV(lr)=2.%,.8%,5 yr LDT=.6 % r2=.96, p<.1 * 6 5 4 tot-p ug/l, 3SDSNN, quarter of a year Alstern 949 n(tot)=18,n(yrs)=23 m=5.78 (5.26,6.35) slope=-2.4%(-3.5,-1.2) CV(lr)=43%,.5%,7 yr LDT=1.3 % r2=.16, p<.1 * CV(sm)=19%, p<.1,1.% slope=-3.5%(-4.6,-2.4) CV(lr)=1%,.4%,3 yr LDT=.3 % r2=.51, p<.1 * 6 5 4 Mogesjon 141 n(tot)=18,n(yrs)=23 m=6.77 (6.31,7.26) slope=-1.1%(-2.,-.2) CV(lr)=33%,.4%,6 yr LDT=1. % r2=.6, p<.16 * CV(sm)=16%, p<.13,1.% slope=-2.3%(-2.6,-1.9) CV(lr)=3.%,.2%,2 yr LDT=.2 % r2=.83, p<.1 * 3 3 2 2 1 1 1 8 85 9 95 5 8 85 9 95 5 8 85 9 95 5 8 85 9 95 5
Tidstrender Rimlig förändring under en period på 12 år. En klassgräns enligt NVs bedömningsgrunder Variabel % förändring under 12 år % förändring/ år Medel (år) sjöar Medel LDT sjöar Medel (år) varendrag Medel LDT varendrag ph 3.2 9.2 7.2 tot- N 1 6 4.9 3.7 tot- P 4 3 7 1.2 6 1.1 TOC 4 3 5.8 absorbans 8 5 4 1. TPI 1.8 5.2 1% av sjöarna och vaaendragen klarar kriterierna för tot- N, tot- P, TOC och absorbans. 94% av sjöarna klarar kriterierna för ph och 1% av vaaendragen. 1% av sjöarna TPI där mäa flera gånger per år klarar kriterierna. 11
Blockdiagram sjöar ph, sjotyp SDSNN TOC, sjotyp SDSNN 2 95 2 952 2 11 2 14 2 139 2 1393 3 949 3 141 4 975 4 161 4 162 4 113 4 1113 4 1135 4 1464 5 979 6 967 6 984 6 122 6 124 6 126 6 127 6 143 6 144 6 156 6 175 6 1127 6 1137 6 1149 6 1215 6 1388 6 1389 7 137 7 1381 7 145 85 86 87 88 89 9 91 92 93 94 95 96 97 98 99 1 2 3 4 5 6 7 8 9 2 95 2 952 2 11 2 14 2 139 2 1393 3 949 3 141 4 975 4 161 4 162 4 113 4 1113 4 1135 4 1464 5 979 6 967 6 984 6 122 6 124 6 126 6 127 6 143 6 144 6 156 6 175 6 1127 6 1137 6 1149 6 1215 6 1388 6 1389 7 137 7 1381 7 145 85 86 87 88 89 9 91 92 93 94 95 96 97 98 99 1 2 3 4 5 6 7 8 9 pia - 11.8.1 9:47, block_toc_sdsnn 12
Tot-N, Vattendrag 14 12 1 8 6 4 2 Homogeneity of staons 54 staons accepted (of 62) 12 min n to accept a staon 4 increasing trends 1 significant increasing 5 decreasing trends 21 significant decreasing Time range: 98-19 Chi2(hom)= 112.1, p <. Average slope= - 12.7 5 pia - 11.9.6 22:29, hom_kv_n_98_19
ph, Sjoar 8.5 8. 7.5 7. 6.5 6. 5.5 5. 4.5 4. 3.5 Homogeneity of staons 98 staons accepted (of 112) 2 min n to accept a staon 8 increasing trends 23 significant increasing 18 decreasing trends 3 significant decreasing Time range: 98-19 Chi2(hom)= 217, p <. Average slope=.13 3. 5 pia - 11.9.6 21:37, hol_kv_ph_98_19
PC 2 28% vattendrag kemi ekoreg 5 PCA TOT_P PCA vaaenkemi i sjöar ekoregion 4 Abs alk Kond TOT_N ph VSYN VLNY VSNN VLYN 15 Source: LST TREND 11.9.6 14:35, pca_ekoreg_5_rivers PC 1 54%
Tidstrender SD(sm)=7.8, p<.8,6.4% slope=.93%(-3.9,5.8) SD(lr)=19%,7.%,9 yr power=.98/.98/7.% r2=.2, NS 6 5 SD(sm)=13, p<.1,8.1% slope=-13%(-21,-5.2) SD(lr)=31%,14%,11 yr power=.55/.71/11% r2=.68, p<.6 * 6 5 Legendtext N(tot)=75, n(yrs) =24 Förklaring Antal punkter, antal år 4 4 m=5.66 (4.56,7.3) Medelvärde (95% C.I), streckad linje slope=-2.6% (-5.5,.3) CV(lr)=52%,4.3%,15 yr Linjär regr. Minskning -2.6% per år (95% C.I), röd linje Variationskoefficient runt regressionlinjen som ett mått på mellanårsvariation, lägsta detekterbara förändring i denna tidserie, antal år för att upptäcka en specifik förändring. 3 3 LDT=.8 % lägsta detekterbara förändring om n(yrs)=12 och power=8% r2=.14, p<.73 Determinationskoefficienten, p-värde för två-sidigt test (H : slope=). Signifikant värde tolkas som en sann förändring. CV (sm)= 13. p<.1,8.1% Variationskoefficient runt smoother (blå linje, icke-linjär modell), p-värde för ANOVA, minsta detekterbara trend %/år om power =8% och n(yrs)=12 2 1 2 1 slope= -13% (-21,-5.2) CV(lr)=31%, 14%, 11 yr LDT =.2 % Statistik för de sista 1 åren (rosa linje) Statistik för de sista 1 åren (rosa linje) Statistik för de sista 1 åren (rosa linje) 8 85 9 95 5 r2=.68, p<.6* Statistik för de sista 1 åren (rosa linje) 15:55, tot-p_trend_sdsnn_ida Variationskoefficient (CV) = standardavvikelse/medelvärde *1 (anges i procent) 16 Determinationskoefficient (r2) = hur stor del av totala variansen som förklaras av modellen. Power = 1-β chansen att upptäcka en sann förändring, β= risken att godta en falsk hypotes.
Spatial monitoring spatial sampling
Spatial monitoring, objectives? Ø Estimate mean and variance Ø Regional differences Ø Spatial trends Ø Interactions, correlations Ø Species distribution, degree of clustering..etc Ø Population size estimates Ø Hot-spot detection Ø Level in relation to class limit
TISS - 11.1.26 15:4, F5 5%
TISS - 11.1.26 14:26, F15 15%
% estimates within 5,1,15,2,25% of true area % estimates within 5,1,15,2,25% of true area Frq=5% Frq=15% 1 9 8 7 6 5 4 3 2 1 5 1 15 2 25 3 n of individuals 1 9 8 7 6 5 4 3 2 1 1 2 3 4 5 n of individuals pia - 11.1.26 14:27, p_15_5
Sampling strategy Administrative, equal n of samples in each water body Dynamic, more samples the greater the variance Random Regular Mixed Transects Sample requirements Representative Independent
TISS - 5.3.2 :58, 91 Random design
TISS - 7.4.1 :32, sqld Square lattice design
TISS - 7.4.1 :33, tri Triangular lattice design
TISS - 7.4.1 :33, una Unaligned lattice design
TISS - 7.3.5 21:51, 941 Random with inhibition distance
TISS - 7.4.1 :39, Sobol Sobol sequence
TISS - 2.3.16 22:51, 6aln 12 16 21 7 9 Sobol sequence 2 22 15 1 2 24 4 1 13 19 6 8 17 14 3 23 18 11 25 5
TISS - 5.3.2 8:47, 93 Clustered sampling
31
32
C) Random, transects D) Stratified, transects 1 1 9 9 % estimates within 5,1,15,2,25% of true area 8 7 6 5 4 3 2 1 5 1 15 2 25 3 n of transects % estimates within 5,1,15,2,25% of true area 8 7 6 5 4 3 2 1 5 1 15 2 25 n of transects pia - 1.1.1 23:55, p_s_28_29_s
E) Random design, squares F) Sobol sequence, squares 1 1 9 9 % estimates within 5,1,15,2,25% of true area 8 7 6 5 4 3 2 1 1 2 3 4 5 n of squares % estimates within 5,1,15,2,25% of true area 8 7 6 5 4 3 2 1 1 2 3 4 5 n of squares pia - 1.1.1 17:51, p_n_1_3_s
C) Random design, squares D) Sobol sequence, squares 1 1 9 9 % estimates within 25,2,15,1,5% of true area 8 7 6 5 4 3 2 1..2.4.6.8 1. 1.2 % area sampled % estimates within 25,2,15,1,5% of true area 8 7 6 5 4 3 2 1..2.4.6.8 1. 1.2 % area sampled pia - 1.1.3 23:19, p_n_5_1_3_
Distance (km) Distance (km) A) Random design B) Sobol sequence 8 7 6 8 7 6 5 5 4 4 3 3 2 2 1 1 1 2 3 4 5 N of squares 1 2 3 4 5 N of squares pia - 1.5.1 1:2, p_n_1_3_dist
Arthonia spadicea Bacidia rosella Bacidia rubella Chaenotheca brachypoda Chaenotheca chlorella Gyalecta ulmi Lecanora glabrata Leptogium lichenoides Lobaria pulmonaria Lopadium disciforme Megalaria laureri Mycobilimbia pilularis Nephroma parile Normandina pulchella Opegrapha vermicellifera Parmeliella triptophylla Pel?gera collina Pyrenula ni?da Sclerophora peronella Thelotrema lepadinum An?trichia cur?pendula Homalothecium sericeum Neckera complanata Neckera crispa Neckera pumila Porella platyphylla Glansfläck Rosa lunula Lönnlav Gulnål Kornig gulnål Almlav Bokkantlav Traslav Lunglav Barkkornlav Liten ädellav Stor knopplav Bårdlav Mussellav S&:kloAerlav Korallblylav Grynig filtlav Bokvårtlav Liten blekspik Havstulpanlav Fällmossa Guldlocksmossa PlaA fädermossa Grov fädermossa Bokfädermossa Trädporella
Metoder 1) Helt slumpmässigt urval av träd (utan återlägg, utvalda träd inventeras bara en gång). 2) Slumpmässigt utlägg av cirklar a) med 1 m radie b) med 2 m radie 3) Transekter, med olika avstånd mellan transekterna
13315 13316 13317 6259 Vallasen 6258 6257 6256 5 m TISS - 1.1.22 22:33, vall_2_1_demo
13315 13316 13317 6259 Vallasen 6258 6257 6256 5 m TISS - 1.2.23 13:35, vall_4_demo
13297 13298 6358 Spenshult 6357 Antal arter > 7 (4) 4-7 (42) 2-3 (42) 1 (43) 25 m inga (66) TISS - 9.1.26 :1, spen_
% of survays (5,2,1,5% from true value) % of survays (5,2,1,5% from true value) Spenshult 29, all species listed species 1 9 8 7 6 5 4 3 2 1 1 9 8 7 6 5 4 3 2 1 1 2 3 4 5 6 7 8 9 1 Sampling effort (% of all trees) 1 2 3 4 5 6 7 8 9 1 Sampling effort (% of all trees) pia - 1.1.21 9:1, spen_1_p_a
Målvariabler Det krävs i allmänhet betydligt färre inventerade träd för aa uppskaaa medelantal jämfört med aa uppskaaa maxantal arter, exv. Spenshult 21 isi 45%, Frodeparken 3 isi 61%, Vallåsen 18 isi 64%. För 2 av lokalerna, Spenshult och Vallåsen behöver färre träd inventeras om man begränsar sig &ll det listade urval än om man väljer det totala antalet registrerade arter (exv. 45 > 33%, Spenshult; 64 > 44%, Vallåsen). För Torakärr är förhållandet det motsaaa. Det kan förklaras av aa man vid Torakärr inte ser någon större minskning när det gäller antal arter som bara växter på 1 träd.
Skillnader mellan lokaler Spenshult med i genomsnia ea större antal lavarter med stort naturvärde per träd kräver en mindre propor&on undersökta träd än Torakärr som har en lägre frekvens träd med intressanta arter. Om en rela&v stor andel av de arter som räknas bara växer på 1 eller ea fåtal träd, minskar naturligtvis chansen för aa med en måalig inventeringsinsats hiaa just dessa träd. Likaså om andelen tomma träd är stort.
Semivaraince (%) Sample variogram 2.5 2. 1.5 1. Spatial sampling Distance between sampling point?.5. 25 5 75 1 125 15 175 2 225 25 275 Distance (km) pia - 6.1.21 2:13, pol Variogram showing increasing differences between samples as distance increases (CB-118, pg/g w.w in herring muscle tissue from Bothnian Sea)
Randomization technique, Monte Carlo simulation Pup production and distribution of the Caspian seal (Phoca caspica) on winter Total pups, 26 ice in the Northern Caspian Sea 26 TISS - 7.3.4 16:45, Puptot6 5 km
CV vs % area covered, 26 Total pups (1/CV) r2=.99, p<.1 * Mothers (1/CV) r2=.98, p<.1 * 3 3 2 2 1 1 1 2 3 4 5 6 7 8 Older (1/CV) r2=.99, p<.1 * 3 2 1 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 Eagles (1/CV) r2=.98, p<.1 * 4 3 2 1 1 2 3 4 5 6 7 8 pia - 7.3.4 1:43, phao6b
INDO-PACIFIC BOTTLENOSE (TURSIOPS ADUNCUS) DOLPHINS OFF THE SOUTH COAST OF ZANZIBAR TISS - 7.3.23 12:31, a1 2 km
Clustered sampling 5 samples, r ~.34 weighted on effort > r ~.43 random sampling > r ~.59 2 km TISS - 7.3.23 11:52, b1
Green test R R µ T UCL T µ T H : µ T > R, H 1 : µ T < R Reject H if UCL T < R
1 9 8 7 6 5 4 3 2 1 1 1 1 CV = 1% Distance to class limit: 25, 15, 1, 5% 25 2 15 1 5 TISS - 6.8.17 16:6, m111 5 1 15 2 25 3 35 5 1 15 2 25 3 35
CV=2%, normal distributed Distance to class limit: 3, 25, 2, 15, 1% CV = 2% 1 9 8 7 6 5 4 3 2 1 1 > 34 3 25 2 15 1 5 TISS - 6.8.17 17:1, ts111_2 5 1 15 2 25 3 35 4 45 5 1 15 2 25 3 35
CV = 2%, log-normal distr. CV=2%, Log-normal distribution Distance to class limit: 3, 25, 2, 15, 1% 1 9 8 7 6 5 4 3 2 1 34 > 5 3 25 2 15 1 5 TISS - 6.8.18 1:4, ts121_2 5 1 15 2 25 3 35 4 45 5 5 1 15 2 25 3 35 4 45 5
1 9 8 7 6 5 4 3 2 1 N of samples vs chance to go below limit Random Sobol 1 9 8 7 6 5 4 3 2 1 2 4 6 8 1 pia - 7.4.11 13:56, p211 Random sampling 2,1,5 % 2 4 6 8 1 Sobol seq sampling 4 > 3 11 > 8 TISS - 6.4.1 17:14, 963 TISS - 6.4.1 7:24, ts1
CV = 31%, 1 9 8 7 6 5 4 3 2 1 N of samples vs chance to go below limit Random Sobol 1 9 8 7 6 5 4 3 2 1 2 4 6 8 1 pia - 7.4.11 12:37, p311 Random sampling 2,1,5 % 2 4 6 8 1 Sobol seq sampling 64 > 58 TISS - 6.4.11 :56, ts11 TISS - 6.4.11 13:35, ts311
PCB TCDD eqv. 35% (normally distributed) variation were added (> total variation = 39 %) True mean = 2.5 pg/g. Distance to 4., 3.5 and 3. pg/g (37.5%, 28%, 17%) 1 pg/g w.w. > pg/g 3.5w.w. 3-3.5 2.5-3 2-2.5 < 2 9 8 7 6 5 4 3 2 1 35 3 25 2 15 1 5 1 km 5 1 15 2 25 3 35 5 1 15 2 TISS - 6.8.18 5.5.4 14:11, 16:36, ts411_1 1pqsmpol
Class limit 1 9 1 9 P1 P2 True mean for both factors 8 7 6 5 8 7 6 5 One out - all out 1 9 8 7 6 5 4 3 2 1 1 2 3 4 5 6 7 pia - 6.11.28 14:15, pvoo 16 > 14 > 34 4 3 2 1 1 2 3 4 5 6 7 pia - 6.11.2 1:1, pvik 4 3 2 1 74 > 57 1 2 3 4 5 6 7 Power to show that a mean value in a study area is below a class limit vs n of samples. 8% power marked with green. Distance from class limit: 4, 2, 1% A) mean of two factors, one with
Risk of missing a target.9.8 Random design.7.6 Pr ran 2 πr A ( R ) = (1 N ) A N.5.4.3.2.1 TISS - 1.4.23 19:32, ra11.1.2.3.4.5.6.7.8.9 size
.9.9.8.8.7.7.6.5.4.3.6.5.4.3 Square lattice design.2.2.1.1.2.3.4.5.6.7.8.9.1.1.2.3.4.5.6.7.8.9 1-36 % TISS - 2.1.3 13:43, f2.9.9.8.8.7.7.6.6.5.5.4.4.3.3.2.2.1.1.1.2.3.4.5.6.7.8.9.1.2.3.4.5.6.7.8.9
.9.9.8.8.7.7.6.5.4.6.5.4 Triangular lattice design.3.3.2.2.1.1.2.3.4.5.6.7.8.9.1.1.2.3.4.5.6.7.8.9 1-7 %.9 TISS - 2.1.3 12:59, f3.9.8.8.7.7.6.6.5.5.4.4.3.3.2.2.1.1.1.2.3.4.5.6.7.8.9.1.2.3.4.5.6.7.8.9 TISS - 2.1.3 12:56, f3r
.9.8.7.6.5.4.3.2.1.1.2.3.4.5.6.7.8.9.9.8.7.6.5.4.3.2.1.1.2.3.4.5.6.7.8.9 Unaligned lattice design 95-8 %.9.8.7.6.5.4.3.2.1 TISS - 2.1.3 14:5, f4.9.8.7.6.5.4.3.2.1.1.2.3.4.5.6.7.8.9.1.2.3.4.5.6.7.8.9
.9.9.8.8.7.7.6.5.4.3.2.6.5.4.3.2 Random design with inhibition distance.1.1.2.3.4.5.6.7.8.9.1.1.2.3.4.5.6.7.8.9 95-82 %.9 TISS - 2.1.31 11:15, f5.9.8.8.7.7.6.6.5.5.4.4.3.3.2.2.1.1.1.2.3.4.5.6.7.8.9.1.2.3.4.5.6.7.8.9
.9.9.8.8.7.6.5.4.7.6.5.4 Sobol sequence design.3.3.2.2.1.1.2.3.4.5.6.7.8.9.1.1.2.3.4.5.6.7.8.9 91-89 %.9.8.7.6.5.4.3.2.1 TISS - 2.2.3 2:32, F6.9.8.7.6.5.4.3.2.1.1.2.3.4.5.6.7.8.9.1.2.3.4.5.6.7.8.9
.9.8.7.6.5.4.3.2.1.9.8.7.6.5.4.3.2.1.1.2.3.4.5.6.7.8.9 TISS - 2.1.3 13:11, f1.9.8.7.6.5.4.3.2.1.9.8.7.6.5.4.3.2.1.1.2.3.4.5.6.7.8.9 Random design 8 %.1.2.3.4.5.6.7.8.9.1.2.3.4.5.6.7.8.9
PCDD/DF - TEQ Herring, geometric mean Muscle
PCDD/DF- TEQ Herring, 95% conf. int. Muscle
PCDD/DF- TEQ Herring, 95% pop int. Muscle
Cd, 199 TISS - 1.8.31 13:58, 114
Trend surface, First order Trend surface, First order: z=b1x+b2y+a Multiple correlation coefficient =.286 squared =.82 ( 8.2%) Standard partial regression coefficients Variable Bprime SE P< x.5.145.925 y.284.145.52 TISS - 1.9.13 1:36, m2
Trend surface, Second order Trend surface, Second order Multiple correlation coefficient =.758 squared =.575 ( 57.5%) adj. for d.f. =.53 Standard partial regression coefficients Variable Bprime SE p 1 x -169.59 45.552.1 2 y -65.942 3.588.34 3 x2 165.527 49.854.2 4 xy 16.63 38.981.674 5 y2 51.395 14.11.1 Cd, 199 TISS - 1.9.13 1:39, m3
Hg (adj. 2 g) 1996-25 Hg (adj. 2 g) 1996-25 Sw=.432 Fi=.42 73 25 km ng/g ww > 1 5-1 2-5 1-2 < 1 25 km ng/g ww > 1 5-1 2-5 1-2 < 1 TISS - 11.1.23 9:54, Hg_2_gr_96 TISS - 11.1.23 1:5, Hg_2_96_sm
Lead, 199 Lead, 2 Pb ug/g dry wt. > 15 1-15 7.5-1 5. - 7.5 2.5-5. < 2.5 Pb ug/g dry wt. 1-15 7.5-1 5. - 7.5 2.5-5. < 2.5 TISS - 2.9.26 13:14, pbm9 TISS - 2.9.26 13:11, pbm
Components of variance Age Storage Sample preparaon Measurement errors Sex Condion Phase of reproducon Season Migraon Temperature Producvity Salinity Anthropogenic impact
TISS - 1.9.16 22:38, 11242 Figure 1.12.4.2. a) Distances in the original scale (option 5.3.6). b) Centered coordinates, mean distances for the two samples are shown as circles. The dispersion (distance to mean) is significantly greater for the red sample, see above.
Randomization test: start-end distance TISS - 1.9.19 11:3, 1111 N of observations: 28 Cumulated distance: 81.723 km Average distance: 2.919 km Maximum distance: