Gap-filling a spatially explicit plant trait database : comparing imputation methods and different levels of environmental information
Poyatos, Rafael (Centre de Recerca Ecològica i d'Aplicacions Forestals)
Sus, Oliver (European Organisation for the Exploitation of Meteorological Satellites, Organització Europea per a l'Explotació de Satèl.lits Meteorològics)
Badiella Busquets, Llorenç (Universitat Autònoma de Barcelona. Servei d'Estadística Aplicada (SEA))
Mencuccini, Maurizio (Centre de Recerca Ecològica i d'Aplicacions Forestals)
Martínez Vilalta, Jordi 1975- (Centre de Recerca Ecològica i d'Aplicacions Forestals)

Fecha:	2018
Resumen:	The ubiquity of missing data in plant trait databases may hinder trait-based analyses of ecological patterns and processes. Spatially explicit datasets with information on intraspecific trait variability are rare but offer great promise in improving our understanding of functional biogeography. At the same time, they offer specific challenges in terms of data imputation. Here we compare statistical imputation approaches, using varying levels of environmental information, for five plant traits (leaf biomass to sapwood area ratio, leaf nitrogen content, maximum tree height, leaf mass per area and wood density) in a spatially explicit plant trait dataset of temperate and Mediterranean tree species (Ecological and Forest Inventory of Catalonia, IEFC, dataset for Catalonia, north-east Iberian Peninsula, 31 900 km2). We simulated gaps at different missingness levels (10-80 %) in a complete trait matrix, and we used overall trait means, species means, k nearest neighbours (kNN), ordinary and regression kriging, and multivariate imputation using chained equations (MICE) to impute missing trait values. We assessed these methods in terms of their accuracy and of their ability to preserve trait distributions, multi-trait correlation structure and bivariate trait relationships. The relatively good performance of mean and species mean imputations in terms of accuracy masked a poor representation of trait distributions and multivariate trait structure. Species identity improved MICE imputations for all traits, whereas forest structure and topography improved imputations for some traits. No method performed best consistently for the five studied traits, but, considering all traits and performance metrics, MICE informed by relevant ecological variables gave the best results. However, at higher missingness (.
Ayudas:	Ministerio de Economía y Competitividad MTM2015-69493-R Ministerio de Economía y Competitividad CGL2014-55883-JIN Ministerio de Economía y Competitividad CGL2013-46808-R
Derechos:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original.
Lengua:	Anglès
Documento:	Article ; recerca ; Versió publicada
Publicado en:	Biogeosciences, Vol. 15 (2018) , p. 2601-2617, ISSN 1726-4189

DOI: 10.5194/bg-15-2601-2018

Article 17 p, 1.8 MB

Suplement 21 p, 4.4 MB

El registro aparece en las colecciones:
Documentos de investigación > Documentos de los grupos de investigación de la UAB > Centros y grupos de investigación (producción científica) > Ciencias > CREAF (Centre de Recerca Ecològica i d'Aplicacions Forestals)
Artículos > Artículos de investigación
Artículos > Artículos publicados