A total of 954 continuous GPS position time series from 414 individual sites in nine different GPS solutions were analyzed for noise content using maximum likelihood estimation (MLE). The lengths of the series varied from around 16 months to over 10 years. MLE was used to analyze the data in two ways. In the first analysis the noise was assumed to be white noise only, a combination of white noise plus flicker noise, or a combination of white noise plus random walk noise. For the second analysis the spectral index and amplitude of the power law noise were estimated simultaneously with the white noise. In solutions where the sites were globally distributed, the noise can be best described by a combination of white noise plus flicker noise. Both noise components show latitude dependence in their amplitudes (higher at equatorial sites) together with a bias to larger values in the Southern Hemisphere. In the regional solutions, where a spatially correlated (common mode) signal has been removed, the noise is significantly lower. The spectral index of the power law in regional solutions is more varied than in the global solutions and probably reflects a mixture of local effects. A significant reduction in noise can be seen since the first continuous GPS networks began recording in the early 1990s. A comparison of the noise amplitudes to the different monument types in the Southern California Integrated GPS Network suggests that the deep drill braced monument is preferred for maximum stability.

Abstract Aim To examine the contribution of large‐diameter trees to biomass, stand structure, and species richness across forest biomes. Location Global. Time period Early 21st century. Major taxa studied Woody plants. Methods We examined the contribution of large trees to forest density, richness and biomass using a global network of 48 large (from 2 to 60 ha) forest plots representing 5,601,473 stems across 9,298 species and 210 plant families. This contribution was assessed using three metrics: the largest 1% of trees ≥ 1 cm diameter at breast height (DBH), all trees ≥ 60 cm DBH, and those rank‐ordered largest trees that cumulatively comprise 50% of forest biomass. Results Averaged across these 48 forest plots, the largest 1% of trees ≥ 1 cm DBH comprised 50% of aboveground live biomass, with hectare‐scale standard deviation of 26%. Trees ≥ 60 cm DBH comprised 41% of aboveground live tree biomass. The size of the largest trees correlated with total forest biomass ( r 2 = .62, p < .001). Large‐diameter trees in high biomass forests represented far fewer species relative to overall forest richness ( r 2 = .45, p < .001). Forests with more diverse large‐diameter tree communities were comprised of smaller trees ( r 2 = .33, p < .001). Lower large‐diameter richness was associated with large‐diameter trees being individuals of more common species ( r 2 = .17, p = .002). The concentration of biomass in the largest 1% of trees declined with increasing absolute latitude ( r 2 = .46, p < .001), as did forest density ( r 2 = .31, p < .001). Forest structural complexity increased with increasing absolute latitude ( r 2 = .26, p < .001). Main conclusions Because large‐diameter trees constitute roughly half of the mature forest biomass worldwide, their dynamics and sensitivities to environmental change represent potentially large controls on global forest carbon cycling. We recommend managing forests for conservation of existing large‐diameter trees or those that can soon reach large diameters as a simple way to conserve and potentially enhance ecosystem services.

Conspecific negative density-dependent establishment, in which local abundance negatively affects establishment of conspecific seedlings through host-specific enemies, can influence species diversity of plant communities, but the generality of this process is not well understood. We tested the strength of density dependence using the United States Forest Service's Forest Inventory and Analysis database containing 151 species from more than 200,000 forest plots spanning 4,000,000 square kilometers. We found that most species experienced conspecific negative density dependence (CNDD), but there was little effect of heterospecific density. Additionally, abundant species exhibited weaker CNDD than rarer species, and species-rich regions exhibited stronger CNDD than species-poor regions. Collectively, our results provide evidence that CNDD is a pervasive mechanism driving diversity across a gradient from boreal to subtropical forests.

Numerous studies have shown reduced performance in plants that are surrounded by neighbours of the same species1,2, a phenomenon known as conspecific negative density dependence (CNDD)3. A long-held ecological hypothesis posits that CNDD is more pronounced in tropical than in temperate forests4,5, which increases community stabilization, species coexistence and the diversity of local tree species6,7. Previous analyses supporting such a latitudinal gradient in CNDD8,9 have suffered from methodological limitations related to the use of static data10-12. Here we present a comprehensive assessment of latitudinal CNDD patterns using dynamic mortality data to estimate species-site-specific CNDD across 23 sites. Averaged across species, we found that stabilizing CNDD was present at all except one site, but that average stabilizing CNDD was not stronger toward the tropics. However, in tropical tree communities, rare and intermediate abundant species experienced stronger stabilizing CNDD than did common species. This pattern was absent in temperate forests, which suggests that CNDD influences species abundances more strongly in tropical forests than it does in temperate ones13. We also found that interspecific variation in CNDD, which might attenuate its stabilizing effect on species diversity14,15, was high but not significantly different across latitudes. Although the consequences of these patterns for latitudinal diversity gradients are difficult to evaluate, we speculate that a more effective regulation of population abundances could translate into greater stabilization of tropical tree communities and thus contribute to the high local diversity of tropical forests.

Abstract Measuring forest biodiversity using terrestrial surveys is expensive and can only capture common species abundance in large heterogeneous landscapes. In contrast, combining airborne imagery with computer vision can generate individual tree data at the scales of hundreds of thousands of trees. To train computer vision models, ground-based species labels are combined with airborne reflectance data. Due to the difficulty of finding rare species in a large landscape, the majority of classification models only include the most abundant species, leading to biased predictions at broad scales. Extending classification models to include rare species requires targeted data collection and algorithmic improvements to overcome large data imbalances between dominant and rare taxa. In addition, large landscapes often require multiple acquisition events, leading to significant within-species variation in reflectance spectra. Using a multi-temporal hierarchical model, we demonstrate the ability to include species predicted at less than 1% frequency in landscape without losing performance on the dominant species. The final model has over 75% accuracy for 14 species with improved rare species classification compared to a baseline deep learning model. After filtering out dead trees, we generate landscape species maps of individual crowns for over 670,000 individual trees at the Ordway Swisher Biological Station within the National Ecological Observatory Network. We estimate the relative abundance of the species within the landscape and provide three measures of uncertainty to generate a range of counts for each species. These maps provide the first estimates of canopy tree diversity within NEON sites to include rare species and provide a blueprint for capturing tree diversity using airborne computer vision at broad scales.

Conspecific negative density dependence (CNDD) is thought to be a key process in maintaining plant diversity. However, the strength of CNDD is highly variable in space and time as well as among species, and correlates of this variation that might help to understand and explain it remain largely unquantified. Using Bayesian hierarchical models, we took advantage of 10-year seedling monitoring data that were collected annually in every dry and rainy season in a seasonal tropical forest. We quantified the interspecific variation in the strength of CNDD and its temporal variation. We also examined potential correlates of this interspecific and temporal variation, including species functional traits (such as drought-tolerant traits, defense-related traits, and recourse acquisition traits) and species abundances. In the dry season, we found a negative relationship between the density of neighboring conspecific seedlings on seedling survival, while in the rainy season, there was a negative relationship between the density of neighboring conspecific adults on seedling survival. In addition, we found that interspecific variation in CNDD was related to drought-tolerant traits in the dry season but not in the rainy season. Across years, we found that drought-intolerant species suffer less CNDD during the dry seasons that have higher rainfall, whereas drought-tolerant species suffer less CNDD when the dry season has lower rainfall. We also found that rare species suffered stronger CNDD in the dry season. Overall, our study highlights that CNDD is highly variable among species and through time, necessitating a deeper appreciation of the environmental and functional contexts of CNDD and their interactions.

Abstract The future trajectory of global forests is closely intertwined with tree demography, and a major fundamental goal in ecology is to understand the key mechanisms governing spatial-temporal patterns in tree population dynamics. While historical research has made substantial progress in identifying the mechanisms individually, their relative importance among forests remains unclear mainly due to practical limitations. One approach is to group mechanisms according to their shared effects on the variability of tree vital rates and to quantify patterns therein. We developed a conceptual and statistical framework (variance partitioning of Bayesian multilevel models) that attributes the variability in tree growth, mortality, and recruitment to variation in species, space, and time, and their interactions, categories we refer to as organising principles (OPs). We applied the framework to data from 21 forest plots covering more than 2.9 million trees of approximately 6,500 species. We found that differences among species, the species OP, proved a major source of variability in tree vital rates, explaining 28-33% of demographic variance alone, and in interaction with space 14-17%, totalling 40-43%. The average variability among species declined with species richness across forests, indicating that diverse forests featured smaller interspecific differences in vital rates supporting the theory that the range of vital rates is similar across global forests. Decomposing the variance in vital rates into the proposed OPs showed that taxonomy is crucial to predicting and understanding tree demography on large forest plots. A focus on how variance is organized in forests can facilitate the construction of more targeted models with clearer expectations of which covariates might drive a vital rate. This study therefore highlights the most promising avenues for future research, both in terms of understanding the relative contributions of groups of mechanisms to forest demography and diversity, and for improving projections of forest ecosystems.

Abstract The ecology of forest ecosystems depends on the composition of trees. Capturing fine-grained information on individual trees at broad scales provides a unique perspective on forest ecosystems, forest restoration and responses to disturbance. Individual tree data at wide extents promises to increase the scale of forest analysis, biogeographic research, and ecosystem monitoring without losing details on individual species composition and abundance. Computer vision using deep neural networks can convert raw sensor data into predictions of individual canopy tree species through labeled data collected by field researchers. Using over 40,000 individual tree stems as training data, we create landscape-level species predictions for over 100 million individual trees across 24 sites in the National Ecological Observatory Network. Using hierarchical multi-temporal models fine-tuned for each geographic area, we produce open-source data available as 1 km 2 shapefiles with individual tree species prediction, as well as crown location, crown area and height of 81 canopy tree species. Site-specific models had an average performance of 79% accuracy covering an average of six species per site, ranging from 3 to 15 species per site. All predictions are openly archived and have been uploaded to Google Earth Engine to benefit the ecology community and overlay with other remote sensing assets. We outline the potential utility and limitations of these data in ecology and computer vision research, as well as strategies for improving predictions using targeted data sampling.