Skip to main content

Table 1 Average silhouette widths of the clustering solutions of stand structural data of two primeval beech forests

From: Classifying development stages of primeval European beech forests: is clustering a useful tool?

 

Uniform kernel

Bivariate normal kernel

Number of clusters

Number of clusters

2

3

4

5

2

3

4

5

 

Observation scale

Mirdita

200 m2

0.18

0.16

0.18

0.22

0.17

0.17

0.21

0.22

500 m2

0.18

0.19

0.21

0.22

0.18

0.18

0.21

0.17

1000 m2

0.20

0.22

0.24

0.24

0.19

0.21

0.23

0.23

1500 m2

0.20

0.26

0.26

0.27

0.20

0.24

0.23

0.25

Rajca

200 m2

0.22

0.19

0.22

0.23

0.21

0.21

0.23

0.22

500 m2

0.21

0.23

0.20

0.20

0.21

0.23

0.18

0.20

1000 m2

0.21

0.18

0.20

0.20

0.21

0.18

0.21

0.21

1500 m2

0.21

0.22

0.24

0.21

0.21

0.19

0.23

0.23

  1. A moving window approach with a uniform and a bivariate normal kernel and of several observation scales (rows) was used. K-means clustering (k = 2 − 5, columns) was applied to obtain different clustering solutions
Back to article page

BMC Ecology

ISSN: 1472-6785

Contact us