我们从森林库存图≥0.2公顷的大小概括（未检测到的过去的伐木或火灾），封闭的顶篷（不是干燥的森林或稀树草原）的热带森林中整理了数据，所有茎直径≥10cm，其中≥80％的茎均列为物种水平。在Sullivan等人61之后，对彼此1公里以内的小（≤0.5ha）图进行了分析，以最大程度地减少较小区域中随机树秋天事件的影响62。这些标准允许与Amazonia6,21产生的过度势力进行直接比较。来自每个大陆的数据包括以下内容：

　　非洲：483个地块，总计504公顷（平均地块面积1.04公顷，中位1公顷，范围0.2-10公顷）。这些数据来自四个来源：来自非洲热带雨林天文台网络的299个地块1,63（Afritron：www.afritron.org，2020年3月1日访问），在http：//www.forestplots.net64;127个来自中非情节网络（https://central-african-plot-network.netlify.app）的地块;Team Network2的52个地块；从5种不同类型的5×1公顷图中，从Korup的一个50-HA图中提取的喀麦隆，Sigeo/CTFS Network3。

　　亚马逊：1,417个地块，总共覆盖1,591公顷（平均地块面积1.12 ha，中位数1 ha，范围为0.1-78.8 ha），来自亚马逊树多样性网络（ATDN：http：//atdn.myspecies.info/，包括雨水网络的图），包括2020年1月8日。

　　东南亚：230个地块，总计202公顷（平均地块面积0.88公顷，中位数0.49公顷，范围0.21–4.5公顷）。这些数据来自两个来源：Slik等人4,25的143个地块 - 由于我们≥80％的物种识别标准，Slik等人4,25的印度太平洋数据集降低了，而我们的东南亚研究区不包括澳大利亚，印度，印度和巴布亚新几内亚；和来自http://www.forestplots.net策划的T-Forces Network64的87个图，访问了03/02/2021。

　　Species names were checked for orthography and standardized (synonyms identified from the reference databases corrected to their accepted names) using the African Flowering Plants Database (https://www.ville-ge.ch/musinfo/bd/cjb/africa), Taxonomic Name Resolution Service65, and Asian Plant Synonym Lookup (F. Slik, personal communication), for Africa, Amazonia and Southeast亚洲分别。未鉴定为物种水平的树木（分别为非洲，东南亚数据集的7.3％，6.3％和8.4％）被列为“不确定”（INDET）。INDET茎有助于情节级别和数据集的茎丰度总数，但必然没有物种的总数。

　　为了我们的研究目的，我们根据世界野生动物基金Ecoregion Map60的“热带和亚热带潮湿的rot片阔叶森林”的生物群落描绘了热带森林。然后，通过将至少一个从“全球树密度的地图”（源自429,775个地面的地面地面估算值）估算出来的国家，根据“全球树密度的地图”，根据“全球树密度图”的概述，估算了我们每个区域中的热带树的总数≥10cm躯干直径≥10cm的躯干直径。v3.10.167。因此，我们估计我们的非洲，亚马逊和东南亚地区分别有约920亿棵树木和约2170亿棵树木，共有6400亿棵树。包括来自“热带和亚热带潮湿的阔叶林”中的国家的丰富性，我们没有采样地块，我们估计地球所有潮湿的热带森林中估计约有7.99亿棵树。

　　物种丰度分布（SAD）定义为社区中所有物种的丰度（观察到的个体数量）的载体17中构成了我们对三个热带森林数据集的分析的基础。对于每个数据集，我们将每个图中的每个物种的树木数量缩小，以给予情节级的悲伤，并将这些悲伤结合在一起，以使所有图中的各个地块中的层次与代表物种的图，代表物种的列以及代表每个图中每个物种丰富的条目的行，列，柱子，列的条目。为了捕获统一和物种组成的模式，我们计算了超量的数量（H＃）的数量，定义为占组合6，多量种类身份，物种总数（TS），多域的总物种，总物种的超级含量（H％= H％= H％= H＃）和Fisher'sα的最小物种数量。为了调查结果对最常见物种的“高量”定义的敏感性，我们的观察超出了用于超污染的50％阈值，最少需要占10％，20％，30％，30％，…，90％的人口的阈值，这里被称为“主导者”。

　　我们确定了地块，茎和物种数量的变化，以及地块的大小和空间聚类是潜在的混杂因素，该因素负有可能偏向于优势，而多样性来自我们的区域数据集，并妨碍它们之间的严格比较。我们使用基于样本的稀疏来量化和说明样本量（图和茎的数量）对我们感兴趣的多样性度量的影响；即物种丰富度，高量的数量，排名和身份，总物种的超额百分比以及费舍尔的α。为了量化地块大小的效果，在东南亚数据（平均0.88公顷，中位数为0.49公顷）中比亚马逊和非洲数据（均为〜1 ha，中位数1公顷）在东南亚数据中较小（平均0.88 ha，中位数为0.49 ha），我们将完整数据的结果与图中的图进行了比较。我们发现，相对于较大的图，小块（1 ha）的每个图物种的膨胀总数（因为遇到的新物种的速率较高，而绘图大小较小；扩展数据图1），因此我们将分析限制在> 0.9公顷的图中以启用类似类似的比较。

　　对于非洲，我们保留了覆盖450公顷的368个地块（平均地块面积1.22 ha，中值1 ha，范围0.92-10 ha;占0.9-0.99 ha的地块的2％，地块的88％，地块的88％，地块的8％，地块1.01–5 ha的8％，平均温度为24.3°°C（范围16.2-2-2-2-27.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6°c）。1,802 mm yr -1，（范围为1,066–2,747 mm yr -1），平均海拔高度为511 m（范围为41–2,070 m），每个世界clim69。For Amazonia we retained 1,097 plots covering 1,434 ha (mean plot area 1.31 ha, median 1 ha, range 0.9–78.8 ha; 2% of plots 0.9–0.99 ha, 90% of plots 1 ha, 7% of plots 1.01–5 ha, 1% of plots >5 ha) with mean temperature of 26.0 °C (range 20.9–27.6 °C), mean annual降水为2,397 mm yr -1（范围为1,119–4,284 mm yr -1），平均升高为154 m（范围为0–1,142 m）。对于东南亚，我们保留了103个覆盖164公顷的地块（平均地块面积1.59 ha，中位数1 ha，范围0.96–4.5 ha；地块的1％0.9-0.99 ha，48％的地块，1 ha的48％，52％的图1.01–5 ha，平均温度为25..7°C（范围为20.1 -27.5 c），幅度为0％，幅度为0％。2,680 mm yr -1（范围为1,466–3,941 mm yr -1），平均海拔为288 m（范围为10–934 m）。我们评估了剧情大小的剩余差异是否影响了结果，仅使用非洲的1个地块（n = 323）和亚马逊（n = 988）（n = 988），稀有亚洲数据集的大小，再次发现了两个大陆上的超相同度（非洲对两个大陆上的超值范围（非洲：7.30％的置信区间：95％，95％的置信区间：95％的置信区间：6.56 – 8.56 – 8.56 – 8.04；6.61–8.10）。

　　为了量化图的空间聚类的效果，我们将来自亚马逊数据的完整数据（最大数据集）与亚马逊数据亚集的数据集进行了比较，其中1,2,3，…，从每个空间群集中取样了10个图。我们发现，空间聚类对费舍尔α的超含百分比和拟合值具有可忽略的且没有统计学上的显着影响（扩展数据图2）。因此，我们保留了所有分析图，以最大程度地提高样本量。计算百分比过度和优势的计算解释了物种丰富度变化对高量和优势数量的影响。

　　对于基于样本的稀疏，从NP数据集中的NP总数中绘制了200个1、2的子样本，NP图，而无需替换，每个子样本中包含的词干均得到汇总，平均物种，超量量的总物种，超弱限量，超含量百分比，以及Fisher的α在亚子样本中均得到估计。同样，我们估算了数据集中每个物种在每个级别采样级别中都具有过多量的子样本的数量，并比较了数据集的子样本大小的结果等于平均10,000，20,000，…，IP单个树，其中IP是PTH数据集中的IP。将置信区间计算为置信区间=μ±1.96×σ，其中μ值是在未替代的子样本的200个迭代中计算出的多样性指标的均值，而σ值为s.d。在用替换的200个子样本中计算出的多样性指标的平均值（以减少置信区间在样本上有条件的程度）。为了估计点，在东南亚数据集的常见样本量中进行了比较（分别为非洲，亚马逊和东南亚的150、116和103个地块）。

　　我们通过分析扩张和偏向校正Fisher的日志系列拟合了Ter Steege等人的方法，将经验的sad示为整个亚马逊，非洲和东南亚区域层面的SAD。

　　Ter Steege21等。发现从日志序列模型的SADS中对图块进行采样的模拟提供了产生热带森林库存数据的过程的非常好的近似值，也就是说，非随机抽样对含有有限分散和/或生态偏好的物种的非随机抽样。他们进一步发现，从模拟的SAD中取出的样品得出的物种丰富度的估计值大大低估了模拟SAD的真实物种丰富度，但是在真实和样本衍生的值之间存在与较低方差的线性关系。因此，尽管经验数据中的同种聚集在对数序列模型的SADS中引入了偏见，但可以从中推断出来，但可以定量和校正该偏见对物种丰富度区域估计的影响。因此，为了估计区域水平的物种丰富度，它们将Fisher的日志系列拟合到经验物种丰度数据中，量化了通过模拟通过模拟量化这些估计的影响，并应用了量化的校正，以更准确地估计将其吸收到繁殖聚集的区域物种丰富度。因此，这种方法根据物种密度在图量表下对物种特异性聚集进行纠正。

　　为了估计区域数量和优势和高量的比例以及物种丰富度，我们将Ter Steege等人的方法扩展到了对数串联的区域数量和优势和高量的区域数量和比例的估计。最初，Fisher的α值使用“ SADS” R Package70中的最大似然和数值优化拟合到每个区域的经验物种丰度向量，并与Preston Plots71和等级丰度分布（RAD）36（扩展数据图4）可视化。然后，区域物种的总数为S，而不是考虑由同种聚集引入的偏差，然后通过Crowther等人的全球树木密度图中的大陆层（N）估算了≥10cm的树干直径≥10cm躯干直径。66，每个热带地区都在“热带和亚热带湿润的宽阔森林森林中都划定了每个热带地区，然后，使用上述拟合α，估计的S和N。

　　For the quantification of bias and computation of corrections, we first simulated 250 log series SADs with known values of total species, Sk, randomly drawn from the range of plausible regional species totals (10,000–25,000 in Amazonia and Southeast Asia; 2,000–10,000 in Africa) and N, the number of trees in each region ≥10 cm trunk diameter from Crowther et al.66.我们计算了从这些模拟分布中的每一个中计算出的高量，HK和百分比过度限制（PK）的已知值。然后，使用负二项式分布来模拟Perter Steege等人的模拟同种聚集。然后，我们模拟了250个模拟的SAD中每个模拟的SAD中每个图中的1-HA图的J随机样品，其j等于经验数据中的图数量，每个图中每个图中每个物种的预期丰度等于其平均区域密度/区域的预期丰富（总比例）。然后，我们通过将Fisher的α拟合到采样数据并应用该公式来估计从每个样品中估计（未校正）的物种丰富度SU。从每个样品中，我们还得出了大陆尺度未经校正的SAD（见上文），可以通过对数序列的分析扩展使用α的拟合值和SU的相应值来直接计算高量，HU和百分比过度势力的数量。然后，我们从模拟的SAD中回归了SK，HK和PK的已知值，以针对所有250个模拟中使用同种聚集绘制的样品中的估计值（未校正）值SU，HU和PU回归，也就是说，AK = M×Au+C的拟合线性模型对于A = s，h，h，h，h，h，h，P。同一过程也适用于数字和分配数字。

　　在所有三个区域数据集中，上述过程概述了已知的物种丰富度，优势和超量的数量，百分比的超能力和优势的线性关系，以及其从与同种汇总的采样中估计的值（扩展数据图5）。因此，在物种丰富度，优势/高量的数量以及源自经验非洲经验的非洲，亚马逊和东南亚数据的物种丰富度，优势/过度势力/优势百分比的估计点中，恒定术语很容易纠正偏差。为了捕获每个偏差校正点估计值周围的不确定性，将预测间隔（PI）得出为PI =μ+1.96×σpi，其中μ是根据线性回归的点估计值的预测值，并且σPi是PI标准错误，计算为PI标准错误，计算为σ是预测的标准错误和σR的标准错误。（和1.96是T分布的0.05分位数）。

　　有关研究设计的更多信息可在与本文有关的自然投资组合报告摘要中获得。