在 RM-ANOVA 之前，使用分位数-分位数图检查正态性，并在需要时使用平方根或立方根变换对响应变量进行变换。使用 Mauchly 的球形检验检查球形假设，并使用rstatix包中的 Greenhouse-Geisser 校正进行校正。
当 RM-ANOVA 表明有显着影响时（p值 < 0.05），使用Bonferroni 校正p值的成对t检验来识别水平或年份之间的差异。
1.灌木普查
2019 年至 2021 年期间，所有单个灌木指标（冠层面积、高度和茎干直径，图 1A-C ）均迅速增加，反映出该地点灌木的高速生长。
灌木高度是唯一一个表现出森林水平和年份显着交互作用的单独指标，这是由于灌木高度随着时间的推移在中高森林而不是低矮森林中增加的结果，以及最初更大的中层森林灌木相对于高层森林的高度，这种差异在晚年消失了。
在地块尺度上，密度因森林级别而异，中部森林的灌木密度最高（22,978 ± 5,722 灌木/公顷，所有年份的平均值± se），然后是高森林（6,864 ± 2,450 灌木/公顷），其次是低矮森林（846 ± 199 灌木/公顷），并且在研究过程中灌木密度没有变化。
与密度相反，在研究过程中，基面积显著增加，这是由个体茎直径的增长驱动的。高森林和中森林的基础面积大约增加了两倍，分别从 2019 年的 0.6 ± 0.4 到 2.4 ± 0.9 m 2 /ha，到 2021 年的 1.7 ± 0.9 和 6.5 ± 2.0 m 2 /ha。
2019 年至 2021 年，中高水平的变化大致呈线性变化，这两年灌木个体生长和断面面积均出现大幅增长。相比之下，由于灌木密度低，样本量小，低矮森林在所有指标上的变化要小得多，变异性要大得多。
低矮的森林中只有七个人，其中一个在 2020 年没有被发现，另外两个非常大，被认为是统计异常值。
