Two-Tone

[environman @environmanth]

◉ ANIMAL: แค่ร้อนขึ้นไม่กี่องศา ก็อาจเป็นเรื่องใหญ่สำหรับโคอาลา
.
หลายคนอาจคิดว่าอุณหภูมิที่เพิ่มขึ้น 2-3 องศาไม่น่าจะสร้างความแตกต่างมากนัก แต่สำหรับโคอาลาในออสเตรเลีย การเปลี่ยนแปลงเพียงเล็กน้อยนี้อาจหมายถึงความเป็นความตาย
.
มหาวิทยาลัยซิดนีย์ของออสเตรเลียรายงานผลการวิจัยใหม่ที่วิเคราะห์บันทึกการรักษาตัวในโรงพยาบาลของโคอาลาในรัฐนิวเซาท์เวลส์ตลอดช่วงสองทศวรรษที่ผ่านมา ค้นพบว่าอัตราการรักษาโคอาลาและความเสี่ยงเสียชีวิตของพวกมันเพิ่มขึ้นเมื่ออุณหภูมิเฉลี่ยสูงเกิน 27 องศาเซลเซียส
.
รายงานระบุว่า ยิ่งการเผชิญกับอุณหภูมิอากาศที่สูงเกิน 30 องศาเซลเซียสเพิ่ม แนวโน้มการรักษาตัวในโรงพยาบาลหรือการเสียชีวิตก็เพิ่มขึ้น 1.5-3.5 เท่า เมื่อเทียบกับอุณหภูมิอากาศ 25 องศาเซลเซียส ผลกระทบดังกล่าวรุนแรงที่สุดในพื้นที่ตอนในทางตะวันตกเฉียงเหนือของรัฐนิวเซาท์เวลส์ ซึ่งอุณหภูมิอากาศสูงขึ้นและภัยแล้งมีส่วนทำให้จำนวนประชากรโคอาลาลดลงแล้ว
.
วาเลนตินา เมลลา จากคณะสัตวแพทยศาสตร์ของมหาวิทยาลัยซิดนีย์ กล่าวว่าปัจจุบันจำนวนประชากรโคอาลาในเมืองกันเนดาห์ ซึ่งครั้งหนึ่งเคยได้ชื่อว่าเป็น "เมืองหลวงโคอาลาของโลก" มีจำนวนลดลงจนอยู่ในสภาวะ "สูญพันธุ์ตามธรรมชาติ" (functionally extinct) แล้ว โดยผลการวิจัยนี้เป็นหลักฐานชิ้นแรกที่เชื่อมโยงความเครียดจากความร้อนกับอัตราการเสียชีวิตของโคอาลา เนื่องจากโคอาลามีความทนทานความร้อนและระยะการหาอาหารที่จำกัด
.
อีกทั้งพวกเขายังค้นพบว่า โรคติดเชื้อคลาไมเดีย (Chlamydiosis) และการสูญเสียถิ่นที่อยู่อาศัย ยิ่งเป็นตัวเร่งให้โคอาลาเปราะบางต่อความร้อนมากขึ้น โดยโคอาลารับมือกับสภาพอากาศร้อนได้ในระยะสั้น หากไม่มีการแทรกแซงช่วยเหลือ ประชากรโคอาลาที่เปราะบางอยู่แล้วอาจใกล้สูญพันธุ์มากขึ้น
.
ทำไมโคอาลาถึงเปราะบางต่อความร้อน?
แม้โคอาลาจะมีวิธีรับมือกับอากาศร้อนหลายอย่าง เช่น กอดลำต้นไม้ที่เย็นกว่าเพื่อลดอุณหภูมิร่างกาย หรือประหยัดน้ำด้วยการขับถ่ายที่เข้มข้นมาก แต่เมื่ออากาศร้อนต่อเนื่องนาน ๆ กลไกร่างกายเหล่านี้ก็รับมือไม่ไหวเช่นกัน โดยปกติโคอาลาจะรับน้ำจากใบยูคาลิปตัสที่กินเป็นอาหาร แต่ในช่วงแล้ง ต้นไม้เองก็ต้องรักษาน้ำไว้ ทำให้ใบไม้มีความชื้นลดลง เท่ากับโคอาลาก็กินน้ำจากใบได้น้อยลงด้วย
.
แม้การเปลี่ยนแปลงอุณหภูมิเพียงไม่กี่องศาอาจดูเล็กน้อยสำหรับมนุษย์ แต่สำหรับสัตว์ทั้งหลาย โดยเฉพาะสัตว์ที่ไวต่อความร้อน การเปลี่ยนแปลงเล็กน้อยก็อาจทำให้พวกมันไปสู่จุดที่เป็นอันตรายได้
.
อ่านบนเว็บไซต์ที่ https://t.co/svGu00sGQM
.
.
.
#climatechange #โลกรวน #โคอาลา #โลกร้อน #ข่าวสิ่งแวดล้อม #สาระ

[fastrackeng อังกฤษเตรียมสอบ @fastrackeng_]

keep ที่ไม่ได้แปลว่า เก็บ

keep going สู้ต่อไป
keep in touch ติดต่ออยู่เรื่อยๆ
keep on trying พยายามต่อไป
keep it up ทำดีแบบนี้ต่อไป
keep your chin up เชิดหน้าไว้
keep a secret รักษาความลับ
keep your word รักษาคำพูด
keep an appointment ไปตามที่นัด
keep up the good work ทำดีแล้ว

[ท่องศัพท์วันละ10คำ @memory_vocabb]

10 คำศัพท์ระดับสูง 🪸🚢🏞️

✅ตัวอย่างประโยคและคำแปลด้านล่าง👇
✏️ศัพท์จากไฟล์ศัพท์ DIGITAL ENGLISH VOCAB #ท่องศัพท์ #ภาษาอังกฤษ

[environman @environmanth]

ชนพื้นเมืองได้รับการยอมรับอย่างเป็นทางการในระดับสหประชาชาติ ในฐานะ "ผู้นำในการปกป้องและดูแลรักษาโลก" ผ่านบทบาทในการตัดสินใจบนหน้าการประชุมต่าง ๆ
.
ในการประชุมสุดยอดด้านความหลากหลายทางชีวภาพ COP16 ที่จัดขึ้นในเดือนกุมภาพันธ์ที่ผ่านมา ชนพื้นเมืองได้มีบทบาทในการตัดสินใจเกี่ยวกับการอนุรักษ์บนเวทีระดับโลก
.
นอกจากนี้ การประชุมสิ่งแวดล้อม COP30 ในบราซิล กลายเป็นการประชุมที่มีคณะผู้แทนที่ใหญ่ที่สุด โดยมีชนพื้นเมืองเข้าร่วมประมาณ 2,500 คน
.
โดยความสำเร็จในระหว่างการประชุมสุดยอดด้านสภาพภูมิอากาศครั้งนี้ ทำให้เกิดการรับรองคำมั่นสัญญาด้านการเงินใหม่และพันธสัญญาในการรับรองสิทธิในที่ดินของชนพื้นเมือง แต่ในขณะเดียวกันก็ยังมีข้อกังวลในแง่ของการที่จะทำให้เกิดการปฏิบัติจริงขึ้นได้

[environman @environmanth]

การรื้อเขื่อน 4 แห่งในแม่น้ำคลามัธในรัฐแคลิฟอร์เนียเป็นผล ปลาแซลมอนที่เคยหายไปจากผลกระทบการสร้างเขื่อนได้กลับมาวางไข่ในพื้นที่ต้นน้ำอีกครั้ง
.
เพียงหนึ่งปีหลังจากที่มีการรื้อเขื่อนสี่แห่งตามแม่น้ำคลามัธในรัฐแคลิฟอร์เนีย ซึ่งถือเป็นเหตุการณ์สำคัญทางประวัติศาสตร์ ปลาแซลมอนก็กลับมายังแหล่งวางไข่ดั้งเดิมของพวกมันอีกครั้ง
.
ปลาแซลมอนชินุก กลายเป็นปลาชนิดแรกที่หวนกลับมาในบรรดาปลาที่อพยพจากมหาสมุทรมาวางไข่ในน้ำจืดที่หายไปนับแต่ปี 1912 ก่อนหน้านี้ปลาแซลมอนหายไปจากพื้นที่ต้นน้ำของแม่น้ำเป็นเวลาหลายร้อยปี แต่การรณรงค์ที่นำโดยชนพื้นเมืองชนเผ่ายูร็อก (Yurok) ในแคลิฟอร์เนียตอนเหนือที่ให้ความสำคัญกับปลาแซลมอนในแง่จิตวิญญาณและการใช้ชีวิตก็เป็นผล พวกเขาเรียกร้องให้มีการรื้อถอนเขื่อนไฟฟ้าพลังน้ำ 4 แห่งที่เป็นต้นเหตุของมลพิษและการสูญเสียความหลากหลายทางชีวภาพในแม่น้ำมานานหลายทศวรรษถูกรื้อถอนสำเร็จในปี 2024 จนเป็นผลให้ระบบนิเวศในพื้นที่เริ่มฟื้นตัวอีกครั้ง

[Global Change Biology @GlobalChangeBio]

Effects of Extreme Climatic Events on Evolutionary Processes

🔗 https://t.co/5nGC1T0TNZ

[environman @environmanth]

◉ CLIMATE CRISIS: เพนกวินแอฟริกัน 60,000 ขาดอาหารจนตาย เพราะปลาซาร์ดีนลดลง งานวิจัยใหม่พบวิกฤตสภาพภูมิอากาศและการประมงเกินขนาดทำให้อาณานิคมเพนกวินในแอฟริกาใต้สูญเสียประชากรถึง 95% 
.
เกาะดัสเซนและเกาะร็อบเบินคือแหล่งเพาะพันธ์ุที่สำคัญของเพนกวินแอฟริกันในภูมิภาคแอฟริกาใต้ ซึ่งโดยทั่วไปแล้วพวกมันขึ้นมาที่เกาะแห่งนี้เพื่อผลัดขนที่เสื่อมสภาพออกไป ช่วยให้มันสามารถรักษาร่างกายให้คงที่เมื่ออยู่ในน้ำได้ 
.
อย่างไรก็ตามกระบวนการนี้ต้องใช้เวลาประมาณ 21 วันในการอยู่บนบก ทำให้มันไม่สามารถหาอาหารกินช่วงดังกล่าวได้ ดังนั้นจึงต้องสะสมไขมันมาให้เพียงพอก่อนที่จะขึ้น แต่กลับกลายเป็นว่า มหาสมุทรไม่สามารถเลี้ยงพวกมันได้ตามปริมาณขั้นต่ำที่ต้องการ
.
ตามรายงานใหม่ที่เผยแพร่บนวารสาร Ostrich: Journal of African Ornithology ระบุว่าในทุก ๆ ปีตั้งแต่ปี 2004 ปริมาณปลาซาร์ดีนซึ่งเป็นอาหารหลักของเพนกวิน ลดลงกว่า 25% การเปลี่ยนแปลงนี้ทำให้เพนกวินจำนวนมากอดตาย และนั่นทำให้พวกมันมีลูกได้น้อยลง โดยในปี 2024 เหลือเพนกวินที่ผสมพันธุ์ได้น้อยกว่า 10,000 คู่
.
“ถ้าหาอาหารได้ยากเกินไปก่อนหรือหลังผลัดขนทันที พวกมันจะมีอาหารสำรองไม่เพียงพอต่อการอยู่รอดช่วงอดอาหาร” ดร. Richard Sherley จากศูนย์นิเวศวิทยาและการอนุรักษ์ มหาวิทยาลัยเอ็กซิเตอร์ กล่าว “เราไม่พบซากสัตว์เป็นแพขนาดใหญ่ เราคิดว่าพวกมันน่าจะตายในทะเล”
.
โดยรวมแล้วน่าจะมีเพนกวินตายกว่า 60,000 ตัวแค่เฉพาะในปี 2004 ถึง 2012 หรือกว่า 95% ในแหล่งเพาะพันธุ์หลัก และเมื่อนับโดยรวมทั้งหมดแล้วเพนกวินเหล่านี้ก็มีจำนวนประชากรลดลงเกือบ 80% ในช่วง 30 ปีที่ผ่านมา 
.
นักวิทยาศาสตร์เชื่อว่าสาเหตุหลักมาจากการเปลี่ยนแปลงสภาพอากาศที่ทำให้อุณหภูมิน้ำทะเลเพิ่มขึ้น และความเค็มที่เปลี่ยนไปทำให้พฤติกรรมวางไข่ของปลาซาร์ดีนเปลี่ยนไป ไม่เพียงเท่านั้นยังถูกซ้ำเติมโดยการประมงที่มากเกินไป 
.
“ผลการศึกษานี้อ้างอิงจากการอยู่รอดของเพนกวินจนถึงปี 2011 เท่านั้น แต่สถานการณ์ไม่ได้ขึ้นเมื่อเวลาผ่านไป” Lorien Pichegru ศาสตราจารย์ด้านชีววิทยาทางทะเล มหาวิทยาลัยเนลสัน แมนเดลา บอก “(ต้องมีป้องกันอย่างเร่งด่วน) ไม่เพียงแต่สำหรับเพนกวินแอฟริกันเท่านั้น แต่ยังรวมถึงสัตว์เฉพาะถิ่นอื่น ๆ ที่พึ่งพาประชากรเหล่านี้ด้วย” 
.
.
° ที่มา:
.
• Journal of African Ornithology: High adult mortality of African Penguins Spheniscus demersus in South Africa after 2004 was likely caused by starvation
• 60,000 African penguins starved to death after sardine numbers collapsed – study
• African penguins starved ‘en masse’ due to food shortages driven by climate shifts and overfishing

[RareBirdAlertUK @RareBirdAlertUK]

Scientists Record Bat Killing Robin in Flight

New study confirms that Greater Noctule Bats intercept and eat migrating songbirds in mid-flight. https://t.co/agt3R7pAPH

[Two-Tone @IrisPing1]

#สาขาการป่าไม้ #แม่โจ้แพร่ #ป่าไม้ #Dek69 #TCAS69

[มูลนิธิสืบนาคะเสถียร @seubfd]

‘ครอบครัวห้วยขาแข้ง’ ต้นแบบการจัดการป่ากันชนเพื่อผืนป่า สัตว์ป่า และความยั่งยืนของทุกชีวิต (อารัมภบท)
https://t.co/YbcZtYUe5e

[SET Thailand @SET_Thailand]

เสียภาษี...เรื่องใหญ่💰
เริ่มต้นวางแผนภาษีให้ดีทุกปี
แค่ทำความเข้าใจในรายละเอียดเกี่ยวกับภาษีเงินได้บุคคลธรรมดา

ไปอ่านเนื้อหาความรู้การลงทุนเรื่องอื่น ๆ
ได้ที่เว็บไซต์ setinvestnow

แหล่งรวมทุกความรู้เรื่องการเงินการลงทุนสำหรับมือใหม่
#SETDigital #SETInvestnow #ลงทุน #ภาษี #Tax

[Joachim Schork @JoachimSchork]

Compare multiple statistical models effortlessly with ggstats, a versatile extension package for ggplot2 that simplifies data visualization tasks. The ggcoef_compare() function allows you to compare the coefficients of several models side by side, providing an intuitive way to analyze and present differences between them.

Why use ggcoef_compare()?

✔️ Clear comparisons: Visualize the coefficients of multiple models in a single, cohesive plot to identify patterns and differences at a glance.
✔️ Customizable outputs: Adjust the appearance of the plot to meet your presentation or analysis needs.
✔️ Easy to use: Integrates seamlessly with ggplot2, making it straightforward to add model comparison capabilities to your workflow.

The example visualization showcasing this functionality originates from the ggstats documentation and demonstrates how it can enhance your model comparison tasks: https://t.co/AITQvg3t7G

Explore more ways to elevate your data visualization skills in R and learn about ggplot2 extensions in my online course, "Data Visualization in R Using ggplot2 & Friends!"

Check out this link for more details: https://t.co/ztlEzoEDWv

#StatisticalAnalysis #DataAnalytics #ggplot2 #datavis #tidyverse #database #RStats #Statistics #DataViz #rstudioglobal

[Josep Ferrer @iamjosepferrer]

Linear Regression clearly explained 👇🏻

[Trends in Ecology & Evolution @Trends_Ecol_Evo]

Online now: Deriving meaning from acoustic data in hyper-diverse ecosystems https://t.co/bzdM1EYszv

[Joachim Schork @JoachimSchork]

The Kruskal-Wallis test is a non-parametric method used to determine if there are statistically significant differences in the distributions of three or more independent groups based on ranks. Unlike ANOVA, it does not assume that residuals are normally distributed, making it more flexible for analyzing data sets that do not meet this assumption.

Advantages of Proper Use:
✔️ Suitable for ordinal data or data sets where the normality assumption in residuals is not met.
✔️ Does not assume homogeneity of variance, offering more flexibility.
✔️ Can be used with small sample sizes, increasing its applicability in various research settings.

Challenges If Not Handled Correctly:
❌ Interpretation can be complex, especially if the test is mistaken for a direct comparison of medians when specific conditions aren't met (e.g., independent samples, symmetric distributions).
❌ Less powerful than ANOVA when residuals are normally distributed and variances are equal.
❌ May require post-hoc tests to pinpoint specific group differences, adding complexity to the analysis.

How to Apply in Practice:
🔹 R: Use the kruskal.test() function from the base package to perform the Kruskal-Wallis test.
🔹 Python: Utilize the kruskal() function from the scipy.stats module for the analysis.

Visualization Explanation:
The visualization accompanying this post compares ANOVA and the Kruskal-Wallis test by ranks. This visualization is adapted from a Wikipedia source: https://t.co/1hRzGEFOjY

For those interested in learning more, consider joining my online course on Statistical Methods in R, where we explore this topic and related methods in greater detail.

More information: https://t.co/7YQCRDKSPO

#RStudio #statisticsclass #RStats #database #Rpackage

[Joachim Schork @JoachimSchork]

People often ask how to visualize multiple biplots, each showing different combinations of principal components, on a single graph. Here's a straightforward code snippet for achieving that:

---------------------------------------------------

library("factoextra")
library("patchwork")

data(iris)

pca_result <- prcomp(iris[ , -5],
scale = TRUE)

bipl1 <- fviz_pca_biplot(pca_result,
axes = c(1, 2),
label="var",
habillage = iris$Species)

bipl2 <- fviz_pca_biplot(pca_result,
axes = c(1, 3),
label="var",
habillage = iris$Species)

bipl3 <- fviz_pca_biplot(pca_result,
axes = c(2, 3),
label="var",
habillage = iris$Species)

bipl1 / bipl2 / bipl3

---------------------------------------------------

Biplots are useful for simultaneously showing the scores of observations and the loadings of variables on principal components. This dual display helps in visualizing both the data structure and the variable contributions within the same plot.

For more comprehensive guidance, including step-by-step instructions and code examples, consider exploring my online course dedicated to PCA in R.

See this link for additional information: https://t.co/DUfoAHv5nb

#RStats #rstudioglobal #DataAnalytics #coding #DataAnalytics

[Joachim Schork @JoachimSchork]

Combining layers effectively is key to creating compelling plots in R. The ggblend package for ggplot2 allows you to blend layers seamlessly, making it easier to highlight important details and enhance your data visualizations.

Here’s why ggblend is worth exploring:

✔️ Layer Blending: Combine multiple layers with different blending modes to create more informative plots.
✔️ Customizable Transparency: Control opacity to emphasize key information without clutter.
✔️ Enhanced Visual Hierarchy: Use blending techniques to guide the viewer’s focus to important parts of the plot.
✔️ Creative Freedom: Experiment with various blending effects to make your plots visually appealing and insightful.
✔️ Efficient Workflow: Integrates smoothly with ggplot2 and the tidyverse for a streamlined plotting process.

The visualizations shown below are sourced from the package website: https://t.co/qdU00VL9Oy

If you’re interested in mastering data visualization in R with ggplot2 and its extensions, you might want to explore my online course on "Data Visualization in R Using ggplot2 & Friends"! Take a look here for more details: https://t.co/ztlEzoEDWv

#Rpackage #ggplot2 #VisualAnalytics #Data #tidyverse #RStats #R #datascienceenthusiast #DataViz #programmer #database

[Joachim Schork @JoachimSchork]

Understanding the z-score can significantly enhance your data analysis skills. Here’s a quick guide to what z-scores are and why they matter:

🔍 What is a z-score?

A z-score, or standard score, indicates how many standard deviations an element is from the mean. A z-score of 0 means the value is exactly average, while a z-score of +1.5 indicates a value 1.5 standard deviations above the average.

📊 Why use z-scores?

- Comparability: It allows comparison between different data sets with various means and standard deviations.
- Outlier Detection: High or low z-scores may help identify potential outliers in a data set.
- Standardization: Z-scores help standardize data, preparing it for techniques that assume normal distribution.

🚧 Limitations of z-scores:

- Assumption of Normality: Z-scores are most effective when data follows a normal distribution. Their reliability decreases with heavily skewed data or extreme outliers. For example, the data in this post's graph does not appear normally distributed. While z-scores can still be calculated, they must be applied cautiously.
- Context Dependent: The interpretation of a z-score can vary by context; a z-score considered high in one field might be average in another.
- Oversimplification: Relying solely on z-scores might oversimplify the analysis, potentially overlooking important nuances in the data.

💡 Z-scores transform your data, facilitating complex analyses and potentially leading to more consistent conclusions. Whether you're examining student test results or assessing stock market fluctuations, z-scores can offer a clear picture of how each data point relates to the whole.

I've created a tutorial on how to compute z-scores in the R programming language: https://t.co/d6dkiIKxfu

Interested in mastering statistics and R? Check out my online course on Statistical Methods in R.

Further details: https://t.co/7YQCRDKSPO

#RStats #statisticsclass #rstudioglobal #DataScience #Data #DataAnalytics

[Josep Ferrer @iamjosepferrer]

Linear Regression clearly explained 👇🏻

[Joachim Schork @JoachimSchork]

The ggblanket package is an extension for ggplot2 that simplifies the process of creating clean and consistent plots in R. It offers user-friendly functions that reduce the amount of code needed, making it easier to produce high-quality visualizations quickly.

✔️ Streamlines Plotting: Simplifies code by handling common ggplot2 tasks, allowing you to focus on analysis rather than syntax.
✔️ Consistent Styles: Ensures that plots have a uniform appearance, making it easier to produce publication-ready graphics.
✔️ Reduces Code Complexity: Minimizes the need for repetitive code, making scripts shorter and easier to manage.
✔️ Broad Compatibility: Works seamlessly with other ggplot2 extensions, allowing you to layer additional features effortlessly.

The visualizations below demonstrate how ggblanket can streamline the creation of professional-looking plots with minimal code. The visualizations are sourced from the package website: https://t.co/oAxMRat3Vf

Interested in learning more about data visualization in R using ggplot2 and its extensions? Check out my online course on "Data Visualization in R Using ggplot2 & Friends"!

For more information, visit this link: https://t.co/ztlEzoEDWv

#DataViz #DataVisualization #Rpackage #tidyverse #DataAnalytics #DataAnalytics #DataScience