全球珊瑚礁正受到氣候變遷導致海水溫度上升的威脅。儘管許多珊瑚確實會因長期暴露於異常高溫而「白化」並最終死亡，但某些物種（甚至同一物種內的不同基因型）卻展現出顯著的氣候適應能力。過去，我們往往事後才辨識出這些「超級珊瑚」：在受損嚴重的珊瑚礁廢墟中搜尋倖存者。然而，對於珊瑚礁修復和其他用途而言，比起這種「大海撈針」式的方法，更有針對性、更積極主動地識別具有氣候適應能力的珊瑚才是更理想的選擇。為此，我展示了在為期一個月的帛琉偏遠地區科考考察中收集到的豐富的珊瑚生態生理資料集。經過一些基本的數據處理和視覺化後，我使用 JMP Pro 17 展示如何相對輕鬆地建立珊瑚適應能力的預測模型。接下來，我將示範如何將基於模型預測分析器產生的圖形使用者介面（GUI）嵌入網頁，以便科學家將其用作規劃工具。具體而言，這些基於模型的分析器能夠幫助研究人員預測在生物勘探調查中最有可能發現適應性強的珊瑚的環境條件（例如，深度、珊瑚礁類型、鹽度）。因此，該分析工具將幫助海洋生物學家找到具有高氣候耐受性的珊瑚，以便在修復退化珊瑚礁的工作中繁殖。
大家好，感謝收看。我叫安德森‧梅菲爾德，是珊瑚礁科學家，也是JMP的長期使用者和倡議者。在接下來的30-35分鐘裡，我將和大家聊聊帛琉共和國珊瑚礁復原力的建模。遺憾的是，我過去20多年來對珊瑚礁進行研究的根本原因，不僅是因為它們美麗壯觀，更因為它們正面臨著巨大的威脅，尤其是氣候變遷導致的海水溫度上升。
當海水溫度過高時，這些珊瑚就會死亡。它們與生活在細胞內的甲藻有著微妙的共生關係，當海水溫度過高且持續時間過長時，就會導致珊瑚白化，最終因營養不足而死亡。不幸的是，就在我們說話的此刻，第四次全球珊瑚白化事件已經全面爆發。
核心珊瑚礁的研究其實並不深入。儘管生物多樣性極為豐富，但它們僅佔整個海洋面積的不到百分之一。因此，我們甚至不知道一些珊瑚最豐富的區域在哪裡。我們可以根據衛星圖像進行推測，但我們真正需要做的，是潛入水下，最好是戴上潛水面罩和呼吸管，或者使用水肺潛水裝備，看看水下究竟有什麼。然而，我們已經沒有足夠的時間對地球上所有的珊瑚礁進行全面徹底的調查。我們需要加快尋找珊瑚特別豐富的區域的方法。
同樣，雖然我之前提到大多數珊瑚對高溫非常敏感，但也有一些珊瑚，不知何故，在海水品質惡化的情況下依然能夠保持韌性。我們需要找到這些珊瑚，才能了解它們究竟有何不同。我們可以繁殖它們來嘗試修復珊瑚礁，但我們通常的做法就像大海撈針一樣。我們只是潛入水下，在瓦礫堆中翻找，然後祈禱能僥倖找到一些。
我們需要一種更有針對性、數據驅動的方法來識別具有氣候適應能力的珊瑚。我一直在嘗試使用 JMP 來解決這類問題。我稱之為利用預測模型來彌補 JMP Pro 中的關鍵知識空白。我這裡先拋出幾個問題。問題 3 和 4 非常重要，對我來說意義非凡，但今天我們沒有時間詳細討論。它們會出現在幻燈片和我的網頁資料中，所以如果您想了解更多細節，也歡迎給我發郵件。我在資料表中嵌入了腳本，並提供了逐步指南，指導您如何解答這些問題。
今天，我將重點討論問題1和問題2。我們能否利用現有數據預測其他珊瑚礁的存活率，尤其是那些珊瑚存活率極高的珊瑚礁？這些珊瑚礁對於重要的魚類棲息地以及保護海岸線免受海浪侵蝕具有更高的價值。它們未必是最堅固的，但或許是最有價值的。
另一方面，第二個問題在於，我們會在哪裡找到這些「超級珊瑚」？這些珊瑚似乎能夠抵抗氣候變遷和其他壓力，保持頑強的生命力。我今天之所以想重點介紹帛琉的資料集，是因為它為我們提供了一個絕佳的機會，讓我們能夠與海洋生物基金會合作。我們有一個龐大的科學家團隊，收集了我稱之為「分子到衛星」的資料集。
我這麼說有點自負，其實就是想說，我們收集了各種尺度的數據。我們有來自外太空的衛星資料。我們有科考船，進行樣帶調查、拍攝，記錄海底生物的特徵。我們還有像我這樣的潛水員，觀察珊瑚礁上的生物。我的主要任務是採集珊瑚樣本，以了解它們的健康狀況和恢復能力。這是一個非常豐富的資料集，我認為它將有助於解答我提出的一些問題。
我之所以使用「生物探勘」這個詞，是因為我們試圖利用這些數據來預測我們可能沒有研究過的珊瑚礁的情況。我們在那裡待了一個月，獲得了非常棒的數據集，但即便如此，我們也只是觸及了那裡珊瑚礁的皮毛，需要藉助預測模型來填補空白。
演講的前半部分，或者說接下來的重要部分，我們將嘗試識別珊瑚覆蓋率高的區域。我們指的是造礁珊瑚（即構成珊瑚礁的珊瑚）數量豐富的區域。我們希望找到一些我們可能尚未發現的高珊瑚覆蓋率珊瑚礁。我們使用的環境預測因子包括海水品質、空間位置和其他棲息地參數。
我想解釋一下，如果你好奇為什麼要進行這項練習，難道不能直接查看衛星圖像或使用谷歌地圖來估算珊瑚的位置嗎？你的做法其實沒錯。這確實能讓你大致了解珊瑚礁的位置，但卻無法告訴你哪些珊瑚礁是活的。在衛星影像上，活珊瑚礁和死珊瑚礁看起來非常相似，所以我們需要依靠潛水員的數據來驗證哪些珊瑚是活的，哪些是死的。
你們大多數人可能對帛琉不太熟悉，但它是密克羅尼西亞一個非常美麗的小島國。西方人之所以知道它，幾乎完全是因為它是潛水天堂，而且現在仍然如此。我不想把情況描述得太糟糕，說一切都已化為廢墟。但另一方面，這些珊瑚礁也絕非原始狀態。它們面臨著全球珊瑚礁普遍面臨的挑戰，尤其是高溫的影響。說了這麼多，現在讓我們正式開啟JMP之旅。
我正在使用 JMP Pro 18。首先，我想做的，也是 JMP 的強項，就是探索我的數據。你會注意到，在這個精簡的資料表中，其實只有五列。第一列是站點資訊。我們考察了 86 個珊瑚礁站點。第二列是經緯度。我還有一些代表性的照片，稍後會展示給你。第三列是珊瑚覆蓋率，這是我們之後要預測的指標。
為了讓大家有個概念，我先在地圖上調出帛琉的位置。我已經打開了圖形產生器，你會注意到我甚至不需要手動調整經緯度的位置，JMP 會自動將它們放在正確的座標軸上。把這行程式碼關掉。不過你現在還看不到帛琉，因為我還沒加背景地圖。由於我現在在沙烏地阿拉伯，所以和一些伺服器同步時遇到了一些問題，但我認為目前使用這個簡單的街道地圖伺服器就足夠了。
這些黑點代表我們的潛水地點。你會注意到這裡存在一些偏差。由於盛行風向的限制，我們實際上只能探索該國的西部地區，所以這一點需要牢記。我現在想做的是將珊瑚覆蓋率數據疊加到地圖上。我準備關閉這個窗口，不過我還沒達到我想要的效果。
首先，我之前把圖例關掉了。現在我們把它打開。其實我想改一下配色。我希望紅色代表高值的地方是綠色，而不是紅色，因為我想強調珊瑚覆蓋率高的地方才是理想的珊瑚礁。
你會注意到我這裡犯了個錯誤。實際上，我並不需要繪製緯度，所以我要做的就是把這張熱力圖拖過來，然後把原本代表緯度的點移除。接下來，我要回到珊瑚覆蓋率的設置，把綠色區域改回最高。這樣就更接近目標了，但是因為像素太大，你現在幾乎看不到整個島嶼了。這是我幾年前偶然發現的一個技巧。
實際上，如果你使用熱圖將資料疊加到地圖上，可以透過調整網格增量到所需大小，然後啟用網格線來強制顯示網格。現在效果不錯。看起來更接近我想要的效果，也許可以用於發表。但我發現網格線還是太多了，所以我打算把網格線關掉。再稍微調整一下居中。現在看起來不錯。我可以再調整一下座標軸，讓它們更清晰一些。
但實際上，我們現在的重點是進行一些探索。我想你會注意到，在最北端，我們看到更多的紅色和橙色。這些區域的珊瑚數量較少。這邊這片區域的珊瑚就比較少。而在南部，我們看到了相當豐富的種類，或者應該說是多樣性。
珊瑚最豐富的珊瑚礁位於西南偏西區域。請記住這一點。我還想向你們展示一下，我知道你們可能不太理解，我一直在強調珊瑚覆蓋率。對非海洋生物學家來說，這可能是個比較抽象的概念。我在這裡上傳了一些我認為具有代表性的照片，展示了其中幾個地點的情況。你們可以看到，這是一個珊瑚覆蓋率約46%的珊瑚礁。正如我們稍後會看到的，這大約是全國的平均水平。這張照片可能不是展示珊瑚覆蓋率的最佳選擇，因為在非專業人士看來，這裡似乎完全被珊瑚覆蓋了，但實際上，其中一些珊瑚並不是在建造珊瑚礁。它們並沒有參與建構這個珊瑚礁框架。這有點誤導人。這並不是說這裡不美，而是說正如我們稍後會看到的，這裡的珊瑚覆蓋率還不是最高。
我們先結束今天的討論。現在我們來看更全面的數據集，它仍然有86行數據，仍然包含經緯度和珊瑚覆蓋率，但這裡我們會看到一些額外的環境參數，我認為這些參數會影響珊瑚覆蓋率，我們稍後會詳細討論。這些參數也包括海水品質等。
如果我的問題在於，我想預測哪些區域珊瑚覆蓋率高但尚未被發現，除了在地圖上繪製之外，您還可以使用一個名為「預測因子篩選器」的便利功能。在這裡，我將以珊瑚覆蓋率作為 Y 軸，然後選擇一些我預期可能影響珊瑚覆蓋率的環境因素作為 X 軸。這樣您就能得到一個非常直覺且易於理解的圖表。對珊瑚覆蓋率變化貢獻最大的預測因子是緯度，很合理。我們看到北部珊瑚覆蓋率較低，南部較高。抱歉，最南端的珊瑚覆蓋率較低，但中間區域可能存在一個最佳覆蓋率區域，而這個預測因子篩選器也證實了這一點。
我應該提一下，多年來我一直誤解了這個數據。我之前認為這是緯度解釋的變異比例。但實際上並非如此。我認為，這指的是緯度在提升樹模型中被納入的次數比例。這可能並不意味著緯度解釋了33%的變異，但可以說，例如，緯度的影響大約是溫度的兩倍。而我之前假設的那些參數，原本應該是珊瑚覆蓋率變異的重要驅動因素，但實際上它們的影響並不大。事實上，我差點就沒注意到這一點，因為它本質上是負數據，但它確實是一個非常實用的功能。
如果我想把剛才看到的景像以圖形化的方式呈現出來，除了查看地圖之外，還可以把海底生物的數據進行匯總。基本上，潛水員看到的生物可以分為四類：硬珊瑚、藻類、其他無脊椎動物（如海綿之類的），以及貧瘠的底質。這部分底質並非完全貧瘠，而是指沒有生物存在的區域，例如沙子、岩石等等。這四類加起來剛好是100%。
我要做的就是把它們堆疊起來，之所以要堆疊，是因為這樣可以讓我製作出一個非常引人注目的圖表。現在我已經把所有這些底棲生物數據堆疊到同一列中，我可以把它們拖到 Y 軸上。我要添加一個疊加層。我要啟用圖例，然後把它轉換成長條圖。我們還沒完全完成，因為我想突出顯示這四個實體的總和為 100%。所以我把它轉換成堆疊長條圖。它們的總和為 100%，這強調了我之前沒有提到的一點。
我之前提到過，我們調查地點的平均珊瑚覆蓋率為45%。以國際標準來看，這其實非常高，所以對帛琉來說是個好消息。那裡仍然有很多活珊瑚。壞消息是，藻類覆蓋率也高達40%。如果你了解珊瑚礁的基本海洋生態知識，就會知道珊瑚和藻類之間存在著競爭關係。它們都在爭奪生存空間。在珊瑚礁上，我們希望珊瑚數量更多，而藻類數量則相應減少。這並不是說藻類在海洋中總是壞事，但在珊瑚礁上，它們會與珊瑚競爭，所以在這種情況下，你必須權衡利弊。但這並不是我想向你們展示的重點。我想向你們展示的是，我可以多麼輕鬆地觀察這個組合體在不同環境因素（我可能感興趣）下的差異。這只花了我一點時間，我完全可以把它貼到Word文件裡，然後和論文一起提交。
例如，這裡我們展示了三種不同類型的珊瑚礁。我們可以看到，珊瑚覆蓋率幾乎相同，所有珊瑚礁類型的覆蓋率均為 45%，這與我們在預測器螢幕上看到的結果一致。珊瑚礁類型和暴露程度其實都不是一個很有用的預測因子。這主要取決於衝擊珊瑚礁的波浪能量。你可以看到，它還會影響其他方面，例如，受保護的珊瑚礁上的藻類要少得多。這實際上與世界上許多地區的情況相反。對於生態學家來說，這張圖資訊量非常豐富，而且我只用了 30 秒就製作出來了，所以這只是題外話。我認為這是一個非常棒的功能。將數據堆疊起來，並用它來製作我稱之為「底棲生物群落圖」的東西。
記住，我們做這一切是為了建立珊瑚覆蓋率模型。在對資料進行了一些探索之後，我已經掌握了影響變異的因素。接下來，我將切換到 JMP Pro 的預測建模部分，並使用幾個版本前推出的一個我非常喜歡的功能——模型螢幕。這個功能可以讓我同時測試大量不同的模型類型。
我正在嘗試預測珊瑚覆蓋率。我有一個驗證列，它有效地將我的 86 個站點的資料分成 75% 的訓練資料和 25% 的驗證資料。我將啟用一些額外的選項。二次方程式中的一些雙向交互作用可能不太合理，但我們暫時先保留它們。我有一些之前探討過的、我認為可能影響珊瑚覆蓋率的預測因子。其中一些因子顯然不太重要，我們可能早就應該移除它們了，但現在不用擔心。
我們來看看驗證集的R平方值，也就是模型預測驗證資料集珊瑚覆蓋率的表現。你會發現它的表現並不理想。 R平方值大約在0.3左右，而這類模型通常比較複雜。模型篩選的目的並非一定要找到最終發表在論文中的模型，而是幫你找到大致的研究方向。我知道對於一些非常複雜的生態資料集，神經網路往往表現出色。
之前，我找到了一個神經網絡，我們這個只包含七個環境因素的神經網絡，它的驗證集 R 平方值約為 0.72。如果你想預測海洋中的各種情況，我認為這已經相當不錯了。這個模型需要幾秒鐘才能運行，所以我想回到 PowerPoint 給你們展示一下。這個模型的發現要歸功於一個非常巧妙的插件，它是由一位非常精通 JMP 的用戶 Diedrich Schmidt 開發的。如果你對神經網路有所了解，就會知道有很多不同的超參數可以調整，這些參數會對模型效能產生相當大的影響。他開發了一個非常優秀的通用自動調優插件，可以測試大量不同超參數的組合。這些超參數包括隱藏層的數量、單層時的提升程度、啟動節點的類型等等。
我們來看看。我們來仔細研究一下這個神經網路。你可能會注意到一個有點令人擔憂的問題：訓練集的 R 平方值比驗證集的低很多。你可能會對驗證集的 R 平方值印象深刻，然後說：「嘿，對於一個生態資料集來說，0.88 真是太棒了。」這很可能是過度擬合的跡象。但現在，我們先把它歸結為這次運行效果不如其他幾次，假裝我們對這個模型很滿意，因為我真正想展示的是以下幾點。
首先，在預測分析中，我要關閉「評估變數重要性」功能，因為我想重新執行一次。這本質上是對環境因素進行排序，而排序依據是它們在模型中的影響力。輸出結果實際上會與預測器介面非常相似。由於我之前運行過這個模型，所以它的排序已經是這樣的。但是，在執行變數重要性分析後，它會根據預測器中預測變數的總效應大小重新排序。可以看到，在本例中，經度的影響實際上比緯度更大，因此您在這裡看到的從上到下的順序與經度的順序一致。
出乎意料的是，我們發現，儘管在先前的圖表中我們並未看到暴露度產生顯著影響，但它的排名仍然高於其他一些因素，這很有趣。我們認為這合情合理。根據我們從地圖上看到的訊息，空間座標也說得通。我們沒有太多關注珊瑚礁的出現，但我簡單地繪製了一張圖表。可以看到，珊瑚覆蓋率受到的影響非常小，而圖表顯示的數值略低於全國平均。
但我想做的是，假設我對這個模型很滿意，它沒有過擬合的跡象，並且符合我的各項標準。接下來我想做的，也是我認為最酷的部分，就是進行期望值分析。它記住了這一點，因為我之前做過，但我想告訴 JMP 最大化珊瑚覆蓋率。告訴我，根據這個模型，在哪些條件下珊瑚覆蓋率應該會達到最大值。然後我將最大化期望值，結果這個值躍升至 73%。
讓我回到幻燈片。這裡有一張分佈圖。我已經繪製了全國的珊瑚覆蓋率。我們之前提到過平均值是 45%，但實際範圍非常廣，從 2% 到 78% 不等。你可能想知道為什麼模型沒有直接建議覆蓋率達到 78% 的那片珊瑚礁。原因是，我們實際上已經從模型中移除了特定地點（在本例中是島嶼）的數據，因為我們不想讓模型受到偏差的影響……我們希望模型能夠更普遍地適用於全國情況。
否則，如果只是簡單地添加地點、島嶼之類的信息，它很可能會建議你回到珊瑚覆蓋率最高的地方。這當然是最有可能正確的做法，但我們正在嘗試建立一個更具普適性的模型，以便了解我們尚未發現的區域。 73% 的珊瑚覆蓋率確實高得驚人，但並非完全不可能。我之所以提到這一點，是因為在使用環境資料進行這類可行性分析時，外推法絕對是一個需要考慮的問題。
在這種情況下，我已經事先考慮過了。這些條件在我看來都不算離譜。海洋生物學家會說：「嘿，你看，我完全可以想像在這樣的平均水深下，潟湖外露出一片前礁。」珊瑚礁出現這種情況當然是可能的。我之前做過一些模型，如果不啟用外推控制，模型會給出一些自工業革命前地球上就從未出現過的條件。當你試圖進行預測時，尤其是在動態系統中，使用這些外推控制是非常必要的。我啟用警告時沒有收到警告，但我可以啟用。如果你在使用外推時遇到問題，可以重新運行模型。
在這種情況下，它幾乎沒怎麼改動，因為沒有問題，但你會注意到，有些線條被固定住了。如果你了解珊瑚礁，你就會知道前礁總是位於潟湖的外側。它甚至不允許我把它拖過去，因為它提示說：「嘿，我們不允許你模擬資料集中不存在的情況。」或者在這個例子中，它在自然界中並不存在。這其實挺酷的。
如果我對這個模型滿意，我會再做一次……你知道我要做什麼。我不會作弊，但我會再運行一次，原因稍後就會明白。因為我想把這個模型放到我的網站上。我知道如果進行期望值分析，基本上就能解決那些問題。這或許不錯，但就我而言，我希望其他用戶可以輸入他們的數據，或輸入他們想查看的珊瑚礁數據，然後模型會輸出珊瑚覆蓋率的估算結果。
還有一件事我想做。讓我想想。不，我把地圖拿下來了。我本來打算用這些座標，看看這些經緯度座標在帛琉的具體位置，不過我想我們還是留到以後再說。但我記得之前做這個模擬的時候，地點就在帛琉西南部的某個地方，那裡的珊瑚覆蓋率以前比較高。
你可以看到，這個模型的重製版其實非常相似。但我現在只想假裝我們對這個模型很滿意。實際上，我想把它發佈到 JMP Public，希望不會花太長時間，因為我已經登入了。我會把它放在 JMP Discovery 資料夾裡。我可以在這裡添加一些額外資訊。如果需要的話，我還可以添加一張圖片。
讓我們來看看它現在的樣子。希望它是互動的。有時候，當我運行程式時，它仍然記得我想要最大化珊瑚覆蓋率，它就會保持「適宜性分析」開啟狀態。大多數情況下，這其實很好，但如果你想發布互動式 HTML 程式碼，這可能會有點問題。產生報告需要一些時間，所以我們稍後再來處理，但我可以先給你展示一下，因為我已經提前做好了。
這是我的網站。我有一個帛琉專區，還有一個我稱之為「帛琉生物勘探」的專屬頁面，我主要…我做這個不僅僅是為了驗證JMP的概念。這些都是我非常感興趣的實際發現。你可以看到，它和剛才運行的模型並不完全相同，但很相似。比如說，我在帛琉的合作者和同事會說：「嘿，我們在地圖上發現了這個礁石。它是一個位於潟湖內的水下礁石。它是一個後礁，或者說是一個潟湖斑塊礁。它很淺，因此應該受到保護。我們發現它大約在這裡，具體位置大概在這裡。」
這或許不是個好例子，因為它展示的是全國的平均水平，所以模型的預測會是：「嘿，去看看那個地方。」它和其他珊瑚礁一樣好，你可以透過輸入你實際看到的數量來優化模型，幫助它更好地訓練。
我在這裡展示的是優化後的理想狀態的靜態視圖。你可以看到它略有不同，因為每次運行結果都會有所變化。但在這個例子中，這些是基於我的模型預測的條件，這些條件將使珊瑚覆蓋率達到 67%，這確實非常高。那麼，我是如何做到這一點的呢？
這就是它的樣子。再次說明，模型略有不同，但它確實已正確發布。它具有交互功能。我只需要……看看這會不會礙事。我可以做兩件事。我可以取得 iframe 或卡片的嵌入程式碼。我更喜歡 iframe，因為卡片實際上只是在這裡放置了一個小小的佔位符，本質上就是一個高級超鏈接，會將您帶到 JMP 公共頁面，這可能就足夠了。但如果您確實想要一個嵌入式窗口，讓用戶可以進入其中並輸入自己的數據，那麼您應該使用 iframe。
我用的是 Squarespace，但其實操作很簡單，你可以直接加入程式碼或嵌入，把程式碼貼在這裡就行了。我這段程式碼是從 JMP Public 網站複製貼上過來的。載入需要幾秒鐘，然後，儲存，刷新一下頁面，把這個連結發給我的同事。如果他們是 JMP 用戶，那就太好了，他們可以看到更詳細的資訊。如果不是，他們也可以用這個功能開始驗證假設，例如估算一下珊瑚覆蓋率之類的數據。
這或許是 JMP 多年來一直無法實現的功能，但讓我真正感到震驚的是，竟然可以如此輕鬆地在網站上建立一個互動式預測分析器。它蘊藏著巨大的潛力，可以解答我一直想解答的所有問題。
為了節省時間，我就不詳細講解超級珊瑚的例子了，因為你們也知道，講到那裡需要幾分鐘。不過，簡單透露一下，本質上過程是一樣的。如果你在進行預測建模，你不用再關注珊瑚覆蓋率，而是使用我幾年前創建的珊瑚健康指數。你可以看到它包含了很多內容。這個指數解析度很高，但成本也很高。你不可能對數百萬株珊瑚進行所有這些測量。
同樣，你需要使用預測模型，這樣才能找到更經濟的替代指標。與其花費數千美元去測量那些複雜的分子指標，不如依靠這些預測模型來判斷：「例如，如果你想要一塊珊瑚，它有99%的機率是‘超級珊瑚’，那麼它的大小應該在這個珊瑚覆蓋率很高、珊瑚多樣性很低的珊瑚礁上，等等。」在JMP Pro中，分析過程與此非常相似，只是問題有所不同。
這些超級珊瑚在哪裡發現？然後，我可以把資訊發佈到我的網站上，這能幫助人們進行規劃。我們現在有一些項目，我所在的機構 Cord App 正在與帛琉的人們合作，他們有興趣尋找這些超級珊瑚，因為他們想在自己的珊瑚苗圃中繁殖它們。這些基於 JMP Pro 模型產生的預測分析器將非常有用，可以幫助他們精確定位這些珊瑚礁的可能位置。
如果您對這個主題感興趣，我建議您仔細閱讀簡報。我跳過了一些幻燈片。所有腳本都已新增至 JMP 資料表中，您可以自行進行分析。我認為，利用目前從珊瑚礁收集到的資料類型，我們可以做一些非常有意義的事情，例如優化海洋保護規劃。
我認為，使用 JMP 並熟悉這款軟體讓我受益匪淺。它確實幫助我解答了一些觸及氣候變遷和地球命運等核心問題的重大難題。如果你經常建立預測模型，那麼隨著你對 JMP，尤其是 JMP Pro 的了解加深，你會感覺自己擁有無限的可能性。我強烈建議大家積極探索，試著解決這些重大問題，因為你會驚訝於自己能做到多少事情。
好了，我的演講就到此結束。感謝大家的聆聽，如果對演講內容有任何疑問，歡迎隨時寄email給我。謝謝。
