植被数量分析

DCA: Detrended Correspondence Analysis
• 同时对物种和样方进行排序； 同时对物种和样方进行排序； • 排序方法与 一致，但去 排序方法与CA一致， 一致 除了拱形影响； 除了拱形影响；
• 适用于异质性较强的数据系列 • DCA第一轴长度的意义：代表了样地之间的 第一轴长度的意义：代表了样地之间的beta 第一轴长度的意义 多样性或物种之间的更替，1SD(1或100)大约相 多样性或物种之间的更替，1SD(1或100)大约相 当于50%的相似性，4SD表示全部物种的替换 的相似性， 当于 的相似性 表示全部物种的替换
PCA的数据要求 的数据要求
• 具有线性分布的数据系列， 具有线性分布的数据系列， 不适用于具有高斯分布的 数据系列； 数据系列； • 各种变量为正态分布； 各种变量为正态分布； • 异常值对分析结果的影响 很大； 很大；
PCA 的适用性
• 适用于生境相对比较均匀的数据系列 • 具有重复取样且样本量较大的数据系列
二维直接排序 (Whittaker, 1965)
多维直接排序-CCA 多维直接排序
CCA 注意事项
• 具有多元回归所具有的所有问题； 具有多元回归所具有的所有问题； • 随着样本量的增加而关系模糊； 随着样本量的增加而关系模糊； • 夸大了偶见种的作用
CCA的适用条件 的适用条件
与以下问题有关： 与以下问题有关：
• 空间的概念
– 物种空间：每个物种构成空间的一维 物种空间： – 样地空间：每个样地构成空间的一维 样地空间： – 环境空间：每个环境变量构成空间的一维 环境空间： • 物种－样地之间具有对称性，因此在以后的介绍中 物种－样地之间具有对称性， 仅针对样地， 仅针对样地，进行群落的分类与排序 (排序研究样地在物种空间的分布 或者物种在样地 排序研究样地在物种空间的分布, 排序研究样地在物种空间的分布 空间的分布, 并分别探讨它们与环境的关系) 空间的分布 并分别探讨它们与环境的关系
排序与环境
假设： 假设： • 排序相邻的样地具有相似的植被类型； 排序相邻的样地具有相似的植被类型； • 如果两个样地具有相同的植被类型，就必然具有相 如果两个样地具有相同的植被类型， 同的环境条件； 同的环境条件； • 排序相差很远的样地具有不同的植被特征； 排序相差很远的样地具有不同的植被特征； • 具有不同植被的样地之间环境不同
植被数量分析
—生态数据的多元分析 生态数据的多元分析
主要内容
• 植物群落的数量特征与距离量度 • 植物群落的分类
• 几种常见分类方法及其适用条件
• 植物群落的排序
• 几种常见排序方法及其适用条件
1. 植物群落的数量特征
—数量特征是数量分析的基础 数量特征是数量分析的基础
群落的数量特征是数量分析的基础 • • • • • 多度、盖度、高度、频度、 多度、盖度、高度、频度、基面积等 物种多样性 物种之间的关系： 物种之间的关系：种间联结 环境数据：地形、气候、 环境数据：地形、气候、土壤等 物种对环境的响应关系：线性、 物种对环境的响应关系：线性、钟形
Polar Ordination 注意事项
• 端点值的确认非常重要； 端点值的确认非常重要； • 结果对异常值很敏感； 结果对异常值很敏感； • 相对其他排序方法而言，Polar Ordination 比较主观（既 比较主观（ 相对其他排序方法而言， 是该方法的优势又是劣势），应该慎重应用。 是该方法的优势又是劣势），应该慎重应用。 ），应该慎重应用
• 1 是否仅仅对与环境相关的群落结构感 兴趣(是否包含了主要的环境因子) 兴趣(是否包含了主要的环境因子)？ • 2 物种对环境的响应是否为高斯曲线？ 物种对环境的响应是否为高斯曲线？
适用
• 1 高斯分布的数据系列(钟形) 高斯分布的数据系列(钟形) • 2 具有完整的环境系列数据
间接排序
几种常用的间接排序方法： 几种常用的间接排序方法：
2. 植物群落的分类
• 样地在不连续的类型中的重新排布
• “units are arranged in discrete classes.” Goodhall 1953
• 目的： 目的： 将大量的样地或物种归入几组， 将大量的样地或物种归入几组，对各 组进行分析
几种常用的分类方法
• 聚类分析：Cluster Analysis 聚类分析： • TWINSPAN: Two-Way Indicator Species Analysis • 指示种分析：Indicator Species Analysis 指示种分析：
直接排序 vs. 间接排序 • 直接排序： 直接排序：
– 分析植被与已知环境梯度之间的关系
• 间接排序： 间接排序：
– 通过排序轴与环境变量之间的相关性来分析植 被环境关系
直接排序方法
• 一维排序
• 研究对象沿着单一的环境梯度变化 • 加权平均法
• 多维排序
• 研究对象沿着多维的环境梯度变化
• CCA (Canonical Correspondence Analysis)
• • • • • Polar ordination: Bray & Curtis Ordination PCA: Principal Components Analysis CA: Correspondence Analysis DCA: Detrended Correspondence Analysis NMDS: Nonmetric MultiDimensional Scaling
CA: Correspondence Analysis (＝RA: Reciprocal Averaging) ＝
• 同时对样方和物种进行排序； 同时对样方和物种进行排序； • 第二轴是第一轴的平方，因此 第二轴是第一轴的平方， 具有拱形； 具有拱形； • 第一轴的两端数据被严重压缩； 第一轴的两端数据被严重压缩； • 夸大了偶见物种的作用 • 一般不宜使用
NMDS: Nonmetric Multi-Dimensional Scaling
• 每次只对样方或物种进行排序； 每次只对样方或物种进行排序； • 不存在对物种分布的假设，同时适用于线性和高斯分 不存在对物种分布的假设， 布的数据系列； 布的数据系列； • 减轻了物种与环境之间的突变影响； 减轻了物种与环境之间的突变影响； • 可以适用不同的距离度量方法
Jaccard similarity = (A∩B)/(AUB)
• • • • • •
其他 Relative Sorensen Quantitative symmetric dissimilarity Relative Euclidean distance Chi-square distance Mahalanobis distance
等级聚类分析
Hierarchical Clustering Analysis
• 等级聚类分析提供了各种可能的选项，因此在可 等级聚类分析提供了各种可能的选项， 以提供多种选择： 以提供多种选择： • 联结方法的选取
• 最近距离法； 最近距离法； 最远距离法； 最远距离法； • 中值距离法； 中值距离法； 平均距离法； 平均距离法； • 重心距离法； 重心距离法； 最小变异法Ward’s method; 最小变异法 • Flexible beta法；McQuiley法 法 法
相似/相异性系数 相似 相异性系数
Similarity/Dissimilarity
A 多度 B
A∩B Sp.1 Sp.2 Sp.3 Sp.4 Sp.5 物种组成
样地 2(A∩B) /{(AUB)+ (A∩B)}
(Bray-Curtis coefficient)
Polar ordination
p5 p6 p4
• 各轴的生态学意义明确 • 可以自定义轴线的端点值， 可以自定义轴线的端点值， 从而可以检验特定的假设 • 由于可以自行确认端点值， 由于可以自行确认端点值， 有利于异常值处理
p7
Axis 2
p1
p3
p8
p10
p9 p2
Axis 1
Polar Ordination 的缺陷 • 各轴之间不是直角，容易引起排序空间的变形； 各轴之间不是直角，容易引起排序空间的变形； • 并非完全的客观排序（端点值的选择）； 并非完全的客观排序（端点值的选择）； • 排序空间距离的量度具有量纲，距离值与单位关 排序空间距离的量度具有量纲， 系密切
• 推荐使用： 推荐使用：
• Flexible beta聚类方法 聚类方法(Sorenson距离 距离): 聚类方法 距离 beta =-0.25 • Ward方法 方法 • Group Average方法 方法
• 距离度量的选择应该与联结方法所使用 的距离度量一致
TWINSPAN
• TWINSPAN的优势在于提供了各个类型的物种分布，而且物种 的优势在于提供了各个类型的物种分布， 的优势在于提供了各个类型的物种分布 和样地同时进行分类。 和样地同时进行分类。 • 1. TWINSPAN是基于 排序发展起来的一种分类方法，继承 是基于CA排序发展起来的一种分类方法 是基于 排序发展起来的一种分类方法， 排序的一切错误， 了CA排序的一切错误，它仅在一维的环境梯度有效 2. 假种的 排序的一切错误 它仅在一维的环境梯度有效; 划分具有主观性，需要反复实验; 虽然可划分出指示种， 划分具有主观性，需要反复实验 3. 虽然可划分出指示种，但 这种指示种的确限性(Fidelity)没有经过统计检验 没有经过统计检验. 这种指示种的确限性 没有经过统计检验
一维直接排序 (Whittaker, 1956)
加权平均法 Weighted averaging
• 样地得分值： 样地得分值： Wj= (∑aijvi)/(∑aij) • 物种的权重值对排序结果影响很大，加权平 物种的权重值对排序结果影响很大， 均法依赖于有关物种的知识积累(例如 例如： 均法依赖于有关物种的知识积累 例如： Ellenberger 指数 指数)