植被数量分析生态数据的多元分析..ppt

植被数量分析植被数量分析生态数据的多元分析生态数据的多元分析植物群落的植物群落的数量特征与数量特征与距离量度距离量度植物群落的分类植物群落的分类几种常见分类方法及其适用条件几种常见分类方法及其适用条件植物群落的排序植物群落的排序几种常见排序方法及其适用条件几种常见排序方法及其适用条件主要内容主要内容1.植物群落的数量特征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群落的数量特征是数量分析的基础多度、盖度、高度、频度、基面积等多度、盖度、高度、频度、基面积等物种多样性物种多样性物种之间的关系：种间联结物种之间的关系：种间联结环境数据：地形、气候、土壤等环境数据：地形、气候、土壤等物种对环境的响应关系：线性、钟形物种对环境的响应关系：线性、钟形植物对环境的响应植物对环境的响应Environmental GradientAbundance植物群落空间距离必须满足以下条件植物群落空间距离必须满足以下条件:当两者完全相同时，距离值必须为当两者完全相同时，距离值必须为0两者不同时，距离值必须为正值两者不同时，距离值必须为正值对称：对称：A到到B的距离等于的距离等于B到到A的距离的距离满足三角形三边关系定理：满足三角形三边关系定理：A,B,C三点三点,AB(AC+BC)不同的排序方法利用了不同的距离测度，因此在方不同的排序方法利用了不同的距离测度，因此在方法选取和结果分析中应该注意到距离的测度方法以法选取和结果分析中应该注意到距离的测度方法以及适用范围及适用范围相似相似/相异性系数相异性系数Similarity/DissimilarityABAB样地样地A和和B的相似性的相似性Sorensen similarity=2(AB)/(AUB)+(AB)(Bray-Curtis coefficient)Jaccard similarity=(AB)/(AUB)物种组成多度Sp.1Sp.2Sp.3Sp.4Sp.5其他其他Relative SorensenQuantitative symmetric dissimilarityRelative Euclidean distanceChi-square distance Mahalanobis distance2.植物群落的分类植物群落的分类 样地在不连续的类型中的重新排布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，对各将大量的样地或物种归入几组，对各组进行分析组进行分析几种常用的分类方法几种常用的分类方法聚类分析：聚类分析：Cluster AnalysisTWINSPAN:Two-Way Indicator Species Analysis指示种分析：指示种分析：Indicator Species Analysis等级聚类分析等级聚类分析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，因此在可以提供多种选择：以提供多种选择：联结方法的选取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；最小变异法最小变异法Wards method;Flexible beta法；法；McQuiley法法推荐使用：推荐使用：Flexible beta聚类方法聚类方法(Sorenson距离距离):beta=-0.25Ward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距离度量的选择应该与联结方法所使用的距离度量一致的距离度量一致TWINSPANTWINSPAN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，而且物种和样地同时进行分类。和样地同时进行分类。1.TWINSPAN是基于是基于CA排序发展起来的一种分类方法，继承排序发展起来的一种分类方法，继承了了CA排序的一切错误，它仅在一维的环境梯度有效排序的一切错误，它仅在一维的环境梯度有效;2.假种假种的划分具有主观性，需要反复实验的划分具有主观性，需要反复实验;3.虽然可划分出指示种，虽然可划分出指示种，但这种指示种的确限性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.G1G2G3TWINSPAN的一个例子的一个例子指示种分析指示种分析Indicator Species Analysis指示种分析通过环境变量类型或物种的指示等级，将样地划分指示种分析通过环境变量类型或物种的指示等级，将样地划分为若干组为若干组assigns indicator value for each species,based the degree to which they discriminate among groups.You can define groups with a variable from either the main or second matrix.需要非常深厚的知识来对群落进行划分需要非常深厚的知识来对群落进行划分,具有很强的主观性具有很强的主观性指示种分析实例指示种分析实例3.植物群落的排序植物群落的排序群落排序的概念群落排序的概念样地在一维或多维空间中的排布样地在一维或多维空间中的排布“.an arrangement of units in a uni-or multi-dimensional order.”Goodhall 1953目的：目的：检验植物群落之间的物种组成关系；检验植物群落之间的物种组成关系；减少决定物种或群落分布环境变量的噪音，减少减少决定物种或群落分布环境变量的噪音，减少数据冗余数据冗余空间的概念空间的概念物种空间：每个物种构成空间的一维物种空间：每个物种构成空间的一维样地空间：每个样地构成空间的一维样地空间：每个样地构成空间的一维环境空间：每个环境变量构成空间的一维环境空间：每个环境变量构成空间的一维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，因此在以后的介绍中仅针对样地，进行群落的分类与排序仅针对样地，进行群落的分类与排序(排序研究样地在物种空间的分布排序研究样地在物种空间的分布,或者物种在样地或者物种在样地空间的分布空间的分布,并分别探讨它们与环境的关系并分别探讨它们与环境的关系)排序与环境排序与环境假设：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，就必然具有相同的环境条件；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具有不同植被的样地之间环境不同直接排序直接排序 vs.间接排序间接排序直接排序：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被环境关系直接排序方法直接排序方法一维排序一维排序研究对象沿着单一的环境梯度变化研究对象沿着单一的环境梯度变化 加权平均法加权平均法多维排序多维排序研究对象沿着多维的环境梯度变化研究对象沿着多维的环境梯度变化CCA(Canonical Correspondence Analysis)一维直接排序一维直接排序(Whittaker,1956)加权平均法加权平均法 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，加权平均法依赖于有关物种的知识积累均法依赖于有关物种的知识积累(例如：例如：Ellenberger 指数指数)二维直接排序二维直接排序(Whittaker,1965)多维直接排序多维直接排序-CCACCA 注意事项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：1 是否仅仅对与环境相关的群落结构感是否仅仅对与环境相关的群落结构感兴趣兴趣(是否包含了主要的环境因子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？适用适用1 高斯分布的数据系列高斯分布的数据系列(钟形钟形)2 具有完整的环境系列数据具有完整的环境系列数据几种常用的间接排序方法：几种常用的间接排序方法：Polar ordination:Bray&Curtis OrdinationPCA:Principal Components Analysis CA:Correspondence AnalysisDCA:Detrended Correspondence AnalysisNMDS:Nonmetric MultiDimensional Scaling间接排序间接排序Polar ordination各轴的生态学意义明确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，有利于异常值处理有利于异常值处理Polar Ordination 的缺陷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，距离值与单位关系密切系密切Polar Ordination 注意事项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，相对其他排序方法而言，Polar Ordination 比较主观（既比较主观（既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。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异常值对分析结果的影响很大；很大；PCA 的适用性的适用性适用于生境相对比较均匀的数据系列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具有重复取样且样本量较大的数据系列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，因此具有拱形；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夸大了偶见物种的作用一般不宜使用一般不宜使用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；排序方法与排序方法与CA一致，但去一致，但去除了拱形影响；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多样性或物种之间的更替，多样性或物种之间的更替，1SD(1或或100)大约相大约相当于当于50%的相似性，的相似性，4SD表示全部物种的替换表示全部物种的替换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，同时适用于线性和高斯分布的数据系列；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可以适用不同的距离度量方法NMDS vs.DCA对物种环境响应模式对物种环境响应模式不作限制不作限制无拱形效应无拱形效应一次只对物种或样地一次只对物种或样地进行排序进行排序要求钟形响应模式要求钟形响应模式仍旧有拱形效应仍旧有拱形效应(第二轴意第二轴意义不明确义不明确)同时对物种和样地进行排序同时对物种和样地进行排序NMDS的适用性的适用性适用于正态或非正态、连续或非连续数适用于正态或非正态、连续或非连续数据系列据系列(Rank scaling)；除非有特殊需求，建议使用除非有特殊需求，建议使用NMDS但速度较慢但速度较慢(已经不再是限制已经不再是限制)NMDS的注意事项的注意事项*由于初始设置对于由于初始设置对于 NMDS 的结果影响很大，的结果影响很大，因此在运行前先运行其他排序方法后参照其他因此在运行前先运行其他排序方法后参照其他方法所得结果进行初始坐标的设置方法所得结果进行初始坐标的设置几种排序方法的比较几种排序方法的比较s1s2s3s4s5s6s7s8s9 s10P11000000000P22100000000P33210000000P44321000000P55432100000P66543210000P77654321000P88765432100P99876543210p10 10987654321教学实例中的原始数据教学实例中的原始数据教学实例中的数据分布结构教学实例中的数据分布结构NMDS-AX1AbundancePlot number小结：排序的步骤小结：排序的步骤1.原始数据的整理：样方矩阵原始数据的整理：样方矩阵2.样方的相似性样方的相似性/相异性矩阵获取相异性矩阵获取3.计算主轴及样地位置计算主轴及样地位置各样地在该轴具有最小的相似性各样地在该轴具有最小的相似性第二轴与第一轴最不相关第二轴与第一轴最不相关4.排序轴的生态意义解释排序轴的生态意义解释等值线法等值线法相关分析法相关分析法双轴图法双轴图法群落分类与排序的比较群落分类与排序的比较确定植物群落确定植物群落植物群落之间的差异植物群落之间的差异相对均质生境相对均质生境一般为定性数据一般为定性数据植物群落的分布格局植物群落的分布格局植物群落之间的联系植物群落之间的联系相对异质生境相对异质生境一般为定量数据一般为定量数据减少数据冗余减少数据冗余常用群落分析软件包常用群落分析软件包CanocoPC-ORDCAP(Community analysis package)TWINSPAN and DECORANA