植被数量分析.pptVIP

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 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 物种多样性 物种之间的关系：种间联结 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 植物对环境的响应 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0 两者不同时，距离值必须为正值 对称：A到B的距离等于B到A的距离 满足三角形三边关系定理：A,B,C三点, AB(AC+BC) 相似/相异性系数Similarity/Dissimilarity 其他 Relative Sorensen Quantitative symmetric dissimilarity Relative Euclidean distance Chi-square distance Mahalanobis distance 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： 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 TWINSPAN: Two-Way Indicator Species Analysis 指示种分析：Indicator Species Analysis 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，因此在可以提供多种选择： 联结方法的选取 最近距离法； 最远距离法； 中值距离法； 平均距离法； 重心距离法； 最小变异法Ward’s method; Flexible beta法；McQuiley法 推荐使用： Flexible beta聚类方法(Sorenson距离): beta =-0.25 Ward方法 Group Average方法 TWINSPAN TWINSPAN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。 1. TWINSPAN是基于CA排序发展起来的一种分类方法，继承了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. 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, 具有很强的主观性 指示种分析实例 3. 植物群落的排序 群落排序的概念 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 空间的概念 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 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： 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，就必然具有相同的环境条件； 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 直接排序 vs. 间接排序 直接排序： 分析植被与已知环境梯度之间的关系 间接排序： 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) 加权平均法 Weighted averaging 样地得分值： Wj= (∑aijvi)/(∑aij) 物种的权重值对排序结果影响很大，加权平均法依赖于有关物种的知识积累(例如：Ellenberger 指数) CCA 注意事项 具有多元回归所具有的所有问题； 随着样本量