基于r的群落學多元統(tǒng)計分析(編輯修改稿)
2025-06-07 00:26 本頁面
【文章內(nèi)容簡介】 分布區(qū)，或與前兩個軸不相關。 除趨勢對應分析 (Detrended correspondence analysis, DCA)： CA采用單峰曲線表示物種和環(huán)境關系 CA產(chǎn)生的弓形效應 CA的第二排序軸在許多情況下是第一軸的二次變形，即所謂的“弓形效應”（ Arch effect）或者“馬蹄形效應”（ horseshoe effect）。 （詳見張金屯 《 群落生態(tài)學 》 168頁） 和 ?分別代表除趨勢前和除趨勢后的樣方排序 （引自 Hill 和 Gauch 1980） DCA在 R中的實現(xiàn)采用函數(shù) decorana。 decorana(veg, iweigh=0, iresc=4, ira=0, mk=26, short=0, before=NULL, after=NULL) veg:群落數(shù)據(jù) 。 iweig:稀有物種的權重； (稀有物種影響比較大） iresc：糾正弓形效應的次數(shù)； ira:分析的類型 (DCA:0 , CA:1)。 mk：校正弓形效應軸的分段數(shù) 。 short: 需要校正的最短梯度。 plot(decorana(gtsdata)) plot(cca(gtsdata)) 直接梯度分析（ Direct Gradient Analysis） ： RDA (Redundance analysis) CCA (Canonical correspondence analysis) pRDA (partial RDA) pCCA (partial CCA) 冗余分析 (redundancy analysis, RDA)及典范對應分析（ Canonical correspondence analysis, CCA) PCA處理環(huán)境數(shù)據(jù)，采用 CA處理群落數(shù)據(jù)，但這些方法都只能處理一個數(shù)據(jù)表； CCA是多元分析（ PCA， CA）和線性回歸的結合，研究植被和環(huán)境之間的關系。 38 當我們在解釋變量（環(huán)境因子數(shù)據(jù)）與響應變量（物種數(shù)據(jù)）之間建立預測模型的時候，經(jīng)常會遇到這樣的情況，往往我們僅僅考察解釋變量中某幾個環(huán)境因子的對物種數(shù)據(jù)的影響，但剩下的環(huán)境因子也會對物種產(chǎn)生影響，這些剩余環(huán)境因子我們經(jīng)常稱為協(xié)變量 (Covariables) 。在 CANOCO中，協(xié)變量的影響可以用偏分析（ partial analyze）剔除出來。 實際上，任何一個環(huán)境因子變量均可以成為協(xié)變量。例如，我們要研究管理模式對蝴蝶群落中組成的影響，我們可以在不同的海拔地點取樣，海拔也許對群落物種組成影響很大，但此時我們感興趣的是管理模式的影響，而非海拔梯度的影響。這個時候，如果能剔除出海拔的影響，我們能管理模型與蝴蝶種群之間更清晰的關系。 摘自 基于 CANOCO的 …… 分析 第一章 6p PCA與環(huán)境因子結合是 RDA， CA與環(huán)境因子結合是 CCA。 RDA在 vegan中的實現(xiàn)： rda(formula, data, ...) rda(X, Y, Z, ...) CCA在 vegan中的實現(xiàn)： cca(formula, data, ...) cca(X, Y, Z, ...) ＞ =rda(gtsdata,gtsenv)。 =rda(gtsdata~elev+convex+slope+aspect+N+K+P+pH,data=gtsenv)。 summary() plot() =rda(gtsdata,gtsenv[,1:4], gtsenv[,5:8]) summary() plot() plot() 環(huán)境因子一般用箭頭表示，箭頭所處的象限表示環(huán)境因子與排序軸間的正負相關性，箭頭連線的長度代表著某個環(huán)境因子與群落分布和種類分布間相關程度的大小，連線越長，說有相關性越大。反之越小。箭頭連線和排序軸的夾角代表著某個環(huán)境因子與排序軸的相關性大小，夾角越小，相關性越高；反之越低。 =cca(gtsdata,gtsenv)。 =cca(gtsdata~elev+convex+slope+aspect+N+K+P+pH,data=gtsenv) summary() plot() =cca(gtsdata,gtsenv[,1:4], gtsenv[,5:8]) summary() plot() plot() RDA和 CCA結果的檢驗： goodness(object, display = c(“species”, “sites”), choices, model = c(“CCA”, “CA”), statistic = c(“explained”, “distance”), summarize = FALSE, ...) ：物種或樣方與軸累計解釋量； 【 Cumulative fit per species as fraction of variance of species】 in CANOCO inertp(object, display = c(“sp
高考資料相關推薦
鄂ICP備17016276號-1