3梯度分析排序的基础(Basicsofgradientanalysis).pdfVIP

基于CANOCO 的生态学数据的多元统计分析  Jan Leps, Petr Smilauer 著  赖江山 编译  3 梯度分析(排序) 的基础(Basics of gradient analysis) 群落学物种组成数据的分析方法通常有两种：梯度分析（排序）和分类方法（聚类、 TWINSPAN 等）。这里的梯度分析是广义的梯度分析，泛指任何以揭示物种组成数据与 实测或潜在的环境因子之间关系的方法。 植物群落学上的分类方法，用来划分群落的间断分布（有时也称Clement 超有机体）。 而梯度分析主要是用来描述群落的连续分布（也称Gleason 个体论）。这种认识是传统上 的认识，也是关于排序与分类的历史由来。然而，现在这种认识已经不够准确。这些方 法可以相互补充，到底用什么方法，完全取决于研究的目的。打个比方，制作植被图的 时候，植被分类是基础。如果植被类型之间并没有明显的边界，我们不得不切开这种连 续分布，以产生可以分辨的植被类型单元用于植被制图。通过群落内物种组成的排序， 可以让我们找到植被内部的相对间隔的地方，或是找出过渡类型。这些方法现在是普遍 被植物社会学接受。当然，今天，排序也不仅仅用于植物群落分析，大部分考察物种组 成分布与环境因子关系的群落学研究，都可以用到排序。实际上，梯度分析扩展应用已 经延伸到以植被科学为基础的学科，比如，用于水生生物学的研究就是很好的例子（(see the bibliographies by Birks et al. 1996,1998) 。 3.1 梯度分析（排序）的技术(Techniques of gradient analysis) 表3-1 （见原书）展示了研究问题类型与排序类型的对应关系。排序方法的选择主 要取决于两方面，一是用于分析的变量数量，二则是期望的结果（也就是说我们需要回 答什么问题）。 回归的分析目标是发现一个一元响应变量（a univariate response ）的变化（通常是 物种的多度，一个群落的综合特征，比如多样性或生物量）对于解释变量（环境因子） 的依赖程度。当环境因子为因子时，方差分析（ANOVA ）实际上也是回归分析。如果 环境因子与物种组成建立起回归关系，我们不仅可以通过环境因子预测物种的分布，同 样可以通过物种组成数据来估计环境因子的值。当然，在预测之前，我们首先要建立起 回归关系，这也需要预先知道物种数据与被估计的环境因子的之间的关系。（有关数据 与方法的选择，见帖子：/forum/viewtopic.php?t=15624） 简单排序（间接梯度分析）的目标就是发现这样的坐标轴，让群落中的样方或是物 种的最大变化量能够在坐标轴上体现出来。换句话说，让尽可能多的变化量能够在尽可 能少的轴上展示出来，并且让样方或物种在排序图能够可视化展示出来。当然，我们会 经常期望这些轴能够代表一些潜在的环境变量。而约束排序（constrained ordination ）的 目的就是发现物种在环境梯度上的变化情况。简单排序和约束排序都有偏分析版本 （partial versions ）。在偏分析中，我们可以预先剔除由协变量产生的那部分物种的变化 量，然后再通过排序展示出剩下的变化量。当然，还有混合排序分析（hybrid ordination ）, 可以让前面若干排序轴（一般是前1、2 、3 轴）是约束排序，后剩下的轴是非约束排序 （间接梯度分析）。 3.2 物种响应环境梯度模型（Models of species response to environmental gradients ） 物种对连续的环境梯度的响应方式很多种，也可以用很多图像来表示。现代回归方         1      基于CANOCO 的生态学数据的多元统计分析  Jan Leps, Petr Smilauer 著  赖江山 编译  法可以通过很多分布模型来展