基于R的群落学多元统计分析方案.ppt

致谢 本课件基于米湘成博士R培训ppt基础上修改，在此表示致谢！ 持之以恒=R的高手！ * * 第一主成分代表海拔高度，第二主成分代表坡向 * 如果一个物种靠近某个样方，表明该物种可能对该样方的位置起很大的作用。特别是对于二元数据的排序，这个样方可能就代表该物种。 如图中，20号样方与短柄枹(QUESER)靠得比较近，表明：短柄枹表征了20号样方的特征，19号样方与20号样方距离近，生态关系也较近。 只在少数样方出现的物种通常在排序空间的边缘，表明它们只偶然发生，或它们只在稀有生境（如米槠CASCAR）。 在排序空间中心的物种，可能在取样区域是该物种最优分布区，如甜槠，或有两个或多个最优分布区，或与前两个轴不相关。 除趋势对应分析(Detrended correspondence analysis, DCA)： CA采用单峰曲线表示物种和环境关系 CA产生的弓形效应 CA的第二排序轴在许多情况下是第一轴的二次变形，即所谓的“弓形效应”（Arch effect）或者“马蹄形效应”（horse-shoe effect）。 （详见张金屯《群落生态学》168页） × 和?分别代表除趋势前和除趋势后的样方排序 （引自Hill 和Gauch 1980） DCA在R中的实现采用函数decorana。 decorana(veg, iweigh=0, iresc=4, ira=0, mk=26, short=0, before=NULL, after=NULL) veg:群落数据; iweig:稀有物种的权重；(稀有物种影响比较大） iresc：纠正弓形效应的次数； ira:分析的类型(DCA:0 , CA:1); mk：校正弓形效应轴的分段数; 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)及典范对应分析（Canonical correspondence analysis, CCA) 1.通常采用PCA处理环境数据，采用CA处理群落数据，但这些方法都只能处理一个数据表； 2.RDA和CCA是多元分析（PCA，CA）和线性回归的结合，研究植被和环境之间的关系。 * 当我们在解释变量（环境因子数据）与响应变量（物种数据）之间建立预测模型的时候，经常会遇到这样的情况，往往我们仅仅考察解释变量中某几个环境因子的对物种数据的影响，但剩下的环境因子也会对物种产生影响，这些剩余环境因子我们经常称为协变量(Covariables) 。在CANOCO中，协变量的影响可以用偏分析（partial analyze）剔除出来。 实际上，任何一个环境因子变量均可以成为协变量。例如，我们要研究管理模式对蝴蝶群落中组成的影响，我们可以在不同的海拔地点取样，海拔也许对群落物种组成影响很大，但此时我们感兴趣的是管理模式的影响，而非海拔梯度的影响。这个时候，如果能剔除出海拔的影响，我们能管理模型与蝴蝶种群之间更清晰的关系。 摘自基于CANOCO的……分析 第一章6p PCA与环境因子结合是RDA，CA与环境因子结合是CCA。 RDA在vegan中的实现： rda(formula, data, ...) rda(X, Y, Z, ...) CCA在vegan中的实现： cca(formula, data, ...) cca(X, Y, Z, ...) ＞gts.rda=rda(gtsdata,gtsenv); gts.rda=rda(gtsdata~elev+convex+slope+aspect+N+K+P+pH,data=gtsenv); summary(gts.rda) plot(gts.rda) gts.prda=rda(gtsdata,gtsenv[,1:4], gtsenv[,5:8]) summary(gts.prda) plot(gts.prda) plot(gts.rda) 环境因子一般用箭头表示，箭头所处的象限表示环境因子与排序轴间的正负相关性，箭头连线的长度代表着某个环境因子与群落分布和种类分布间相关程度的大小，连线越长，说有相关性越大。反之越小。箭头连线和排序轴的夹角代表着某个环境因子与排序轴的相关性大小，夹角越小，相关