基于CANOCO的数据分析与研讨.pptVIP

基于CANOCO的数据分析;内容; 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。 ;2 为什么排序？;;（4）约束性排序（直接排序）：在特定的梯度上（环境轴）上探讨物种的变化情况。例如：RDA，CCA，DCCA等。 （5）非约束性排序（间接排序）：寻求潜在的或 在间接的环境梯度来解释物种数据的变化。 （6）偏分析：预先剔除物种变化中由协变量产生的效应，再通过排序揭示剩下物种变化的排序方法。 （7）混合排序分析：前面若干轴采用约束排序，而剩下的轴是非约束性排序的梯度分析方法。 ;（8）非约束性排序方法 主成分分析（Principal components analysis, PCA） 对应分析（Correspondence analysis, CA） 去趋势对应分析（Detrended Correspondence analysis, DCA） 主坐标分析（Principal coordinates analysis, PCO） （9）约束性排序 冗余分析（Redundancy analysis, RDA） 典范对应分析（Canonical Correspondence analysis, CCA） 去趋势典范对应分析（ Detrended Canonical Correspondence analysis, DCCA） 典型变量分析（Canonical variate analysis, CVA, db-RDA） （10）物种响应环境梯度模型 ;物种响应环境梯度模型;上式中，Envi是第i个样方的环境因子值，Abundi是物种在i样方的多度。;4 排序类型;梯度分析;;第二章 认识CANOCO软件;1 软件模块;（2） WCanoImp;（3）CanoMerge ;2 分析流程;3 CANOCO中的排序方法;（3）一个数据集被另一个数据集解释后，再被第三个数据解释---偏典范排序。例如季节效应被校正后，使用环境数据解释或预测物种多度。 （4）描述一个被一个数据集解释后的数据集结构---偏排序。例如描述季节效应校正后的群落结构。;4 CANOCO中的响应模型;5 CANOCO的结果;第三章 操作示范;2 分类示范; 这一步的目的是决定样方得分是如何尺度化？这一步操作的效应是样方和物种的得分范围相对于另一尺度而言，是扩大或者是缩小，对于特征值相似的轴，这一步的选择是不重要的。 对于名义环境变量定义的样方，样方尺度可以通过样方组间的距离解释样方组间的相似性。 对于数量型环境???量，物种尺度可以反映环境数据间的相关性。但是环境的效应大小最好通过样方尺度解释。 对于既有名义型环境变量又有数量型环境变量的数据，任何一种尺度都是合理的。 无论你选择何种尺度，排序图展示如下信息：物种的主要格局、物种和数量型环境变量间的关系以及对于名义型的环境变量，每个组中物种的平均值。; （1）在线性模型中，你需要决定物种的箭头所要表示的意义：物种的多度（多度大的箭头长）或者是要反映由物种多度转化的可比较尺度（所能解释的百分比）。 （2）如果你选择“divided by the standard deviation”, 物种箭头表示在排序空间内展示的物种变化量的比例，是个相对值；如果你选择“do not post-transform”,物种箭头表示的是物种在排序空间内的多度变化量，是个绝对值。;（2）数据转化 ;（3）中心化与标准化; （1）基于线性模型的排序方法都涉及数据的中性化与标准化。 （2）样方的中心化是让每个样方的平均值为0，物种中性化是让每个物种的平均值为0。 （3）样方（或物种）的标准化是让每行（或列）的范数等于1。在数值上，范数等于列或行内各值平方和的平方根。 （4）中心化和标准化不是必须都得进行。几乎基于线性模型的数据都需要中性化，但不一定标准化；如果都进行，中心化必须先进行；物种数据的量纲不同，物种数据必须标准化（样方数据可能不需要）。;（4）结果 ;2.1.2 DCA;(1) DCA一般都用区间去趋势“by segments ” ；DCCA一般用多项式去趋势 “by polynomials” 。 (2) 多项式去趋势阶数的选择标准：环境因子小于10个，选2阶；小于13个，选3阶，大于13个，选4阶。 (3) 注意：对于约束排序，去趋势一般是不必要的。;2.2 限制性排序;（3）置换检验的原理;;上式nx表示产生的置换数不低于随机置换分析的数量。N代表总的置换数。;2.2.