基于CANOCO 的生态学数据的多元统计分析 12案例分析2.pdfVIP

基于 CANOCO 的生态学数据的多元统计分析 Jan Leps, Petr Smilauer 著 黄天元 编译 12 案例分析2：对群落构成特征以及所处环境相关性的探索——泉水草地的植被覆盖状况 在这个案例中，我们将会展示多元分析中一种常见的应用：对一组包含环境参数的植被样本 进行分析，寻找其中的规律。这里的物种数据为喀尔巴阡山脉最西端山泉沼泽草地的典型植 被样方（记录了所有的维管植物和苔藓植物，并用Braun –Blanquet 等级估计法估测了植物 * 的多度）。数据已经用Braun –Blanquet 等级估计进行转换，用 1~7 的数值来表示r、+ 、1~5. 样方中还包含了环境数据——泉水的化学性质、土壤有机碳含量和样点的坡度。其中铁离子 浓度数据使用摩尔浓度来表示的：这样一来，环境参数就都通过 CANOCO 标准化的处理， † 所以它们单位的选择没有对结果造成影响（不同的单位直接没有线性相关关系）。Michal Ha ′ jek 无私地提供了这些数据，他们的研究分析已经发表，可以参考Ha ′jek et al. (2002). 这个 案例分析的目标在于描述植被的基本特征以及与相关环境条件的联系，特别是泉水的化学性 质之间的相关性。 这些数据都保存在文件 meadow.xls 中，一个工作表包含了物种数据，另一个工作表包含了 环境参数（已在原数据基础上进行了简化）。数据用WCanoImp 程序转换为可导入 CANOCO 的格式，最后生成meadows.spe 和 meadow.env 两个文件。我们注意到在Excel 文件中，物 种数据是颠倒的（物种名作为行，样方作为列）。这在宏观尺度的调查中是常见的，因为在 常规工作表中物种种类的数目常常要比样方的数目要多。如果物种数量和洋房数量都超过了 最大可容列数，你可以使用CanoMerge 程序 （见4.1 章节），或者也可以用一些专门存储大 型数据库的专业软件，最后生成CANOCO 格式的文件（本文使用的数据是从TURBOVEG 中 的数据库提取出来的；Hennekens Schaminee 2001 ）。事实上，与近年来植被性状调查的数 据量比较，我们分析的数据量（70 个样本，285 个物种）是相当少的。 12.1 非限制性排序 首先，我们对数据进行一个非限制性排序——去趋势对应分析（DCA）。这里不需要对数据 进行转换，因为盖度的排序本身就具有对数的特性，这样可以给物种的优势度分配合理的权 重。在DCA 分析中，要对数据集的各组分进行组分去趋势和Hill 等比例处理，得到最长轴的 程度可以作为物种β多样性的测度（这里测得数值为3.9，说明在这个案例中使用单峰模型 是合理的）。非限制性排序为数据组分的梯度提供了一个基本的概览。对环境变量进行分析 也是非常有用的——这不会对物种和样方的排序造成任何影响，仅仅在原有排序图后增加新 的投影而已。 让我们先看一下文件输出的记录： *这个范围与物种的盖度不是线性相关的，只是将盖度进行粗略的对数转换，见 1.8 章节。 †这里的环境变量并没有进行转换，只是因为铁离子浓度具有非负性与正态性的特性，所以在案例中我们对 其进行了对数转化。 基于 CANOCO 的生态学数据的多元统计分析 Jan Leps, Petr Smilauer 著 黄天元 编译 第一梯度是最长的，远远超过了第二以及更高阶的排序轴，解释了10%的物种变量（对于这 个数据集的书中数量来说，这已经相当高了）。而且第一排序轴与环境变量的相关性很高 （r=0.898），其他排序轴与环境的相关性则较低。这些都表明整个数据集受到一个优势梯度 的影响很大。表格中总典范特征值（Sum of all eigenvalues ）与典范对应分析的特征值总和 （Sum of all canonical eigenvalues ）相对应（可以揭示如果使用约束分析环境变量的解释程度 有多少）。物种-环境关系百分比变化显示了这个数值的百分比。在DCA 分析中，默认生成物 种-环境二维图，只有两条排序轴，所以第三、四排序轴的解释量均为0. 现在让我们生成一个排序图。我们建议你参照图12