生态景观生态学实验报告.docxVIP

景观生态学实验报告 生态学研究者主要通过控制实验和观测实验的方法获取数据。良好的实验设计对获得合适的数据非常重要。如果实验设计和数据采集过程存在严重问题，仅靠数据分析方法在大多数时候不能解决这些先天的缺陷。为此，在详细论述生态数据的统计分析方法之前，本章将着重对生态学的实验设计展开讨论。 正文 1.?研究目的是什么（What Is the Point of the Study?） 对此，作者列举了几个比较常见/基本的生态学研究问题。 1.1.?响应变量（Y）是否存在时间或空间变异？ 在生态学观测实验中，人们经常关心（响应）变量在时间和空间尺度如何变化——这也是处理观测数据（survey data）时最为常规的问题。比如，生物多样性在不同地区是否存在差异？种群数量、生态系统的稳定性是否会随时间发生变化？如果发现数据中可能存在时空格局，研究者则可以利用控制实验等方法搜集更多的数据，进而探索这种格局的产生机制。 1.2.?预测变量（X）对响应变量（Y）的作用如何？ 在控制实验中，研究者最常关心的问题是预测变量对响应变量的作用。研究时首先对预测变量建立不同的水平，然后测量响应变量的响应。 1.3.?响应变量（Y）的值与模型假设（H）预测的结果是否一致？ 研究者在观测实验和控制实验中都可能关注这个问题，但是大多数时候生态学者并不会对此做清楚的阐述。原因是生态学研究中的很多假设往往很难生成简单、可证真伪的预测。即使可以，通常也会产生多个预测，而不是唯一预测。 1.4.?如何确定模型参数的最优估计值？ 统计和数学模型是开展生态学研究的重要工具。比如，种群增长模型可以预测未来种群的大小。参数是模型的重要属性，需要根据数据并利用统计分析方法进行估计。 2.?控制实验（Manipulative Experiments） 经典生态学中的控制实验（Manipulative Experiment）通常是指Field Experiment，其在不同的细分领域中也被叫做样地实验、田间实验、野外实验等。研究者通过控制预测变量（因子）的水平，测量一个或多个感兴趣的响应变量。控制实验的结果可作为因果关系推断的重要依据。例如，假设某个海岛上蜥蜴的捕食行为可以控制蜘蛛种群的数量（密度），此时蜥蜴的密度是预测变量，蜘蛛的密度是响应变量。在控制实验中，可以首先在封闭的样方中将蜥蜴的密度设定为一系列梯度，之后观察蜘蛛密度的大小。获得数据后将二者绘制到二维散点图上，其中横坐标用来表示预测变量，在这里是蜥蜴密度，纵坐标表示响应变量，即蜘蛛密度。 统计零假设总是认为二者不存在确定的关系，因此这里的零假设是不管样方中蜘蛛的密度或高或低，都与蜥蜴密度没有关系（图1A）。统计备择假设是认为二者存在某种关系，这里可以假设在蜥蜴密度大的样方中，蜘蛛密度更小（图1B）。对此可以利用回归等数据分析方法对“是否接受零假设”进行判定。如果明确拒绝了零假设，可以通过对回归模型参数（斜率）的估计来量化二者间关系的大小。 图1.??蜥蜴密度与蜘蛛密度关系的统计假设。 尽管这种人为控制的样地实验很常用也很有效，但也存在一些局限。第一，这类样地实验通常只能在较小的空间尺度上进行，但小样方的结果往往难以直接推广到大尺度上。据统计，超过80%的样地实验中样方面积都小于1平方米。而要扩大样方面积，则很可能会导致重复不够。第二，样地实验通常不得不局限于小个体、短寿命和易于控制的生物体。比如本例中我们控制了蜥蜴和蜘蛛，但研究结果很难推广到狮子与羚羊的关系上。 第三，控制手段很难做到仅影响一个变量。比如，研究者为了排除鸟类等其他捕食者对蜘蛛密度的可能影响，在处理组设置了笼子以隔绝其他捕食者，在对照组没有设置笼子，此时笼子的遮阴作用等物理影响就可能混淆结果。第四，样地实验的设计可能过于复杂导致难以实施。比如，假设例子中涉及的蜘蛛物种有8种，研究者想要研究在不同蜘蛛物种的组合下，蜥蜴密度对蜘蛛的作用。这时，理论上将有255（2^8- 1）个蜘蛛物种的组合。如果还想在每种物种组合中设置10个蜥蜴密度的梯度，样方数量将达到惊人的2550个。显然这很难实现，这时很可能需要借助观测实验。 3.?自然实验（Natural Experiments） 观测实验也叫自然实验，是指研究者利用变量在自然条件下的变异（比如海拔、温度）开展研究。自然实验中没有人为控制，虽然也叫实验，但本质上并不属于狭义的“实验”。比如在蜥蜴与蜘蛛的例子中，研究者不对蜥蜴密度进行控制，而是直接将天然样地中的蜥蜴密度作为预测变量。然后根据样方中对应的蜘蛛密度开展与控制实验类似的分析。 虽然这里自然实验与控制实验的分析方法相同，但需要辨析二者对结果解释上可能存在的差异。一方面，自然实验由于缺乏对实验环境的控制，很可能在结果中混淆其他因素的影响。比如，样方内植物的遮阴