《群落相似性与聚类方法课件》由会员分享，可在线阅读，更多相关《群落相似性与聚类方法课件（47页珍藏版）》请在金锄头文库上搜索。
1、第八章 群落相似性与聚类方法,群落的相似性分析方法 群落的聚类分析方法 群落的排序分析方法,第一节 群落相似性分析,比较两群落的相似程度 按物种组成进行相似性比较 按物种的个体数进行相似性比较,一、二项相似系数法,按两群落的物种组成进行相似性比较。 用样方抽样来调查两群落中的物种数。 只需记录两群落中各物种的名称，而不必计数其个体数。 对两群落中各物种出现情况进行统计 a：为A群落中出现的物种数 b：为B群落中出现的物种数 c：为AB两群落均出现的物种数 d：为AB两群落中均没出现的物种数。,Jaccard相似系数: Sj=c/(a+b-c) Czekanowski(1913)提出，Soren
2、sen(1948)更新的Sorensen相似系数： Ss=2c/(a+b) 简单匹配系数 SSM=(c+d)/(a+b+d-c),Baroni-Urbani & Buser系数,二项相似系数法的优缺点 优点：不考虑物种的个体数，调查简单，计算简单。 缺点：结果易受样方大小及样方数多少的影响。 样方越大，相似性越高，抽样数越多，相似指数变小。,样方数,样方大小,二、距离系数法,为两群落的相异系数或相差距离 如果两群落的距离值接近于0，则相似度很高。 考虑群落中各物种的个体数 Xij：为j群落中i物种的个体数 Xik：为k群落中i物种的个体数,欧氏距离(Euclidean距离) 欧氏平均距离,两群
3、落的总物种数,Bray-Curtis距离,Canberra距离,优缺点：,该方法比二项相似系数法更适合实际，但调查和计算要复杂些。 受样方大小、抽样数及物种多样性的影响较大。 样方越大，相似性越高，抽样数越多，相似指数变小。,样方大小,抽样数,三、相关系数法,两群落中物种的个体数的变化呈直线相关时使用。 Xi：为x群落中i物种的个体数 Yi：为y群落中i物种的个体数 Y=a+bX的相关系数r即为XY两群落的相似性大小。,当两群落数量呈比例变化或增加相同数量时，仅相关系数不受影响。,四、相似百分率,由Renkonen(1938)提出，又称Renkonen相似性指数。 Pmin(p1i，p2i)
4、p1i：为第1群落中i物种的个体百分率； p2i：为第2群落中i物种的个体百分率。 样方大小及物种多样性对该指数影响较小。,例,物种 群落x 群落y A 5 1 B 10 3 C 2 5 D 20 6 E 9 10 F 4 5,x y 0.1 0.03 0.2 0.1 0.04 0.17 0.4 0.2 0.18 0.33 0.08 0.17,P=(0.03+0.1+0.04+0.2+0.18+0.08)=0.63,五、Morisita相似指数,Nj：为j群落中总个体数； Nk：为k群落中总个体数。,Morisita指数不受样本大小的影响，不过样方不宜太小。 Wolda(1981)提出该指数是
5、生态学上分析群落相似性的最好方法。,六、Horn相似性指数,该指数受样方大小影响小。,第二节 相似性分析时的数据标准化,数据标准化的目的？ 数据标准化的常用方法？ 数据标准化后相似性指数如何计算？ 数据标准化后相似性指数是否会发生变化？,一、数据标准化的目的,降低极端值对相似性指数的影响。 提高稀有物种对相似性指数的贡献。 消除种群个体数对相似性指数的影响。,二、数据标准化方法,平方根转化 对数转化 数据比率化,三、标准化后相似指数计算,用标准化的数据，代入各相似性指数公式中进行计算。,标准化后，各相似指数的变化情况不一 二项相似性指数不变 平方根和对数转化后，各相似性指数均发生变化 数据比率
6、化后，对Bray-Curtis指数、Canberra指数、Morisita指数和Horn指数影响较小，相关系数和相似百比率不变，但对欧氏距离影响较大。,第三节 群落聚分析方法,适用于多个群落相似的比较。 将相似的群落归为一类。 聚类结果一目了然。,一、单联聚类法Single Linkage Clustering,1.基本步骤： 利用距离法求两两群落的相似性指数，并列成相似性矩阵。(欧氏距离等) 将相似性指数最大的两个群落归成第一聚类组。 按最大相似指数将另一对群落聚类，或将另一群落与第一聚类组聚成一大类。,样本与已聚类组间的相似性样本与聚类组中最相似的一个成员的相似性 两个已聚类组间的相似性两
7、聚类组中最相似成员的相似性。 按同样方法将其它群落归入聚类组中，成为一大类。,2 例四个群落的Canberra相似指数分别为： A B C D A 1 0.78 0.9 0.56 B 1 0.7 0.34 C 1 0.25 D 1,0.9,0.78,0.56,四群落的相似性指数如下，请做出聚类图。 A B C D A 1 0.6 0.9 0.56 B 1 0.7 0.8 C 1 0.25 D 1,3 聚类图分析 最先聚类的两群数的相似性最高。 一定的相似值下，可将各群落划分为几类。,A B C D E,AB为一类 C为一类 DE为一类,二、全联聚类法Complete Linkage Clust
8、ering,相似性最差的先聚类 样本与聚类组间的相似性样本与已聚类组中最远一个成员的相似性 两个已聚类组间的相似性两聚类组中相似性最远两个成员的相似性 聚类步骤与单联聚类相同。,单连聚类图,B A C D,全连聚类图,三、平均聚类法Average Linkage Clustering,先对最相似的两群落进行归类 群落与已聚类组间的相似性群落与所有已聚类成员间相似性的算术平均值 聚类方法同单联聚类法,SJ(K)：为聚类组J与K间的相似性 tJ为聚类组J中的样本数(=1) tK为聚类组K中的样本数(=2),A B C D A 1.0 0.88 0.99 0.66 B 1.0 0.88 0.62 C
9、 1.0 0.66,B与AC组的相似性(1/12)(0.88+0.88)=0.88 D与ACB组的相似性（1/13)(0.66+0.66+0.62)=0.647,目前，这些聚类方法均有现成软件得到聚类图。 SAS软件 SPSS软件 DPS软件 利用DPS软件，完成练习题4,第四节 群落的排序,一、直接梯度分析 分析群落中各物种随环境梯度变化而变化的趋势。,二、排序Ordination,将不同群落标在坐标图上，分析群落间的位置关系，从而对群落进行归类。 排序往往采用相异指数或距离指数来进行。 极点排序法是一种较简单而常用的排序方法,极点排序步骤,1 确定各群落间的相异系数，并建立成矩阵形式。 G
10、1 G2 G3 G4 G5 G1 0 G2 0.2783 0 G3 0.2917 0.0328 0 G4 0.4321 0.1973 0.3702 0 G5 0.5119 0.4108 0.3717 0.3506 0,2 选择第一排序轴x 一般选择相异值最大的两个群落作为x轴的两个端点a，b，并记为a，b群落。 也可选最大相异总值的群落标记为x轴的a点，而与a群落相异值最大的群落定为b。,3 确定其它群落在x轴上的位置。 利用各群落与a,b群落的相异系数Da和Db，来计算该群落与a群落的距离x。,x坐标 G1 0.5119 G2 0.3402 G3 0.3078 G4 0.1936 G5 0,
11、4 选择第二坐标轴y。 除a,b群落外，其它各群落均与x轴有偏离，偏离值为h,选取与x轴偏离值最大的群落作为Y轴的一个端点，并记为a群落，令其Y坐标为0，与a群落相异系数最大的为Y轴的另一端点，并记为b群落。,h值大小 G1 0 G2 0.2303 G3 0.0258 G4 0.2923 G5 0,5 选取与x轴偏离值最大的群落为Y轴的一端点，用下式确定其余各群落的Y坐标,X坐标 Y坐标 G1 0.5119 0.4321 G2 0.3402 0.1656 G3 0.3078 0.2762 G4 0.1936 0 G5 0 0.0551,h值大小 G1 0 G2 0.2303 G3 0.0258
12、 G4 0.2923 G5 0,6 根据每一群落的xy坐标值，将其绘在坐图上。,X坐标 Y坐标 G1 0.5119 0.4321 G2 0.3402 0.1656 G3 0.3078 0.2762 G4 0.1936 0 G5 0 0.0551,7 排序效果检验 利用两群落的排序间距D与相异值间的相关系数r来检验。,X坐标 Y坐标 G1 0.5119 0.4321 G2 0.3402 0.1656 G3 0.3078 0.2762 G4 0.1936 0 G5 0 0.0551,dx：为两群落在x轴上的坐标差值 dy：为两群落在y轴上的坐标差值 如果r在0.9以上，则排序效果较好。,X坐标 Y坐标 G1 0.5119 0.4321 G2 0.3402 0.1656 G3 0.3078 0.2762 G4 0.1936 0 G5 0 0.0551,r=0.91,讨论与作业,调查了五个群落中不同湿度区域内各物种的个体数。试问可进行哪些有关群落的比较分析？具体分析步骤如何？,
