群落组成数据的排序方法

大家好，欢迎来到IT知识分享网。

Metric ordination methods for community composition data

• 排序的主要目的是将对象（通常是生态学中的采样点）显示为一个多元的分散图，也称为散点图。

二维散点图

果柄的分散依据可识别一些信息：易剥或难剥、酸甜口味；相似的水果在一起；他们之间的距离很小；差距较大的水果彼此相距甚远；考虑到轴的变化，这个图是一个很好的表示（或模型）。

1954年，植被生态学家第一个在群落生态学中使用因子分析。David Goodall提出了”排序”一词来指代这种新的分析类型，这个词广泛适用于现在社区生态学等领域的教科书和出版物中。

通过移动坐标轴旋转图形，可以找到一个离散度最大的位置，从而用相应的数据描述其位置。生态数据的困难在于他们是多变量的，每个变量表示排序中的维度，因此该排序将有多个维度。在生态学中，对研究的每个对象通常观察到几个描述符。例如在每一地点可观察到数百个物种和许多环境变数，在大多数情况下，生态学家感兴趣的是描述物体相对于所有描述符（而不仅仅是少数描述）的主要变化趋势。

• 排序是分析Beta多样性的一种方法,所有常用的排序方法，典型排序方法和多元方差分析法等都能将总方差分解，从而准确的回答生态问题。因此他们都是分析Beta多样性的方法

• 四种简单的排序方法：

• 主成分分析法（PCA）：PCA是一种保持目标间欧氏距离的排序方法，PCA仅适用于多变量定量数据，其实际应用非常广泛，是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。为使均值、方差、协方差有意义，在主成分分析中变量必须是定量的。主成分分析可以帮助解决生态学中的不同问题，例如识别或显示相互关联的变量组，例如物种关联。

螨虫物种的关联

• 对应分析(CA)：CA是一种保持目标之间卡方距离的排序方法，适用于多变量频率或存在缺失的数据，其数据必须是非负的，是类似频率的，并且在维度上是均匀的，可以通过数据的对应分析数学特性分析生态学中群落组成数据，是以数据简化的原则，力图直观的给出两个分类变量各个类别之间的联系；当各个变量的类别越多时，该方法的优势就越明显，在图形的浪潮中，多维图示分析技术是一个研究热点，它的输出结果直观 ，对应分析是多维分析中的一种，该技术是”探索”和”观看”多维数据间关系的一种强有力的方法。

鱼类数据的CA曲线

• 主坐标分析（PCoA）:PCoA是一种排序方法，假设我们对N个样方有了衡量它们之间差异即距离的数据,就可以用此方法找出一个直角坐标系(最多N-1维),使N个样方表示成N个点,而使点间的欧氏距离的平方正好等于原来的差异数据。适用于任何数据类型：定量的、半定量的、定性的或混合的。主坐标分析是1966年由John.c教授提出的，在统计方法论、计算和应用，特别是在生态学和分类学方面做出了特殊贡献。可利用数量数据对草地等进行主坐标分析。

草原40个样方主坐标分析的二维排序

• 非度量多维尺度分析和聚类分析（nMDS）：是一种将多维空间的研究对象（样本或变量）简化到低维空间进行定位、分析和归类，同时又保留对象间原始关系的数据分析方法。适用于无法获得研究对象间精确的相似性或相异性数据，仅能得到他们之间等级关系数据的情形。它的目标是将来自多个维度（如多个社区、站点等）的信息压缩为几个维度，以便它们能够被可视化和解释，与其他依赖于技术的排序方法不同，nMDS使用秩序，因此是一种非常灵活的技术，可以容纳各种不同类型的数据。是非线性的模型可以更好的反映生态数据。

如有错误欢迎指出！

图片来源于网络，侵权请联系删除！