Institute of Botany, the Chinese Academy of Sciences 如.ppt

（3）生态位的阐述： 物种是按单峰曲线沿生境梯度分布的， 物种在排序空间的分布表明物种和环境的关系，物种和样方的相对位置表明物种和样方的相对关系。 如图中，22号样方和青冈(CYCGLA) B. 只在少数样方出现的物种通常在排序空间的边缘，表明它们只偶然发生，或它们只在稀有生境（如米槠CASCAR）。 C. 在排序空间中心的物种，可能在取样区域是该物种最优分布区，如甜槠，或有两个或多个最优分布区，或与前两个轴不相关。 除趋势对应分析(Detrended correspondence analysis, DCA)： CA采用单峰曲线表示物种和环境关系 CA产生的弓形效应 CA的第二排序轴在许多情况下是第一轴的二次变形，即所谓的“弓形效应”（Arch effect）或者“马蹄形效应”（horse-shoe effect）。 DCA在R中的实现采用函数decorana。 decorana(veg, iweigh=0, iresc=4, ira=0, mk=26, short=0, before=NULL, after=NULL) veg:群落数据; iweig:稀有物种的权重； iresc：纠正弓形效应的次数； ira:分析的类型(0: DCA, 1:CA); mk：校正弓形效应轴的分段数; short: 需要校正的最短梯度。 plot(decorana(gtsdata)) plot(cca(gtsdata)) 冗余分析(redundancy analysis, RDA)及典范对应分析（Canonical correspondence analysis, CCA) 1.通常采用PCA处理环境数据，采用CA处理群落数据，但这些方法都只能处理一个数据表； 2.RDA和CCA是多元分析（PCA，CA）和线性回归的结合，研究植被和环境之间的关系。 PCA与环境因子结合是RDA，CA与环境因子结合是CCA。 CCA在vegan中的实现： cca(formula, data, ...) cca(X, Y, Z, ...) RDA在vegan中的实现： rda(formula, data, ...) rda(X, Y, Z, ...) ＞gts.rda=rda(gtsdata,gtsenv); gts.rda=rda(gtsdata~elev+convex+slope+aspect+N+K+P+pH,data=gtsenv); scale=F scale=T gts.rda Call: rda(X = gtsdata, Y = gtsenv) Inertia Rank Total 352.1 Constrained 137.4 8 Unconstrained 214.7 22 Inertia is variance Eigenvalues for constrained axes: RDA1 RDA2 RDA3 RDA4 RDA5 RDA6 RDA7 RDA8 56.3864 42.7769 17.8270 13.5066 2.5020 2.1217 1.6616 0.6203 Eigenvalues for unconstrained axes: PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 72.287 54.891 26.618 17.959 12.730 9.918 5.659 5.349 plot(gts.rda) 环境因子一般用箭头表示，箭头所处的象限表示环境因子与排序轴间的正负相关性，箭头连线的长度代表着某个环境因子与群落分布和种类分布间相关程度的大小，连线越长，说有相关性越大。反之越小。箭头连线和排序轴的夹角代表着某个环境因子与排序轴的相关性大小，夹角越小，相关性越高；反之越低。 summary(gts.rda) Call: rda(X = gtsdata, Y = gtsenv) Inertia Rank Total 352.1 Constrained 137.4 8 Unconstrained 214.7 22 Inertia is variance Eigenvalues for constrained axes: RDA1 RDA2 RDA3 RDA4 RDA5 RDA6 RDA7 RDA8 56.3864 42.7769 17.8270 13.