第八章-群落相似性与聚类方法.ppt

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，Sorensen(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。 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 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。 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。 四、相似百分率 由Renkonen(1938)提出，又称Renkonen相似性指数。 P＝Σmin(p1i，p2i) 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 五、Morisita相似指数 Morisita指数不受样本大小的影响，不过样方不宜太小。 Wolda(1981)提出该指数是生态学上分析群落相似性的最好方法。 六、Horn相似性指数 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