植物群落分析的植物群落的数值分类
群落分类的基本单位是样地（或样方），即群落实体。群落的内涵特征描述项目，如种类组成、种的频度、多度或显著度等的数值，即反映实体属性的信息。数值分类一般是按属性的相似或相异程度，将所有样地（或样方）集合分成若干个“同质的”样地（样方）组，使组内的成员尽可能地相似，不同组的成员尽可能地相异。即按群落所包含的各个属性、或规定的各项属性的变异幅度来分类。这些“同质”的样方组，可以是等级的分类类级（如传统分类的群丛，群属，群目，群系等），也可以是非等级的类级（统称为植物群落型）。通常按属性分类，用样方间的矩阵CN，称为正分析，或R分析方法。但也有用属性或种间矩阵CP的，称为逆分析，或Q分析方法。分类的方法程序有二大类，即聚合分类，或分划分类。
等级聚合的分类 根据群落样地（样方）彼此间的相似程度，通过逐次合并，成为不同等级的“同质”样方组，或聚簇（Clustor）的分类方法，也叫聚簇分析。等级聚合程序最早被切卡诺夫斯基（1909）用于人类学资料的分类，以后才被波兰生态学家专门用于植被分类。
群落的聚簇分析，是多元的聚合方法。因为，群落样地或样方的N×N相似（异）系数矩阵CN是进行聚合的基础。无论哪一种相似（异）系数，其数值都是从所有属性的数据计算而来。聚合的程序一般是：①计算样地（样方）的N×N相似（异）系数矩阵CN；②先从CN中找出最相似的一对样地（方）合并为第一个聚簇；③重算（N-1）×（N-1）的相似（异）矩阵；④再从中找出与第一次合并聚簇最相似的另一个样地，并合并出另一个聚簇；⑤依次，重复逐次合并，直到全部样地合并为一。简言之，即从单个样方开始聚合，再是聚簇与单个样方、或与另外聚簇的聚合，自下而上直到把整个样方集合聚合为一体，结果是产生一个逐级聚合分析的枝谱图。
等级聚合过程中，有一个如何测算两个聚簇之间的距离的问题。需要一个适合的测度Dkij，表示k聚簇到i和j联合聚簇之间距离。通常应用的七种聚合方法是：最近邻法；最远邻法；中线法；形心法；组平均法；平方和增量法；可变法等。兰斯和威廉斯（1967）为这些计算群簇距离的不同聚合方法，建立了一个统一的模型。
DCA+B=XADCA+2BDCB+βDCA+γ|DCA－DCB|
其中A，B，C，A+B均表示样方组（群簇）。它们的样方数分别为nA，nB，nC，nA+B，A+B是 A与 B的并组，有nA+B=nA+nB。2A，2B，β，γ是常数（模型系数）。
威廉斯和兰伯特（1966）提出的信息分析方法，用对称信息相似系数，即以样方组合并引起的信息增量ΔI，作为A与B样方组间的相异性指标，将信息增量最小的成对群簇加以合并，其计算式为
ΔI（A，B）=I（A+B）-I（A）-IB
等级划分的分类 是从N个样地（方）的集合开始，从上向下逐次分划。即先按相似性分为二个样方组，使组内相似性最大，组间相异性最大。接着对每个组再次分划，最终达到一定要求的“同质”样方组为止。
等级分划有单元和多元二类，现时通行的多为单元分划方法。如关联分析、组群分析和信息分析等方法。在群落数值分类中最常用的是关联分析方法。
关联分析，是基于在某个一致的群落中不同样方之间种类是不相关的，即二种间的关联是随机的，因而可把种间关系最小的一些样方，从样方集合中分划出来，作为一个类级。
关联分析的程序是：①依据二元（种的存在与不存在）原始数据矩阵X，求出P个种的种间关联系数矩阵CP=（Chi），（h，i=1，2，…，P）；②从种的关联矩阵中找出一个与其他种关联最大的种A，称为临界种或关键种。③在样方集合中把含有临界种A的样方组（A），与不含临界种的样方（a）划分开成二个子样方组；④对（A）分别重复上面的程序，确定另一个临界种B，按B种的有或无，从A中划分出有B种存在的B样方组。如此反复进行，直到在分出的子组内部种间关联系数全都在规定的显著水平以下，即达到划分过程的“终止线”为止。⑤最后，也可得到等级划分分类的树谱图（图4）。图中横坐标表示两条终止线的两个显著水平，纵坐标表示各次分划的X2/N的临界值和分划的过程。每一次分划的两支联结线下的植物种是该次分划的临界种，（+）号表示含有该临界种的样方组，样方数在方框内；（-）号表示无临界种的样方组，样方数记在方框内。
11
2024-08-28 广告
