植被生态学研究中常需要将样地-物种属性数据划分为多个具有生态意义的集群,在植被分类过程中不仅要在分类方法上做选择,还要确定该植被数据分多少类最合适。有很多指标来确定群落划分中的最优分类数,但都没有得到一致的认可。将黄河三...植被生态学研究中常需要将样地-物种属性数据划分为多个具有生态意义的集群,在植被分类过程中不仅要在分类方法上做选择,还要确定该植被数据分多少类最合适。有很多指标来确定群落划分中的最优分类数,但都没有得到一致的认可。将黄河三角洲227个样地数据用Ward等级聚类法进行了分类。为了找到最优的分类数和判断指标,用不同的判断标准对植被数据分为2到15类时进行分析。主要从3个方面对最优分类数进行判断:1)比较集群内的同质性和集群间的异质性;2)基于集群的物种组成、环境变量的不同,确定集群与环境的相关性;3)基于物种在不同集群内的频度与多度。判断指标主要包括:average silhouette width指数、Goodman and Kruskal's Gamma系数、Dunn指数、集群分布的熵、wb.ratio指数、Calinski and Harabasz指数、C-index指数、partana指数、biserial指数。用多响应置换过程对集群间物种组成和环境差异显著性进行分析。用指示物种从生态角度对各集群进行判别,并对指示物种的显著性进行了分析。不同判断标准得到的黄河三角洲最优分类数不同,得到的最优分类数包括分为2、5、7、和15类;多方面综合判断,认为在分为7类时最好。群落分类中应该有较优的断点,划分类较少时,集群特征不明确;划分类较多时,集群特征虽然更明确,但可能会导致较多的小集群,且小集群间环境差异不显著。7类较优,能满足物种组成差异、环境差异、群落内和群落间差异、所含信息量多的要求。分为2—6类时应该都是有意义的,只是所代表的群落特征不同。各判断标准中,dunn、silhouette、Calinski和Harabasz指数和指示物种能比较有效的判断最优分类数。不同的分类方法和物种属性数据的得到的结果有待进一步研究。展开更多
文摘植被生态学研究中常需要将样地-物种属性数据划分为多个具有生态意义的集群,在植被分类过程中不仅要在分类方法上做选择,还要确定该植被数据分多少类最合适。有很多指标来确定群落划分中的最优分类数,但都没有得到一致的认可。将黄河三角洲227个样地数据用Ward等级聚类法进行了分类。为了找到最优的分类数和判断指标,用不同的判断标准对植被数据分为2到15类时进行分析。主要从3个方面对最优分类数进行判断:1)比较集群内的同质性和集群间的异质性;2)基于集群的物种组成、环境变量的不同,确定集群与环境的相关性;3)基于物种在不同集群内的频度与多度。判断指标主要包括:average silhouette width指数、Goodman and Kruskal's Gamma系数、Dunn指数、集群分布的熵、wb.ratio指数、Calinski and Harabasz指数、C-index指数、partana指数、biserial指数。用多响应置换过程对集群间物种组成和环境差异显著性进行分析。用指示物种从生态角度对各集群进行判别,并对指示物种的显著性进行了分析。不同判断标准得到的黄河三角洲最优分类数不同,得到的最优分类数包括分为2、5、7、和15类;多方面综合判断,认为在分为7类时最好。群落分类中应该有较优的断点,划分类较少时,集群特征不明确;划分类较多时,集群特征虽然更明确,但可能会导致较多的小集群,且小集群间环境差异不显著。7类较优,能满足物种组成差异、环境差异、群落内和群落间差异、所含信息量多的要求。分为2—6类时应该都是有意义的,只是所代表的群落特征不同。各判断标准中,dunn、silhouette、Calinski和Harabasz指数和指示物种能比较有效的判断最优分类数。不同的分类方法和物种属性数据的得到的结果有待进一步研究。
