Multivariate Statistik Flashcards
Entstehung relative (apparente) Abundanz
kein einheitliches sampling der Unterschungsflächen (Untersch. Flächengrößen, untersch. Zeit)
Gewichtung der Komponenten (species richness, eveness) in den Indizes
Shannon: ungefähr gleich
Simpson: sehr starke Gewichtung der gleichverteilung im Vorteil der abundanten Art
Multivariate Statistik
Mehrere abhängige Variablen werden durch mehrere erklärende Variablen erklärt (Abundanzen, Vorkommen der Arten)
Verfahrensgrundlage (Multiv. Statistik)
Distanzmaße für die Unähnlichkeit der Artenzusammensetzung zwischen zwei Probepunkten
Ähnlichkeit der Artenzusammensetzung
Positiv: Anzahl der Arten die in
beiden Aufnahmen vorkommen
Negativ: Anzahl der Arten, die nur in jeweils einer Aufnahme
vorkommen
Klassischer Ansatz der
Abgrenzung von Pflanzengesellschaften
1) Anfertigung von
Vegetationsaufnahmen
2) Verarbeitung in Vegetationstabellen
3) Abgrenzung von Gruppen
rein optisch, subjektiv
Ähnlichkeitsmaße
messen die Ähnlichkeit
der Artenzusammensetzung
zwischen zwei Beständen (z.B. Jaccard-Index)
Jaccard Index
Anteil der Gemeinsamen Arten an allen Arten
J = 1, wenn nur gemeinsame Arten
1 J = Unähnlichkeit/ Distanz
ökologische Distanz
- Unterschiede in Artenzusammensetzung
zwischen Gemeinschaften - Arten turnover (Austausch)
- ß-Diversität
Unähnlichkeit darstellen
Clusterdiagramm:
Ähnliche Aufnahmen werden zu „Zweigen“ gruppiert
Länge der Zweige als Maß der Unähnlichkeit von Gruppen
Distanzen des Diagramms werden von den Multivariaten Verfahren weiterverarbeitet
Schritte Klassifikation der Gruppen
1) Berechne Distanz Matrix.
2) Fusioniere zwei Gruppen basierend auf dem Kriterium der minimalen Distanz innerhalb der Gruppe
3) Verbinde die Attribute der Objekte in den zwei fusionierten
Gruppen
4) Fusioniere die nächsten zwei Gruppen und wiederhole
Schritte 3 4 bis nur eine Gruppe übrig bleibt
5) Stelle die Ergebnisse in einem Dendrogram dar
CCA (kanonische Korrespondenzanalyse)
vergleicht verschiedene Vegetationsaufnahmen um deren Unterschiede entlang eines oder mehrerer (Umwelt-) Gradienten zu verdeutlichen
Beinhaltet z.B.: Arten (Punkte), Umwelteinflüsse (Pfeile/ Gradienten)
Ordinationsverfahren
mathematische Verfahren, deren Hauptergebnis die graphische Darstellung der Daten in einem Koordinatensystem ist
multivariate Datensätze sind als n dimensionale Hyperräume zu
verstehen
Hyperraum
ein Hyperraum hat so viele Achsen , wie es beispielsweise Arten oder Objekte (Probeflächen, Bodenfallen) gibt
Dimensionsreduktion
Ordinationen versuchen, n dimensionale Hyperräume in 2( 3) dimensionalen Darstellungen zu vereinfachen
Ordinationsverfahren Grundprinzip
(Ziel, Annahme, Grundprinzip, Berechnung)
Ziel: : grafische Darstellung von Artengemeinschaften
Annahme: : ein Gradient existiert in der Gemeinschaft, der eng mit Umweltvariablen verknüpft ist!
Grundprinzip: : räumliche Nähe impliziert Ähnlichkeit
Berechnung: : Ähnlichkeitsindizes, welche die „ökologische Distanz“ der Probeflächen widerspiegeln (Distanzmaße)
Ähnlichkeit- und Distanzmaße
Bray Curtis, Jaccard and Kulczynski
-> gut zum Aufspüren ökologischer Gradienten
Morisita, Morisita Horn, Binomial and Chao
-> für unterschiedliche Stichprobengrößen
Mountford and Raup Crick for presence absence data
-> für sehr variable bzw. unbekannte Stichprobengrößen
Achsen und Gradienten eines CCA
Wie die Pfeile der Umweltvariablen zueinander stehen beschreibt deren Verhältnis/ Korrelation zueinander
Umweltgradienten, die am ehesten zu dem Verlauf der Achsen stehen beschreiben auch deren Gradienten
indirekte Gradientenanalyse
sind nicht in die Darstellung des Ordinationsdiagramms eingeflossen im zweiten schritt indirekt drüber geblendet
die Anordnung von Arten und Probepunkten im Diagramm erfolgt nur auf Basis der Distanz der Artenzusammensetzung
grafische Darstellung von Artengemeinschaften zur schnellen Interpretation
-> explorative Datenanalyse
-> Aufstellen von Hypothesen
direkte Gradientenanalyse
hierbei gehen die Umweltvariablen direkt in die Ordination ein
die Aufnahmen werden gleich in einen mit den Umweltvariablen
aufgespannten ökologischen Raum eingetragen (vgl. Ökogramme)
-> Artenzusammensetzungen (Ähnlichkeit der Artenzusammensetzung) werden nach dem Hintergrund der Umweltgradienten diskutiert
dadurch wird der Gradient in den Umweltvariablen zu dem Gradienten in den biotischen Daten in Beziehung gesetzt
-> Testen von Hypothesen
Merkmale Ordinationsdiagramme
Nähe im Diagramm bedeutet Ähnlichkeit in der Artenzusammensetzung
und Abundanzverteilung (ecological distance)
mit Transformationen der Rohdaten (Wurzel, log etc.) kann man die Gewichtung von häufigen und seltenen Arten steuern
die Wahl des Ähnlichkeitsmaß beeinflusst das Ergebnis
Lage von Probeflächen in Richtung der Pfeilspitze von Umweltvariablen bedeutet hohe Werte dieser Variable auf diesen Probeflächen
(in gegensätzlicher Richtung verringern sich die Werte des Umwelteinflusses)
Probeflächen-Plots und Arten-Plots können übereinander gelegt werden, so dass man den Einfluss von einzelnen Arten zur Trennung von Probeflächen abschätzen kann
NMDS
Nicht- metrische-multidimensionale- Skalierung
die allgemein wirksamste Ordnungsmethode für die Daten der Gemeinschaften
kann in R mit jedem beliebigen Distanzmaß arbeiten
Merkmale NMDS
erlaubt jedes Distanzmaß
setzt keinen linearen Zusammenhang der Variablen voraus
verwendet ‚ ranked distances ‘ –> Abundanzen gehen ein, Extremwerte führen aber nicht zu Verzerrungen
Stresswert NMDS
beschreibt die Schwierigkeit, die wirklichen ökologischen Distanzen zwischen ALLEN Objekten in der gewählten Anzahl von Dimensionen darzustellen
sollte unter 0.2 liegen, am besten unter 0.1
Ordinationsmodell in R
Erstellen des Ordinationsmodells - immer mit der Artentabelle, nie mit den Umweltdaten
Multidimensionale Skalierung
Distanzen der Objekte im Raum sollen möglichst den Unähnlichkeiten entsprechen
Multidimensionale Skalierung
Distanzen der Objekte im Raum sollen möglichst den Unähnlichkeiten entsprechen