典范对应分析

1、模型对应分析CCCDCAdcca，2，引言CCA方法的介绍CCA方法的优点和缺点CCA排序的基本步骤DCCA排序、3，1，CCA方法的介绍，模型对应分析(CCA )是基于对应分析发展的一种排序方法，结合对应分析和多重回归分析其基本想法是，在分析的重复过程中，每次得到的样本的名次坐标值与环境因子线性回归。 CCA要求两个数据矩阵，一个是植被数据矩阵，另一个是环境数据矩阵。 首先，计算样品的排序值和种类排序值(同对应分析)，用回归分析方法将样品的排序值和环境因子结合得到的样品的排序值，在反映样品的种类构成和生态重要值对群落的影响的同时，还反映了环境因子的影响，用样品的排序值进行加权平均，得到种类那

2、个算法可以用Canoco软件迅速实现。 4、最大优点： CCA是基于单峰模型的排序方法，对应地分析了样本的排序和目标排序，并且在排序过程中结合了多个环境因子，因此能够在同一排序图中显示样本、目标和环境因子的排序结果。 缺点：有“弓形效果”。 为了克服弓形效应，可以采用趋势模型分析(detrendedcanonicalcorrespondence，DCCA )。 结果可靠性：研究累积贡献率和环境与研究对象前两个排序轴之间的相关性。 二、CCA的优点和缺点，五、三，CCA排序的基本步骤，基于CA/RA (修改的CA/RA )的CCA排序的基本步骤：举一个虚拟的计算例子：如果我们有7个样本中的5个中

3、的多度数据和两个环境因子(长金这里是一个简单的例子，我们得到一个以两个环境因子为中心的新的矩阵，并且7，以下是CCA排序的基本过程：第一步：任意给定样本的排序初始值(1、2、3、4、1、2、3 ) 第二步：计算种类排序值Zj，其为样本初始值的加权平均：(2.25、2.33、2.5、2.0、2.2 )，环境因子： Zj是样本的排序值，8，第三步：使用加权平均法求出样本的新值，得到(2.09、2.57、2.24、2.2.5、2.17、2.30、2.11 )样本的排序值，Zj的最大值为100，最小值为0 为了阻止排序坐标值在反复过程中逐渐变小，第九、第四步骤：可以使用多元回归分析计算样本排序值和环境

4、因子的回归系数： b0=2.25、b1=0.255、b2=0.655，使用多元回归将样本和环境因子间的回归系数bk c是由类型x样本源数据矩阵和Cj组成的对角矩阵Z*，是步骤3中获得的样本的排序值，其中Z*=Zj*=(z1*，z2*，zn*)U=Ukj，且Z*是(q 1)xN维矩阵，其包含环境因子源数据矩阵和行1 (为了计算B0 )，并且在最后的迭代中这反映了各环境因子对序列轴的作用大小，是生态学指标。 第五步：计算样本的新值z=ub:z1=2.2. 50.225 * (-0.03 )0. 655 * (-0.14 )=2. 15以相同的方式获得： z=(2.15、2.38、2.32、2.11

5、、2.19、2.32、2.28 其中Cj是原始数据矩阵，11、b是计算方差并由最后的迭代结果获得的s实际上是特征值c被正规化为新值的Zj(a )是正规化样本的顺序值，而Zj是未正规化的值。 该标准化使样品的排序轴和种类的排序轴具有相等的特征量。 由于种类排序和样本排序彼此有平均关系，所以代替样本标准化而对种类排序进行标准化，最终结果也一致。v=2. 42 s=0. 18 z(a )=(1. 06，0.22，-0.56，-1.72，-1.28，-0.56，-0.78 )，12，第7步骤：根据z (a )返回到第2步骤，重复以上的步骤，最后，第1排序轴上的7个样本0.098-0.061，0.113

6、 (=0.216 )第一排序轴上的5种坐标： 0.010，0.054，- 0.121，0.143，-0.144(=0.269 )，第八步骤：求出第二排序轴上的坐标：第二排序轴的基本过程与第一轴一致选择第一个值时，可通过选择第一轴步长的结果来提高迭代收敛速度。 和经修改的CA/RA一样，首先正交化再标准化，正交化的方法是相同的。 a .正交化系数的计算，13，b .正交化，其中Zj(b )为正交化后的样本坐标值，且Zj为未标准化的值。 七个样本在第二排序轴上的坐标为：-0.036、0.017、0.065、-0.036、0.108、-0.036、0.060(=0.18)5 )五种在第二排序轴上的坐

7、标为：-0.036、0.252、0.040、- 0.036-0.028 第九步：计算环境因子的位次坐标：求出以上得到的两个样本的位次轴与环境因子的相关系数akm的下表：(相关系数akm由EXCEL求出)、14、计算环境因子的坐标：fkm表示第m位次轴上的第k个环境因子的坐标值，m表示第一位次轴的特征例如，以相同的方式获得： f12=0.170，f21=-0.274，F2=0.047，15，第10步：描绘双序列图，并且为了便于图表的显示，将以上求出的坐标值全部放大1000倍，如下图，16，11 可以看到第一个环境因子与前两个序列轴呈正相关的第二个环境因子与第一个轴呈强负相关，与第二个轴呈正相关，

8、但关系不太密切(因为与第二个轴的角度大)。 从样本分布来看，样本5和7与第一环境因子密切相关的样本2与环境因子2密切相关。 种类的分布也可以同样地解释。 例如，种子3和环境因子2相关联。 因为这个例子很简单，所以能从原始数据矩阵看到这些关系。CCA排序图的解释：箭头表示环境因子，箭头所在的象限表示环境因子与排序轴的正负相关，箭头的线的长度表示某环境因子与研究对象的分布的相关程度的大小，线越长，该环境因子对研究对象的分布的影响越大。 箭头连接和排序轴的角度表示此环境系数与排序轴的相关关系的大小，角度越小相关关系越高。 17、关键问题：(1)RDA或CCA选择问题： RDA基于线性模型，CCA基于单峰模型。 一般选择CCA进行直接梯度分析。 但是如果CCA排序的效果不太好，也可以考虑用RDA分析。 RDA或CCA的选择原则：首先用species-sample资料进行DCA分析，在结果中看Lengthsofgradient的第一轴的大小，大于4.0就应该选择CCA，在3.04.0之间就选择RDA和CCA 如果小于3.0，RDA的结果最好是CCA.(2)计算单一环境因子的贡献