约束模型解释量偏低的原因可能是还有重要的解释变量尚未考虑,或是解释变量之间存在交互作用,或者归因于实际群落中物种和环境的复杂关系通常很难仅通过简单的模型有效描述出等(例如常规的RDA基于一阶线性模型,但物种和环境的关系多数情况下并非一阶线性关系,这种情况下,物种分布可能并非不受这些环境因子的约束,仅仅归因于简单的一阶线性模型无法有效描述其关系) 。
RDA中每一个约束轴的特征值(eigenvalue)与特征值总和(约束轴和非约束轴特征值总和)的比例即为该轴的解释率 。所有约束轴解释率总和即R2 。因此,对于合理的RDA模型来讲,选定轴(通常选取特征值最高的前2-3轴用来观测)的解释量不能太低 。
少数情况下,残差之间的排序或相关性(非约束轴)可能比具有良好特征的约束轴更具生物学意义 。如上所述,对于RDA的残差,即额外以PCA轴的形式呈现 。如果有必要,通过观测非约束空间中的样方和物种的相对位置可以帮助解读这些残差的特征 。
维度选择
对于排序对象、解释变量以及响应变量的相互关系,最终通过排序图直观呈现 。一般而言,我们仅选择前2-3个特征值较高(且显著)的约束轴用于观测(并尝试对其做出解释),并表示为二维/三维散点图的样式,少数情况下也会根据实际情况选择特定的排序轴(例如第二轴的趋势不明显,第三轴反而明显,因此跳过了第二轴,使用二维点图对第一、三轴可视化并做出解释;有时也会选择使用两个二维点图,分别展示并解释第一、二和三、四轴等) 。有一点需要切记,就是不要试图解释太多的轴,太多的生态维度反而意义不大,正如McCune和Grace(2002)所说:“Very few ecologists have dared to venture into the uncertain waters of four or more dimensions” 。
排序图表示
以R语言vegan包分析群落数据为例,排序对象(样方)、响应变量(物种)以及解释变量(环境变量)在各个约束轴中的排序结果分别报告为样方得分(site scores)、物种得分(species scores)以及解释变量得分(explanatory variable scores),投影到排序图中即表示为坐标轴上对应位置处的坐标 。根据是否展示物种向量,排序图可分为双序图(仅展示样方和环境变量二者关系)和三序图(展示样方、物种及环境变量三者关系) 。
RDA排序图中,样方直接在对应坐标处绘制为点 。物种变量则呈现为向量,由原点(0,0)起始,指向物种得分的对应坐标处,向量的方向表示了该物种丰度增加的方向 。解释变量得分(explanatory variable scores)同样以向量的形式表示在RDA排序图中,环境向量的长度表示样方物种的分布与该环境因子相关性的大小;向量与约束轴夹角的大小表示环境因子与约束轴相关性的大小,夹角小说明关系密切,若正交则不相关 。
【RDA 代表什么的缩写?】
推荐阅读
- 目前市场上什么手机最好
- 威县“三白西瓜”与平常的西瓜有什么不同?
- 目前为止是什么意思
- 将字的含义是什么
- 什么是楼阁式塔和密檐式塔
- 征信五级分类是什么
- 荡能组什么词
- xswl是什么意思?
- 淘宝网上长城L-HM46抗磨液压油不同的店,为什么价格相差那么大
- 目前音质最好的随身播放器是什么