Экологическое разнообразие и его измерение - Мэгарран Э.
Скачать (прямая ссылка):
подошел лог-ряд. Объяснение этому, детально обсужденное в гл. 2, заключается в нефиксированной форме кривой усеченного лог-нормального распределения. Сильно усеченная лог-нормальиая кривая напоминает график лог-ряда (см. рис. 2.13). По мере снижения степени усечения сначала становится заметной ее мода, а в конечном итоге и симметричная колоколовидная форма. Когда размер выборки крупный или определен с помощью кривой разнообразия, описанной в гл. 3, логично рассматривать наблюдаемый лог-ряд как истинное распределение, а не как часть еще непроявившегося лог-нормального. То же можно посоветовать и в случае данных, описываемых как усеченным лог-нор-мальным распределением, так и моделью разломанного стержня. Аиалогич-
ным образом данные по обилию (как в приведенном выше примере дубового леса), соответствующие только усеченной лог-нормальной кривой и никакой другой, можно считать распределенными лог-нормалыю. Проблема осложняется тем, что критерии согласия анализируются на небольшом числе классов (обычно менее 10), а различия между моделями могут зависеть от распределения видов между двумя или тремя из этих классов. Естественно, при сравнении пригодности моделей можно использовать весь диапазон значений х1. Например, если критерии согласия дают х2 — 10,7 (при 6 степенях свободы) для усеченного лог-нормалыюго распределения и х2 — 2,1 (при 7 степенях свободы) для лог-ряда, можно утверждать, что вероятность отличия наблюдаемых данных от предполагаемого усеченного лог-нормального распределения менее 90%, а от лог-ряда менее 10%. Обе величины ниже условного уролн i 95%, но лог-ряд в данном случае явно лучше соответствует наблюдениям.
Визуальный анализ графиков, демонстрирующих различия между наблюдаемым и ожидаемым обилиями видов, — неоценимый способ интерпретации результатов применения критериев согласия. Например, рис. 4.5 показывает, что лог-ряд совершенно очевидно предсказывает для хвойной культуры слишком много редких видов и слишком мало видов со средним обилием. Очень мелкие массивы данных иногда могут описываться моделями лог-ряда, усеченного лог-нормалыюго распределения и разломанного стержня. Это объясняется тем, что при малом числе видов в каждом классе обилия трудно обнаружить различия между ожидаемым и наблюдаемым распределениями.
Много критических замечаний высказывалось в адрес критериев согласия из-за этой их неспособности ясно продемонстрировать различие между конкурирующими моделями видового обилия. Некоторые исследователи (Hughes, 1986; Lambs head, Platt, 1985) даже отказались от их применения в пользу простого графического сравнения данных. Хьюз (Hughes, 1986) использовал форму кривой рангового распределения обилий, чтобы оценить, какая из моделей (лог-ряд или динамическая) лучше описывает разнообразие 222 сообществ (см. с. 36), в то время как пригодность лог-нормальной модели определялась на основании присутствия или отсутствия у кривой моды. Однако беглый взгляд ка графики такого типа, приведенные в этой книге (многие из них были выбраны именно потому, что являются особенно хорошими примерами разных моделей), подтверждает замечание, уже высказанное в гл. 2, а именно: различить модели по форме кривой рангового распределения обилий бывает очень трудно. Поэтому лучшим решением проблемы почти по всех случаях будет интерпретация результатов как на основе этой кривой, так и с помощью критериев согласия.
Дискриминантная способность индексов разнообразия
Для того чтобы индексы разнообразия были действительно полезны, они должны отражать мельчайшие различия между местообитаниями. Тейлор (Taylor, 1978) признает, что один из важнейших показателей эффективности статистических мер разнообразия — степень улавливания ими различий между участками или выборками, разница которых не очевидна. Это спойстпо
очень важно, поскольку главная область применения мер разнообразия — оценка последствий загрязнения или другого средового стресса для сообщества или же выбор лучшего среди нескольких близких между собой местообитания в природоохранных целях (гл. 6). Поэтому сейчас мы рассмотрим дискриминантную способность мер разнообразия.
Тейлор (Taylor, 1978) изучал дискриминантную способность восьми индексов разнообразия, используя дисперсионный анализ для проверки различий в годовом составе бабочек (повторяющиеся оценки в течение четырех лег) девяти экологически устойчивых участков на НотамстедскоЙ станции по изучению насекомых. Из всех индексов намного лучшим, чем все прочие, оказался показатель « (лог-ряда). Следующими по порядку были Н' (индекс Шеннона), S (богатство видов), Л (лог-нормальный индекс), обратный индекс Симпсона и биомасса (log N). Такие параметры лог-нормалыюго распределения, как S* и
а, оказались для установления различий между участками бесполезными.
Впоследствии были исследованы и другие индексы. Кемптон (Kempton, 1979) сравнил дискриминантные возможности показателей из семейства Хилла (рис. 4.6). Опять были использованы данные по ротамстедским бабочкам, но в э I ом случае обьем выборки был увеличен до 14 участков со сборами в течение семи лет. Порядки а от 0 до 0,5 (N() — S — число видов, N, - схрН' — преобразованный индекс Шеннона) дали наивысшую степень различения. Значения а на обоих концах шкалы оказались неудовлетворительными. Высокие порядки а (например, индексы Симпсона и Бергера — Паркера) неудачны, поскольку зависят от обилия наиболее обычных видов, в то время как на низкие непропорционально сильно влияют редкие виды. Показано, что дискриминантная способность преобразованных индексов Шеннона и Симпсона (схрН' и 1/D) выше, чем у их ненреобраюзанныхформ (Keinplon, Taylor, 1976), а у показателей а и Q она выше, чем у любой формы индексов Шеннона и Симпсона (Kempton, Wedderburn, 1978).
