CN104050367A - 一种基于随机区块法的空间点格局分析方法 - Google Patents
一种基于随机区块法的空间点格局分析方法 Download PDFInfo
- Publication number
- CN104050367A CN104050367A CN201410265739.5A CN201410265739A CN104050367A CN 104050367 A CN104050367 A CN 104050367A CN 201410265739 A CN201410265739 A CN 201410265739A CN 104050367 A CN104050367 A CN 104050367A
- Authority
- CN
- China
- Prior art keywords
- analysis
- ics
- random
- spatial
- pattern analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于随机区块法的空间点格局分析方法,该分析方法步骤包括收集数据、计算聚集性指标、确定区块数、建立置信区间、计算机编程实现分析过程、分析结果并得出结论。本发明利用ICS(t)值来衡量不同尺度t上空间点的分布格局,并通过随机模拟技术构建零假设的95%或99%置信区间,以确定空间点格局偏离零假设的显著性程度,克服了小样方统计法研究尺度单一的问题,也避免了以空间点距离为基础的点格局分析过程中边缘效应带来的影响和误差,工作量小,省时省力,应用效果好,尤其是在多变量点格局分析中具有明显的优势。
Description
技术领域
本发明属于空间点格局分析方法的技术领域,尤其涉及一种基于随机区块法的空间点格局分析方法。
背景技术
空间格局分析作为一种定性或定量地描述格局分布特征,进一步认识格局形成的过程或机制的必不可少的工具及手段,越来越受到生态学者的重视和青睐。格局分析的一个重要内容是确定物种空间分布类型(大体可分为随机分布、聚集分布和均匀分布)。最简单的分布模型是由泊松概率分布描述的随机性假设模型,但大量研究案例表明,绝大多数物种的空间分布拒绝随机性零假设,因此随机性零假设本身不再具有意义,但在格局分析过程中必须首先拒绝随机性零假设,才能进一步描述和量化非随机性格局的类型。
格局分析方法大体上可分为两类:一类是以调查单元(分散或连续)小样方为基础的样方统计法。在统计小样方内个体数目的基础上,大量的扩散性指标和方法被提出。方差均值比是一种较早的用来分析格局偏离泊松期望程度的指标,包括格林指数、聚集频度指标、平均拥挤度指数、Morisita指数等在内,这些指标既可以用于分散样方,也可以应用于连续样方数据。而缺项(lacunarity)分析和区组分析等则是基于连续样方,并且与前述简单指标相比,可以分析一系列尺度上的空间格局。另一类则是以空间点距离为基础的格局分析法,典型代表是最近邻体法和RipleyK函数。这种类型的分析方法需要定位植株在样地中位置坐标,工作量大、费时费力,但却可以反映出空间点在任一空间尺度上的分布类型,提供更加详细的空间信息,尤其是RipleyK函数,已经成为当前比较流行的格局研究方法。为了进一步确定物种间相互作用所发生的空间或时间尺度,Fortin等在其专著中介绍了多物种点格局分析的方法及理论:Condit等也建议使用RipleyK的变形函数来分析多物种点格局;Schluster则提出根据方差比率量化多物种间空间关联性。但到目前为止,多物种空间点格局分析的方法及理论仍处于探索性阶段,实际应用的例子还不多。目前,传统的空间点格局分析方法存在工作量大、费时费力、应用效果差的问题。
发明内容
本发明实施例的目的在于提供一种基于随机区块法的空间点格局分析方法,旨在解决传统的空间点格局分析方法存在工作量大、费时费力、应用效果差的问题。
本发明实施例是这样实现的,一种基于随机区块法的空间点格局分析方法,该分析方法步骤包括收集数据、计算聚集性指标、确定区块数、建立置信区间、计算机编程实现分析过程、分析结果并得出结论;
所述的收集数据是指在研究地点进行数据的采集,研究地点位于中国科学院长白山森林生态系统定位站附近原始红松阔叶林内,海拔高度为784m,地理位置为N42°20.211',E128°05.705'。属于受季风影响的温带大陆性山地气候,年平均气温为3.3℃,最热月8月份平均温度20.5℃,最冷月1月份平均温度-165℃,极端最高温度323℃,极端最低气温-37.6℃,年平均降水量在600~900mm之间,土壤为山地暗棕色森林土,土层厚度20~100cm,地势平坦,地形影响较小,选择典型红松阔叶林建立固定样地1hm2(100m×100m),植被调查时以20m×20m样方为基本单位。记录样地内的所有DBH≥1cm的乔木种名、胸径、树高、冠幅(东西冠幅长、南北冠幅长)、枝下高及其位置坐标,本发明分析了春榆、怀槐、花楷槭、糠椴、蒙古栎、拧劲槭、青楷槭、色木槭、山荆子、水曲柳、紫椴、红松的空间分布,以及红松、蒙古栎、紫椴、水曲柳、色木槭5个优势种之间的空间关系;
所述的计算聚集性指标是指用ICS来确定点的空间格局,统计落到分散或连续样方中点的个数,并计算所有样方中点数的均值及方差,假设n为样方数,xi为第i个样方中的点数,均值为方差为则聚集性指标可利用下式计算:当空间点服从完全随机分布时,ICS的期望值为0;ICS>0时为聚集分布;ICS<0时为均匀分布;通常ICS仅能分析某个指定尺度下的空间格局,本发明以ICS指数为基础,提出一种随机区块法来描述不同尺度下空间点格局,计算步骤如下:(1)在给定的研究区域内随机产生n个彼此相互独立的边长为t的正方形区块;(2)单变量分析,统计落到每个区块内观察个体数目x(t)i,双变量及多变量分析,统计落到每个区块内所有观察个体所属的种类数x(t)i;(3)计算所有区块中物种个体数种类数的均值及方差(4)计算空间尺度t下聚集性指标显然ICS(t)仅在给定空间尺度t下有意义,实际应用中通过改变t的大小来分析不同尺度上的空间格局;
所述的确定区块数是指通过抽样数大小(正方形区块数n)强烈影响着随机区块法描述点格局的能力,表明随机区块法的估计精度随着n的增加而增大,反映了抽样大小n对估计的潜在影响。但n越大,在计算过程中所耗费的时间也越多,因此需要找到一个合适的n值,既能保证估计的精度又可以节省计算所需时间。假定100000个随机区块(n=100000)可以充分地描述100m×100m研究区域内100个随机模拟点的真实观察格局。分别计算在不同的抽样大小n(n=100、1000、10000及100000)下,空间尺度从t=1m到t=50m(间隔为1m)的ICS(t)值,通过学生t检验和F检验分别比较n=100000与其它抽样数(n=100,n=1000,n=10000)下ICS(t)的均值及方差,结果表明不同抽样大小n下ICS(t)值的均值无显著差异(p<0.01),当n=100000与n=10000时,ICS(t)的方差无显著差异(F=1.2537,df=49,p=0.4316),但n=100000与n=100(F=23.2174,df=49,p<22×10-16)及n=1000(F=3.6349,df=49,p<1.350×10-5)时,ICS(t)的方差差异显著,因此本发明取n=10000;
所述的建立置信区间是指由于估计函数的理论分布未知,利用随机点过程来检验偏离随机分布(空间格局分析)和类型独立(空间关系分析)零假设的显著性程度,随机点过程模拟一系列泊松实现,每个泊松实现与观察格局具有相同的研究面积和个体类型及数目,计算每个泊松实现在所有研究尺度上的ICS(t)值,并在指定尺度t上,建立误差(类型I)下的置信区间,置信区间的精度随着泊松实现数m的增加而增大,由于重复抽样检验需要计算每个泊松实现在所有距离上的ICS(t)值,十分耗时,所以基于以下模拟来计算置信区间:m=19计算0.05水平置信区间,m=99计算0.01水平置信区间,在特定空间尺度上,比较观察格局的ICS(t)值与置信区间来检验零假设模型:如果观察格局的ICS(t)值位于置信区间之外,可以在误差(类型I)水平上拒绝零假设,并根据偏离方向做出结论;相反,如ICS(t)值位于置信区间之内,则无法拒绝零假设;
所述的计算机编程实现分析过程是指将收集到的数据输入计算机,通过R软件进行编程实现整个分析过程;
所述的分析结果并得出结论是指分别对单变量、双变量和多变量进行分析,得出最终的结论。单变量分析结果表明蒙古栎、山荆子、怀槐在研究尺度上呈随机分布,簇毛槭、春榆、花楷槭、假色槭、糠椴、拧劲槭、青楷槭、色木槭、水曲柳、紫椴在绝大多数研究尺度上为聚集分布,红松在<16m内有聚集性趋势,但ICS值与99%置信区间上限基本重合,聚集性不显著。双变量分析是对5个优势树种组成的10个种对的双变量空间关系进行分析,结果显示红松与水曲柳、蒙古栎与水曲柳相互独立,红松与蒙古栎在空间上(除12m处聚集外)彼此独立,其余7个种对在局部空间尺度呈正相关关系。Ripleyk空间关系分析表明蒙古栎与水曲柳在2~3m和10~14m上负相关,其它尺度上彼此独立;红松与蒙古栎在48~50m正相关,其它尺度上彼此独立。由于蒙古栎株数密度较低,仅45株/hm2,并且在林内呈随机分布,因此蒙古栎与聚集分布的水曲柳之间的小尺度空间排斥很难实现;红松与蒙古栎种子在林内主要通过重力进行传播,作用范围主要发生在母树周围较小的范围内,并且红松与蒙古栎在48~50m均为随机分布,所以Ripleyk分析显示的红松与蒙古栎在48~50m正相关无法合理解释。因此与Ripleyk函数相比,随机区块法分析结果更加合理。多变量分析是对多物种点格局的分析,为多物种格局关系提供更加详细的综合性信息,随机区块法研究表明,由5个优势树种中任意3个树种构成的6个种组中,红松-蒙古栎-水曲柳空间独立;其余5个种组(包括红松-蒙古栎-色木槭,红松-蒙古栎-紫椴,蒙古栎-色木槭-水曲柳,蒙古栎-色木槭-紫椴,色木槭-水曲柳-紫椴)在局部空间尺度上正相关,5个优势树种整体上在1~12m呈空间正相关,其余尺度上空间独立,由于研究的林分为原始阔叶红松林,属于长白山西部地区的地带性顶级植被类型,各树种之间长期相互作用,彼此密切联系,因此总体相关性表现出显著的正相关关系。最终得出以下结论:
应用s2x进行格局分析必须解决以下两个问题:一是当分布频数方差与均值相等时,如何确定其是否服从泊松分布,随机区块法通过模拟一系列泊松实现建立置信区间,比较观察值与期望值来确定分布频数服从泊松分布的显著性概率;二是服从泊松分布的分布频数是否也服从随机分布;利用随机区块法分析根据Dale描述示例所模拟出的数据在0~50m距离内点空间分布格局,结果在1~7m为随机分布,>7m为聚集分布(p=0.01),模拟点在1~7m呈随机分布,是由于模拟点在每个10m×10m的格子内是随机出现的,而在大于7m,特别是在10m距离上呈显著聚集分布,符合数据分布特征,说明随机区块法具有较好的检验效果,由于随机区块法的基本研究单元正方形区块在研究区域内是随机出现的,区块位置的随机性避免了第二个问题所带来的限制。
进一步,所述的基于随机区块法的空间点格局分析方法是以随机模拟技术为基础的格局分析方法。利用长白山阔叶红松林的定位数据对随机区块法进行检验,分析了12个常见树种的空间格局,以及5个优势树种间的空间关系,并对随机区块法的方法和理论基础进行了讨论。结果发现随机区块法克服了小样方统计法研究尺度单一的问题,也避免以空间点距离为基础的点格局分析方法和由边缘校正所带来的影响和误差。在单变量分析中,随机区块法与以空间点距离为基础的RipleyK函数分析结果基本一致;而双变量分析中,随机区块法的分析结论相对更加合理。尤其是,随机区块法中的多变量空间点格局分析在未来具有较高的应用价值。
本发明提供的基于随机区块法的空间点格局分析方法以随机模拟技术为基础,利用ICS(t)值来衡量不同尺度t上空间点的分布格局,并通过随机模拟技术构建零假设的95%或99%置信区间,以确定空间点格局偏离零假设的显著性程度,克服了小样方统计法研究尺度单一的问题,也避免了以空间点距离为基础的点格局分析过程中边缘效应带来的影响和误差。同时具有工作量小,省时省力,应用效果好的特点,尤其是在多变量点格局分析中具有明显的优势。
附图说明
图1是本发明实施例提供的基于随机区块法的空间点格局分析方法的步骤流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示,一种基于随机区块法的空间点格局分析方法,该分析方法步骤包括收集数据S101、计算聚集性指标S102、确定区块数S103、建立置信区间S104、计算机编程实现分析过程S105、分析结果并得出结论S106;
所述的收集数据S101是指在研究地点进行数据的采集,研究地点位于中国科学院长白山森林生态系统定位站附近原始红松阔叶林内,海拔高度为784m,地理位置为N42°20.211',E128°05.705'。属于受季风影响的温带大陆性山地气候,年平均气温为3.3℃,最热月8月份平均温度20.5℃,最冷月1月份平均温度-165℃,极端最高温度323℃,极端最低气温-37.6℃,年平均降水量在600~900mm之间,土壤为山地暗棕色森林土,土层厚度20~100cm,地势平坦,地形影响较小,选择典型红松阔叶林建立固定样地1hm2(100m×100m),植被调查时以20m×20m样方为基本单位。记录样地内的所有DBH≥1cm的乔木种名、胸径、树高、冠幅(东西冠幅长、南北冠幅长)、枝下高及其位置坐标,本发明分析了春榆、怀槐、花楷槭、糠椴、蒙古栎、拧劲槭、青楷槭、色木槭、山荆子、水曲柳、紫椴、红松的空间分布,以及红松、蒙古栎、紫椴、水曲柳、色木槭5个优势种之间的空间关系;
所述的计算聚集性指标S102是指用ICS来确定点的空间格局,统计落到分散或连续样方中点的个数,并计算所有样方中点数的均值及方差,假设n为样方数,xi为第i个样方中的点数,均值为方差为则聚集性指标可利用下式计算:当空间点服从完全随机分布时,ICS的期望值为0;ICS>0时为聚集分布;ICS<0时为均匀分布;通常ICS仅能分析某个指定尺度下的空间格局,本发明以ICS指数为基础,提出一种随机区块法来描述不同尺度下空间点格局,计算步骤如下:(1)在给定的研究区域内随机产生n个彼此相互独立的边长为t的正方形区块;(2)单变量分析,统计落到每个区块内观察个体数目x(t)i,双变量及多变量分析,统计落到每个区块内所有观察个体所属的种类数x(t)i;(3)计算所有区块中物种个体数种类数的均值及方差(4)计算空间尺度t下聚集性指标显然ICS(t)仅在给定空间尺度t下有意义,实际应用中通过改变t的大小来分析不同尺度上的空间格局;
所述的确定区块数S103是指通过抽样数大小(正方形区块数n)强烈影响着随机区块法描述点格局的能力,表明随机区块法的估计精度随着n的增加而增大,反映了抽样大小n对估计的潜在影响。但n越大,在计算过程中所耗费的时间也越多,因此需要找到一个合适的n值,既能保证估计的精度又可以节省计算所需时间。假定100000个随机区块(n=100000)可以充分地描述100m×100m研究区域内100个随机模拟点的真实观察格局。分别计算在不同的抽样大小n(n=100、1000、10000及100000)下,空间尺度从t=1m到t=50m(间隔为1m)的ICS(t)值,通过学生t检验和F检验分别比较n=100000与其它抽样数(n=100,n=1000,n=10000)下ICS(t)的均值及方差,结果表明不同抽样大小n下ICS(t)值的均值无显著差异(p<0.01),当n=100000与n=10000时,ICS(t)的方差无显著差异(F=1.2537,df=49,p=0.4316),但n=100000与n=100(F=23.2174,df=49,p<22×10-16)及n=1000(F=3.6349,df=49,p<1.350×10-5)时,ICS(t)的方差差异显著,因此本发明取n=10000;
所述的建立置信区间S104是指由于估计函数的理论分布未知,利用随机点过程来检验偏离随机分布(空间格局分析)和类型独立(空间关系分析)零假设的显著性程度,随机点过程模拟一系列泊松实现,每个泊松实现与观察格局具有相同的研究面积和个体类型及数目,计算每个泊松实现在所有研究尺度上的ICS(t)值,并在指定尺度t上,建立误差(类型I)下的置信区间,置信区间的精度随着泊松实现数m的增加而增大,由于重复抽样检验需要计算每个泊松实现在所有距离上的ICS(t)值,十分耗时,所以基于以下模拟来计算置信区间:m=19计算0.05水平置信区间,m=99计算0.01水平置信区间,在特定空间尺度上,比较观察格局的ICS(t)值与置信区间来检验零假设模型:如果观察格局的ICS(t)值位于置信区间之外,可以在误差(类型I)水平上拒绝零假设,并根据偏离方向做出结论;相反,如ICS(t)值位于置信区间之内,则无法拒绝零假设;
所述的计算机编程实现分析过程S105是指将收集到的数据输入计算机,通过R软件进行编程实现整个分析过程;
所述的分析结果并得出结论S106是指分别对单变量、双变量和多变量进行分析,得出最终的结论。单变量分析结果表明蒙古栎、山荆子、怀槐在研究尺度水平上呈随机分布,簇毛多变量槭、春榆、花楷槭、假色槭、糠椴、拧劲槭、青楷槭、色木槭、水曲柳、紫椴在绝大多数研究尺度上为聚集分布,红松在<16m内有聚集性趋势,但ICS值与99%置信区间上限基本重合,聚集性不显著。双变量分析是对5个优势树种组成的10个种对的双变量空间关系进行分析,红松与水曲柳、蒙古栎与水曲柳相互独立,红松与蒙古栎在空间上(除12m处聚集外)彼此独立,其余7个种对在局部空间尺度呈正相关关系。Ripleyk空间关系分析表明蒙古栎与水曲柳在2~3m和10~14m上负相关,其它尺度上彼此独立;红松与蒙古栎在48~50m正相关,其它尺度上彼此独立。由于蒙古栎株数密度较低,仅45株/hm2,并且在林内呈随机分布,因此蒙古栎与聚集分布的水曲柳之间的小尺度空间排斥很难实现;红松与蒙古栎种子在林内主要通过重力进行传播,作用范围主要发生在母树周围较小的范围内,并且红松与蒙古栎在48~50m均为随机分布,所以Ripleyk分析显示的红松与蒙古栎在48~50m正相关无法合理解释。因此与Ripleyk函数相比,随机区块法分析结果更加合理。多变量分析是对多物种点格局的分析,为多物种格局关系提供更加详细的综合性信息,随机区块法研究表明,由5个优势树种中任意3个树种构成的6个种组中,红松-蒙古栎-水曲柳空间独立;其余5个种组(包括红松-蒙古栎-色木槭,红松-蒙古栎-紫椴,蒙古栎-色木槭-水曲柳,蒙古栎-色木槭-紫椴,色木槭-水曲柳-紫椴)在局部空间尺度上正相关,5个优势树种整体上在1~12m呈空间正相关,其余尺度上空间独立,由于研究的林分为原始阔叶红松林,属于长白山西部地区的地带性顶级植被类型,各树种之间长期相互作用,彼此密切联系,因此总体相关性表现为显著的正相关关系。最终得出以下结论:
应用进行格局分析必须解决以下两个问题:一是当分布频数方差与均值相等时,如何确定其是否服从泊松分布,随机区块法通过模拟一系列泊松实现建立置信区间,比较观察值与期望值来确定分布频数服从泊松分布的显著性概率;二是服从泊松分布的分布频数是否也服从随机分布;利用随机区块法分析根据Dale描述示例所模拟出的数据在0~50m距离内点空间分布格局,结果在1~7m为随机分布,>7m为聚集分布(p=0.01),模拟点在1~7m呈随机分布,是由于模拟点在每个10m×10m的格子内是随机出现的,而在大于7m,特别是在10m距离上呈显著聚集分布,符合数据分布特征,说明随机区块法具有较好的检验效果,由于随机区块法的基本研究单元正方形区块在研究区域内是随机出现的,区块位置的随机性避免了第二个问题所带来的限制;结果表明,除蒙古栎、山荆子、怀槐为随机分布外,其它树种均在局部空间尺度上呈聚集分布:并且绝大多数种对或种组在局部空间尺度上呈正相关关系。
进一步,所述的基于随机区块法的空间点格局分析方法是以随机模拟技术为基础的格局分析方法。利用长白山阔叶红松林的定位数据对随机区块法进行检验,分析了12个常见树种的空间格局和5个优势树种间的空间关系,并对随机区块法的方法和理论基础进行了讨论。结果发现随机区块法克服了小样方统计法研究尺度单一的问题,也避免以空间点距离为基础的点格局分析方法和由边缘校正所带来的影响和误差。在单变量分析中,随机区块法与以空间点距离为基础的RipleyK函数分析结果基本一致;而双变量分析中,随机区块法的分析结论相对更加合理。尤其是,随机区块法中的多变量空间点格局分析在未来具有较高的应用价值。
工作原理
如图1所示,基于随机区块法的空间点格局分析方法步骤包括收集数据S101、计算聚集性指标S102、确定区块数S103、建立置信区间S104、计算机编程实现分析过程S105、分析结果并得出结论S106;基于随机区块法的空间点格局分析方法是以随机模拟技术为基础的格局分析方法,利用长白山阔叶红松林的定位数据对随机区块法进行检验,分析了12个常见树种的空间格局,以及5个优势树种间的空间关系,并对随机区块法的方法和理论基础进行了讨论,发现随机区块法克服了小样方统计法研究尺度单一的问题,也避免以空间点距离为基础的点格局分析方法和由边缘校正所带来的影响和误差,在单变量分析中,随机区块法与以空间点距离为基础的RipleyK函数分析结果基本一致,而双变量分析中,随机区块法的分析结论相对更加合理,尤其是随机区块法中的多变量空间点格局分析在未来具有较高的应用价值。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于随机区块法的空间点格局分析方法,该技术主要用于生物学领域空间点格局的分析,同时也可应用于工业空间布局的分析与调整,其特征在于,该分析方法步骤包括收集数据、计算聚集性指标、确定区块数、建立置信区间、计算机编程实现分析过程、分析结果并得出结论;
所述的收集数据是指在研究地点进行数据的采集,研究地点位于中国科学院长白山森林生态系统定位站附近原始红松阔叶林内,海拔高度为784m,地理位置为N42°20.211',E128°05.705';属于受季风影响的温带大陆性山地气候,年平均气温为3.3℃,最热月8月份平均温度20.5℃,最冷月1月份平均温度-165℃,极端最高温度323℃,极端最低气温-37.6℃,年平均降水量在600~900mm之间,土壤为山地暗棕色森林土,土层厚度20~100cm,地势平坦,地形影响较小,选择典型红松阔叶林建立固定样地,植被调查时采用南方NTS-312型全站仪将实验样地划分为20m×20m亚样方,记录亚样地内的所有DBH≥1cm的木本植物的种名,利用胸径尺测定胸径值,利用Vertex型树木测高仪测定树高、冠幅和枝下高,记录植株在亚样方中的相对位置坐标;
所述的计算聚集性指标是指用R软件计算ICS指数来确定点的空间格局,统计落到分散或连续样方中点的个数,并计算所有样方中点数的均值及方差,假设n为样方数,xi为第i个样方中的点数,均值为方差为则聚集性指标可利用下式计算:当空间点服从完全随机分布时,ICS的期望值为0;ICS>0时为聚集分布;ICS<0时为均匀分布;通常ICS仅能分析某个指定尺度下的空间。
2.如权利要求1所述的基于随机区块法的空间点格局分析方法,其特征在于,所述的确定区块数是指抽样数大小影响着随机区块法描述点格局的能力;以ICS指数为基础,提出一种随机区块法来描述不同尺度下空间点格局,计算步骤如下:(1)在给定的研究区域内随机产生n个彼此相互独立的边长为t的正方形区块;(2)单变量分析,统计落到每个区块内观察个体数目双变量及多变量分析,统计落到每个区块内所有观察个体所属的种类数(3)计算所有区块中物种个体数种类数的均值及方差(4)计算空间尺度t下聚集性指标显然ICS(t)仅在给定空间尺度t下有意义,实际应用中通过改变t的大小来分析不同尺度上的空间格局;随机区块法的估计精度随着n的增加而增大,反映了抽样大小n对估计的潜在影响;但n越大,在计算过程中所耗费的时间也越多,因此取n=10000。
3.如权利要求1所述的基于随机区块法的空间点格局分析方法,其特征在于,所述的建立置信区间是指通过随机模拟技术构建零假设的95%或99%置信区间以确定空间点格局偏离零假设的显著性程度,基于以下模拟来计算置信区间:m=19计算0.05水平置信区间,m=99计算0.01水平置信区间,在特定空间尺度上,比较观察格局的ICS(t)值与置信区间来检验零假设模型:如果观察格局的ICS(t)值处于置信区间之外,在误差(类型I)水平上拒绝零假设,并根据偏离方向做出结论;相反,如ICS(t)值位于置信区间之内,则无法拒绝零假设;
所述的计算机编程实现分析过程是指将收集到的数据输入计算机,通过开放统计平台R软件进行编程实现计算聚集性指标、确定区块数、建立置信区间和判断空间格局显著性的整个分析过程。
4.如权利要求1所述的基于随机区块法的空间点格局分析方法,其特征在于,分析了春榆、怀槐、花楷槭、糠椴、蒙古栎、拧劲槭、青楷槭、色木槭、山荆子、水曲柳、紫椴、红松的空间分布,以及红松、蒙古栎、紫椴、水曲柳、色木槭5个优势种之间的空间关系。
5.如权利要求1所述的基于随机区块法的空间点格局分析方法,其特征在于,所述的基于随机区块法的空间点格局分析方法以随机模拟技术为基础的格局分析方法,并利用长白山阔叶红松林的定位数据对随机区块法进行检验,分析了12个常见树种的空间格局以及5个优势树种间的空间关系,并对随机区块法的方法和理论基础进行了讨论;结果发现随机区块法克服了小样方统计法研究尺度单一的问题,也避免以空间点距离为基础的点格局分析方法和由边缘校正所带来的影响和误差;在单变量分析中,随机区块法与以空间点距离为基础的RipleyK函数分析结果基本一致;而双变量分析中,随机区块法的分析结论相对更加合理;尤其是,随机区块法中的多变量空间点格局分析在未来具有较高的应用价值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410265739.5A CN104050367A (zh) | 2014-06-13 | 2014-06-13 | 一种基于随机区块法的空间点格局分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410265739.5A CN104050367A (zh) | 2014-06-13 | 2014-06-13 | 一种基于随机区块法的空间点格局分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104050367A true CN104050367A (zh) | 2014-09-17 |
Family
ID=51503189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410265739.5A Pending CN104050367A (zh) | 2014-06-13 | 2014-06-13 | 一种基于随机区块法的空间点格局分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104050367A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104956933A (zh) * | 2015-06-03 | 2015-10-07 | 西南林业大学 | 湿性阔叶林树种多样性及幼苗生境选择特征的研究方法 |
CN108363889A (zh) * | 2018-03-20 | 2018-08-03 | 河北工程大学 | 一种气孔空间分布分析方法 |
-
2014
- 2014-06-13 CN CN201410265739.5A patent/CN104050367A/zh active Pending
Non-Patent Citations (2)
Title |
---|
张春雨 等: ""随机区块法在空间点格局分析中的应用"", 《生态学报》 * |
李立 等: ""古田山常绿阔叶林优势树种甜槠和木荷的空间格局分析"", 《植物生态学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104956933A (zh) * | 2015-06-03 | 2015-10-07 | 西南林业大学 | 湿性阔叶林树种多样性及幼苗生境选择特征的研究方法 |
CN108363889A (zh) * | 2018-03-20 | 2018-08-03 | 河北工程大学 | 一种气孔空间分布分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Perez et al. | Changes in the vertical distribution of leaf area enhanced light interception efficiency in maize over generations of selection | |
CN109142679B (zh) | 基于人工神经网络克里金插值的森林土壤养分的空间预测方法 | |
CN106372277B (zh) | 森林立地指数时空估测中的变异函数模型优化方法 | |
Barančíková et al. | Application of RothC model to predict soil organic carbon stock on agricultural soils of Slovakia. | |
CN109002621B (zh) | 一种顾及邻域与地理差异的林分平均高与胸径计算方法 | |
CN104899448B (zh) | 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法 | |
CN107860889A (zh) | 土壤有机质的预测方法和设备 | |
Kalogiros et al. | Analysis of root growth from a phenotyping data set using a density-based model | |
CN103529189A (zh) | 一种基于定性和定量辅助变量的土壤有机质空间分布预测方法 | |
Zhang et al. | Scale dependent structuring of spatial diversity in two temperate forest communities | |
Liu et al. | The response of grain production to changes in quantity and quality of cropland in Yangtze River Delta, China | |
CN111667183A (zh) | 一种耕地质量监测方法及系统 | |
CN109544038A (zh) | 一种基于生命周期分析的生物质碳排放估算系统和方法 | |
CN105046046B (zh) | 一种集合卡尔曼滤波局地化方法 | |
CN108205718B (zh) | 一种粮食作物抽样测产方法及系统 | |
CN113011372B (zh) | 一种盐碱化土地自动监测和识别方法 | |
Zhou et al. | Improving satellite-based modelling of gross primary production in deciduous broadleaf forests by accounting for seasonality in light use efficiency | |
Tatsumi | Effects of automatic multi-objective optimization of crop models on corn yield reproducibility in the USA | |
CN115758270A (zh) | 基于随机森林与环境变量的土壤矿物结合态有机碳预测方法及装置 | |
CN104794335A (zh) | 一种通用多级空间抽样方法 | |
Burridge et al. | An analysis of soil coring strategies to estimate root depth in maize (Zea mays) and common bean (Phaseolus vulgaris) | |
CN108287974A (zh) | 面向土地利用变化元胞自动机模拟精度的耦合评价方法 | |
CN102208027B (zh) | 基于间隙度维数的土地利用空间格局评价方法 | |
CN104050367A (zh) | 一种基于随机区块法的空间点格局分析方法 | |
Peaucelle et al. | A new approach to optimal discretization of plant functional types in a process‐based ecosystem model with forest management: a case study for temperate conifers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140917 |