Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

Statistik in der Umweltforschung > Multivariate Statistik > Flashcards

Multivariate Statistik Flashcards

1
Q

Entstehung relative (apparente) Abundanz

A

kein einheitliches sampling der Unterschungsflächen (Untersch. Flächengrößen, untersch. Zeit)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Gewichtung der Komponenten (species richness, eveness) in den Indizes

A

Shannon: ungefähr gleich
Simpson: sehr starke Gewichtung der gleichverteilung im Vorteil der abundanten Art

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Multivariate Statistik

A

Mehrere abhängige Variablen werden durch mehrere erklärende Variablen erklärt (Abundanzen, Vorkommen der Arten)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Verfahrensgrundlage (Multiv. Statistik)

A

Distanzmaße für die Unähnlichkeit der Artenzusammensetzung zwischen zwei Probepunkten

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Ähnlichkeit der Artenzusammensetzung

A

Positiv: Anzahl der Arten die in
beiden Aufnahmen vorkommen
Negativ: Anzahl der Arten, die nur in jeweils einer Aufnahme
vorkommen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Klassischer Ansatz der
Abgrenzung von Pflanzengesellschaften

A

1) Anfertigung von
Vegetationsaufnahmen
2) Verarbeitung in Vegetationstabellen
3) Abgrenzung von Gruppen
rein optisch, subjektiv

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Ähnlichkeitsmaße

A

messen die Ähnlichkeit
der Artenzusammensetzung
zwischen zwei Beständen (z.B. Jaccard-Index)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Jaccard Index

A

Anteil der Gemeinsamen Arten an allen Arten
J = 1, wenn nur gemeinsame Arten
1 J = Unähnlichkeit/ Distanz

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

ökologische Distanz

A
  • Unterschiede in Artenzusammensetzung
    zwischen Gemeinschaften
  • Arten turnover (Austausch)
  • ß-Diversität
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Unähnlichkeit darstellen

A

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

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Schritte Klassifikation der Gruppen

A

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

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

CCA (kanonische Korrespondenzanalyse)

A

vergleicht verschiedene Vegetationsaufnahmen um deren Unterschiede entlang eines oder mehrerer (Umwelt-) Gradienten zu verdeutlichen

Beinhaltet z.B.: Arten (Punkte), Umwelteinflüsse (Pfeile/ Gradienten)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Ordinationsverfahren

A

mathematische Verfahren, deren Hauptergebnis die graphische Darstellung der Daten in einem Koordinatensystem ist

multivariate Datensätze sind als n dimensionale Hyperräume zu
verstehen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Hyperraum

A

ein Hyperraum hat so viele Achsen , wie es beispielsweise Arten oder Objekte (Probeflächen, Bodenfallen) gibt

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Dimensionsreduktion

A

Ordinationen versuchen, n dimensionale Hyperräume in 2( 3) dimensionalen Darstellungen zu vereinfachen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Ordinationsverfahren Grundprinzip

(Ziel, Annahme, Grundprinzip, Berechnung)

A

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)

17
Q

Ähnlichkeit- und Distanzmaße

A

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

18
Q

Achsen und Gradienten eines CCA

A

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

19
Q

indirekte Gradientenanalyse

A

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

20
Q

direkte Gradientenanalyse

A

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

21
Q

Merkmale Ordinationsdiagramme

A

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

22
Q

NMDS

A

Nicht- metrische-multidimensionale- Skalierung

die allgemein wirksamste Ordnungsmethode für die Daten der Gemeinschaften

kann in R mit jedem beliebigen Distanzmaß arbeiten

23
Q

Merkmale NMDS

A

erlaubt jedes Distanzmaß

setzt keinen linearen Zusammenhang der Variablen voraus

verwendet ‚ ranked distances ‘ –> Abundanzen gehen ein, Extremwerte führen aber nicht zu Verzerrungen

24
Q

Stresswert NMDS

A

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

25
Q

Ordinationsmodell in R

A

Erstellen des Ordinationsmodells - immer mit der Artentabelle, nie mit den Umweltdaten

26
Q

Multidimensionale Skalierung

A

Distanzen der Objekte im Raum sollen möglichst den Unähnlichkeiten entsprechen

26
Q

Multidimensionale Skalierung

A

Distanzen der Objekte im Raum sollen möglichst den Unähnlichkeiten entsprechen

Statistik in der Umweltforschung (13 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions