Gradientová analýza II

Slides:

Advertisements

Podobné prezentace

Mnohorozměrná statistická analýza dat

Advertisements

Jednofaktorová ANOVA Jednofaktorová analýza rozptylu

Monte Carlo permutační testy & Postupný výběr

Jak číst ordinační diagramy

Chováme králíčky Liší se tato tři králičí plemena hmotností?

Morfologická křivka kmene

Analytické metody výzkumu

Hodnocení krajinných změn, příklad z ČR

Růstové a přírůstové funkce

Matice distancí v mnohorozměrné analýze. Distanční matice – proč se objevují? Vzdálenosti mezi objekty v terénu Vzdálenosti mezi taxony ve fylogenetickém.

PEDOSFÉRA PŮDA NA ZEMI.

Půdy jsou všude kolem nás.

Matematická teorie rozhodování

Systém rizikové analýzy při statickém návrhu podzemního díla Jan Pruška.

Obecný lineární model Fitované hodnoty and regresní residuály

Charakteristiky variability

Principy fytoindikace

Úvod do gradientové analýzy

Lineární regrese.

Lineární regresní analýza

Závislost dvou kvantitativních proměnných

Biostatistika 7. přednáška

Analýza variance (ANOVA).

Ekonometrie „ … ekonometrie je kvantitativní ekonomická disciplína, která se zabývá především měřením v ekonomice na základě analýzy reálných statistických.

Podélný gradient fytoplanktonu v závislosti na zařazení říční vody do vertikálního profilu nádrže Římov 1,2 Komárková J., 3 Hrubý P., 1 Nedoma J., 1,2.

Antipredační chování ťuhýka obecného (Lanius collurio) Anna Falkenauerová Školitel: RNDr. Roman Fuchs, CsC.

Popisné statistiky. Výskyt strupovitosti se zdá být ve vztahu s obsahem některých chemických prvků “ve slupkách“ hlíz. Některé odrůdy trpí strupovitostí.

RYCHLOST PROUDU A LARVY PAKOMÁRŮ: DVĚ ŘEKY A DVA EFEKTY Vít Syrovátka & Karel Brabec Ústav botaniky a zoologie Masarykova Univerzita GOCE-CT

Pohled z ptačí perspektivy

Transekt Příkazy Úkol 1: Zjistit obvod stromu v závislosti na druhu H 0 : Obvod stromů jednotlivých druhů se neliší H A : Obvod stromů jednotlivých druhů.

Závislost výšky hladiny podzemní vody na srážkách

Praktikum elementární analýzy dat Třídění 2. a 3. stupně UK FHS Řízení a supervize (LS 2012) Jiří Šafr jiri.safr(zavináč)seznam.cz poslední aktualizace.

Půdní typ Půdní typ je přírodní útvar, jehož vnitřní i vnější uspořádání je výsledkem působení půdotvorných činitelů na matečnou horninu.

Jednoduchý lineární regresní model Tomáš Cahlík 2. týden

Společenstva vířníků (Rotifera) v různých typech tůní Daniel Vařecha.

Mikrostruktura W pseudoslitin pro extrémní aplikace David Heralecký Daniel Švarc Jan Vokoun.

Korelace. Určuje míru lineární vazby mezi proměnnými. r < 0

V experimentu měníme hodnotu jedné nebo několika veličin x i a studujeme závislost veličiny y. - např. měníme, ostatní x i bereme jako parametry ( , ,

Vliv historického využívání půdy na odnos sedimentů z povodí jezera v centrálním Chile Effects of historical land use on sediment yield from a lacustrine.

VY_32_INOVACE_21-16 STATISTIKA 2 Další prvky charakteristiky souboru.

Gradientová analýza Čubernice 2004 – transekt svahovou katénou v PP Čubernice, stepní porosty Metodika: 1 transekt, bod 0 = první čtverec transektu na.

Motivační příklad – 1a Vliv rodičů a prostředí na vývoj mláďat Nejstarší mládě v každém hnízdě měřeno ve věku X dní Vysvětlující údaje: počet mláďat, stáří.

Vertikální struktura porostu lužního lesa Stanovení biomasy výškových vrstev bylinného patra.

Dvacet let hydrologického a biogeochemického výzkumu povodí Červík v Beskydech Filip Oulehle1, František Zemek2, Zora Lachmanová3, Oldřich Myška1, Jan.

Model rozložení sněhové pokrývky v povodí vodárenské nádrže Šance Zpracovává : Bc. Jiří Juroš Vedoucí : doc. Dr. Ing. Jiří Horák Diplomová práce.

Témata a metodiky měření Králický Sněžník

Naše půda ZŠ Sokolovská 1 Svitavy.

Statistické metody pro prognostiku Luboš Marek Fakulta informatiky a statistiky Vysoká škola ekonomická v Praze.

Sledujeme (např.): Chceme prokázat: závisí plat na dosaženém vzdělání? závisí plat na dosaženém vzdělání? je u všech čtyř strojů délka výlisků srov- natelná.

CHISA 2011, Srní, října 2011 OBRAZOVÁ ANALÝZA – porovnání vlivu recepturního složení pečiva I. Švec, M. Hrušková, T. Hofmanová.

Korelace. Určuje míru lineární vazby mezi proměnnými. r < 0

INDUKTIVNÍ STATISTIKA

Korelace Korelace obecně je míra kvality (vhodnosti, těsnosti) nalezeného regresního modelu pro daná data; vychází z hodnot reziduí V každém typu regresního.

Interpolace funkčních závislostí

Model rozložení sněhové pokrývky v povodí vodárenské nádrže Šance

Dvoufaktorová analýza rozptylu

VY_32_INOVACE_Racek_ Zmeny

Fytocenologická plocha a zápis

Název školy Gymnázium, střední odborná škola, střední odborné učiliště a vyšší odborná škola, Hořice Číslo projektu CZ.1.07/1.5.00/ Název materiálu.

- váhy jednotlivých studií

Vegetace a sníh.

Regresní analýza výsledkem regresní analýzy je matematický model vztahu mezi dvěma nebo více proměnnými snažíme se z jedné proměnné nebo lineární kombinace.

ORDINÁLNÍ VELIČINY Měření variability ordinálních proměnných

Karsologie Jiří Faimon

Vyšší rostliny Teplota ve vztahu k fotosyntéze

7. Kontingenční tabulky a χ2 test

Transkript prezentace:

Gradientová analýza II (Čubernice) -transekt 94,5 m ve svahu, 30 plošek 0,5 x 0,5m -měřené faktory prostředí: pH půdy, průměrná hloubka půdního horizontu a variabilita (variační koeficient), sklon svahu, % holého povrchu, teplota (1cm pod půdním povrchem), zastínění (keřovou a stromovou vegetací- %) -dodatečné faktory: přítomnost druhů cévnatých rostlin a mechů + pokryvnosti

Gradientová analýza Co jsme zkoumali? Vztahy mezi vybranými faktory prostředí a rostlinami Ho: faktory prostředí nemají vliv na variabilitu druhového složení Faktor nejvíce ovlivňující variabilitu distribuce rostlinných druhů

Nepřímá gradientová analýza Canoco for Windows ... unimodální technika DCA (zjistí vhodnost techniky: lineární vs. unimodální) Výsledky **** Summary **** Axes 1 2 3 4 Total inertia Eigenvalues : 0.828 0.371 0.241 0.138 4.353 Lengths of gradient : 6.285 3.582 2.416 2.278 Species-environment correlns : 0.909 0.631 0.779 0.726 Cumulative percentage variance of species data : 19.0 27.5 33.1 36.2 of species-environment relation: 22.8 27.6 0.0 0.0 Sum of all eigenvalues 4.353 Sum of all canonical eigenvalues

Nepřímá gradientová analýza -0.40 0.40 -0.20 0.15 Součet odhad mechy Počet druhů povrch stin sklon hloubka varkov tepl pH Nepřímá gradientová analýza Výsledky: Korelace faktorů prostředí s I. a II. ordinační osou

Nepřímá gradientová analýza Uspořádání druhů podél prvních dvou ordinačních os (DCA)

Uspořádání snímků podél ordinačních os (DCA)

Z výpočtů odstraněny snímky 1 a 16 (z důvodu velké odlišnosti ) nová analýza (DCA) **** Summary **** Axes 1 2 3 4 Total inertia Eigenvalues : 0.463 0.315 0.218 0.109 3.441 Lengths of gradient : 3.304 3.276 2.422 1.917 Species-environment correlations : 0.810 0.714 0.700 0.885 Cumulative percentage variance of species data : 13.5 22.6 28.9 32.1 of species-environment relation: 14.3 21.6 0.0 0.0 Sum of all eigenvalues 3.441 Sum of all canonical eigenvalues 1.894 Závěr: použijeme lineární techniku

Přímá gradientová analýza Lineární technika RDA -1.0 1.0 AreSer ArrEla CerGlu Crataeg DiaCar EryCam EupCyp FesOvi FilArv FraVir HolUm HypPer KoeMac MyoStr PotAre PruMah Rosa RumAce SilOti TeuCha Thymus TriAlp TriCam ValLoc VerPho VerDil VicLat VioArv povrch sklon hloubka varkov teplota pH

Výsledky Monte Carlo permutačního testu Zjistí závislost variability druhového složení na environmentálních faktorech **** Summary of Monte Carlo test **** Test of significance of first canonical axis: eigenvalue = 0.117 F-ratio = 2.788 P-value = 0.1920 Test of significance of all canonical axes : Trace = 0.324 F-ratio = 1.680 P-value = 0.0460

Shrnutí vlivu faktorů prostředí Marginal Effects Variable Var.N Lambda1 tepl 10 0.09 hloubka 8 0.09 pH 11 0.09 sklon 7 0.07 povrch 5 0.04 varkov 9 0.04 Conditional Effects Variable Var.N Lambd P F tepl 10 0.09 0.065 2.73 pH 11 0.09 0.103 2.58 sklon 7 0.05 0.196 1.71 hloubka 8 0.04 0.193 1.28 varkov 9 0.03 0.562 0.83 povrch 5 0.02 0.658 0.73

ZÁVĚR Ho zamítnuta, tj. existuje vztah mezi faktory prostředí a variabilitou ve druhovém složení snímků na transektu. Faktory nejvíce ovlivňující variabilitu jsou teplota a hloubka půdního profilu.