CanocoforWindows45中文简明教程资料下载.pdf
《CanocoforWindows45中文简明教程资料下载.pdf》由会员分享，可在线阅读，更多相关《CanocoforWindows45中文简明教程资料下载.pdf（39页珍藏版）》请在冰点文库上搜索。
主要分析方法有以下四大类型：
A非约束型排序方法非约束型排序方法（Unconstrainedordinationmethods）主成分分析（Principalcomponentsanalysis，PCA）对应分析（Correspondenceanalysis，CA）降趋对应分析（去趋势对应分析）（Detrendedcorrespondenceanalysis，DCA）主坐标分析（Principalcoordinatesanalysis，PCoA或PCO）B约束性排序方法约束性排序方法（Constrainedordinationmethods）冗余分析（Redundancyanalysis，RDA）典型对应分析（典范对应分析）（Canonicalcorrespondenceanalysis，CCA）降趋典范对应分析（Detrendedcanonicalcorrespondenceanalysis，DCCA）典型变量分析（Canonicalvariateanalysis，CVA）distance-basedredundancyanalysis（db-RDA）C非约束性偏分析法非约束性偏分析法（Partialmethodsofunconstrainedordination）partialPCA、partialCA、partialDCA3D约束性偏分析法约束性偏分析法（Partialmethodsofconstrainedordination）partialRDA、partialCCA、partialDCCA、partialCVA四软件模块界面介绍CanocoforWindows模块模块进入软件后会出现图1-1界面，红色矩形所标记部分为快捷工具栏，鼠标做短暂停留会有英文提示出现，不再赘述。
左侧的ProjectView窗口是数据指定，分类类型选择等一系列功能设置的引导窗口，按步骤操作即可；
右边LogView窗口用来记录分析过程和部分统计结果（如四个排序轴统计结果、轴与环境因子的相关性、蒙特卡罗检验结果等），其他一些分析结果（如物种、环境因子及样方坐标等）均保存在相应的*.sol文件中，该文件可以用记事本打开。
图1-1CanocoforWindows模块界面窗口WCanolmp模块模块该模块在核心模块中没有快捷激活命令，必须常规方式打开。
进入后界面如图1-2，上边红色框标记部分是关于如何使用该模块的简短说明，下面部分是可选框。
一般情况下在Excel中组织原数据时，以行代表样方，以列代表变量，这时第一个选择框就不需选择；
Excel中组织数据时如果没有将第一行第一列作为样方名行和变量名列，则需要选择第二和第三选择框，这样该模块会自动为导入的数据添加样方名和变量名；
最后一个选择框可以不用理会，采用默认的不选择状态。
设置完成后点击保存按钮，在弹出的对话框中命名并选择存放位置，即可将剪贴板中的数据文件（从excel中复制的）转化为Canoco能识别的类型（*.dta）。
样方名和变量名命名规则：
字符不得超过8个，字符类型可以为数字、字母、点、连接符和空格；
超过8位的，在导入数据时Wcanolmp会默认的只保留前八位，并且以点取代不符合规定的字符4图1-2WCanolmp模块界面CanoDraw模块模块此模块可以在核心模块中快速激活（ProjectRunCanoDraw），激活后界面如图1-3所示。
此模块这里不做介绍，后面章节有详细介绍。
图1-3CanoDraw模块界面CanoMerge模块模块核心模块无快捷激活命令，需常规方式打开。
进入后界面如图1-4所示。
“Addfile”用来添加文件，需要合并的文件全部在显示框中排列出来后点击“Merge”按钮，在弹出的对话框中命名并选择存放位置即可。
对话框下部第一个对话框可以用来滤掉一些低频率的物种，框中数字代表包含某一个物种的样方如果少于X个，该物种将被剔除。
5图1-4CanoMerge模块界面五说明1本教程只是个人能力范围之内的简明教程，侧重于介绍“是什么”，难免有错误，难免有地方过于“简”使人看后也没有“明”，因此建议遇到具体问题或对“为什么”有强烈需求的人一定要参考相关书籍。
2CANOCO就像Excel，不但界面人性易上手，最主要的是能深能浅，但问题是我们不一定玩的很转，有多少懂Excel的人敢说自己真正发挥了其数据处理的高效性？
所以学习CANOCO也要多练习多总结。
3目前你所看到的只是一时心血来潮的初稿，内容基本来自于MultivariateAnalysisofEcologicalDatausingCANOCO一书，才疏学浅，至今原版书还有内容尚未看懂，欢迎交流促进初稿的完善。
6第二章CANOCO基础一专业名词（CANOCO体系中）解释变量解释变量（explanatoryvariables）：
相当于自变量，又称预测变量，经常分为主环境变量（主变量）和协环境变量（协同变量）响应变量响应变量（responsevariable）：
相当于因变量，又称物种数据梯度分析梯度分析（gradientanalysis）：
即通常所说的排序分析，是揭示物种组成数据和实测或潜在的环境因子之间关系的方法的总称，或者称为依据出现的物种及其丰富度，将样方依次排列的多元统计技术的总称，有约束性排序（直接梯度分析）和非约束性排序（间接梯度梯度分析）之分约束性排序约束性排序（constrainedordination）：
在特定的梯度（排序轴）上探讨物种的变化情况，冗余分析（RDA）、典型对应分析（CCA）等均属于该范畴非约束性排序非约束性排序（unstrainedordiantion）：
在潜在的（或虚拟的）梯度上寻求代表最优的解释变量来拟合物种的回归模型，主成分分析（PCA）、成分分析（CA）等均属于该范畴混合排序分析混合排序分析（hybridordinationanalysis）：
前面若干排序轴采用约束排序，而剩下的轴是非约束排序的梯度分析方法偏分析偏分析（particalanalysis）：
预先剔除物种变化中由协同变量产生的那部分影响，再通过排序展示剩下的变化量的排序方法，约束排序和非约束排序均有相应的偏分析方法物种响应环境梯度模型物种响应环境梯度模型：
所有排序方法都是基于一定的模型之上，这些反应物种和环境之间关系的以及在某一环境梯度上的种间关系的模型最常用的有两种：
线性模型（linearmodel）和单峰模型（unimodalmodel），如图2-1所示。
图2-1线性模型和单峰模型二利用CANOCO分析数据典型流程图利用CANOCO分析多元数据的一般流程如图2-2所示，图中前两步在上一章中已经介绍，这里主要以后面三步主要内容进行介绍：
A排序模型的决定排序模型的决定在CanocoforWindows的分析过程中，按照操作步骤会出现一个关于模型的选择窗口，如图2-3所示，究竟是选择线性模型还是单峰模型这里有一个比较简单的判断方法：
先对物种数据进行DCA分析，分析完成后在“LogView”窗口中，各特征值分布部分找到“Lengthsofgradient”信息，这一信息代表的是每个排序轴的梯度长度。
如果四个轴中梯度最大值超过4，选择单峰模型比较合适；
如果小于3，线性模型比较合适；
介于34之间，两种模型均适合。
7注意：
物种数据的量纲不同时不适合做单峰模型排序，即便梯度长度大于4；
有空样方出现的数据不能顺利进行单峰排序分析，非要采用单峰分析，需要把空样方剔除图2-2CANOCO分析数据的一般流程图2-3分析模型选择窗口B具体排序方法的选择具体排序方法的选择排序模型确定后需要考虑的是选择何种排序方法，为了选择更合适的排序方法，你尽可能将各种方法都尝试，选择一个你最想要的分析结果和排序图。
各种排序方法的具体的特征和操作方法将在接下来的章节详细介绍，基本的排序方法和排序模型对照表如表2-1所示线性模型单峰模型直接梯度分析（约束性排排序）RDACCA间接梯度分析（非约束性排序）PCACA、DCA表2-1基本排序方法和排序模型对照表CCanoDraw做图做图在介绍如何使用CanoDraw做图之前，必须考虑以下两点：
明确环境因子里面是否有定性变量，这些变量必须预先选出来，然后才能用于生成排序图，预选方法：
ProjectNominalvariables8对于分量很小，于排序图的解释没有多少参考价值的稀有种，可以将这些物种不在排序图中展示出来。
一般可以通过两个标准来选择保留的物种：
物种适合度（speciesfit）和物种的权重（speciesweight）。
前者表示每个物种变化被排序空间所能展示的百分比；
后者等于某物种在所在样方内多度之和与所有物种多度之和的比，且仅仅在单峰排序里面有应用价值，你可以自行设置权重值，只有高于该值的物种才能纳入排序图里面。
两个标准实现方法：
ProjectSettingInclusionRules利用CanoDraw制作排序图具体操作步骤如下：
1直接在CanocoforWindows窗口中“ProjectView”对话框点击右侧“CanoDraw”或通过“ProjectRunCanoDraw”命令激活CanoDraw程序，出现如下对话框，作用是用来保存CanoDrawproject文件（*.cdw）图2-4CanoDraw模块文件保存窗口2环境变量中如果有形式变量，在生成排序图之前可以通过以下命令对其进行相关设置：
ProjectNominalvariablesEnvironmentalvariables，打开如下对话框后，利用中间的“Select”将左侧环境变量列表中的形式标量筛选到右侧即可3根据自己试验数据，没有其他特别需要的话，接下来就可以生成排序图了，通过Create菜单下的子菜单可以生成不同类型的排序图，这里我们以BiplotsandjointPlotsSpeciesandevi.Variables命令为例，生成2-5排序图。
4如果对排序图标记符号、文字等不太满意还可以进行设置。
首先利用鼠标（左键单击）选定你希望改变的对象（文字或线条等），之后利用F5键激活属性窗口，如图2-6，在该窗口你可以对标记符号、文字、线条等进行相关设置。
如果你需要改动的地方比较多，可以在选定一个对象后点击鼠标右键，弹出图2-7快捷菜单后利用SelecSuchlike命令选定所有类似的对象，再利用上述方法对所有对象进行属性更改。
当然，你也可以通过ViewVisualAttributes命令激活图2-8对话框进行相关设置，这里不再赘述。
修改美化完成后的属性图可以保存为*.cdg类型文件，或直接输出为bmp、png等类型的图像文件。
注意：
关于排序图的解读这里不做叙述，后面有专门章节对其进行重点介绍9图2-5来源于PCA的物种-环境双序图，图中环境变量是排序图生成后投影上去的图2-6排序图属性对话框10图2-7排序图中快捷命令菜单图2-8排序图美化设置对话框11第三章非约束性排序当我们同时具有环境数据和物种组成数据的时候，首先可以做非约束性排序分析，观察物种数据的整体情况，然后再做约束排序（将环境因子加上到排序图上）。
两种排序方法是互补的，都必须用，这样做可以保证我们既不会丢失物种组成变化量的大部分信息，又不会丢掉与所测环境因子相关的大部分变量信息。
当然如果你手头的数据只具有多个响应变量（物种组成），而没有解释变量（环境数据），你依然可以采用非约束排序方法来分析数据。
第一节去趋势对应分析（DCA）一相关知识1物种数据的转化物种数据的转化在基于单峰模型的排序分析中，所有响应变量的数据不能是负值，这就要求某些带有负值的数据必须经过转化。
在CANOCO中常用的的转化方法有：
对数转化和平方根转化。
当然，如果你觉得需要其他的转化方法，还可以在数据输入到CANOCO之前通过别的数据软件进行转化。
2去趋势去趋势对应分析中样方在第二轴的位置很大程度上依赖于其在第一轴的位置，去势的作用便是消除由这种依赖产生的“拱形效应”。
去趋势的方法一般有两种：
区间去趋势和多项式去趋势，后者又有二阶、三阶、四阶之分。
多项式去趋势阶数的选择标准：
环境因子小于10个，选取2阶；
小于13个，选3阶；
大于13个，选4阶。
对于约束排序，去趋势一般是不必要的二分析步骤1进入Canocoforwindows模块主界面后新建Project文件，会自动弹出“AvailableData”窗口，在其中选择需要分析的数据，并选择勾选下部第二个（间接梯度分析）选择框，如图3-1。
图3-1数据类型框2点击“Next”后，出现“Datafiles”对话框，利用右侧的“browse”指定需要分析的数据文件和数据结果输出文件（Canocosolutionfilename选项）名，点击“下一步”，出现如图3-2的分析类型对话框，选择其中“DCA”选项后“下一步”12图3-2分类类型选择框3在紧着的去趋势对话框中选择“bysegments”方法，下一步，在物种数据转换对话框中选择“Logtransformation”，默认的转换公式中参数均为1，你可以根据自己的原始数据设置不同的参数，一般采用默认即可。
点击“下一步”4剩下来的“DataEditingChoices”对话框和“FinishOptions”对话框不做任何设置，一路“Next”，最终点击“完成”后在弹出的保存对话框中指定CanocoProject文件保存位置和文件名（文件类型为*.con）5以上设置完成后，点击“ProjectView”窗口的“Analysis”按钮或工具栏的，分析结果即可在“LogView”窗口中查看，如图3-3。
图中红色标记部分即梯度长度，可以看出四个轴最大梯度为2.001，说明该数据进一步分析应该采用基于线性模型的排序方法。
图3-3LogView窗口中分析结果6出图。
通过“ProjectRunCanoDraw”命令激活CanoDraw程序。
程序打开后，在弹出的对话框中为文件名（*.cdw），并指定存放位置后，利用“Create”菜单中子命令即可生成相应的排序图。
排序图可以保存为默人的*.cdg文件（FileSave命令），也可以输出为bmp、png等类型文件（Fileexport命令）。
13第二节主成分分析（PCA）对于一个由多个变量描述的复杂事物，人们难以认识，那么是否可以抓住事物主要方面进行重点分析呢？
主成分分析的作用就是从多元事物中解析出主要影响变量，进行详细分析。
但是一般情况下，我们并不能直接找出这些主要影响变量，而是通过原有变量线性组合出新变量（即所谓的主成分）来表示事物的主要方面，PCA的目标就是寻找这些虚拟的新变量。
一相关知识1中心化和标准化中心化和标准化基于线性模型的排序方法都涉及数据中心化和标准化问题。
样方的中心化是让每行（每个样方）的平均值为零，相对应地，物种的中心化则是让每列（每个物种）的平均值为零。
物种（或样方）的标准化是让每行（或列）的范数等于1。
在数值上，范数等于列（或行）内各值平方和的平方根值。
物种数据经过中心化和标准化后，各列变量的平均值均为0，方差均为1。
中心化和标准化不是必须都得进行，几乎所有基于线性模型分析的数据都需要中心化，但不一定需要标准化；
如果都得进行，中心化必须先进行；
物种数据的量纲如果不同，物种数据必须标准化（样方数据可能不需要）2排序尺度比例（线性模型）排序尺度比例（线性模型）这里尺度比例指排序轴坐标的相对尺度比例，具有可选性。
它可以使排序图展示不同的相对比例，以便更好解释你想要探讨的问题。
在解释排序图过程中，绝对值没有任何意义，我们使用的是相对距离，相对方向和投影点的相对次序。
CANOCO中有专门的窗口提供尺度比例的选项，如图3-4。
图3-4线性模型中尺度比例选择框首先来看左边“Focusscalingon”部分，如果你关注的是样方，就选“inter-sampledistances”选项；
如果你关注的是物种，就选择“inter-speciescorrelations”选项；
如果你两个都关注，就选择最后一个选项。
再来看右边“Speciesscores”部分，在线性模型中，你必须决定排序图中箭头的长度是否要反映物种多度的不同（多度大的物种箭头长），或者是物种多度是否要转化为可比较的尺度（所能解释的百分比）。
如果你选择“dividedbythestandarddeviation”，物种箭头长度表示的是在排序空间内展示的物种变化量的比例，是个相对值；
如果你选择“Donotpost-tansform”，箭头长度则表示的是物种在排序空间内的变化量，是个绝对值。
14注意：
线性模型和单峰模型均具有排列尺度比例问题，这里只介绍了线性模型部分，单峰模型的尺度问题在后面章节介绍二分析步骤1前两步操作和去趋势对应分析基本一致，只是在图3-2的分析类型对话框中选择“PCA”，之后会出现图3-4对话框，根据自己分析目的进行选择，本例设置如图。
2在接下来的数据转换对话框中选择“Logtransformation”，默认的转换公式中参数均为1，你可以根据自己的原始数据设置不同的参数，一般采用默认即可。
3之后出现如图3-5对话框。
一般情况下，线性模型中物种数据都进行中心化，标准化与否视具体情况而定。
图3-5中心化和标准化对话框4之后的对话框全部默认设置，一路“Next”，数据分析完成会在“LogView”窗口中找到如图3-6信息。
图中红色线条标记部分信息表达的意思是：
排序轴所能解释的物种数据比例是逐步减小的，第一二排序轴可以算是主成分轴，所能解释的无踪数据比例达33.9%（0.207+0.132）。
图3-6PCA分析结果（部分）5激活CanoDraw模块，文件保存方法不再赘述。
由于本例所采用的环境变量中具有形式变量，所以产生排序图之前需要相关设置，按照“ProjectNominalvariablesEnvironmentalvariables”操作，打开如下对话框，利用中间的“Select”将左侧环境变量列表中的形式标量15筛选到右侧。
6通过“CreateBiplotsandjointPlotsSpeciesandevi.Variables”命令生成如图2-5形式的排序图。
从图中可以看出第一轴（横轴）和环境变量Altit具有很强的相关性，所以可以认为Altit是良好的解释变量。
后面的冗余分析便以Altit作为唯一环境变量，研究其对物种群落分布的影响图3-7形式变量筛选对话框图4-6基于RDA双序图上分析物种沿海拔梯度分布情况16第四章约束性排序约束排序和非约束排序的最大区别就是，后者的梯度是潜在的、虚拟的，而前者的梯度是明确给出的。
在约束性排序中，排序轴是参与排序的环境变量的线性组合（多元多重回归），解释变量对于响应变量的影响被集中在了几个合成的排序轴上，这种排序轴也叫典范轴。
典范轴的数量和独立解释变量的数量一样多，我们一般使用的是前面的几轴。
第一节冗余分析（RDA）对比主成分分析可以发现，其实冗余分析就是约束化的主成分分析。
PCA和RDA的目的都是寻找新的变量作为最好的预测器来预测响应变量分布，它们的主要区别在于后者样方在排序图中坐标是环境因子的线性组合，具体原理不在这里阐述，有兴趣可以参考相关文献。
一相关知识1蒙特卡罗置换检验（蒙特卡罗置换检验（MonteCarlopermutationtest）置换检验和传统检验的区别是，前者利用自己产生的分布作为零假设的分布，后者利用现成已知的分布作为零假设的分布，具体的区别可以参考教材3.11部分（参考教材为：
MultivariateAnalysisofEcologicalDatausingCANOCO）所讲述内容。
该置换检验的主要作用是去检验约束排序模型的显著性。
如果不考虑样方之间的空间结构，我们可以任意置换样方位置（无限限制性置换），利用F值作为统计量，检验回归模型的显著性（这里的F统计量的算法和方差分析中F值意义相同，但算法不同）；
如果样方位置不能随便置换（即限制性置换，原因可能是样方按照空间或时间系列来排列），我们认为样方之间存在自相关，包括物种间的自相关或是环境因子间的自相关。
在这种情况下CANOCO提供了旋转的办法来解决置换问题：
即将样方头尾相连，形成一个圆筒，通过旋转来改变杨帆和环境因子的配比，取代原先的随机置换。
2环境变量的预选环境变量的预选约束性排序方法实质上类似于多元多重回归，该多元回归模型的好坏经常用响应变量中有多少成分能被解释变量所解释来衡量，但我们知道，并不是所有的解释变量对于响应变量的解释都有显著贡献，环境变量预选的目的就是通过逐步迭代的方式筛选出有显著解释性的环境变量。
在CANOCO中，可以用偏蒙特卡罗置换检验来评估每个备选环境便令对于响应变量的解释贡献。
在使用偏蒙特卡罗置换检验之前，我们可以分别将每个环境因子作为独立的变量进行分析，将单独解释能力最强的环境变量标记为协变量，然后将其他的候选变量作为唯一的主变量引入分析（此时排序模型只有一个轴），如
升级会员 