DIGITALNA ARHIVA ŠUMARSKOG LISTA
prilagođeno pretraživanje po punom tekstu
ŠUMARSKI LIST 1-2/2001 str. 23 <-- 23 --> PDF |
J. Franjić, / . Skvorc, A. Čami: NUMERIČKA ANALIZA FITOCENOLOSKIH SNIMAKA U BUKOVO-JKLOVIM ŠUM. Šumarski list hr. I 2, CXXV (2001 ), 19-26 maka iz panonskoga područja (usp. si. 1). Prosječan broj vrsta po snimci je 36 (u dinarskom području je 41, a u panonskom 34). Sve fitocenološke snimke rađene su po standardnoj metodi Braun-Blanquet-a. Pritom se u tablice unose kombinirana procjena abundancije i pokrovnosti i procjena socijalnosti za svaku vrstu. S obzirom daje socijalnost za pojedinu vrstu više-manje stalna, a i neprikladna za numeričku analizu, korištena je samo kombinirana procjena abundancije i pokrovnosti. Svi podaci unošeni su u jednu zajedničku tablicu u programskome paketu "TURBO (VEG)" (Hennekens 1996). Pritom je Braun-Blanquet-ova kombinirana skala za procjenu abundancije i pokrovnosti transformirana u van der M a a r e 1 -ovu ordinalnu skalu (usp. van der Maarel 1979). Tijekom izrade skupne tablice osobita pozornost posvećena je imenovanju biljnih vrsta, s obzirom da su snimke rađene u velikome razmaku (1938-1996. godine) i od različitih autora, pa su često iste vrste imenovane različitim imenima. Tako je dobivena matrica koja je bila ulaz za multivarijatnu analizu, gdje svaka vrsta predstavlja jednu varijablu, a svaka fitocenološka snimka jedan objekt. Matrica se sastoji od 216 stupaca (objekata) i 314 redova (varijabli). Na svim navedenim snimkama provedene su dvije metode numeričke analize - klasterska analiza i multidimenzionalno skaliranje. Numerička analiza provedena je s programskim paketom SYN-TAX 5.02 koji se koristi za multivarijatne analize u taksonomiji i sinekologiji. Klasterska analiza Klasterska analiza je skupina multivarijatnih tehnika, čiji je primarni cilj klasificiranje ili klasteriranje opažaja (objekata) u skupine ili klastere (S h arm a 1996). Svaki objekt karakteriziranje određenim brojem varijabli, tj. svojstava koji opisuju taj objekt. Geometrijski, u dvodimenzionalnome prostoru koncept klaster analize vrlo je jednostavan: svaki objekt je moguće prikazati kao točku. Općenito svaki objekt je moguće prikazati kao točku u n dimenzionalnome prostoru, gdje je n broj varijabli (ili svojstava) koje opisuju taj objekt (Pećina 1998). Klasteriranje se temelji na određivanju udaljenosti (tj. mjera sličnosti) među točkama (objektima) u tom n dimenzionalnome prostoru, za što se koriste različite metode. U osnovi se koriste dvije skupine metoda: 1. Nehijerarhijske klaster metode - gdje broj klastera i neke njihove osobine moraju biti poznate a priori. 2. Hijerarhijske klaster metode - gdje se klasteri formiraju po hijerarhiji, tako daje u svakoj sljedećoj razini broj klastera manji za jedan. Klaster analiza nije tehnika statističkoga zaključivanja u smislu pretpostavki odnosa uzorak - populaci- Za numeričku analizu fitocenoloških snimaka koristi se multivarijatna analiza - grana statistike koja se bavi analizom višestrukih izmjera većeg broja varijabli najednom ili više uzoraka. U ovome radu korištene su dvije metode multivarijatne statističke analize: 1. Klasterska analiza (Cluster analysis) i 2. Multidimenzionalno skaliranje (Multidimensional scaling). Većina multivarijatnih analiza započinje računanjem nekih od mjera udaljenosti, sličnosti, različitosti ili korelacije za parove objekata ili varijabli. Osnovni je postupak specificirati varijable, koje se zatim objedinjuju u zajedničko mjerilo multivarijatne udaljenosti za svaki par objekata, i konačno rezultiraju simetričnom matricom udaljenosti koja u dijagonali ima sve vrijednosti nula. Uobičajeno je da mjere udaljenosti dijelimo u tri kategorije: mjere za binarne podatke, mjere za kvantitativne podatke i mjere za kvalitativne podatke (usp. Digby &Kempton 1987;Podani 1994). Veliki je broj različitih algoritama za izračunavanje multivarijatne udaljenosti koji se koriste u ekološkim i taksonomskim istraživanjima: Mahalanobis-ova uopćena udaljenost (Mahalanobis generalized distance), van der Maarel -ov indeks (Similarity ratio), Canberra metrika, Manhattan metrika, Ruzicka indeks, koeficijent divergencije, srednja različitost (Percentage difference) i mnogi drugi. - (Cluster analysis) ja, već objektivna metoda za klasificiranje (Pećina 1998), tj. ona nam brzo i pregledno pokazuje strukturu naših podataka, njihovu eventualnu povezanost u skupine i odnose među tim skupinama. Zbog velikog broja metoda klaster analiza je možda više nego ijedna druga multivarijatna analiza pod subjektivnim utjecajem izbora samoga analitičara. Stoga je poželjno uvijek koristiti više različitih metoda, pa ako klasifikacija rađena po različitim algoritmima daje sličan raspored klastera, možemo prilično sigurno zaključiti da naši podaci imaju tendenciju udruživanja u skupine (Podani 1994). Za procjenu kvalitete provedene klaster ili ordinacijske analize, odnosno izbor najpogodnije metode za interpretaciju, najčešće se računa kofenetski korelacijski koeficijent. No uspješnost provedene analize, tj. koliko su rezultati analize realni, može najbolje procijeniti sam analitičar-stručnjak na konkretnom području koji dobro poznaje objekte istraživanja i njihovu povezanost. Klasterska analiza mu je jednostavan i brz alat koji će omogućiti lakšu i objektivniju interpretaciju. U ovome radu za statističku analizu korištene su četiri metode klasterske analize -- Single linkage, |