Numerische Klassifikation TWINSPAN Dr. Heike Culmsee Vegetationsanalyse & Phytodiversität

Multivariate Methoden in der Vegetationsökologie Methodengruppe: Clusteranalyse Ziel: numerische Klassifikation Definition: Cluster (Gruppen, Haufen) von Objekten (z.B. pflanzensoziologische Aufnahmen) oder Variablen (z.B. Arten, Umwelteigenschaften), deren Mitglieder einander ähnlich sind, während sich die Gruppen voneinander stärker unterscheiden Darstellungsweise: Dendrogramm

Clusteranalysen – methodische Schritte Erstellung einer Rohdaten-Matrix Errechnung einer (Un-)Ähnlichkeits-Matrix Anwendung einer Klassifikationsmethode  Dendrogramm Interpretation

Klassifikation: Methodenübersicht Hierarchische Verfahren: es gibt Gruppen und Untergruppen Agglomerativ (from the bottom): die Klassifikation fängt damit an, die ähnlichsten Objekte miteinander zu gruppieren (Start am unteren Ende): Clusteranalysen nach der nearest-neighbour analysis: Ähnlichkeit von Objekten soll in Form von Dendrogrammen abgebildet werden. Objekte sitzen am Ende der Äste, die Länge der Äste symbolisiert die Distanz zwischen den Objekten. Divisiv (from the top): die Klassifikation fängt auf der obersten Ebene an: der Datensatz wird zunächst in 2 Gruppen unterteilt, die dann wiederum weiter in Untergruppen unterteilt werden.

Clusteranalysen – Dendrogramm

Two-Way Indicator Species Analysis TWINSPAN  Two-Way Indicator Species Analysis   ¨    divisiv polythetisch Hill, M. O. 1979, TWINSPAN - a FORTRAN program for arranging multivariate data in an ordered two-way table by classification of the individuals and attributes. Ecology & Systematics, Cornell University, Ithaca, New York.

TWINSPAN - Schritt für Schritt Ordination des Datensatzes (Korrespondenzanalyse, CA) Ermittlung der Werte der CA-Achse 1 für alle Bestände (Aufnahmen) Ermittlung des Mittelwertes der CA-Achse-1-Werte  2 Gruppen von Aufnahmen

TWINSPAN - Schritt für Schritt 4. Wie ist die Verteilung der Arten in den beiden Gruppen?  Ermittlung von „Indikatorarten“ (Arten mit Schwerpunkt am positiven oder negativen Achsenende) 5. Ermittlung der Rangfolge der Indikatorarten na+ na Ia =    n+ n n+ Gesamtzahl der Aufnahmen auf der positiven Seite der Ordinationsachse 1 n Gesamtzahl der Aufnahmen auf der negativen Seite der Ordinationsachse 1 na+ Zahl der Aufnahmen auf der positiven Seite, mit Art a na Zahl der Aufnahmen auf der negativen Seite, mit Art a

TWINSPAN - Schritt für Schritt 6. Bestimmte Zahl von Indikatorarten mit höchsten Werten für |I| wird festgelegt (positive und negative).  Indikatorwert der Arten ist abhängig von der Frequenz der Arten und von ihrer Verteilung Beispiel: 2/5  0/5 = 0,4 3/5  1/5 = 0,4 7. Berechnung eines Indikatorwertes für jede Aufnahme  Addition von positiven und negativen Werten der in einer Aufnahme vorkommenden Indikatorarten

TWINSPAN - Schritt für Schritt

Wie verhält sich TWINSPAN gegenüber seltenen Arten? Wegen hoher Empfindlichkeit von CA gegenüber Ausreißern (outlier) nimmt TWINSPAN ein Downweighting seltener Arten vor. Wie bezieht TWINSPAN Abundanzen in die Klassifikation ein? Berücksichtigung über CA-Ordination allein bleibt unbefriedigend; daher... Einführung eines Konzeptes mit „Pseudospecies“

TWINSPAN – was sind Pseudospecies? Pseudospecies repräsentieren die Abundanz einer Art durch zusätzliche „Arten“ gleichen Namens; die Zahl der Pseudospecies einer Art ist proportional zur Abundanz der Art. Vorteil: Abundanzen können „Indikatorarten“ sein (Indikatorwert ab bestimmter Deckung) Nachteil: z. B. sind P. major 3, 4 und 5 redundant, daher: bei Indikatorarten wird eine reale Art durch nur eine Pseudospecies repräsentiert, und zwar durch die mit dem höchsten Indikatorwert.