Prati, pascoli e paesaggio alpino - SoZooAlp
Prati, pascoli e paesaggio alpino - SoZooAlp
Prati, pascoli e paesaggio alpino - SoZooAlp
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
6.4. L’analisi di gradiente diretta multivariata<br />
125<br />
PRATI, PASCOLI E PAESAGGIO ALPINO<br />
Nell’approccio indiretto, specialmente laddove la variabilità riassunta nelle prime<br />
dimensioni dell’ordinamento non è elevata, può capitare che i fattori ambientali risultino<br />
poco correlati ai primi assi, ma molto ai successivi. Non considerarli, come si fa solitamente,<br />
comporta allora una perdita di informazione utile. L’approccio diretto rimedia<br />
all’inconveniente rivolgendosi simultaneamente alle due matrici primarie. Nel metodo<br />
classico univariato vengono esplorate, come visto, una sola specie e una sola variabile<br />
ambientale alla volta o, al meglio, nella regressione multipla, più variabili. Quando le<br />
specie sono numerose, la determinazione e sovrapposizione delle curve di risposta o delle<br />
regressioni risultano molto laboriose e complicate. In tal caso è giocoforza l’impiego<br />
di procedure multivariate, basate su un modello di risposta comune.<br />
Questo genere di analisi è imperniato sull’ordinamento vincolato (o canonico o indiretto)<br />
che, combinando ordinamento, regressione e calibrazione, integra in un’unica<br />
procedura le due fasi di ordinamento e interpretazione ecologica dell’analisi indiretta. I<br />
punteggi di ordinamento dei campioni non sono più liberi, ma costretti ad essere combinazioni<br />
lineari dei parametri ambientali. Gli assi sono dunque ordinati in base alla<br />
varianza spiegata attraverso queste combinazioni lineari e a causa di questa forzatura<br />
esterna detta varianza è inferiore a quella degli assi liberi, ma l’interpretazione delle relazioni<br />
con l’ambiente è più esplicita ed efficace, soprattutto se i fattori ambientali sono<br />
molto significativi e poco numerosi in confronto ai campioni. In tale circostanza tendono<br />
a scomparire anche i problemi classici dell’ordinamento, quali la sensibilità agli outlier<br />
e gli effetti d’arco. Inoltre, la significatività statistica degli assi è valutabile attraverso<br />
test, come quelli di permutazione di Monte Carlo, più attendibili di quelli utilizzabili<br />
nel procedimento libero 33 . Il limite sta nel fatto che non si possono trattare troppi fattori<br />
ambientali, perché il metodo, unendo l’ordinamento con la regressione multipla, perde<br />
di efficacia e chiarezza al loro crescere. Laddove i fattori siano inferiori al numero dei<br />
campioni, l’analisi equivale alla regressione multipla, con gli assi che sono solo una<br />
trasformazione lineare dei fattori. Gli assi vincolati prodotti saranno naturalmente in<br />
numero pari ai fattori considerati; i successivi saranno assi liberi e rendiconteranno la<br />
variabilità floristica che residua una volta rimossi gli effetti dei fattori. Con molti fattori,<br />
invece, i vincoli diventano meno severi e l’ordinamento si avvicina a quello libero, fino<br />
a confondersi totalmente laddove i fattori superino in numerosità i campioni.<br />
Occorre dunque valutare con attenzione quali variabili ambientali rilevare e, laddove<br />
ne siano disponibili molte, procedere ad una selezione preventiva. Questa si può attuare<br />
in modo empirico, per tentativi, provando ad eliminare le variabili più banali e verificando<br />
i risultati in termini di varianza rendicontata, fedeltà con i dati originali e chiarezza di<br />
33 I test di permutazione sono test di significatività statistica in cui, diversamente da quelli tradizionali, le<br />
distribuzioni di probabilità di riferimento sulle quali si verifica l’ipotesi nulla (in questo caso che le specie non<br />
rispondono ai fattori ambientali, ossia la loro variabilità è indipendente dalla variabilità dei fattori) sono derivate<br />
direttamente dai dati stessi, senza assunzioni di normalità e derivazioni matematiche. Queste distribuzioni sono<br />
ricercate attraverso ripetute permutazioni dei campioni nella sola matrice di comunità, permutazioni ritenute tutte<br />
egualmente verosimili secondo l’ipotesi nulla. Ogni permutazione conduce ad una nuova matrice, sulla quale si<br />
determina un test statistico (F o altro) che esprima il legame con la matrice ambientale (invariata). La distribuzione<br />
del test statistico nell’insieme delle matrici permutate sarà la distribuzione ricercata. Normalmente non si estraggono<br />
tutte le possibili permutazioni (il loro numero diventa proibitivo già in matrici di piccole dimensioni), ma solo un<br />
campione casuale.