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.
Fausto Gusmeroli<br />
getazionali. La differenza tra le due tecniche sta nelle assunzioni circa la componente<br />
dell’errore: nella correlazione canonica gli errori sono correlati e normali, in analisi di<br />
ridondanza sono incorrelati e di uguale varianza. In termini pratici le maggiori divergenze<br />
stanno nell’assenza di limitazioni nel numero di specie in RDA e nel fatto che<br />
essa non ricava assi di ordinamento in entrambi i gruppi e ne massimizza le correlazioni<br />
(i due gruppi sono cioè reciprocamente vincolati), ma, più in coerenza con le relazioni<br />
di dipendenza delle specie dai parametri ambientali, estrae assi di ordinamento dalla<br />
matrice di comunità che riflettono direttamente le variabili ambientali (gli assi sono forzati<br />
ad essere combinazioni lineari di queste, ma non viceversa). RDA è pertanto una<br />
PCA vincolata, in cui all’algoritmo è incorporato il calcolo della regressione multipla<br />
dei punteggi dei campioni sulle variabili ambientali. Alla convergenza, i coefficienti di<br />
regressione prendono il nome di coefficienti canonici ed il coefficiente di correlazione<br />
multipla, ossia la correlazione tra i punteggi dei campioni ordinati liberamente e i<br />
punteggi dei campioni derivati come combinazioni lineari delle variabili ambientali, è<br />
detto di correlazione specie-ambiente 35 . Esso non è una misura di quanto la variabilità<br />
della comunità può essere spiegata dai fattori ambientali (ciò è espresso dall’autovalore<br />
dell’asse), ma dell’intensità della relazione tra le specie e l’ambiente su quell’asse.<br />
I coefficienti canonici e le cosiddette correlazioni interne, ossia le correlazioni tra gli<br />
assi di ordinamento e le variabili ambientali, permettono di interpretare gli assi, vale a<br />
dire di inferire circa l’importanza di ogni fattore ambientale nello spiegare la variabilità<br />
specifica dei popolamenti. Entrambi i coefficienti spiegano il tasso di cambiamento di<br />
composizione floristica per unità di variazione della variabile ambientale, ma mentre<br />
per i coefficienti canonici è assunto che le altre variabili siano mantenute costanti, per i<br />
coefficienti interni queste sono assunte covariare con la variabile in oggetto. I due coefficienti<br />
forniscono dunque la stessa informazione solo nel caso, invero poco realistico,<br />
che i fattori ambientali siano tra loro incorrelati. Quando invece sussistono correlazione<br />
molto strette, gli effetti delle variabili non possono essere separati e di conseguenza i<br />
coefficienti canonici sono instabili 36 , dunque non significativi, mentre, fortunatamente,<br />
rimangono valide le correlazioni interne. Come gia detto in precdenza, le variabili molto<br />
correlate possono anche essere rimosse, mantenendone almeno una per ogni insieme<br />
correlato: gli autovalori e le correlazioni specie-ambiente dovrebbero diminuire in misura<br />
lieve, salvo laddove si siano rimosse troppe variabili o variabili importanti.<br />
La sintesi grafica dei risultati può realizzarsi con triplot o joint plot (Fig. 6.10), in<br />
cui compaiono campioni, specie e parametri ambientali. I triplot sono maggiormente<br />
efficaci nel riassumere le relazioni tra le specie e i parametri ambientali, i joint plot le<br />
relazioni di somiglianza/dissomiglianza tra i campioni. Nei triplot, con le frecce sono<br />
rappresentate le variabili ambientali e di norma anche le specie (nella figura 6.10 solo<br />
le variabili ambientali), dal momento che entrambe vanno a costituire singoli biplot sui<br />
campioni, la cui lettura è del tutto analoga a quella del biplot della PCA. In aggiunta<br />
35 RDA è quindi un’analisi di correlazione canonica nella quale sono ignorate le correlazioni tra le specie.<br />
Essa è conosciuta anche come regressione ridotta di rango, a sottolineare la sua analogia anche con la regressione<br />
multivariata. Si tratta infatti di un procedimento intermedio tra la PCA e le regressioni multiple separate per ognuna<br />
delle specie, dunque sia di un ordinamento vincolato, sia di una forma vincolata di regressione multipla.<br />
36 Si tratta del problema della collinearità o multicollinearità, ben conosciuto nell’analisi di regressione<br />
multipla. Si tratta dell’esistenza di correlazioni perfette o molto strette tra due o più regressori, situazione opposta a<br />
quella ottimale in cui tutti i regressori sono tra loro indipendenti.<br />
128