Prati, pascoli e paesaggio alpino - SoZooAlp
Prati, pascoli e paesaggio alpino - SoZooAlp Prati, pascoli e paesaggio alpino - SoZooAlp
Axis 2 Fig. 4.5 Fig. 4.5 81 PRATI, PASCOLI E PAESAGGIO ALPINO Effetto Effetto della rimozione della rimozione di un outlier di un outlier in un in diagramma un diagramma di ordinamento di ordinamento Fig. 4.5 Effetto della rimozione di un outlier in un diagramma di ordinamento 90 80 70 60 50 40 30 20 10 0 -10 -20 -30 Axis 2 -60 90 80 Outlier Outlier 70 60 50 40 30 20 10 0 -10 -20 -30 -40 -60 -20 -40 -20 0 Axis 1 20 0 Axis 1 40 20 60 40 60 Axis 2 dalla struttura solo attraverso la disponibilità di dati ridondanti, ossia di repliche (più popolamenti della medesima biocenosi). La ridondanza, come visto, è necessaria anche per la produzione delle mappe della vegetazione o per ottenere stime delle medie e delle varianze. I campioni isolati, le disgiunzioni e il rumore ostacolano l’estrazione dell’informazione utile dalle matrici e vanno pertanto controllati. Ciò si realizza eliminando gli outlier, analizzando separatamente le disgiunzioni come fossero singole matrici e riducendo il più possibile il rumore. Su quest’ultimo aspetto, che rappresenta uno degli obiettivi principali del trattamento statistico multivariato, possono esercitare un certo influsso le preventive operazioni di scaling e pesatura dei dati. Tali procedure possono essere suggerite dalla necessità di calibrare da un lato il livello di approfondimento dell’analisi, dall’altro di riequilibrare o modificare la quota di informazione portata dalle variabili descrittive (le specie nella matrice di comunità, le variabili ambientali nella matrice ecologica). Lo scaling contempla procedure di standardizzazione e di trasformazione. Le prime sono modificazione dei dati basata su statistiche calcolate a partire dai dati stessi (varianza, intervallo di variazione, media etc.); le seconde sono basate su funzioni matematiche i cui parametri, almeno alcuni, sono estranei ai dati. La standardizzazione agisce essenzialmente sul peso delle variabili, mentre la trasformazione modifica più spesso la loro forma di distribuzione. Nelle matrici di comunità, lo scaling ha principalmente lo scopo di ridurre l’incidenza delle specie dominanti, enfatizzata dai dati quantitativi, e aumentare quella delle meno abbondanti, enfatizzata dai dati binari. Tecnicamente ciò si ottiene comprimendo i dati quantitativi ed eventualmente i dati ordinali di scale troppo ampie. Ovviamente, per i dati alternativi nessuna trasformazione è possibile. Nelle matrici ambientali, lo scaling si prefigge fondamentalmente di bilanciare il peso di variabili che differiscono nelle scale e/o unità di misura, o anche solo nell’ordine di grandezza. 90 80 70 60 50 40 30 20 10 0 -10 -20 -30 Axis 2 -60 90 80 70 60 50 40 30 20 10 0 -10 -20 -30 -40 -60 -20 -40 -20 0 20 0 40 20 Axis 1 Axis 1 60 40 60
Fausto Gusmeroli Le principali standardizzazioni e trasformazioni sono sinteticamente illustrate in tabella 4.4 8 . In ecologia, lo scaling è spesso usato, oltre che sulle variabili, anche sugli oggetti, seppur nella sola forma di standardizzazione. L’operazione, il cui scopo è di ridurre forti differenze di valore tra le unità di rilevamento, è applicabile quando tutte le variabili descrittive hanno la stessa unità di misura, come nella matrice di comunità, e serve in tal caso ad uguagliare le abbondanze complessive dei campioni. Le standardizzazioni più abituali sono la normalizzazione, quelle sul valore massimo, sull’intervallo di variazione e sul totale. A volte, come ad esempio in dati di frequenza, può tornare utile lo scaling congiunto delle variabili e degli oggetti, realizzabile con il doppio centraggio e la doppia standardizzazione sul totale. In ordine alla pesatura, essa consiste nell’attribuzione di pesi alle variabili descrittive in funzione dell’importanza che si vuole loro riconoscere. Interessa di regola le sole matrici ambientali, sebbene non sia esclusa, almeno in linea teorica, l’applicazione anche alle matrici di comunità. I parametri ambientali, infatti, possono essere tra loro incommensurabili, causa le differenti unità di misura, o avere diversa incertezza nella misurazione, o ancora diversa importanza, mentre le specie sono tra loro in tutto omogenee e la loro importanza può dunque essere meglio calibrata attraverso lo scaling. Per altro, pesatura e scaling non sono reciprocamente escludenti. Si potrebbe senz’altro applicare dapprima lo scaling, ottenendo un bilanciamento generale tra le variabili descrittive, e successivamente la pesatura, che consente di fissarne in modo più puntuale l’importanza relativa. Ovviamente, scaling e pesatura hanno senso solo laddove i metodi di analisi multivariata applicati non contemplino processi di auto-standardizzazione dei dati, che annullerebbero ogni effetto. Nella pesatura occorre inoltre considerare che il trattamento multivariato esamina le variabili globalmente e può dunque succedere che variabili apparentemente di scarso valore informativo, cui si sarebbe tentati di attribuire pesi marginali, si rivelino in combinazione molto informative. L’operazione è dunque delicata e va introdotta a ragion veduta. Esistono infine altre due possibili modi di pre-trattamento dei dati destinate a ridurre il rumore delle matrici. Uno è la formazione di campioni composti, utile anche per semplificare matrici molto grandi. I campioni composti derivano dal raggruppamento di oggetti tra loro simili, che vengono sostituiti nella matrice dal loro campione medio. Per la loro costruzione possono essere di ausilio le informazioni di carattere ambientale e le stesse tecniche multivariate impiegate per l’identificazione degli outlier e delle disgiunzioni. Il secondo modo è la cancellazione delle specie rare. Queste specie, pur essendo talvolta importanti in chiave sintassonomica, come sarà chiarito più avanti, non sono di solito valide indicatrici ecologiche, riflettendo piuttosto fasi transitorie e instabili della vegetazione. Oltre a portare poca informazione, possono disturbare l’analisi multivariata, comportandosi da outlier. Il concetto di rarità non è tuttavia ben definito: rigorosa- 8 Usando le tecniche multivariate per analizzare le matrici, si deve tenere presente che pochi sono i coefficienti adimensionali, quelli cioè indipendenti dalla scala e dall’unità di misura delle variabili e che possono quindi essere applicati sui dati non trasformati. Tra questi si possono ricordare il coefficiente di correlazione, l’indice di somiglianza di Gower (specifico per l’analisi di dati misti, ossia qualitativi e quantitativi) e gli indici probabilistici. Negli altri casi occorrerà valutare opportunamente il rescaling dei dati. Con dati misti ciò può però non essere sufficiente ad uniformare la matrice. In tale evenienza è giocoforza ricorrere ad una trasformazione che riporti tutte le variabili alla scala inferiore (secondo la processione illustrata sopra) o utilizzare le specifiche tecniche per dati misti, come il citato indice di Gower. 82
- Page 32 and 33: 31 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 34 and 35: 33 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 36 and 37: Fig. 2.1 Schema di funzionamento de
- Page 38 and 39: 37 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 40 and 41: 39 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 42 and 43: 41 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 44 and 45: 43 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 46 and 47: 45 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 48 and 49: 47 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 50 and 51: 49 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 52 and 53: 51 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 54 and 55: Fig. 2.6 Profili di α della funzio
- Page 56 and 57: 55 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 58 and 59: 57 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 60 and 61: 59 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 62 and 63: Fenomeni di eutrofizzazione in un p
- Page 64 and 65: 63 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 66: 65 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 69 and 70: Fausto Gusmeroli 4. La vEgEtazIoNE
- Page 71 and 72: Fausto Gusmeroli Tab. 4.1 Tab. Comu
- Page 73 and 74: Fausto Gusmeroli Fig. 4.2 I due tip
- Page 75 and 76: Fausto Gusmeroli Fig. 4.3 Principal
- Page 77 and 78: Fausto Gusmeroli temperatura di 30
- Page 79 and 80: Fausto Gusmeroli Tab. 4.3 Scale di
- Page 81: Fig. 4.4 Fausto Gusmeroli Tre ogget
- Page 85 and 86: Fausto Gusmeroli tale sono riconduc
- Page 87 and 88: Fausto Gusmeroli ossia la loro dist
- Page 89 and 90: Fig. 5.2Fausto Gusmeroli Rappresent
- Page 91 and 92: Fig. 5.4 Effetto ricercato nel riar
- Page 93 and 94: Fausto Gusmeroli ragione e viste an
- Page 95 and 96: Fausto Gusmeroli iniziale da quelle
- Page 97 and 98: Particolarità nei dendrogrammi Fau
- Page 99 and 100: Classificazioni flessibili ottenute
- Page 101 and 102: Fausto Gusmeroli in k cluster sono
- Page 103 and 104: Fausto Gusmeroli verificare se vari
- Page 105 and 106: Fausto Gusmeroli aggiunto il nome d
- Page 107 and 108: Fausto Gusmeroli scinale (più even
- Page 109 and 110: Funzione di risposta della specie l
- Page 111 and 112: Fausto Gusmeroli semplice: i parame
- Page 113 and 114: Fausto Gusmeroli in rapporto alla s
- Page 115 and 116: Fausto Gusmeroli Fig. 6.3 Derivazio
- Page 117 and 118: Fig. 6.5 Fausto Gusmeroli Diagrammi
- Page 119 and 120: Vari tipi di biplot ottenuti sulla
- Page 121 and 122: Fausto Gusmeroli Dato che COA adott
- Page 123 and 124: Fausto Gusmeroli Lo scaling multidi
- Page 125 and 126: Diagramma di detrito Fausto Gusmero
- Page 127 and 128: Fausto Gusmeroli lettura. Se vi son
- Page 129 and 130: Fausto Gusmeroli getazionali. La di
- Page 131 and 132: Fausto Gusmeroli semplicemente nell
Axis 2<br />
Fig. 4.5 Fig. 4.5<br />
81<br />
PRATI, PASCOLI E PAESAGGIO ALPINO<br />
Effetto Effetto della rimozione della rimozione di un outlier di un outlier in un in diagramma un diagramma di ordinamento di ordinamento<br />
Fig. 4.5<br />
Effetto della rimozione di un outlier in un diagramma di ordinamento<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
-10<br />
-20<br />
-30<br />
Axis 2<br />
-60<br />
90<br />
80<br />
Outlier Outlier<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
-10<br />
-20<br />
-30<br />
-40 -60<br />
-20 -40<br />
-20 0<br />
Axis 1<br />
20 0<br />
Axis 1<br />
40 20<br />
60 40<br />
60<br />
Axis 2<br />
dalla struttura solo attraverso la disponibilità di dati ridondanti, ossia di repliche (più<br />
popolamenti della medesima biocenosi). La ridondanza, come visto, è necessaria anche<br />
per la produzione delle mappe della vegetazione o per ottenere stime delle medie<br />
e delle varianze.<br />
I campioni isolati, le disgiunzioni e il rumore ostacolano l’estrazione dell’informazione<br />
utile dalle matrici e vanno pertanto controllati. Ciò si realizza eliminando gli outlier,<br />
analizzando separatamente le disgiunzioni come fossero singole matrici e riducendo<br />
il più possibile il rumore. Su quest’ultimo aspetto, che rappresenta uno degli obiettivi<br />
principali del trattamento statistico multivariato, possono esercitare un certo influsso<br />
le preventive operazioni di scaling e pesatura dei dati. Tali procedure possono essere<br />
suggerite dalla necessità di calibrare da un lato il livello di approfondimento dell’analisi,<br />
dall’altro di riequilibrare o modificare la quota di informazione portata dalle variabili<br />
descrittive (le specie nella matrice di comunità, le variabili ambientali nella matrice ecologica).<br />
Lo scaling contempla procedure di standardizzazione e di trasformazione. Le<br />
prime sono modificazione dei dati basata su statistiche calcolate a partire dai dati stessi<br />
(varianza, intervallo di variazione, media etc.); le seconde sono basate su funzioni matematiche<br />
i cui parametri, almeno alcuni, sono estranei ai dati. La standardizzazione agisce<br />
essenzialmente sul peso delle variabili, mentre la trasformazione modifica più spesso la<br />
loro forma di distribuzione. Nelle matrici di comunità, lo scaling ha principalmente lo<br />
scopo di ridurre l’incidenza delle specie dominanti, enfatizzata dai dati quantitativi, e<br />
aumentare quella delle meno abbondanti, enfatizzata dai dati binari. Tecnicamente ciò si<br />
ottiene comprimendo i dati quantitativi ed eventualmente i dati ordinali di scale troppo<br />
ampie. Ovviamente, per i dati alternativi nessuna trasformazione è possibile. Nelle matrici<br />
ambientali, lo scaling si prefigge fondamentalmente di bilanciare il peso di variabili<br />
che differiscono nelle scale e/o unità di misura, o anche solo nell’ordine di grandezza.<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
-10<br />
-20<br />
-30<br />
Axis 2<br />
-60<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
-10<br />
-20<br />
-30<br />
-40 -60<br />
-20 -40<br />
-20 0 20 0 40 20<br />
Axis 1 Axis 1<br />
60 40<br />
60