论文部分内容阅读
野生动物是大自然的重要组成部分之一,也是大自然赋予人类最宝贵的历史遗产,是国家重要的物质资源。人类早期靠野生动物生存,人类的发展也离不开野生动物,因此,对野生动物的保护工作尤其重要。对兽类分布格局的研究可以揭示兽类的分布规律及其影响因素,从而进一步推测生物多样性的丰富度格局,为保护区的设立提供科学的依据。 本文采用三种聚类分析方法对东北地区94个市县的兽类分布格局进行了研究。 首先,采用主成份聚类分析方法研究东北地区的兽类分布格局。利用因子分析方法对变量(指标)进行降维,将17个种因变量简化为5个独立且功能明确的主成分。以各个取样点的主成分得分来代替原始数据指标进行聚类,避免了因原始指标间存在相关性所造成的聚类偏差。本文利用主成份聚类所获得的结果清晰的体现出各样本点间兽类结构数量的相近程度和差异距离。 其次,采用模糊聚类分析方法对东北地区的兽类分布格局进行研究。模糊聚类的关键是构造模糊等价矩阵。在构造出模糊等价矩阵的基础上,对东北地区94个样本点进行模糊分类。结果表明,模糊聚类分析方法可以较好的解决特征不明确、边界不清晰的对象的分类问题。在对东北地区94个样本点进行分类时,能够较好的反映东北地区的兽类分布情况。 最后,将SOM神经网络聚类分析方法应用到兽类分布格局的研究中。利用因子分析方法对原始变量进行降维,将原始的17个变量简化为5个,并将这5个变量作为网络的输入,提取典型的样本数据对样本进行初步聚类。利用效果好的网络权值对待训练网络权值初始化,构建SOM网络模型,对所有样本进行训练仿真,实现聚类,结果大致反映了东北地区的兽类分布情况。聚类结果较为客观准确。 对东北地区的兽类分布格局进行了研究,并结合自然地理条件对东北地区兽类动物地理分布格局进行探讨。文中侧重于数学方法在兽类分布格局中的应用。通过对三种不同聚类分析方法的研究结果的比较分析发现,三种方法都能够较好地对东北94个地区的兽类分布情况进行聚类,都能够将具有明显地貌特征的地区,如山地、平原、沿海等地区分开来。在个别地区的分类中,三种分析方法的分析结果都有差别。综合比较,SOM网络分析法在分析东北地区的兽类分布格局中效果更好。