利用方差分析篩選特異菌群的方法

『壹』 環境微生物群落heatmap圖怎麼畫

1. 稀釋性曲線（Rarefaction Curve）
採用對測序序列進行隨機抽樣的方法，以抽到的序列數與它們所能代表OTU的數目構建曲線，即稀釋性曲線。
當曲線趨於平坦時，說明測序數據量合理，更多的數據量對發現新OTU的邊際貢獻很小；反之則表明繼續測序還可能產生較多新的OTU。

橫軸：從某個樣品中隨機抽取的測序條數；"Label 0.03" 表示該分析是基於OTU 序列差異水平在0.03，即相似度為97% 的水平上進行運算的，客戶可以選取其他不同的相似度水平。
縱軸：基於該測序條數能構建的OTU數量。
曲線解讀：
Ø 圖1中每條曲線代表一個樣品，用不同顏色標記；
Ø 隨測序深度增加，被發現OTU 的數量增加。當曲線趨於平緩時表示此時的測序數據量較為合理。
2. Shannon-Wiener 曲線
反映樣品中微生物多樣性的指數，利用各樣品的測序量在不同測序深度時的微生物多樣性指數構建曲線，以此反映各樣本在不同測序數量時的微生物多樣性。
當曲線趨向平坦時，說明測序數據量足夠大，可以反映樣品中絕大多數的微生物物種信息。

橫軸：從某個樣品中隨機抽取的測序條數。
縱軸：Shannon-Wiener 指數，用來估算群落多樣性的高低。
Shannon 指數計算公式：
其中，
Sobs= 實際測量出的OTU數目；
ni= 含有i 條序列的OTU數目；
N = 所有的序列數。
曲線解讀：
Ø 圖2每條曲線代表一個樣品，用不同顏色標記，末端數字為實際測序條數；
Ø 起初曲線直線上升，是由於測序條數遠不足覆蓋樣品導致；
Ø 數值升高直至平滑說明測序條數足以覆蓋樣品中的大部分微生物。
3.Rank-Abundance 曲線
用於同時解釋樣品多樣性的兩個方面，即樣品所含物種的豐富程度和均勻程度。
物種的豐富程度由曲線在橫軸上的長度來反映，曲線越寬，表示物種的組成越豐富；
物種組成的均勻程度由曲線的形狀來反映，曲線越平坦，表示物種組成的均勻程度越高。

橫軸：OTU 相對豐度含量等級降序排列。
縱軸：相對豐度比例。
曲線解讀：
Ø 圖3與圖4中每條曲線對應一個樣本（參考右上角圖標）；
Ø 圖3與圖4中橫坐標表示的是OTU（物種）豐度排列順序，縱坐標對應的是OTU（物種）所佔相對豐度比例（圖3為相對百分比例，圖4為換算後Log值），曲線趨於水平則表示樣品中各物種所佔比例相似；曲線整體斜率越大則表示樣品中各物種所佔比例差異較大。
4. 樣本群落組成分析：多樣本柱狀圖/ 單樣本餅狀圖
根據分類學分析結果，可以得知一個或多個樣品在各分類水平上的物種組成比例情況，反映樣品在不同分類學水平上的群落結構。

柱狀圖（圖5）
橫軸：各樣品的編號。
縱軸：相對豐度比例。
圖標解讀：
Ø 顏色對應此分類學水平下各物種名稱，不同色塊寬度表示不同物種相對豐度比例；
Ø 可以在不同分類學水平下作圖分析。
餅狀圖（圖6）
在某一分類學水平上，不同菌群所佔的相對豐度比例。不同顏色代表不同的物種。
5. 樣品OTU 分布Venn 圖
用於統計多個樣品中共有或獨有的OTU數目，可以比較直觀地表現各環境樣品之間的OTU 組成相似程度。
不同樣品用不同顏色標記，各個數字代表了某個樣品獨有或幾種樣品共有的OTU 數量，對應的OTU編號會以EXCEL 表的形式在結題報告中呈現。

分析要求
單張分析圖，樣本分組至少兩個，最多5 個。
Ø 默認設置為97% 相似度水平下以OTU 為單位進行分析作圖。
6. Heatmap 圖
用顏色變化來反映二維矩陣或表格中的數據信息，它可以直觀地將數據值的大小以定義的顏色深淺表示出來。將高豐度和低豐度的物種分塊聚集，通過顏色梯度及相似程度來反映多個樣品在各分類水平上群落組成的相似性和差異性。

相對豐度比例：
熱圖（圖8）中每小格代表其所在樣品中某個OTU 的相對豐度。以圖8為例，紅框高亮的小格所對應的信息為：樣本（R11-1Z）中OTU（OTU128）的相對豐度比例大概為0.2%。
豐度比例計算公式（Bray Curtis 演算法）：

其中，
SA,i = 表示A樣品中第i個OTU所含的序列數
SB,i = 表示B樣品中第i個OTU所含的序列數
樣品間聚類關系樹：
進化樹表示在選用成圖數據中，樣本與樣本間序列的進化關系（差異關系）。處於同一分支內的樣品序列進化關系相近。
物種/OTU 豐度相似性樹：
豐度相似性樹表示選用成圖的數據中樣品與樣品中的OTU 或序列在豐度上的相似程度。豐度最相近的會分配到同一分支上。
客戶自定義分組：根據研究需求對菌群物種/OTU 研究樣本進行二級分組
Ø 二級物種/OTU 分組：將下級分類學水平物種或OTU 分配到對應的上級分類學水平，以不同顏色區分；
Ø 二級樣品分組：根據研究需要，對樣品進行人為的分組，以不同顏色區分。
7. 主成分分析PCA (Principal Component Analysis)
在多元統計分析中，主成分分析是一種簡化數據集的技術。主成分分析經常用於減少數據集的維數，同時保持數據集中對方差貢獻最大的特徵，從而有效地找出數據中最「主要」的元素和結構，去除噪音和冗餘，將原有的復雜數據降維，揭示隱藏在復雜數據背後的簡單結構。
通過分析不同樣品的OTU 組成可以反映樣品間的差異和距離，PCA 運用方差分解，將多組數據的差異反映在二維坐標圖上，坐標軸為能夠最大程度反映方差的兩個特徵值。如樣品組成越相似，反映在PCA圖中的距離越近。

橫軸和縱軸：以百分數的形式體現主成分主要影響程度。以圖9為例，主成分1（PC1）和主成分2（PC2）是造成四組樣品（紅色，藍色，黃色和綠色）的兩個最大差異特徵，貢獻率分別為41.1% 和27.1%。
十字交叉線：在圖9中作為0 點基線存在，起到輔助分析的作用，本身沒有意義。
圖例解讀：
Ø PCA 分析圖是基於每個樣品中所含有的全部OTU 完成的；
Ø 圖9中每個點代表了一個樣本；顏色則代表不同的樣品分組；
Ø 兩點之間在橫、縱坐標上的距離，代表了樣品受主成分（PC1 或 PC2）影響下的相似性距離；
Ø 樣本數量越多，該分析意義越大；反之樣本數量過少，會產生個體差異，導致PCA分析成圖後形成較大距離的分開，建議多組樣品時，每組不少於5個，不分組時樣品不少於10個；
Ø 圖10中的圓圈為聚類分析結果，圓圈內的樣品，其相似距離比較接近。
8. RDA/ CCA 分析圖
基於對應分析發展的一種排序方法，將對應分析與多元回歸分析相結合，每一步計算均與環境因子進行回歸，又稱多元直接梯度分析。主要用來反映菌群與環境因子之間的關系。RDA 是基於線性模型，CCA是基於單峰模型。分析可以檢測環境因子、樣品、菌群三者之間的關系或者兩兩之間的關系。

橫軸和縱軸：RDA 和CCA 分析，模型不同，橫縱坐標上的刻度為每個樣品或者物種在與環境因子進行回歸分析計算時產生的值，可以繪制於二維圖形中。
圖例解讀：
Ø 冗餘分析可以基於所有樣品的OTU作圖，也可以基於樣品中優勢物種作圖；
Ø 箭頭射線：圖11中的箭頭分別代表不同的環境因子（即圖中的碳酸氫根離子HCO3-，醋酸根離子AC-等，圖中的其它環境因子因研究不同代表的意義不同，因此不再贅述）；
Ø 夾角：環境因子之間的夾角為銳角時表示兩個環境因子之間呈正相關關系，鈍角時呈負相關關系。環境因子的射線越長，說明該影響因子的影響程度越大；
Ø 圖11中不同顏色的點表示不同組別的樣品或者同一組別不同時期的樣品，圖中的拉丁文代表物種名稱，可以將關注的優勢物種也納入圖中；
Ø 環境因子數量要少於樣本數量，同時在分析時，需要提供環境因子的數據，比如 pH值，測定的溫度值等。
9. 單樣品/ 多樣品分類學系統組成樹
根據NCBI 提供的已有微生物物種的分類學信息資料庫，將測序得到的物種豐度信息回歸至資料庫的分類學系統關系樹中，從整個分類系統上全面了解樣品中所有微生物的進化關系和豐度差異。

單樣品圖（圖12）：可以了解單樣品中的序列在各個分類學水平上的分布情況。

圖例解讀：
Ø 圖12中不同的層次反映不同的分類學水平；
Ø 分支處的圓面積說明了分布在該分類學水平，且無法繼續往下級水平比對的序列數量，面積越大，說明此類序列越多；
Ø 每個分支上的名詞後面的兩組數字分別表示比對到該分支上的序列數和駐留在該節點上的序列數；
Ø 圖13中為某單一水平物種分布情況，並非是序列分布。

多樣品圖（圖14）：比對多個樣品在不同分類學分支上序列數量差異。
圖例解讀：
Ø 比對不同樣品在某分支上的序列數量差異，通過帶顏色的餅狀圖呈現，餅狀圖的面積越大，說明在分支處的序列數量越多，不同的顏色代表不同的樣品。
Ø 某顏色的扇形面積越大，說明在該分支上，其對應樣品的序列數比其他樣品多。
Ø 多樣品在做該分析時，建議樣品數量控制在10個以內，或者將重復樣本數據合並成一個樣本後，總樣品數在10個以內。
10.系統發生進化樹
在分子進化研究中，基於系統發生的推斷來揭示某一分類水平上序列間鹼基的差異，進而構建進化樹。

『貳』 體質造句-用體質造句

1、鋼鐵者，實為一切實業之 體質 也。孫中山

2、晨跑可以增強 體質 ，晨跑可以改善習慣，晨跑可以強身健體！

3、不要依賴任何人，一個小公司的 體質 是強壓和拚命才能鍛煉出來的，寄生和依賴只會讓自己在風向有所變化的時候死的很慘。

4、體育工作很重要問題就是要增強人民 體質 ，這是一個國家富強、文明的標志。

5、體育運動不僅能改變人的 體質 ，更能改變人的品格。

6、開展體育運動目的是增強人民 體質 。

7、良好的心理素質有益於增強 體質 ，提高抗病能力。

8、最標語式的一句話：發展體育運動，增強人民 體質 。

9、每當逢年過節，過敏 體質 人群常常只能望梅止渴。

10、她 體質 太弱,承受不了太大的重量。

11、因為我每天長跑，不但增強了 體質 ，還能夠跑得很快。

12、堅持鍛煉,不僅能夠增強 體質 ,而且還能延年益壽。

13、從耳朵看 體質 ：耳朵厚而大表明腎氣充足；反之是腎氣虧虛。耳朵肉多骨少，耳垂飽滿，表明先天營養狀況很好；耳朵肉少骨多，耳垂薄，代表體質先天不足。

14、痰濕 體質 要注意，冬日保持您情緒，平息燥火要務必，澄和心神養生氣，保持運動強身體，出汗及時要擦洗，節制宵夜要牢記，祝你健康是福氣，快樂總如意！

15、發展體育運動，增強人民 體質 。

16、我很擔心他那弱不禁風的 體質 ，如何撐得起全家的重擔。

17、鍛煉身體不但能增強 體質 ，提高免疫力，而且能使人精神抖擻，容光煥發，以及它可以使自己顯得更加朝氣蓬勃。

18、推廣廣播體操,是增強全國人民 體質 的一種行之有效的措施。

19、冬到三九天，多多進補能禦寒；寒虛 體質 分開補，羊肉牛肉強筋骨；冬吃蘿卜賽過小人參，蛋白質、維生素能補身；早睡晚起養元氣，適當鍛煉莫忘記！

20、漂唇讓你朱唇皓齒動人弦而且一些過敏 體質 的女性，塗上唇膏後嘴唇周圍會產生一些過敏現象，不但沒有起到美化效果，反而還變得難看。

21、單單他們的吵嚷就足以使 體質 脆弱的人神經錯亂。這些吃得飽穿得暖的鄉下人，只有在使出兩肺的全部力量大叫才能感到那種吵吵鬧鬧的快樂，才能覺得表達得完全。

22、「發展體育運動,增強人民 體質 」八個紅漆大字因風雨侵蝕而斑駁了。

23、軍訓，可以增強 體質 ，磨練意志。

24、不放手讓孩子去做，猶如血液循環受到阻礙，是會防害孩子增強 體質 的。

25、在我們所教育的人的身上，高尚的道德品質，豐富的精神世界和 體質 的健全發展應當合而為一。教育者的本領和藝術，在於他每時每刻都能夠清醒地把握住這種和諧發展的實質。一個共產主義新人，並非所有良好特點和品質的機械堆積，而是他們和諧結合的統一體。

26、不幸的遭遇可以增長人的見解，改善人的心地，鍛煉人的 體質 ，使一個青年能夠擔當起生活的責任，同時能夠知道怎樣享受人生，這是在富裕的環境中所受的教育萬萬不能達到的。

27、冬至，股票升值，財運隨期而至，冬至，加薪升職，好運紛紛而至，冬至，提高 體質 ，身體健康才有鬥志，你是潛力股，加油，我看好你噢！

28、冬季多鍛煉，耐寒意志堅。冬泳治病、健身和抗衰，增強 體質 效果明顯；跳繩運動簡易又方便，還能增強血液循環；體育衛生要注意，適當鍛煉身體健。

29、澳門的土生葡人作為中國近現代史上東西方種族混血、民族融合的一個特例，具有歐亞混血的 體質 特徵，以及歐亞混合的「澳門土語」及諳熟雙語的語言能力，中西合璧的風俗習慣，二元化的宗教信仰和根在澳門的族群意識。

30、冬季身體需調養，優質水果放身旁，香蕉柿子屬寒涼，虛寒 體質 切莫嘗，注意補水要適量，多喝稀粥胃氣養，祝你冬季更健康！

31、預防凍瘡，請聽良方，堅持鍛煉， 體質 增強，注意保暖，切莫著涼，鞋襪舒適，過緊不當；塗搽油脂，護膚提倡，熱量食物，不妨多嘗，祝你冬季，更加健康。

32、夏季零食好選擇，吃出健康和美麗：番茄，維C多多更抗癌；堅果，富含蛋白強 體質 ；茶，奶茶綠茶皆不錯；燕麥，營養瘦身更美容。願你越吃越美麗！

33、冬季感冒要預防，妙招送你為健康：常喝開水利尿排毒，常喝棗姜湯增強 體質 ，冷水洗臉有助耐寒，床頭擺薄荷油治療鼻塞。

34、我們體內如果新陳代謝旺盛,那 體質 一定很好。

35、只要我們堅持鍛煉,一定能增強 體質 。

36、在水利水電工程中,爆破塊度對堆石壩壩 體質 量有決定性影響.

37、一個 體質 孱弱的民族無論到哪裡,文化和經濟都不能立足.

38、他宣稱左手掌偶有多汗的情形，家人有異位性 體質 。

39、結論子宮肌瘤挖除術患者的手術年齡、 體質 量指數和子宮肌瘤的數目是術後復發的危險因素，術前產次是術後復發的保護因素。

40、此具龍山文化晚期的「小巨人」遺骸的發現，為中國史前人類的「 體質 人類學研究」提供了豐富寶貴的材料。

41、模擬結果表明，該澆注系統填充過程平穩，溫度場分布均勻，所得壓鑄件氣體夾雜和冷隔缺陷少，整 體質 量較高。

42、結果表明：小隴山白皮鬆以青黴屬和麴黴屬為優勢菌群，土壤整 體質 量不高。

43、某水電站右岸軟弱岩帶發育,壩基岩 體質 量較差.

44、五金件：櫥櫃上的五金件可說是整體廚房最重要的組成部分，它直接影響著櫥櫃的整 體質 量。

45、如果Nelson博士的實驗結果重復成功，就為進一步研究健康心理同健康 體質 兩者間關系的道路帶來更多希望。

46、過去，我們的國家積貧積弱，國民 體質 不佳，西方人諷刺我們是「東亞病夫」。

47、臨證還可根據患者的症狀及 體質 等不同，酌加滋陰、利濕、養血、活血、通絡之品。

48、高壓均質機是液 體質 料均質細化和高壓輸送的專用設備。

49、以便了解保安族人手指指毛的分布情況，為進行 體質 人類學研究積累資料。

50、這孩子出生到現在尚不彌月,所以 體質 很差.

51、多吃紅肉會造成人體 體質 呈酸性，所以最好是改吃魚，或吃少量的雞肉。

52、試驗選用 體質 健康、生產性能相近的30周齡柴雞360隻,隨機分為5組,每組3個重復,每個重復12隻.

53、冬令進補必須根據 體質 ，因病因人對症用葯，才能收到良好效果。

54、在中國鎮壓新疆人的抗議活動並且導致將近200人身亡的兩年之後，中國國家媒 體質 疑安全部隊是否過度使用武力。

55、暖濕的海洋氣候和充足的陽光照射下，雅美少女們 體質 健美，都有一頭烏黑的秀發。

56、提出邪毒留滯、飲食內傷、情志勞倦為引發肺癌病的主要原因，不可忽視 體質 因素導致肺癌病的重要意義。

57、測小白鼠力竭運動時間、抓力、 體質 量，取肝組織和後腿肌肉測定肝糖原、肌糖原含量。

58、介紹了氣 體質 量流量計的特點，並對其工作原理和安裝也作了詳細的闡述。

59、她纖弱的 體質 使得她不欲擔任如此艱鉅的工作.

60、在此基礎上,對超基性岩 體質 量進行了評價.

61、排氣閥門的關閉直接造成參與氣泡振盪的氣 體質 量的減少，第二氣泡脈沖相對主脈沖明顯減小。

62、採用人口學和 體質 人類學的方法，對山西芮城清涼寺新石器時代墓地古代居民的人口壽命、性別比例進行了詳細研究。

63、本文介紹了用於研究植物 體質 外體空間三維結構的樹脂鑄型技術.

64、目的探討腫節風葯材所含內酯類及黃酮類成分的整 體質 量控制方法。

65、無論如何，整 體質 素要比大小更重要。

66、我從來不吃豬肉，因為我的 體質 不宜吃豬肉。

67、可以預防視力衰退。患感冒者不宜飲用。燥熱 體質 者，去桂圓肉，改用無花果5粒。

68、寒涼類有柑、橘、香蕉等, 體質 虛寒的人慎食.

69、它既是增強 體質 、促進健康的手段，又是太極拳懂勁、煉勁、運勁、發勁練習的必修課程。

70、像是美國銀行業者即可能不太容易發債,因為這些公司因次貸危機注銷了數以百億美元計的資產,令人擔憂他們的財務 體質 .

71、從 體質 特徵上看，它與嘉戎藏族、羌族同源，而與瑪曲、紅原安多藏族關系較疏。

72、「屁，你走你就在外面遇到事情，我們還得去外面救你去，你說就你這 體質 還倒斗呢，你趕緊回家找人嫁了。你看過一片兒嗎？叫。南派三叔

73、研究了不同濃度下乙二酸對元素電感耦合等離子 體質 譜行為的影響。

74、然而，在他離開之前，大師低聲對他說：「隨心所欲需要強健的 體質 作保證。」。

75、培訓院校的管理狀況關繫到繼續教育工作的成敗，直接影響並決定繼續教育的整 體質 量。

76、此外，毒品使吸毒者的 體質 下降，也為艾滋病的感染和發病大開綠燈。

77、結果表明：一定量的阻聚劑有效地減少了晶點數值，提高了熔 體質 量流動速率，保持了粘結樹脂的剝離強度。

78、日常體育鍛煉帶來的健康效益不可估量，而且只要你參加鍛煉，不管你的年齡、性別和 體質 如何，你都將從中獲益。

79、比如說,遺傳工程師應當不應當矯正近視或矯正易於發胖、掉頭發的 體質 呢?

80、閉眼單腳站立是國家規定的 體質 測試項目之一。

81、本文採用灰色關聯分析綜合評價法對韓江赤鳳、潮安、南社的水 體質 量進行評價，取得了良好的效果。

82、貳心性敏感而 體質 荏弱，很早就過世了。

83、本文論述了21世紀質量管理的重要性及其面臨的挑戰，提出通過供應鏈質量管理來保證產品整 體質 量的新思路，並引用了廣州本田汽車有限公司的成功案例論述這一思路的具體實施過程。

84、射流泵是以液體射流作為工作介質，通過流 體質 點或微團的紊動擴散作用，把能量傳給被抽流體的一種流體機械及混合反應設備。

85、該項目正在尋找新方法，使不同的機器人基於所處環境選擇出入口和移動速度，並動態控制穩定性和身 體質 量。

86、為了適應新形式的發展，新龍企業嚴格按照ISO9001：2000的標准建立質量管理體系，並取得 體質 認證。

87、為大學生 體質 未達標群體探尋一條針對性強、簡單易行且科學有效的運動健身途徑，並為其增強體質、科學健身提供一定的現實指導。

88、因此，本研究以 北京師范大學 男生 體質 未達標群體為研究對象，採用文獻資料法、人體測量法、專家訪談法和問卷調查法對該群體的體質進行了現狀及原因分析。

89、跑步的老鼠會有 體質 上的優勢,像是更好的耐力和更少的脂肪.

90、評價性抽驗是指為掌握、了解醫療器械總 體質 量狀況所進行的抽驗.

91、青木瓜、女貞子、黃氏等上選材料，造就完美的蛻變過程，同時調整 體質 ，發育更趨完善。

92、適宜的蠶室環境條件，可增強蠶兒 體質 ，抑制其小環境內病原物的繁殖，降低發病率，提高繭的產量。

93、過敏 體質 的人應慎食海鮮，因為除了避免食用特定的過敏原之外，海鮮過敏並沒有很好的預防方法。

94、中醫經絡理療儀的服務對象是健康或亞健康人群，其目的是改善 體質 ，增進健康，保養皮膚，緩解疲勞，保健時不限時間。

95、他童年時代 體質 孱弱，在家讀書讀到九歲才轉入當地的公立學校。

96、美麗應答：滋養肺氣，潤腸通便，改善便秘 體質 ，和胃健脾。

97、堅持服用蜂蜜柚子茶3個月，就可以達到「改變 體質 」的作用。

98、文章闡述了監督總 體質 量和監督抽查中的合格、不合格的涵義。

99、方法用微波消解器消解，用電感耦合等離子 體質 譜儀測定牛蒡子中的微量元素含量。

100、野葛根豐胸膠囊，可以輔佐改善這種現象，由於每團體的 體質 差異，能夠效果不一。

101、枸杞茶：枸杞一年四季皆可服用，夏季宜泡茶，但以下午泡飲為佳，可以改善 體質 ，利於睡眠。

102、溪洛渡水電站邊坡岩 體質 量較好，自然邊坡和拱肩槽工程邊坡整體上均處於穩定狀態。

103、但協方差分析結果表明，本次測量的母鴨體尺間的部分差異是由於 體質 量的差異帶來。

104、早期的娃娃類年畫，大都摹寫宋代蘇漢臣和畫院的畫本， 體質 豐腴，服飾打扮承繼了宋畫的特點。

105、地下熱水的評價因子為地熱異常程度及熱流 體質 量。

106、很顯然，我們兩個的 體質 ，絕對不適合干這一行――一個是必然會攛掇我開棺材的體質，一個是開棺材必然遇到粽子的體質。我覺得以後一定要有自知之明，爺爺不讓我干這一行顯然是相當睿智的。南派三叔

107、青少年的 體質 逐年下降令人感喟.

108、 體質 虛弱者可用高麗參15克代替花旗參.

109、影響大學生 體質 健康下降的主要原囚有：大學生體質健康知識淡薄，生活方式不盡合理，高校對學生體質健康重視不夠等。

110、結論是，體育教育不僅是 體質 發展的必要條件，也是智育和德育發展的重要條件。

111、色彩是評價陶瓷修復 體質 量的重要指標之一，修復體色彩逼真、有效是修復體成敗的關鍵。

112、我們在科學與技術方面的進步，善與惡的特點兼而有之。生活上的舒適與便利，可能已經削弱了我們 體質 的活力與道德品質。威爾?杜蘭特

113、它既是加強 體質 、促進健康的手段，又是太極拳懂勁、煉勁、運勁、發勁操演的必修課程。

114、在調查研究的基礎上，對北京服裝學院學生 體質 狀況進行了一般性評估。

115、薩勒曼的 體質 很多靈感，他是抽取其打赤膊，在電影和節目期間到著名。

116、硫酸鋇作為 體質 顏料廣泛應用於塗料中。

117、你想走無始大帝的路嗎?舉世皆敵啊，打敗所有王者，力壓一切 體質 ，一路戰到聖賢去，打進大帝境界...辰東

118、羅伯特提出的這些問題，對於媒 體質 詢者和研究者來說有著非常重要的意義。

119、要定期進行婦科檢查，注意外陰部清潔，經常進行體育鍛煉，以增強 體質 。

120、若非天生 體質 有些特殊,林青恐怕也和大多數的同伴一樣,免不了要在無盡的飢寒之中,凍死,病死,或者……生生被人打死。

『叄』 單因子指數法的主成分分析方法

地理環境是多要素的復雜系統，在我們進行地理系統分析時，多變數問題是經常會遇到的。變數太多，無疑會增加分析問題的難度與復雜性，而且在許多實際問題中，多個變數之間是具有一定的相關關系的。因此，我們就會很自然地想到，能否在各個變數之間相關關系研究的基礎上，用較少的新變數代替原來較多的變數，而且使這些較少的新變數盡可能多地保留原來較多的變數所反映的信息？事實上，這種想法是可以實現的，本節擬介紹的主成分分析方法就是綜合處理這種問題的一種強有力的方法。
第一節 主成分分析方法的原理
主成分分析是把原來多個變數化為少數幾個綜合指標的一種統計分析方法，從數學角度來看，這是一種降維處理技術。假定有n個地理樣本，每個樣本共有p個變數描述，這樣就構成了一個n×p階的地理數據矩陣：
如何從這么多變數的數據中抓住地理事物的內在規律性呢？要解決這一問題，自然要在p維空間中加以考察，這是比較麻煩的。為了克服這一困難，就需要進行降維處理，即用較少的幾個綜合指標來代替原來較多的變數指標，而且使這些較少的綜合指標既能盡量多地反映原來較多指標所反映的信息，同時它們之間又是彼此獨立的。那麼，這些綜合指標（即新變數)應如何選取呢？顯然，其最簡單的形式就是取原來變數指標的線性組合，適當調整組合系數，使新的變數指標之間相互獨立且代表性最好。
如果記原來的變數指標為x1，x2，…，xp，它們的綜合指標——新變數指標為x1，x2，…，zm（m≤p)。則
在（2)式中，系數lij由下列原則來決定：
（1)zi與zj（i≠j；i，j=1，2，…，m)相互無關；
（2)z1是x1，x2，…，xp的一切線性組合中方差最大者；z2是與z1不相關的x1，x2，…，xp的所有線性組合中方差最大者；……；zm是與z1，z2，……zm-1都不相關的x1，x2，…，xp的所有線性組合中方差最大者。
這樣決定的新變數指標z1，z2，…，zm分別稱為原變數指標x1，x2，…，xp的第一，第二，…，第m主成分。其中，z1在總方差中占的比例最大，z2，z3，…，zm的方差依次遞減。在實際問題的分析中，常挑選前幾個最大的主成分，這樣既減少了變數的數目，又抓住了主要矛盾，簡化了變數之間的關系。
從以上分析可以看出，找主成分就是確定原來變數xj（j=1，2，…，p)在諸主成分zi（i=1，2，…，m)上的載荷lij（i=1，2，…，m；j=1，2，…，p)，從數學上容易知道，它們分別是x1，x2，…，xp的相關矩陣的m個較大的特徵值所對應的特徵向量。
第二節 主成分分析的解法
主成分分析的計算步驟
通過上述主成分分析的基本原理的介紹，我們可以把主成分分析計算步驟歸納如下：
（1)計算相關系數矩陣
在公式（3)中，rij（i，j=1，2，…，p)為原來變數xi與xj的相關系數，其計算公式為
因為R是實對稱矩陣（即rij=rji)，所以只需計算其上三角元素或下三角元素即可。
（2)計算特徵值與特徵向量
首先解特徵方程|λI-R|=0求出特徵值λi（i=1，2，…，p)，並使其按大小順序排列，即λ1≥λ2≥…，≥λp≥0；然後分別求出對應於特徵值λi的特徵向量ei（i=1，2，…，p)。
（3)計算主成分貢獻率及累計貢獻率
一般取累計貢獻率達85-95%的特徵值λ1，λ2，…，λm所對應的第一，第二，……，第m（m≤p)個主成分。
（4)計算主成分載荷
由此可以進一步計算主成分得分：
第三節 主成分分析應用實例
主成分分析實例
對於某區域地貌-水文系統，其57個流域盆地的九項地理要素：x1為流域盆地總高度（m)x2為流域盆地山口的海拔高度（m)，x3為流域盆地周長（m)，x4為河道總長度（km)，x5為河
表2-14 某57個流域盆地地理要素數據
道總數，x6為平均分叉率，x7為河谷最大坡度（度)，x8為河源數及x9為流域盆地面積（km)的原始數據如表2-14所示。張超先生（1984)曾用這些地理要素的原始數據對該區域地貌-水文系統作了主成分分析。下面，我們將其作為主成分分析方法在地理學研究中的一個應用實例介紹給讀者，以供參考。
表2-15相關系數矩陣
（1)首先將表2-14中的原始數據作標准化處理，由公式（4)計算得相關系數矩陣（見表2-15)。
（2)由相關系數矩陣計算特徵值，以及各個主成分的貢獻率與累計貢獻率（見表2-16)。由表2-16可知，第一，第二，第三主成分的累計貢獻率已高達86.5%，故只需求出第一，第二，第三主成分z1，z2，z3即可。
表2-16 特徵值及主成分貢獻率
（3)對於特徵值λ1=5.043，λ2=1.746，λ3=0.997分別求出其特徵向量e1，e2，e3，並計算各變數x1，x2，……，x9在各主成分上的載荷得到主成分載荷矩陣（見表2-17)。
表2-17 主成分載荷矩陣
從表2-17可以看出，第一主成分z1與x1，x3，x4，x5，x8，x9有較大的正相關，這是由於這六個地理要素與流域盆地的規模有關，因此第一主成分可以被認為是流域盆地規模的代表：第二主成分z2與x2有較大的正相關，與x7有較大的負相關，而這兩個地理要素是與流域切割程度有關的，因此第二主成分可以被認為是流域侵蝕狀況的代表；第三主成分z3與x6有較大的正相關，而地理要素x6是流域比較獨立的特性——河系形態的表徵，因此，第三主成成可以被認為是代表河系形態的主成分。
以上分析結果表明，根據主成分載荷，該區域地貌-水文系統的九項地理要素可以被歸為三類，即流域盆地的規模，流域侵蝕狀況和流域河系形態。如果選取其中相關系數絕對值最大者作為代表，則流域面積，流域盆地出口的海拔高度和分叉率可作為這三類地理要素的代表，利用這三個要素代替原來九個要素進行區域地貌-水文系統分析，可以使問題大大地簡化。
二、內梅羅水質指數污染
表1 內梅羅水質指數污染等級劃分標准 P <1 1～2 2～3 3～5 >5 水質等級 清潔 輕污染 污染 重污染 嚴重污染 表2 地表水環境質量標准（GB3838—2002） 單位：mg/L 序 號 項 目 V類標准值 1 水溫(℃) — 2 PH值（無量綱） 6—9 3 溶解氧 ≥ 2 4 高錳酸鹽指數 ≤ 15 5 化學需氧量 ≤ 40 6 五日生化需氧量 ≤ 10 7 氨氮 ≤ 2.0 8 總磷 ≤ 0.4 9 總氮 ≤ 2.0 10 銅 ≤ 1.0 11 鋅 ≤ 2.0 12 氟化物 ≤ 1.5 13 硒 ≤ 0.02 14 砷 ≤ 0.1 15 汞 ≤ 0.001 16 鎘 ≤ 0.01 17 鉻（六價） ≤ 0.1 18 鉛 ≤ 0.1 19 氰化物 ≤ 0.2 20 揮發酚 ≤ 0.1 21 石油類 ≤ 1.0 22 硫化物 ≤ 1.0 23 糞大腸菌群（個/L） ≤ 40000 表3 水質評價計算方法 單因子污染指數 Pi = Ci/ Si Ci——第i項污染物的監測值； Si——第i項污染物評價標准值； 溶解氧指數 Cf——對應溫度T時的飽和溶解氧濃度；
Ci——溶解氧濃度監測值；
Si——溶解氧評價標准值； pH指數 pHi——pH監測值；
pHS,min——評價標准值的下限；
pHS,max ——評價標准值的上限； 污染物超標倍數 Ci ——第i項污染物的監測值；
C0 ——第i項污染物評價標准值； 內梅羅指數 Pmax ——單因子污染指數的最高值；
Pi ——第i項污染物的污染指數；
n ——參與評價污染物的項數； 常用的客觀賦權法之一:熵值法
熵是資訊理論中測度一個系統不確定性的量。信息量越大，不確定性就越小，熵也越小，反之，信息量越小，不確定性就越大，熵也越大。熵值法主要是依據各指標值所包含的信息量的大小，利用指標的熵值來確定指標權重的。熵值法的一般步驟為：
(1)、對決策矩陣作標准化處理，得到標准化矩陣，並進行歸一化處理得：
(2)、計算第個指標的熵值：。其中。
(3)、計算第個指標的差異系數。對於第個指標，指標值的差異越大，對方案評價的作用越大，熵值越小，反之，差異越小，對方案評價的作用越小，熵值就越大。因此，定義差異系數為：。
(4)、確定指標權重。第個指標的權重為：。
效益型和成本型指標的標准化方法
對於效益型（正向）指標和成本型（逆向）指標，由於這兩者是最常見並且使用最廣泛的指標，所以，對這兩種指標標准化處理的方法也最多，一般的處理方法有：
1. 極差變換法
該方法即在決策矩陣中，對於效益型指標，令
=
對於成本型指標，令
=
則得到的矩陣稱為極差變換標准化矩陣。其優點為經過極差變換後，均有，且各指標下最好結果的屬性值，最壞結果的屬性值。該方法的缺點是變換前後的各指標值不成比例。
2. 線性比例變換法
即在決策矩陣中，對於效益型指標，令
=
對成本型指標，令
=
或
=
則矩陣稱為線性比例標准化矩陣。該方法的優點是這些變換方式是線性的，且變化前後的屬性值成比例。但對任一指標來說，變換後的和不一定同時出現。
3. 向量歸一化法
即在決策矩陣中，對於效益型指標，令
對於成本型指標，令
則矩陣稱為向量歸一標准化矩陣。顯然，矩陣的列向量的模等於1，即。該方法使，且變換前後正逆方向不變，缺點是它是非線性變換，變換後各指標的最大值和最小值不相同。
4. 標准樣本變換法
在中，令
其中，樣本均值，樣本均方差，則得出矩陣，稱為標准樣本變換矩陣。經過標准樣本變換之後，標准化矩陣的樣本均值為，方差為。
5. 等效系數法
對成本型指標，令
=
該方法的優點是變換前後的指標值成比例，缺點是各指標下方案的最好與最差指標值標准化後不完全相同。
另外，關於效益型指標的標准化處理還有：
=
關於成本型指標的標准化處理還有：
=
固定型指標的標准化方法
對於固定型指標，若設為給定的固定值，則標准化處理的方法主要有以下幾種，即令
或
或
或
(4.15)式的特點是各最優屬性值標准化後的值均為1，而各最差屬性的值標准化後的值不統一，即不一定都為0。
若設和分別是人為規定的最優方案和最劣方案，在該情形下，還給出了效益型、成本型和固定型指標的新的標准化方法。
對效益型和成本型，有：
對固定型指標則有：
區間型指標的標准化方法
對區間型的指標，其指標標准化處理的方法主要有以下幾式：
設，令
或令
顯然，還可以簡化為：
或令
或令
其中，是指給定的某個固定區間，即屬性值越接近該區間越好。
偏離型指標的標准化方法
對越來越偏離某值越好的偏離性指標，一般有如下標准化公式：
或令
（對都有）
或令
偏離型指標是與固定型指標相對立的一種指標類型，它的公式使用可以用固定型指標的公式改造，但在使用時要注意其公式的適用范圍。
偏離區間型指標的標准化方法
對偏離區間型指標，有如下標准化的方法：
令
或令
或令
其中，是某個固定區間，屬性值越偏離該區間越好。偏離區間型指標是與區間型指標相對立的一種指標類型。

『肆』 ROC曲線——相關文獻實例、原理和繪制方法

數據分析最讓人著迷的一種用途是可以基於現有數據創建能夠區分不同類型情景的機器學習預測模型。通過定義明確的模型，可以確定能夠預測結果的最重要影響因素，為戰略假設開發有價值的洞察力，甚至可以通過友好的用戶界面將模型的邏輯實現到軟體應用程序中。

首先，我們需要評估構建好的預測模型是否具有良好准確的預測能力！比如，如果我們的電子郵件程序的垃圾郵件分類器只能檢測到50％的不需要的電子郵件或請求，我們都會非常憤怒。本文將討論如何使用經典工具來評估預測模型：接收器操作特性（ROC）曲線。

本文主要分為三個部分整理ROC曲線相關內容，可根據自己的需要進行挑選：

1、使用ROC曲線分析的相關文獻實例

2、ROC曲線的原理和歷史

3、如何繪制ROC曲線

從一篇SCI出發： Improvement of Insulin Sensitivity after Lean Donor Feces in Metabolic Syndrome Is Driven by Baseline Intestinal Microbiota Composition

這是阿姆斯特丹大學學術醫學中心在2017年發表在cell子刊上的文獻，其中一個highlight提到：Response to lean donor FMT is driven by baseline fecal microbiota composition，使用了ROC曲線來評估預測模型的好壞。

為了比較異體FMT中菌群與效果之間的關系，首先按照FMT前後Rd值的變化將患者分為responders組和non-responders組，並比較了兩組的菌群差異，從菌群多樣性變化來看，基於Shannon指數發現，兩組的多樣性均沒有發生顯著改變，然而，兩組基線時的菌群多樣性卻又顯著差異（圖5A），具體表現為non-responders的基線菌群多樣性顯著高於responders。隨後，作者使用了彈性網路演算法elastic net algorithm ( Zou and Hastie, 2005 )區分responders和non-responders，為了避免過度擬合，在數據的訓練分區(80%)上使用了十折交叉驗證，剩下的20%樣品用作測試數據集。要選擇的參數是 L1，L2范數和正則化閾值之間的比率。穩定性選擇採用80% 的隨機二次抽樣方法進行，共100次。在穩定性選擇過程中，計算所有權重系數為非零的特徵。這些計數被歸一化並轉換為穩定系數，對於總是被選擇的特徵值在1.0之間，對於從未被選擇的特徵值在0.0之間。通過隨機試驗評價彈性網路演算法所得結果的統計有效性。按照程序將結果變數(例如，同種異體相對於自體或應答者相對於無應答者)隨機重組，同時保留相應的微生物譜。重復100次，每次計算受試者-工作特徵-曲線下面積(ROC AUC)評分。用於二進制分類任務的性能度量是 ROC AUC。ROC 可以理解為一個正確分類同種異體受試者與自體受試者或有效者與無效者的概率圖。數據集中的交叉驗證是通過隨機隱藏模型中20% 的受試者並評估該組的預測質量來完成的。ROC AUC 評分用0.5 AUC 來衡量分類模型的預測准確性，對應於一個隨機結果。定義了一個臨界值0.05，並將原始數據集的真實 AUC 與此值進行了比較。

作者通過ROC曲線評估了基線菌群組成預測6周代謝反應的模型，顯示AUC=0.88，模型良好。

從這篇文獻了解到ROC曲線可用於評估某個尋找biomarkers的預測模型的好壞。

再從一篇SCI了解： Alterations in the gut microbiome and metabolism with coronary artery disease severity

這是一篇本課題組與北京協和醫學院合作在2019年發表的文章，關注了不同冠狀動脈疾病Coronary artery disease (CAD)類型患者的腸道菌群區分差異。其中，作者通過ROC曲線評估了區分不同CAD亞型（穩定型冠狀動脈疾病(SCAD) ，不穩定型心絞痛(UA)和心肌梗死(MI)）的特徵共變化菌群和代謝物隨機森林模型，得到比較良好的預測結果。

Subgroup identification and prediction based on CAGs and CAD-associated metabotypes

為了確定腸道菌群中的 CAGs 和代謝產物模塊是否可以作為鑒別冠心病不同階段與正常冠狀動脈的生物標志物，根據24個 CAGs 和72個血清代謝類型構建了隨機森林模型對冠心病不同階段進行分類，並利用 ROC曲線(ROC)曲線對分類進行了檢驗(詳情見「材料和方法」一節)。總共構建了5個預測模型（Control vs. CAD, Control vs. SCAD, SCAD vs. UA, SCAD vs. ACS和UA vs. MI）。

隨後，作者再通過招募新隊列使用該模型進行分類預測，進一步論證該疾病亞型識別模型的潛在分類能力。

小結：從這兩篇文獻來看，作者均通過某個分類法機器學習預測模型尋找biomarkers，然後使用ROC曲線對模型進行評估。因此，我們可以初步得知，ROC曲線是用於檢驗構建的預測模型好壞的一種衡量方法。那麼除了這種用途，ROC曲線還能做什麼呢？

為了進一步了解並應用ROC曲線，我們需要首先了解ROC曲線的原理和過往↓

關於ROC曲線相關介紹的文章非常多，這里我摘抄出個人認為比較詳細，可用性強的文章，加以理解。

一、評估預測模型的方法

首先，我們應該了解到預測模型的類型可以分為回歸模型和分類模型（分類模型又有兩類演算法：分類輸出型和概率輸出型，這里就不一一贅述），而不同模型的評估度量也是不同的， 如何評估模型好壞 ， 機器學習（二十四）——常見模型評估方法 ， 分類模型的評估方法簡介 首先需要了解自己構建的預測模型類型來決定評估方法，並不局限於使用ROC曲線進行評估。

ROC曲線原理：

關於ROC曲線的概念和意義可參考： ROC曲線的概念和意義

英文比較好的話也可以看看這篇： ROC curves – what are they and how are they used?

為了更直觀的理解ROC，也可以看看這個視頻： ROC and AUC, Clearly Explained!

受試者工作特徵曲線（receiver operator characteristic curve, ROC曲線），最初用於評價雷達性能，又稱為接收者操作特性曲線。ROC曲線其實就是從混淆矩陣衍生出來的圖形，以真陽性率（靈敏度，Sensitivity）為縱坐標，假陽性率（1-特異度，1-Specificity）為橫坐標繪制的曲線。

其自變數（檢驗項目）一般為連續性變數（如蛋白質因子、菌株、代謝物等的檢測豐度或含量），因變數（金標准，如某疾病亞型分類、治療響應和無響應、患病和未患病）一般為二分類變數。

ROC曲線圖形：隨著閾值的減小，更多的值歸於正類，敏感度和1-特異度也相應增加，所以ROC曲線呈遞增趨勢。那條45度對角線是一條參照線，也就是說ROC曲線要與這條曲線比較。簡單的說，如果我們不用模型，直接隨機把客戶分類，我們得到的曲線就是那條參照線，然而我們使用了模型進行預測，就應該比隨機的要好，所以ROC曲線要盡量遠離參照線，越遠，我們的模型預測效果越好。

ROC曲線就是用來判斷診斷的正確性，最理想的就是曲線下的面積為1，比較理想的狀態就是曲線下的面積在0.8-0.9之間，0.5的話對實驗結果沒有什麼影響。

提到ROC曲線，就離不開AUC(ROC曲線下面積)，其判定方法為AUC應該大於0.5。ROC曲線是根據與對角線進行比較來判斷模型的好壞，但這只是一種直覺上的定性分析，如果我們需要精確一些，就要用到AUC，也就是ROC曲線下面積（AUC）。

從AUC判斷分類器（預測模型）優劣的標准：

AUC = 1，是完美分類器，採用這個預測模型時，存在至少一個閾值能得出完美預測。絕大多數預測的場合，不存在完美分類器。

0.5 < AUC < 1，優於隨機猜測。這個分類器（模型）妥善設定閾值的話，能有預測價值。

AUC = 0.5，跟隨機猜測一樣（例：丟銅板），模型沒有預測價值。

AUC < 0.5，比隨機猜測還差；但只要總是反預測而行，就優於隨機猜測。

看上圖，參考線的面積是0.5，ROC曲線與它偏離越大，ROC曲線就越往左上方靠攏，它下面的面積(AUC)也就越大，這裡面積是0.869。我們可以根據AUC的值與0.5相比，來評估一個分類模型的預測效果。

二、ROC曲線的歷史和關鍵值

這里推薦閱讀這篇： 機器學習基礎（1）- ROC曲線理解 。這里從最初雷達兵使用ROC曲線評估的故事說起，言簡意賅。

ROC曲線最初的研究是為了確定美國雷達「接收機操作員」是如何漏掉日本飛機的。在模型預測判斷中，會出現真陽、假陽、真陰和假陰的三種情況，而不同雷達兵都可能有自己的一套評判標准，對每個接收的信號是大鳥還是轟炸機，每個雷達兵會給出自己的判斷結果，這樣每個雷達兵就都能計算出一個ROC曲線上的關鍵點（一組FPR,TPR值），把大家的點連起來，也就是最早的ROC曲線了。

ROC曲線需要了解幾個關鍵值：

敏感性： 正確識別真陽性的比例。在這種情況下，健康患者的比例由診斷工具正確識別。這有時被稱為「召回」。

SN =真陽性/（真陽性+假陰性）

逆（1靈敏度）=  假負率 。未被該工具檢測到的健康患者被錯誤地識別為患有CAD。假陰性也稱為II型錯誤。

特異性： 正確識別真陰性的比例。在這種情況下，通過診斷工具正確識別CAD患者的比例。

SP =真陰性/（真陰性+誤報）

逆（1-特異性）=  假陽性率 。CAD患者被錯誤地識別為無CAD。誤報也稱為I型錯誤。

積極預測價值： 該工具報告的陽性比例，實際上是積極的。對於診斷工具報告缺乏CAD的患者組，PPV是實際上沒有患病的患者的比例。這有時被稱為「精確度」。

PPV =真陽性/（真陽性+誤報）

負面預測值： 該工具報告的負面影響的比例，實際上是負面的。對於診斷工具報告存在CAD的患者組，NPV是實際上沒有CAD的患者的比例。

NPV =真陰性/（真陰性+假陰性）

這里可以藉助混淆矩陣加以理解：

TP(True Positive): 真實為0，預測也為0

FN(False Negative): 真實為0，預測為1

FP(False Positive): 真實為1，預測為0

TN(True Negative): 真實為0，預測也為0

三、ROC曲線的主要作用

1、ROC曲線能很容易地查出任意界限值時的對疾病的識別能力。

2、選擇最佳的診斷界限值。

3、兩種或兩種以上不同診斷試驗對疾病識別能力的比較。在對同一種疾病的兩種或兩種以上診斷方法進行比較時，可將各試驗的ROC曲線繪制到同一坐標中，以直觀地鑒別優劣，靠近左上角的ROC曲線所代表的受試者工作最准確。亦可通過分別計算各個試驗的ROC曲線下的面積(AUC)進行比較，哪一種試驗的AUC最大，則哪一種試驗的診斷價值最佳。

四、交叉驗證和過擬合問題

參考： 你真的了解交叉驗證和過擬合嗎？

機器學習】Cross-Validation（交叉驗證）詳解

10折交叉驗證（10-fold Cross Validation）與留一法（Leave-One-Out）、分層采樣（Stratification）

意識到過擬合好像也是個棘手的問題，所以在這里補充一下：

簡單來講，當 train set 誤差較小，而 test set 誤差較大時，我們即可認為模型過擬合。這句話表達的另一層意思是，模型評估指標的方差（variance）較大，即可認為模型過擬合。另外，無論監督學習還是非監督學習，均存在過擬合的問題。

有一個比喻還不錯，這里也摘抄下來：

語文老師 讓同學A 解釋一個句子：  『某魯迅先生的文章~~~~~~~~』

欠擬合：    差生： 這是個什麼鬼東西，比例嗶哩嗶哩~~~~

過擬合：    語文老師的解釋： 『表面上看是~~~，但其實~~~~，本質上~~~~~~，反映了~~~~心情，烘託了~~~氣氛~~~』

正常：        當時魯迅先生覺得天色晚了，該休息了。

那麼，如何才能夠在一定程度上避免過擬合呢？這就引出了交叉驗證：

最簡單的判斷模型是否過擬合的方法，就是通過training accuracy 和 test accuracy 數值大小，直觀的判斷模型是否過擬合。例如，訓練集的准確率為90%，而測試集的准確率為70%，那麼我們可以認為模型過擬合。不過，這種方法沒有明確的判斷標准，完全靠個人的主觀判斷——「感覺訓練和測試的誤差相差有點大，有可能過擬合」。

如何利用交叉驗證避免過擬合？

避免模型過擬合的方法，總結大概以下幾點：

   - 重新清洗數據（刪除稀疏特徵、對雜訊數據進行處理（刪除/替換））

- 重新采樣（改變采樣方法等）

- 增加訓練數據

- 採用交叉驗證訓練模型

- 重新篩選特徵

- 降低模型復雜度（增加正則項：L1，L2）

- dropout（神經網路中，讓神經元一定的概率不工作）

這里探討如何利用交叉驗證來避免模型過擬合：

第一個作用是對模型的性能進行評估 。當我們通過一次劃分樣本對模型進行訓練和測試時，由於樣本劃分的偶然性，會導致我們對模型的評估不準確。因此，可以採用交叉驗證對模型進行評估（一般採用5折或10折，sklearn默認採用的是3折），以 n 折交叉驗證結果的均值，作為模型的性能評估。

第二個作用就是用來避免過擬合 。例如當我們進行10折交叉驗證時，訓練了10次，得到了10個模型，每個模型的參數也是不同的，那麼我們究竟用哪個模型作為我們最終的模型呢？答案是： 一個都不用！我們要利用全量數據重新訓練出一個最終模型！

關於實現ROC曲線的繪制，可通過多種途徑進行，這里列出一些可操作平台和方法：

1、SPSS： 如何用SPSS做ROC曲線分析？看這1篇就夠了！

2、R語言： R語言邏輯回歸、ROC曲線和十折交叉驗證

                    ROC曲線基於R語言-（pROC包）

                    R語言pROC包繪制ROC曲線

3、Python： 機器學習基礎（1）- ROC曲線理解

                    ROC原理介紹及利用python實現二分類和多分類的ROC曲線

4、Matlab： Matlab繪圖——ROC曲線繪制（官方demo）

                     ROC曲線詳解及matlab繪圖實例

ROC曲線的初步學習就到這里，我們初步了解到ROC曲線最初是用來評估雷達兵判斷的轟炸機信號准確性的方法，隨後沿用到了醫學指標的判定上，在生活中應用廣泛。ROC曲線可用於查出任意界限值時的對疾病的識別能力，選擇最佳的診斷界限值，還可以用在評估機器學習預測模型的好壞上（目前好像這方面用的比較多）。當然，還有一些問題值得討論，比如，何時需要使用ROC曲線，S折交叉驗證平均ROC曲線如何繪制，等等。在機器學習模型構建過程中，訓練集和測試集的建立，模型的交叉驗證和ROC曲線評估的結合，還需要繼續學習。

Kootte RS, Levin E, Salojärvi J, Smits LP, Hartstra AV, Udayappan SD, Hermes G, Bouter KE, Koopen AM, Holst JJ, Knop FK, Blaak EE, Zhao J, Smidt H, Harms AC, Hankemeijer T, Bergman JJGHM, Romijn HA, Schaap FG, Olde Damink SWM, Ackermans MT, Dallinga-Thie GM, Zoetendal E, de Vos WM, Serlie MJ, Stroes ESG, Groen AK, Nieuwdorp M. Improvement of Insulin Sensitivity after Lean Donor Feces in Metabolic Syndrome Is Driven by Baseline Intestinal Microbiota Composition. Cell Metab. 2017 Oct 3;26(4):611-619.e6. doi: 10.1016/j.cmet.2017.09.008. PMID: 28978426.

Liu H, Chen X, Hu X, Niu H, Tian R, Wang H, Pang H, Jiang L, Qiu B, Chen X, Zhang Y, Ma Y, Tang S, Li H, Feng S, Zhang S, Zhang C. Alterations in the gut microbiome and metabolism with coronary artery disease severity. Microbiome. 2019 Apr 26;7(1):68. doi: 10.1186/s40168-019-0683-9. PMID: 31027508; PMCID: PMC6486680.

Rodriguez-Ruiz A, Lång K, Gubern-Merida A, Broeders M, Gennaro G, Clauser P, Helbich TH, Chevalier M, Tan T, Mertelmeier T, Wallis MG, Andersson I, Zackrisson S, Mann RM, Sechopoulos I. Stand-Alone Artificial Intelligence for Breast Cancer Detection in Mammography: Comparison With 101 Radiologists. J Natl Cancer Inst. 2019 Sep 1;111(9):916-922. doi: 10.1093/jnci/djy222. PMID: 30834436; PMCID: PMC6748773.

Duclos G, Bobbia X, Markarian T, Muller L, Cheyssac C, Castillon S, Resseguier N, Boussuges A, Volpicelli G, Leone M, Zieleskiewicz L. Speckle tracking quantification of lung sliding for the diagnosis of pneumothorax: a multicentric observational study. Intensive Care Med. 2019 Sep;45(9):1212-1218. doi: 10.1007/s00134-019-05710-1. Epub 2019 Jul 29. PMID: 31359081.

『伍』 環境微生物群落heatmap圖怎麼畫

稀釋性曲線（Rarefaction Curve）採用對測序序列進行隨機抽樣的方法，以抽到的序列數與它們所能代表OTU的數目構建曲線，即稀釋性曲線。當曲線趨於平坦時，說明測序數據量合理，更多的數據量對發現新OTU的邊際貢獻很小；反之則表明繼續測序還可能產生較多新的OTU。橫軸：從某個樣品中隨機抽取的測序條數；"Label 0.03" 表示該分析是基於OTU 序列差異水平在0.03，即相似度為97% 的水平上進行運算的，客戶可以選取其他不同的相似度水平。縱軸：基於該測序條數能構建的OTU數量。曲線解讀：Ø 圖1中每條曲線代表一個樣品，用不同顏色標記；Ø 隨測序深度增加，被發現OTU 的數量增加。當曲線趨於平緩時表示此時的測序數據量較為合理。2. Shannon-Wiener 曲線反映樣品中微生物多樣性的指數，利用各樣品的測序量在不同測序深度時的微生物多樣性指數構建曲線，以此反映各樣本在不同測序數量時的微生物多樣性。當曲線趨向平坦時，說明測序數據量足夠大，可以反映樣品中絕大多數的微生物物種信息。橫軸：從某個樣品中隨機抽取的測序條數。縱軸：Shannon-Wiener 指數，用來估算群落多樣性的高低。Shannon 指數計算公式：其中，Sobs= 實際測量出的OTU數目；ni= 含有i 條序列的OTU數目；N = 所有的序列數。曲線解讀：Ø 圖2每條曲線代表一個樣品，用不同顏色標記，末端數字為實際測序條數；Ø 起初曲線直線上升，是由於測序條數遠不足覆蓋樣品導致；Ø 數值升高直至平滑說明測序條數足以覆蓋樣品中的大部分微生物。3.Rank-Abundance 曲線用於同時解釋樣品多樣性的兩個方面，即樣品所含物種的豐富程度和均勻程度。物種的豐富程度由曲線在橫軸上的長度來反映，曲線越寬，表示物種的組成越豐富；物種組成的均勻程度由曲線的形狀來反映，曲線越平坦，表示物種組成的均勻程度越高。橫軸：OTU 相對豐度含量等級降序排列。縱軸：相對豐度比例。曲線解讀：Ø 圖3與圖4中每條曲線對應一個樣本（參考右上角圖標）；Ø 圖3與圖4中橫坐標表示的是OTU（物種）豐度排列順序，縱坐標對應的是OTU（物種）所佔相對豐度比例（圖3為相對百分比例，圖4為換算後Log值），曲線趨於水平則表示樣品中各物種所佔比例相似；曲線整體斜率越大則表示樣品中各物種所佔比例差異較大。4. 樣本群落組成分析：多樣本柱狀圖/ 單樣本餅狀圖 根據分類學分析結果，可以得知一個或多個樣品在各分類水平上的物種組成比例情況，反映樣品在不同分類學水平上的群落結構。柱狀圖（圖5）橫軸：各樣品的編號。縱軸：相對豐度比例。圖標解讀：Ø 顏色對應此分類學水平下各物種名稱，不同色塊寬度表示不同物種相對豐度比例；Ø 可以在不同分類學水平下作圖分析。餅狀圖（圖6）在某一分類學水平上，不同菌群所佔的相對豐度比例。不同顏色代表不同的物種。5. 樣品OTU 分布Venn 圖用於統計多個樣品中共有或獨有的OTU數目，可以比較直觀地表現各環境樣品之間的OTU 組成相似程度。不同樣品用不同顏色標記，各個數字代表了某個樣品獨有或幾種樣品共有的OTU 數量，對應的OTU編號會以EXCEL 表的形式在結題報告中呈現。分析要求單張分析圖，樣本分組至少兩個，最多5 個。Ø 默認設置為97% 相似度水平下以OTU 為單位進行分析作圖。6. Heatmap 圖用顏色變化來反映二維矩陣或表格中的數據信息，它可以直觀地將數據值的大小以定義的顏色深淺表示出來。將高豐度和低豐度的物種分塊聚集，通過顏色梯度及相似程度來反映多個樣品在各分類水平上群落組成的相似性和差異性。相對豐度比例：熱圖（圖8）中每小格代表其所在樣品中某個OTU 的相對豐度。以圖8為例，紅框高亮的小格所對應的信息為：樣本（R11-1Z）中OTU（OTU128）的相對豐度比例大概為0.2%。豐度比例計算公式（Bray Curtis 演算法）：其中，SA,i = 表示A樣品中第i個OTU所含的序列數SB,i = 表示B樣品中第i個OTU所含的序列數樣品間聚類關系樹：進化樹表示在選用成圖數據中，樣本與樣本間序列的進化關系（差異關系）。處於同一分支內的樣品序列進化關系相近。物種/OTU 豐度相似性樹：豐度相似性樹表示選用成圖的數據中樣品與樣品中的OTU 或序列在豐度上的相似程度。豐度最相近的會分配到同一分支上。客戶自定義分組：根據研究需求對菌群物種/OTU 研究樣本進行二級分組Ø 二級物種/OTU 分組：將下級分類學水平物種或OTU 分配到對應的上級分類學水平，以不同顏色區分；Ø 二級樣品分組：根據研究需要，對樣品進行人為的分組，以不同顏色區分。7. 主成分分析PCA (Principal Component Analysis)在多元統計分析中，主成分分析是一種簡化數據集的技術。主成分分析經常用於減少數據集的維數，同時保持數據集中對方差貢獻最大的特徵，從而有效地找出數據中最「主要」的元素和結構，去除噪音和冗餘，將原有的復雜數據降維，揭示隱藏在復雜數據背後的簡單結構。通過分析不同樣品的OTU 組成可以反映樣品間的差異和距離，PCA 運用方差分解，將多組數據的差異反映在二維坐標圖上，坐標軸為能夠最大程度反映方差的兩個特徵值。如樣品組成越相似，反映在PCA圖中的距離越近。橫軸和縱軸：以百分數的形式體現主成分主要影響程度。以圖9為例，主成分1（PC1）和主成分2（PC2）是造成四組樣品（紅色，藍色，黃色和綠色）的兩個最大差異特徵，貢獻率分別為41.1% 和27.1%。十字交叉線：在圖9中作為0 點基線存在，起到輔助分析的作用，本身沒有意義。圖例解讀：Ø PCA 分析圖是基於每個樣品中所含有的全部OTU 完成的；Ø 圖9中每個點代表了一個樣本；顏色則代表不同的樣品分組；Ø 兩點之間在橫、縱坐標上的距離，代表了樣品受主成分（PC1 或 PC2）影響下的相似性距離；Ø 樣本數量越多，該分析意義越大；反之樣本數量過少，會產生個體差異，導致PCA分析成圖後形成較大距離的分開，建議多組樣品時，每組不少於5個，不分組時樣品不少於10個；Ø 圖10中的圓圈為聚類分析結果，圓圈內的樣品，其相似距離比較接近。8. RDA/ CCA 分析圖基於對應分析發展的一種排序方法，將對應分析與多元回歸分析相結合，每一步計算均與環境因子進行回歸，又稱多元直接梯度分析。主要用來反映菌群與環境因子之間的關系。RDA 是基於線性模型，CCA是基於單峰模型。分析可以檢測環境因子、樣品、菌群三者之間的關系或者兩兩之間的關系。橫軸和縱軸：RDA 和CCA 分析，模型不同，橫縱坐標上的刻度為每個樣品或者物種在與環境因子進行回歸分析計算時產生的值，可以繪制於二維圖形中。圖例解讀：Ø 冗餘分析可以基於所有樣品的OTU作圖，也可以基於樣品中優勢物種作圖；Ø 箭頭射線：圖11中的箭頭分別代表不同的環境因子（即圖中的碳酸氫根離子HCO3-，醋酸根離子AC-等，圖中的其它環境因子因研究不同代表的意義不同，因此不再贅述）；Ø 夾角：環境因子之間的夾角為銳角時表示兩個環境因子之間呈正相關關系，鈍角時呈負相關關系。環境因子的射線越長，說明該影響因子的影響程度越大；Ø 圖11中不同顏色的點表示不同組別的樣品或者同一組別不同時期的樣品，圖中的拉丁文代表物種名稱，可以將關注的優勢物種也納入圖中；Ø 環境因子數量要少於樣本數量，同時在分析時，需要提供環境因子的數據，比如 pH值，測定的溫度值等。9. 單樣品/ 多樣品分類學系統組成樹根據NCBI 提供的已有微生物物種的分類學信息資料庫，將測序得到的物種豐度信息回歸至資料庫的分類學系統關系樹中，從整個分類系統上全面了解樣品中所有微生物的進化關系和豐度差異。單樣品圖（圖12）：可以了解單樣品中的序列在各個分類學水平上的分布情況。圖例解讀：Ø 圖12中不同的層次反映不同的分類學水平；Ø 分支處的圓面積說明了分布在該分類學水平，且無法繼續往下級水平比對的序列數量，面積越大，說明此類序列越多；Ø 每個分支上的名詞後面的兩組數字分別表示比對到該分支上的序列數和駐留在該節點上的序列數；Ø 圖13中為某單一水平物種分布情況，並非是序列分布。多樣品圖（圖14）：比對多個樣品在不同分類學分支上序列數量差異。圖例解讀：Ø 比對不同樣品在某分支上的序列數量差異，通過帶顏色的餅狀圖呈現，餅狀圖的面積越大，說明在分支處的序列數量越多，不同的顏色代表不同的樣品。Ø 某顏色的扇形面積越大，說明在該分支上，其對應樣品的序列數比其他樣品多。Ø 多樣品在做該分析時，建議樣品數量控制在10個以內，或者將重復樣本數據合並成一個樣本後，總樣品數在10個以內。10.系統發生進化樹在分子進化研究中，基於系統發生的推斷來揭示某一分類水平上序列間鹼基的差異，進而構建進化樹。

『陸』 腹內側前額葉與腦島皮層變化對兒童到青少年元記憶發育的影響

文章首發於思影科技，siyingkeji。此微信公眾號致力於科普fMRI，致力於科普fMRI，結構像，白質高信號分析，PET，DTI，QSM，ASL，BOLD-CVR，影像組學，菌群，EEG/ERP，FNIRS，眼動等相關知識，歡迎大家學習交流討論。

元記憶監控與內生 回憶准確性的能力在兒童發育過程大大改善，但潛在的神經變化和對智力發育的影響在很大程度上是未知的。來自加州大學戴維斯分校心智與大腦中心（ Center for mind and brain, UCD ）的 Yana Fandakova 等人在 PNAS 發表了一篇文章，研究了支持元認知的關鍵腦區的皮層變化是否有助於從童年到青春期早期的元記憶監控能力變化。

自省記憶准確性和元記憶監視的能力對於指導學習和決策非常重要，例如一個學生對考試准備的復習材料有疑問，他會重復檢查這些材料;同樣地，如果一個目擊者對自己看到的犯罪信息的記憶不確定，他很可能會拒絕作證。

跨學科研究表明，小學時期的記憶監測能力已經有所改善，年齡較大的孩子對判斷記憶是否准確的信心比年齡小的孩子更大。然而，當情感過程可能改變或影響行為規范時，這種發展是否延伸到青春期仍然是一個懸而未決的問題。支持元記憶監測能力發展的結構性大腦變化也是未知的。因此了解青春期元認知如何發展，以及與之相關的大腦發育有助於闡明兒童成長為獨立的學習者和問題解決者的關鍵因素。

對成人的研究可以確定對元記憶監測相關腦區的發育模式的預測，比如成人元記憶監測個體差異與前額葉皮層（APFC），腹內側前額葉皮層（vmPFC），背前扣帶皮層（dACC）和前腦島等的結構異常有關。雖然這些腦區的確切作用尚不清楚，但最近的一項研究表明前額葉區域與包括腦島和扣帶皮層的感覺皮層的相互作用提供了元記憶監測能力。這說明腦島和背前扣帶皮層提供了持續認知表現（例如，誤差信號，不確定性信號）的輸入，然後與前額葉皮層（PFC）中的當前目標和信念的認知相結合，最終產生內省報告和隨後的決定。

本文中研究了一組145名7至15歲的兒童，他們在三個測量場合進行結構磁共振成像的掃描（圖1A; 347縱向掃描）。並且對31名成年人作為樣本進行橫斷面比較。參與者在編碼期間完成了記憶任務和注意力操作任務，獲得不同難度程度和記憶精度。參與者在三種不同注意力需求條件下觀看了一系列場景（圖1B）。在檢索期間，參與者從不同的條件下觀看了新的場景或研究場景，並表明了他們對場景識別判斷的信心（圖1B）。對於正確和不正確的響應，置信度分布的差異可能會隨著開發過程中存儲器精度水平的不同而不同。因此在調查年齡差異時記錄了從童年到青春期轉型期間記憶准確性的差異變化。

本文研究了前腦島，dACC，vmPFC和APFC的結構變化如何影像兒童後期和青春期的元記憶監測能力的發展。研究表明，島狀皮層的變化大致遵循一個皮質變薄的線性軌跡，而側向和內側PFC發育的特徵是初始階段皮層厚度增加到9歲左右，隨後開始變薄。本文提出的一種假設是腦島的早期功能成熟可能有助於開發前期的元記憶監測，而後期成熟的PFC區域則在後期支持更復雜的控制操作。這一假設與PFC區域與低齡時期元記憶的變化僅顯示弱相關的觀點相一致，所以後期皮層厚度變薄才促進了腦功能的提高。另外一種假設是腦區皮層厚度的特異變化軌跡函數可能導致了元記憶監測能力的提高。如果是這樣，內外側PFC區域（其灰質厚度在童年期間繼續增加）皮層厚度的變厚和腦島皮層的變薄共同造成了記憶的發育，盡管它們受到其皮質變化的具體模式的限制。

此外，本文還研究了元記憶監測對認知發展的重要性超出了記憶的准確性。如果對記憶准確性內省的能力與學習相關，那麼它對於智力發展可能更重要。迄今為止沒有研究解決這個問題，因此本文研究了兒童期後期和青春期的記憶監測與智力（IQ）之間的橫向縱向關系。

1. 被試

T1: 145名兒童提供行為數據[M（SD）= 9.57（1.09）歲，74名女性]，其中141名提供結構MRI數據。 T1還包括31名成年人的行為和結構MRI數據[M（SD）= 19.46（1.61）歲，18位女性]。 T2：T1後約1.4年，包括120名兒童的行為數據[M（SD）= 10.88（1.22）歲，57名女性]，其中117名兒童提供結構MRI數據。 T3：T2後約1.3年，包括107名兒童的行為數據（M（SD）= 12.22（1.3）歲，48名女性]，其中89名提供結構MRI數據。由Wechsler Abbreviated Scale of Intelligence (WASI)分別測試兒童的IQ：T1 (WASI-I) T3(WASI-II)。該研究得到加利福尼亞大學戴維斯分校機構審查委員會的批准。所有與會者及其家長獲得知情同意書。

2. 認知記憶任務

在encoding階段，每個被試呈現4個戶外場景的24個blocks，其中包括16個active blocks和8個passive blocks（圖1B）。每個block呈現3秒鍾，之後跟著測試場景以確保參與者遵循指示並觀察刺激。encoding之後被試進行認知測試，包括48個block場景和32個新場景，並且在被試決策之後對置信度進行打分（三分制）。

3. MRI 採集和分析

掃描獲取被試的全腦高解析度T1像後按照標准程序（Fischl B, DaleAM (2000) Measuring the thickness of the human cerebral cortex from magneticresonance images. Proc Natl Acad Sci USA 97:11050–11055.）使用Freesurfer 5.3進行重建。基於Destrieux atlas（Destrieux C, Fischl B, Dale A, Halgren E (2010)Automatic parcellation of human cortical gyri and sulci using standardanatomical nomenclature. Neuroimage 53:1–15.）提取以下ROIs的皮質厚度：vmPFC，insula, APFC和dACC。

4. 統計分析

T1橫向分析包括按中位數將145名兒童分為幼齡組（7.41-9.59歲，n = 72）和大齡組（9.61-12.04歲，n =73），此外還有一組成年人。正確判定和錯誤判定的差值作為被試的認知准確率，AUC值作為元記憶解析度。這一措施描述了觀察者在自信判斷中如何區分正確和不正確的反應，並通過繪制不同級別的累積置信對確定正確與不正確的響應計算AUC。然後使用lme4中實現的多級模型進行縱向分析：首先計算了認知准確率，AUCROC2和皮層厚度隨時間的線性或非線性變化。其次計算了不同ROI的皮層變化與AUCROC2隨時間變化的相關分析。為了確保我們的結果不依賴於元記憶的精確測量，我們還將meta d'作為基於模型的元記憶監測。

lme4多級模型： 是感興趣的結果， 是隨機截距（對於個體i的初始評估的預測得分）， 是隨機斜率（個體i的預測變化率）， 是自初始評估以來的時間量， 是殘差。在第2級模型中， 是個體i第一次參與實驗的年齡， 表示T1階段的9.6歲小孩的預測得分。 2級回歸系數 表示截距的橫向差異。第二個模型測試了二次關系，並且包括隨時間變化的二次效應。在第三個模型中，將 作為線性斜率和二次斜率的預測因子（當需要二次斜率時），以測試個體隨時間的變化率是否取決於T1的年齡。我們使用似然比檢驗來測試模型擬合的差異。性別作為所有模型中level 2的協變數，如果不重要，則從進一步分析中除去。報告的最終模型僅包括顯著增加模型穩定性的預測因子。level2的協變數包括每個ROI在T1年齡段的皮層厚度和T1之後的皮質厚度變化。首先，由ROIs在T1的皮層厚度和隨時間的厚度變化預測了隨機截距。然後測試了每個ROI中的初始厚度和厚度變化是否預測隨時間變化的速率（即斜率）。為了排除半腦差異，對左半腦和右半腦分別分析。 Bonferroni校正多重比較應用於ROI和posthoc比較（labeled PBonf）。

1. Age Differences and Change in Recognition Accuracy over Time

使用包含以9.6歲的截距為中心的線性和二次模型來研究被試識別精度的縱向提高，研究發現了時間變化顯著的線性（b = 0.061，P <0.05）和二次（b = 0.014，P <0.05）影響，被試認知識別的准確度隨時間提高，但與後期相比，前期的提高更顯著（圖S1）。此外還評估了操作任務難度導致識別精度的差異，在所有兒童和時間點上，識別假想參與場景的准確率高於忽視場景[b = 0.124，P <0.05，Bonferroni校正P（PBonf）<0.05]，且高於passive blocks（b = 0.050，P <0.05，PBonf <0.05）（圖S1）。假想參與場景相對於被動狀態的縱向提高較大（b = 0.020，P <0.05，PBonf = 0.09），但是忽略場景條件相對於被動狀態的縱向提高不明顯（P> 0.54），彼此沒有顯著差異（P> 0.13）。在P <0.05水平上相互作用不顯著（所有P> 0.08）。總體而言，隨著時間的推移，識別准確度得到改善，假想參與場景的識別准確度有最大提高。

2. Age Differences and Change in Metamemory Monitoring over Time

對於T1期間記憶監測的年齡差異的初步評估，本文首先比較了兒童和成人之間正確和不正確反應的平均信心（圖2A）。有效的記憶監測反映在對正確反應比對錯誤反應有更高的判斷信心。通過年齡組（年齡較小的兒童與較大的兒童與成年人）×條件（參加與，忽略，被動）×識別准確度（正確與不正確）混合方差分析來檢查T1中的信心判斷的年齡差異。

研究發現一個顯著的年齡組×精度相互作用[F（2,169）= 11.32，P <0.05，partial η2（ηp2）= 0.12]，使得參與者在認知測試中正確反應比不正確反應的信心更高。成年人相對於幼童（P <0.05，PBonf <0.05）和較大齡兒童（P <0.05，PBonf <0.05）都表現出顯著差異。兩組兒童間沒有顯著差異（P = 0.10，PBonf = 0.30）。與兩組兒童相比，成年人元記憶准確性內省能力的年齡差異是由於成年人對錯誤反應的信心較低[F（2,169）= 5.90，P <0.05，ηp2 = 0.07]。相比之下，正確反應的信心沒有年齡差異[F（2,169）= 0.34，P = 0.71，ηp2 = 0.00]。嚴格來說，當識別精度被包括為協變數[F（2,168）= 9.78，P <0.05，ηp2 = 0.10]時，這個年齡組×准確度相互作用在置信判斷中保持顯著。

將條件（參與，忽略，被動）作為方差分析中的一個因素以評估編碼時的注意力變化是否會導致T1階段記憶監測的年齡差異。狀態×精度有顯著相互作用[F（2,338）= 9.96，P <0.05，ηp2 = 0.06]。參與比忽略對正確反應的信心要高（P <0.05，PBonf <0.05），反之忽略高於被動狀態（P <0.05，PBonf <0.05）。對錯誤反應的置信度在不同條件下沒有差異（P> 0.47）。在所有年齡組均觀察到這種情況，而年齡組間差異無統計學意義（P = 0.37）。其餘的相互作用均不顯著（Ps> 0.24）。

總之，雖然對正確反應的信心受到條件的影響，但這些影響並不依賴於年齡。因此所有後續分析混合了各種情況下元記憶監測能力的變化。使用以9.6歲為中心的截距和隨時間線性變化的模型研究了元記憶解析度的縱向變化。T1階段的結果表明大齡組較幼齡組的元記憶解析度高[b = 0.010，P <0.05;圖2B提供了與成年人的橫向比較]。時間的線性效應也是顯著的（b = 0.014，P <0.05），表明元記憶解析度隨時間變化遞增（圖2C，D）。當識別精度包含在模型中時，元記憶解析度與時間的相關任然存在（b = 0.012，P <0.05），這表明元記憶監測能力的縱向提高不僅僅反應在識別精度的提高。這些結果用替代的元記憶敏感性測量法（ meta d』）進行了復制，該方法基於信號檢測理論（圖S2）。

3. Age Differences and Change in CorticalThickness over Time

從先驗的ROIs提取皮層厚度，即左右半腦的anterior insula，vmPFC，APFC和dACC。首先研究了T1階段兩組兒童和成人橫向的皮層厚度差異（圖3）。所有的ROI的皮層厚度都有顯著年齡差異（PsBonf <0.05），此外成年人的所有ROI的皮層厚度都比兩組兒童的低（PsBonf <0.05），但兩組兒童間沒有差異（PsBonf> 0.05）。這表明支持元記憶監測的腦區均隨年齡增長產生了皮層發育。

其次，使用以9.6歲為中心的截距和隨時間線性變化的模型來研究兒童皮層厚度的縱向變化。每個ROI的參數估計和統計分析如圖3和表1所示（各個數據點如圖S3所示）。在左半球，T1階段腦島有顯著主效應，在多次比較校正後vmPFC盡管不顯著但有主效應趨勢。在這腦區，年齡較大的兒童初次評估時的皮層厚度比年齡小的兒童低。時間的線性效應在腦島中顯著，但在APFC，vmPFC或dACC中不顯著（圖3）。左腦ROI的後續分析表明，腦島的皮層厚度變薄顯著大於dACC（P<0.05，PBonf <0.05）和vmPFC（P <0.05，PBonf <0.05）的皮層厚度變化，比APFC（P<0.05，PBonf = 0.09）的皮層厚度變化有顯著趨勢。

在右半球，時間的線性效應在腦島和vmPFC中顯著，但在dACC和APFC中不顯著（圖3和表1）。而隨著時間的推移，腦島的皮層厚度變薄顯著，但vmPFC中皮層厚度反而增加了，此外，在APFC中觀察到變薄的趨勢（P= 0.05，在多次比較校正之前）。對右腦ROIs的組間比較證明腦島與vmPFC（P <0.05，PBonf <0.05），vmPFC與APFC（P<0.05，PBonf <0.05）之間的發育軌跡有顯著異常，而vmPFC和dACC（P= 0.07，PBonf = 0.21）並無顯著異常。在左半球或右半球的任何ROI中，時間和高階相互作用的二次效應不可靠。

總之，這些縱向分析顯示了ROIs皮層厚度的不同發育軌跡，腦島皮層變薄，vmPFC皮層變厚，在研究時間段內dACC或APFC無顯著變化。

4. CorticalChanges Predict Metamemory Monitoring Improvement over Time

本研究不僅提供了兒童皮層發育的證據，還研究了這些皮層變化是否預測了記憶監測能力的變化，即ROIs中的初始厚度和厚度變化是否能夠預測元記憶解析度的改善。在左半球，隨時間增加腦島皮層顯著變薄的兒童（b = -0.160，P<0.05;圖4A），以及隨時間增加vmPFC皮層顯著變厚的兒童（b =0.158，P< 0.05;圖4B），均隨時間的推移顯示出更高的記憶監測改善率。APFC（b =0.023，P =0.63）和dACC（b =0.017，P =0.68）的變化不能預測元記憶解析度的變化。此外，對照分析表明，在控制識別准確率後，記憶解析度的增加率仍然與左側vmPFC（b =0.13，P =0.02）和左前腦島（b =-0.14，P =0.01）的變化相關。在右半球，隨時間增加腦島皮層變薄只能大致作為總體記憶解析度的預測因子（b =-0.090，P =0.05），且與元記憶解析度的改變不相關。跨半球的模型與左半球觀察到的結果類似。

總之，這些結果表明額葉亞區域的皮層發育有助於提高兒童對記憶准確性的內省能力。然而，不同皮層區域有助於記憶監測的方式取決於它們獨特的皮層變化模式。研究結果表明，兒童過渡到青春期的元記憶監測能力的增加與腦島皮層變薄和vmPFC皮層變後有關。

5. Relation of Metamemory Monitoring to Intellectual Ability

元記憶監測能力對規范大腦學習有重要作用，因此這一能力的提高可能也會與智商變化相關。僅在T1和T3兩個時間點測量被試的 IQ。因此，使用路徑建模（圖S4）來研究元記憶解析度（AUCROC2），識別精度和IQ之間的並發關系以及它們的縱向關系。該模型顯示出良好的擬合[χ2（6）=3.46，比較擬合指數（CFI）=1.00，近似均方根誤差（RMSEA）=0.00，90％置信區間=0.00-0.09]。T1（r = 0.19，P =0.05）和T3（r =0.17，P =0.07）的IQ和元記憶解析度之間存在趨勢相關。此外T1階段的IQ可以預測T3階段的元記憶解析度（β=0.24，P<0.05），T3時T1預測IQ的記憶解析度（β=0.26，P<0.05）。因此，元記憶解析度和智商不僅同時相關，而且在橫向和縱向都表現出相互影響。但是記憶監測與智力能力之間的關系不太可能反映與記憶能力的共同關系，因為橫向縱向兩種分析所用的模型均包含了記憶准確率（圖S4）。

總之，本文代表了對理解支持元記憶發展的神經機制研究的第一步，因為元記憶監測能力對學習和決策至關重要。研究結果表明，元記憶監測能力的發育遠超兒童中期，並表現為前腦島和vmPFC的結構變化，而且元記憶監測能力的發育與兒童智力的變化顯著相關。因此，對於支持元記憶和元認知的神經認知機制的更好理解對當前的教育發展尤為重要。在這種情況下，尋找提高元認知監測能力的有效途徑及其對元認知控制的應用必然有助於指導和改善個體自我管理學習的能力。

參考文獻：Yana Fandakova,Diana Selmeczy, Sarah Leckey, Kevin J. Grimm,et al. Changes in ventromedialprefrontal and insular cortex support the development of metamemory fromchildhood into adolescence. PNAS. 2017

網址：http://www.pnas.org/content/early/2017/06/29/1703079114.short

『柒』 重要環境地質指標釋義

一、地表特徵

名稱：地表特徵

簡介：地表特徵指標主要測量或監測地表植被的變化及地表面的裸露程度。為衡量草地退化的最為直觀的指標之一。一般來說，草地退化的過程是：草地的茂盛程度降低，逐漸稀疏，高度呈下降趨勢，耐旱型植物開始逐漸占優勢，退化到一定程度，地表的裸露程度不斷增加，造成土地沙化、鹽漬化等。

意義：草地退化是草地生態系統的退化，其後果表現在各個方面。最直接、最易為人們看到的是草地植被的變化。嚴重退化的草地，其植物群落的高度，蓋度明顯下降，據調查，羊草的高度從45cm降到7cm，其蓋度即從30%降到10%，而大針茅的高度由27cm降到3cm，蓋度由5%降到0%，所以退化的草原最顯著的後果是植被的矮化。此後，生產力也大大下降，生物量只有原生植被的40%左右。

植被變化的另一個表現是植物群落組成的變化，在家畜的過度啃食條件下，不耐牧的植物顯著減少，而耐牧的植物則被保存下來，其結果導致退化草地由低適口性的植物所組成，這也就是為什麼退化草場的最終類型都可能是由耐旱耐牧的植物所組成的原因。在內蒙古典型草原，草原退化後，植物主要由冷蒿、星毛委陵菜構成。

地表植被的分布是反映草地退化最為直觀的指標之一，通過統計一個地區草地植被的覆蓋度、高度和產草量等參數，可以很好地衡量這個地區的草地退化情況。另外一些標志著某類草地植被類型出現的特徵種植物或標志草地出現退化具有指示意義的植物種，也具有很重要的意義。

人為或自然原因：自然因素與人為因素綜合作用。

適用環境：適合於處在退化過程中草原地區。

監測場地類型：已出現不同程度植被退化、地表裸露的退化地區。

空間尺度：塊段至景觀/中尺度至區域尺度。

測量方法：採用面積統計的方法進行測量。方法是隨機量取一定面積的地塊，分別計算其中草地面積與非草地面積占其總面積的百分率。

測量頻率：1～2年。

數據與監測的局限性：在進行指標參數測量和計算的過程中，會有部分人為主觀因素的影響。

過去與未來的應用：仝川（2000）根據地被物明顯減少、地被物消失以及表土裸露，甚至出現鹽鹼斑為臨界值，將草地退化程度劃分為輕度、中度、重度3個等級。李博（1997）以地被物明顯減少、地被物消失、地表裸露、呈現裸地或鹽鹼斑為臨界值，劃分出輕度、中度、重度和極度退化4個等級。我國現行的國家標准——天然草地退化、沙化、鹽漬化的分級指標（GB 19377—2003）其中也包括對地表特徵的監測參數（見表4-7）。

可能的臨界值：對於草地退化、草地沙化和草地鹽漬化，浮沙堆積面積占草地面積相對百分數的增加率、鹽鹼斑面積占草地面積相對百分數的增加率2個參數有不同的臨界值。

生態環境地質指標研究

主要參考文獻：

李博.中國北方草地退化及其防治對策.中國農業科學，1997（6）：1-9.

天然草地退化、沙化、鹽漬化的分級指標（GB 19377—2003）.

仝川.草地退化指數的研究.內蒙古大學學報（自然科學版），2000（5）：508-512.

其他資料來源：農林牧、環保等相關部門。

有關的環境與地質問題：草地退化、草地沙化和草地鹽漬化。

總體評價：可用於測量和監測草地退化、草地沙化和草地鹽漬化的現狀及發展趨勢。

二、土壤理化性質

名稱：土壤理化性質

簡介：土壤理化性質包括土壤物理特性和土壤化學特性。物理特性包括土壤結構、土壤質地、土壤含水量、土壤容重等，化學特性包括酸鹼度（pH值）、含鹽量等。

意義：土壤的物理特性主要指土壤溫度、水分含量及土壤質地和結構等。土溫是太陽輻射和地理活動的共同結果。不同類型土壤有不同的熱容量和導熱率，因而表現出相對太陽輻射變化的不同滯後現象。這種土溫對地面氣溫的滯後現象對植物有利，影響植物種子萌發與出苗，制約土壤鹽分的溶解、氣體交換與水分蒸發、有機物分解與轉化。較高的土溫有利於土壤微生物活動，促進土壤營養分解和植物生長。土壤水分直接影響各種鹽類溶解、物質轉化、有機物分解。土壤水分不足不能滿足植物代謝需要，會產生旱災，同時好氣性微生物氧化作用加強，有機質消耗加劇。水分過多使營養物流失，還引起嫌氣性微生物缺氧分解，產生大量還原物和有機酸，抑制植物根系生長。土壤中空氣含量和成分也影響土壤生物的生長狀況，土壤結構決定其通氣度，其中CO₂含量與土壤有機物含量直接相關，土壤CO₂直接參與植物地上部分的光合作用。土壤的質地、結構和土壤的水分空氣和溫度狀況密切相關，並直接或間接的影響著植物和土壤動物的生活。沙土類土壤黏性小，氣孔多，通氣透水性強，蓄水和保肥能力差，土壤溫度變化劇烈；黏土類土壤的質地黏重，結構緊密，保水保肥能力強，但孔隙小，通氣透水性差，濕時黏干時硬；壤土類土壤的質地比較均勻，土壤既不太松又不太黏，通氣透水性能良好且有一定的保水保肥能力。

土壤化學特性主要包括酸鹼度（pH值）、含鹽量等。土壤酸鹼度是土壤最重要的化學性質，因為它是土壤各種化學性質的綜合反映，對土壤肥力、土壤微生物的活動、土壤有機質的合成和分解、各種營養元素的轉化和釋放、微量元素的有效性以及動物在土壤中的分布都有著重要的影響。土壤酸鹼度（pH值）間接影響生物對礦質營養的利用，它通過影響微生物的活動和礦質養分的溶解度進而影響養分的有效性。對一般植物而言，土壤pH=6～7時養分的溶解度最高，最適宜植物生長。在強鹼性土壤中容易發生鐵、硼、銅、錳、鋅等的不足；在酸性土壤中則易發生磷、鉀、鈣、鎂的不足。

人為或自然原因：人為/自然因素綜合作用。

適用環境：適用於乾旱、半乾旱地區的草地類型。

監測場地類型：適合在有較厚第四系堆積層的草原地區監測。

空間尺度：適宜在小-中尺度的區域進行測量與監測。

測量方法：土壤理化性質包括土壤結構、土壤質地、土壤含水量、土壤容重、土壤酸鹼度（pH值）、土壤含鹽量等。

（1）土壤結構：是指土壤顆粒（包括團聚體）的排列與組合形式。土壤結構是成土過程或利用過程中由物理的、化學的和生物的多種因素綜合作用而形成，按形狀可分為塊狀、片狀和柱狀3大類型；按其大小、發育程度和穩定性等，再分為團粒、團塊、塊狀、棱塊狀、稜柱狀、柱狀和片狀等結構。其測量方法主要採用野外直接描述測定。

（2）土壤質地：土壤質地即土壤機械組成，是指土壤中各級土粒含量的相對比例及其所表現的土壤砂粘性質。可劃分為3大質地類型，即沙土類、壤土類和粘土類。可採用野外直接描述測定和野外采樣實驗室分析2種方法。

野外直接描述測定方法：根據土壤中砂粒、粉粒和黏粒三級含量，並參考礫石量，可劃分為3大質地類型，即沙土類、壤土類和粘土類。各種土壤質地如下：

沙土：干土塊不用力即可用手指壓碎，肉眼可看出是沙粒，在手指上摩擦時，可發出沙沙聲。抓一把沙用手捏緊，沙粒即行下瀉，愈緊握下瀉愈快。濕時不能揉成球，或在水分較多時，能揉成球或粗條狀，但都有裂縫。膠結力弱，用力即碎。

沙壤土：干土塊不用力即可用手指壓碎，用小刀在其上刻劃有條紋，痕跡不整，肉眼可見單粒，摩擦時也有沙沙聲。濕土可揉成球，亦可搓成圓條。

粉沙壤土：干土塊壓碎用力較大，用小刀刻劃，痕跡較沙壤土明顯，但邊緣破碎不齊。干摩擦時仍有沙沙聲。濕土可搓成球，稍用力也致散開，有一定可塑性，可揉成圓條，粗約3毫米，手持一段，即破碎為數段。

壤土：干土塊壓碎時必須用相當大的力量，用刀刻劃，刀痕粗糙，唯邊緣稍平整，濕土可揉成細圓條狀，彎成直徑2～3cm的小圓圈時，既出現裂縫折斷。

粉沙粘壤土—粘壤：干土塊用手指不能壓碎，用刀刻劃痕跡較小，濕土用力較大也可搓成球，手揉時，不費力即可揉成粗為1.5～2mm細條，也可變成直徑為2cm的圓環，壓扁圓環時，其外圈部分發生裂縫，可塑性較大，可用兩指搓成扁平的光面，光滑面較粗糙，不顯光亮。很濕的土置於二手指間，再抬手指，粘著力不強，有稜角.

粘土：干土塊堅硬，手指壓不碎，濕土可揉成球或細條，但仍會有裂縫，手揉時較費力。干土加水不能很快浸潤，粘性大，很濕的土置於二指間粘力較大，有粘膠的感覺。土壤壓成扁片時，表面光滑有反光。

重粘土：干土十分堅硬，以斧頭打始碎，土塊有白痕，並粘在斧上，濕土可塑性大，粘著力更強，搓成條或球均光滑，手指感覺細膩，塑性甚大，土壤壓成片時表面光滑有亮光。

野外采樣實驗室分析方法：採用篩分法，分析採集的土壤樣本的顆粒組成，按DT-82土工試驗規程進行命名。

（3）土壤含水量：土壤中所含水分的數量。一般是指土壤絕對含水量，即100g烘乾土中含有若干克水分。也稱土壤含水率。可採用野外直接描述測定和野外采樣實驗室分析2種方法。

野外直接描述測定方法：採用TDR水分測定儀測定。

野外采樣實驗室分析方法：採用烘乾稱重法。野外用環刀取樣並即時稱重，實驗室用恆溫箱對土壤樣本進行烘乾後稱重，由此計算土壤總量含水量。

（4）土壤容重：一定容積的土壤（包括土粒及粒間的孔隙）烘乾後的重量與同容積水重的比值。它與包括孔隙的1立方厘米烘乾土的重量用克來表示的土壤容重，在數值上是相同的。採用野外采樣實驗室分析方法。

（5）土壤酸鹼度（pH值）：又稱「土壤反應」。它是土壤溶液的酸鹼反應。主要取決於土壤溶液中氫離子的濃度，以pH值表示。可採用野外直接描述測定和野外采樣實驗室分析2種方法。

野外直接描述測定方法：採用土壤pH計測定。

野外采樣實驗室分析方法：採用電位測定法進行測定。

（6）土壤含鹽量：指土壤中鹽分的含量。採用野外采樣實驗室測定方法。

測量頻率：5～10年。

數據與監測的局限性：在指標參數的野外測定過程中，會受人為主觀因素的影響，另外實驗室分析數據也可能存在一定的誤差。

過去與未來的應用：陳有君、紅梅等（2004）研究過渾善達克沙地不同植被下的土壤水分狀況，結果表明植物的生長使根層土壤含水量下降，而且不同植物利用水的土層及利用土壤水的量不同。在乾旱半乾旱地區，植被影響著降水在土層中的分布及地表的蒸散條件，使土壤有效水向淺層分配。而降水在土壤不同深度的分配及入滲深度，決定著地表植被的生活型，從而影響地表植被的演替方向及頂級類型。

朱志梅、楊持等（2007）以內蒙古多倫縣為例，進行了草地退化對土壤理化性質質的影響研究。結果表明，隨著草地退化的加劇：①土壤顆粒組成發生變化，黏粒含量趨於減少，砂粒增多。不同粒徑對土壤團粒結構形成和保水保肥的貢獻不同，黏粒的減少抑制了土壤的膨脹、可塑性及離子交換等物理性質。②土壤含水量下降。上層（0～20cm）土壤含水量下降明顯，隨著沙漠化梯度的增加，表層土壤含水量下降速度加快，從而深層土壤含水量逐漸高於表層。③土壤容重呈上升趨勢。容重的增加必然影響土壤中水分和空氣的移動及植物根系的發育。不同深度的土壤容重與草地退化也存在一定的關系，潛在階段深土層（30～50cm）的容重最小，而嚴重階段表土層（0～5cm）容重最小。④土壤有機質、C、N含量下降，方差分析顯示各沙漠化梯度間均差異極顯著。且土壤N的衰減要快於C。土壤C/N比呈增加趨勢，說明伴隨著土壤C，N的顯著下降，質地變粗，植物N素供應不足更為突出。⑤土壤容重與土壤全N，C及黏粒含量的相關分析表明，細顆粒物多，有機質含量高，土壤容重減小，從而有助於提高土壤的穩定性，且5～10cm土層的性質表現突出。⑥土壤的顆粒組成狀況與土壤營養元素之間有著同增同減性，但黏粒與N的關系要密切於黏粒與C和C，N間的關系。因此，土壤中細顆粒物的減少會導致N素的衰減十分明顯，從而導致土壤穩定性降低。

可能的臨界值：對於草地退化，有土壤容重相對百分數的增加率的臨界值；對於草地沙化，有土壤質地>0.05mm粗砂粒含量相對百分數的增加率、<0.01mm物理性粘粒含量相對百分數的減少率的臨界值；對於草地鹽漬化，有土壤含鹽量、土壤酸鹼度的臨界值。

生態環境地質指標研究

其他可能的臨界值：一般含礦物質多而結構差的土壤（如砂土），土壤容積比重在1.4～1.7之間；含有機質多而結構好的土壤（如農業土壤），在1.1～1.4之間。土壤酸鹼度對土壤肥力及植物生長影響很大，我國西北、北方不少土壤pH值大，南方紅壤pH值小。因此，可以種植和土壤酸鹼度相適應的作物和植物。如紅壤地區可種植喜酸的茶樹，而苜蓿的抗鹼能力強等。土壤酸鹼度對養分的有效性影響也很大，如中性土壤中磷的有效性大；鹼性土壤中微量元素（錳、銅、鋅等）有效性差。在農業生產中應該注意土壤的酸鹼度，積極採取措施，加以調節。土壤pH=6～7時養分的溶解度最高，最適宜植物生長。另外土壤含鹽量超過0.3%，土壤便會發生鹽鹼化。

主要參考文獻：

陳有君，紅梅等.渾善達克沙地不同植被下的土壤水分狀況.乾旱區資源與環境.2004，18（1）：68-73.

天然草地退化、沙化、鹽漬化的分級指標（GB 19377—2003）.

朱志梅，楊持等.多倫草原土壤理化性質質在沙漠化過程中的變化.水土保持通報，2007年，27（1）：1-5.

其他資料來源：農林牧、環保等相關部門。

有關的環境與地質問題：草地退化、草地沙化及草地鹽漬化。

總體評價：土壤的理化性質是反映自然和人為因素的靈敏指標，有助於進行草地退化的監測。

三、土壤養分

名稱：土壤養分

簡介：土壤養分指土壤中的養分貯量、強度因素和容量因素，主要取決於土壤礦物質及有機質的數量和組成。就世界范圍而言，多數礦質土壤中的氮、磷、鉀三要素的大致含量分別是0.02%～0.5%、0.01%～0.2%和0.2%～3.3%。但土壤向植物提供養分的能力並不直接決定於土壤中養分的貯量，而是決定於養分有效性的高低；而某種營養元素在土壤中的化學位又是決定該元素有效性的主要因素。化學位是一個強度因素，從一定意義說，它可以用該營養元素在土壤溶液中的濃度或活度表示。由於土壤溶液中各營養元素的濃度均較低，它們被植物吸收以後，必須迅速地得到補充，方能使其在土壤溶液中的濃度即強度因素維持在一個必要的水平上。所以，土壤養分的有效性還取決於能進入土壤溶液中的固相養分元素的數量，通常稱為容量因素。在實用中，養分容量因素常指呈代換態的養分的數量（代換性鉀、同位素代換態磷等）。土壤養分的實際有效性，即實際被植物吸收的養分數量，還受土壤養分到達植物根系表面的狀況，包括植物根系對養分的截獲、養分的質流和擴散三方面狀況的影響。

意義：土壤養分是土壤化學性質的體現。但與土壤的酸鹼度等參數相比，土壤養分指標對植物生長的過程具有相當的控製作用，植物生長發育主要取決於土壤中有機質和氮磷鉀含量，且還受這幾者之間供給比例的影響。J.von Liebig（1843）提出了植物生長的最小養分律，意指植物的產量由含量最少的養分所支配的定律。如果相對增加最少的某個因子（最少因子），那麼產量將與此成比例地增加。其次如果其他某個因子成為相對最少時，產量也不會增加，一旦增加這個因子，則產量就會再次增加。例如氮供給不充足時，即使多施磷等，但植物產量仍受氮的施用量所決定。

另外，除主要的養分因素之外，土壤還提供植物體生長發育的一些微量元素。微量元素雖然在植物體內的含量不多，但與其生長發育息息相關。微量元素最突出的作用是與生命活力密切相關，能發揮巨大的生理作用。其中B、Mo、Cu、Zn、Fe、Mn等微量元素對植物的生長具有重要意義。

人為或自然原因：土壤養分主要取決於土壤礦物質及有機質的數量和組成，但受人為活動影響。

適用環境：適用於乾旱、半乾旱地區的草地類型。

監測場地類型：適合在有較厚第四系堆積層的草原地區開展監測。

空間尺度：適宜在小至中尺度的區域進行測量與監測

測量方法：具體測量參數為有機質、氮、磷、鉀及一些微量元素。

土壤有機質：泛指土壤中來源於生命的物質。包括：土壤微生物和土壤動物及其分泌物以及土體中植物殘體和植物分泌物。

氮、磷、鉀：氮是構成蛋白質的主要成分，對莖葉的生長和果實的發育有重要作用，是與產量最密切的營養元素。磷能夠促進幼苗根系生長和改善植物品質。鉀能促進植株莖稈健壯，改善植物品質，增強植株抗寒能力。

微量元素：生物體是由60多種元素所組成，其中C、H、O、N、Ca、P、Mg、Na等含量較大的元素，稱為宏量元素。而占生物體總重量0.01%以下的如Fe、Zn、Cu、Mn、Cr、Se、Mo、Co、F等，為微量元素。微量元素雖然在生物體內的含量不多，但與生物體的生存和健康息息相關。它們的攝入過量、不足、或缺乏都會不同程度地引起生物體生理的異常或發生疾病。微量元素最突出的作用是與生命活力密切相關，能發揮巨大的生理作用。而這些微量元素必須直接或間接地由土壤供給。到目前為止，已被確認與人體健康和生命有關的必需微量元素有18種，即有Fe、Zn、Cu、Mn、Cr、Se、Co、I、Ni、F、Mo、V、Sn、Si、Sr、B、Ru、As等。

測量方法主要採用野外取樣實驗室測試方法。

測量頻率：5～10年

數據與監測的局限性：數據的獲取主要依靠實驗室分析獲取，在經濟上受一定限制，因此該項指標不宜開展大規模的測量和監測。

過去與未來的應用：國內的研究者對土壤養分與地表植被退化的相關性進行了大量的研究。如趙利君，王艷榮等（2005）進行了土壤養分在草原退化過程中的變化分析，研究了三個不同退化強度草原的有機質含量和全磷含量的差異及其季節變化，結果表明，不同群落土壤有機質和全磷含量大小順序都為：未退化群落>中退化群落>重退化群落，方差分析指出中度退化群落與不退化群落土壤有機質的最大差異出現在0～10cm土層處，而重度退化群落與中度退化群落土壤有機質的最大差異出現在10～20cm土層處。在0～10cm層次三種群落全磷含量之間都沒有顯著差異。在10～20cm和20～40cm層次上，未退化群落與中度、重度退化群落之間存在極顯著差異。中、重度退化群落之間差異不顯著。

閆順國（1991）對河西走廊鹽漬化草地土壤生態環境進行了研究，分析了土壤鹽分組成對植被生長的影響，對土壤鹽分組成，pH及有機質含量（OM）進行了主成分分析。結果表明，各變數在環境分類中的作用秩序為：。

鍾志祥、萬開元等（2006）研究了武漢植物園遷地保護植物樟科和木蘭科21種珍稀植物的營養狀況及其所生長土壤的營養條件。結果表明：酸性土壤中Fe、Mn、Cu、Zn、B、Mo 6種微量元素的有效態含量順序為Fe>Mn>Cu>Zn>B>Mo，其平均值大小與全國平均值相差不大；植物葉片中微量元素含量大小順序為Fe>Mn或（Mn>Fe）>B>Zn（或Zn>B）>Cu>Mo，與正常含量范圍相比，所有植物Mn含且偏高，部分植物Fe含量較大，Cu、Zn、B含量較為正常，Mo含量偏低，生物吸收系數大小順序為Zn>Fe>Mn>B>Cu。

可能的臨界值：對於草地退化，有0～20cm土層有機質含量相對百分數的減少率和0～20cm土層全氮含量相對百分數的減少率的臨界值；對於草地沙化，有有機質相對百分數的減少率、全氮含量相對百分數的減少率的臨界值：

生態環境地質指標研究

其他可能的臨界值：多數礦質土壤中的氮、磷、鉀三要素的大致含量分別是0.02%～0.5%、0.01%～0.2%和0.2%～3.3%。

主要參考文獻：

天然草地退化、沙化、鹽漬化的分級指標（GB 19377—2003）.

閆順國.河西走廊鹽漬化草地土壤生態指標的選擇與分類.草業科學，1991，8（3）：22-25.

趙利君，王艷榮等.土壤環境質量在草原放牧退化過程中的變化研究.內蒙古科技與經濟，2005：35-36.

鍾志祥，萬開元，余場冰等.21種遷地保護植物微量元素與土壤養分狀況分析.中南林學院學報，2006（10）.

其他資料來源：農林牧、環保等相關部門。

有關的環境與地質問題：草地退化、草地沙化及草地鹽漬化。

總體評價：土壤養分是土壤化學性質的體現。但與土壤的酸鹼度等參數相比，土壤養分指標對植物生長的過程具有相當的控製作用，植物生長發育主要取決於土壤中有機質和氮磷鉀含量，且還受這幾者之間供給比例的影響。

四、地下水水位與水質

名稱：地下水水位與水質

簡介：地下水水位指的是指地下含水層中水面的高程。根據鑽探觀測時間可分為初見水位、穩定水位、豐水期水位、枯水期水位、凍前水位等。作為草地生長的地下水分「倉庫」，地下水對植物的生長發展有著及其的作用。研究表明，地下水位埋深很大程度上決定著地表植被的生長狀況。地下水位是由降水和地表水下滲量等因素所控制。還在一定程度上取決與人類的活動，如農業灌溉抽取地下水、居民生產生活用水等。

地下水水質指未經人類活動污染的自然界地下水的物理化學特性及其動態特徵。物理特性主要指水的溫度、顏色、透明度、嗅和味。水的化學性質由溶解和分散在天然水中的氣體、離子、分子、膠體物質及懸浮質、微生物和這些物質的含量所決定。天然水中溶解的氣體主要是氧和二氧化碳；溶解的離子主要是鉀、鈉、鈣、鎂、氯、硫酸根、碳酸氫根和碳酸根等離子。生物原生質有硝酸根、亞硝酸根、磷酸二氫根和磷酸氫根離子等。此外，還有某些微量元素，如溴、碘和錳等。膠體物質有無機硅酸膠體和腐殖酸類有機膠體。懸浮固體以無機質為主。微生物有細菌和大腸菌群。地下水水質主要與含水層岩石的化學成分和補給區的地質條件有關，除此之外還受人類活動影響。

意義：在乾旱半乾旱地區，地下水位與水質和生態環境的關系十分密切。尤其對於植物的生長發育，有著密不可分的關系。我國西北地區是典型的乾旱半乾旱地帶，乾旱少雨，蒸發量大，年降水一般在400 mm以下，荒漠地帶則在250 mm以下，局部地區甚至只有30～40 mm，其地帶性植被為荒漠植被，十分稀疏。對生態環境起主要作用的是依靠地下水維持生存的非地帶性中生和中旱生植被。

人為或自然原因：地下水位和水質的變化受氣候降水的影響，也與岩土性質有關，但也受人類活動的制約。

適用環境：適用於乾旱、半乾旱地區的草地類型。

監測場地類型：適合在地下水位埋深較淺的草原地區開展。

空間尺度：適宜在小至中尺度的區域進行測量與監測

測量方法：地下水水位與水質的測量參數包括潛水位埋深、總溶解固體。

潛水位埋深：潛水井中地下水的自由表面為潛水面。潛水面的絕對高程為潛水位，從地表到潛水位的深度稱為潛水位埋深。

總溶解固體：總溶解固體是水化學成分測定的重要指標，用於評價水中總含鹽量，是農田灌溉用水適用性評價的主要指標之一。

測量方法：地下水位採用野外實際觀測方法測量，總溶解固體主要採用野外取樣實驗室測試方法，主要有重量法，電導法，陽離子加和法，離子交換法，比重計法等。

測量頻率：3～5年。

數據與監測的局限性：潛水位的測量若無較好的潛水井，在野外較難測定；地下水質數據的獲取主要依靠實驗室分析獲取，在經濟上受一定限制，因此該項指標不宜開展大規模的測量和監測。

過去與未來的應用：國內的眾多學者對植物與地下水位之間的關系也做了大量的研究。有學者提出把滿足乾旱區非地帶性天然植被生長需要的地下水位埋藏深度稱作生態地下水位（簡稱生態水位）。還有學者從不同角度研究了植物生長與地下水位的關系，提出了適宜水位、最佳水位、鹽漬臨界深度、生態警戒水位等等。

如楊澤元、王文科等（2006）從陝北風沙灘地區水資源可持續發展的角度深入探討了地下水位埋深與植被生長及土地荒漠化的關系，提出了「生態安全地下水位」的概念，將其定義為「在乾旱半乾旱地區，維系植被的正常生長，維系河流、湖泊、沼澤（或濕地）正常的生態功能，且不發生土地荒漠化、水質惡化、地面沉降等生態環境問題的地下水位埋深」。通過研究表明：陝北風沙灘地區地下水位埋深小於1.5m為鹽漬化水位埋深，1.5～3m為最佳地下水位埋深，3～5m為喬灌木承受地下水位埋深，5～8m為警戒地下水位埋深，8～15m為喬木衰敗地下水位埋深，大於15m為喬木枯梢地下水位埋深。

張麗、董增川等（2004）以生態適宜性理論為基礎，根據塔里木河幹流流域典型植物的隨機抽樣調查資料，建立了乾旱區幾種典型植物生長與地下水位關系的對數正態分布模型。根據建立的模型得出乾旱區典型植物的最適地下水位。結果表明：①最適地下水位：乾旱區典型植物出現頻率最高的地下水埋深分別為：胡楊2.51m，檉柳2.2m，蘆葦1.36m，羅布麻2.51m，甘草2.39m，駱駝刺2.84m。最適宜區間為2～3m。②生態地下水位：適宜乾旱區植物正常生長的地下水位為2～4m。因此，乾旱區合理的生態地下水位應保持在2～4m之間，這樣才有利於植被生長和生態環境恢復。③植物的生態幅度：不同的植物對地下水位的忍耐范圍不同，胡楊、怪柳、駱駝刺的方差較大，說明它們可以在較大的地下水位范圍內生存，生態幅度較大；蘆葦、羅布麻、甘草的方差較小，說明它們可以在較小的地下水位范圍內生存，生態幅度較小。④植被蓋度、頻率與地下水位的關系：植被蓋度！出現頻率與地下水位存在一定的關系，在植被最適地下水位附近，植被生長最好，出現頻率最高，相應的植被蓋度最高；在植物的適宜地下水范圍內，植被生長良好，出現頻率較高，相應的植被蓋度也較高；在其他地下水范圍內則植被長勢受水分虧缺或土壤鹽漬化的影響，生長相對不好，出現頻率相應就低，蓋度也低。

紀連軍、高洪彬等（2006）研究了半乾旱地區地下水位埋深對楊樹生長發育的影響，結果表明在半乾旱地區，當地下水位埋深在1.2～2.5m時，楊樹幼樹生長發育正常，幼樹基本無枯梢枯乾現象；當地下水位深度超過3m時，幼樹枯梢枯乾現象隨地下水位下降而增多。

周緒、劉志輝等（2006）研究了新疆鄯善南部地區地下水位降幅對天然植被衰退過程的影響分析，研究結果表明地下水位降幅位於5～8m之間為天然植被覆蓋變化敏感區間，降幅超過10m天然植被將會出現嚴重衰敗。

可能的臨界值：對於草地鹽漬化，有潛水位和總溶解固體相對百分數的減少率的臨界值：

生態環境地質指標研究

其他可能的臨界值：水的總溶解固體通常以1l水中含有各種鹽分的總克數來表示（g/l）。根據總溶解固體的大小，水可分為以下5種。

生態環境地質指標研究

主要參考文獻：

天然草地退化、沙化、鹽漬化的分級指標（GB 19377—2003）.

楊澤元，王文科等.陝北風沙灘地區生態安全地下水位埋深研究.西北農林科技大學學報（自然科學版），2006，34（8）：67-74.

張麗，董增川等.乾旱區典型植物生長與地下水位關系的模型研究.中國沙漠，2004，24（1）：110-113.

其他資料來源：農林牧、環保等相關部門。

有關的環境與地質問題：草地退化、草地沙化及草地鹽漬化。

總體評價：地下水位和水質與植物的生長有著不可分割的聯系，不同植物種屬對於地下水位有著不同的需求，地下水位和水質的變化直接決定著地上植被群落的演替。近年來，我國北方的大部分地區地下水位都存在不同程度的下降，伴隨著這個過程，大量的親水性植被開始凋落，耐旱型植被逐漸占優勢，若地下水位持續下降，很可能導致大面積的植被凋謝和死亡，促成草地退化和土地退化。

『捌』 急用呀！生物專業英文文獻翻譯，要求人工翻譯，語句通順，謝謝，滿意後加分~ 急用，越快越好~謝謝好心人~

2.6 統計分析
在一個完全隨機區組設計中對所有在當前的研究中獲得的數據進行分析。在實驗一中，採用單向方差分析測試,不同處理之間顯著性差異水平定為（P<0.05），用鄧肯多重比較方法檢驗。在實驗二中，對作為的2×2因子安排的完全隨機區組設計的處理數據進行分析。益生菌產品的主要成效（LF或SF），抗生素（粘菌素或潔黴素），和他們的相互作用由SAS的混合程序計算。然而，當相互作用（益生菌x抗生素)沒有統計學意義時(P<0.05)，它就要從最終的模型中剔除。在這兩個實驗中所有分析中都以畜舍為實驗單位。在統計分析中細菌數轉化為log計數。
3 結果
3.1 實驗1
3.1.1 生長性能和表觀總消化道消化率
豬在第一階段的飲食處理對性能沒有影響（表3）。然而，在第二階段和整個試驗期間，當與飼喂NC飲食的豬相比時，飼喂PC，LF和SF飲食的豬其ADG，ADFI和G：F顯著提高(P<0.05)。而且，飼喂PC和SF飲食的豬有更高的平均日增重，在第二階段和整個試驗期間更好的G：F比飼喂SF飲食的豬有更高的平均日增重。在干物質和總能的總體表觀消化率上不同的飲食處理沒有影響，然而，與飼喂NC和LF的豬相比，飼喂PC和SF的豬有更多的粗蛋白總體表觀消化率（表4）。
3.1.2 糞便中的細菌數量
不同的飲食處理對糞便中的第14天和28天的厭氧菌和雙歧桿菌屬和第14天的乳酸菌屬沒有影響（表5）。然而，飼喂PC（第14天和28天）和SF（第28天）的豬比飼喂NC的豬有較少的糞便梭菌屬和大腸桿菌群。而且，飼喂SF的豬比飼喂NC，PC和LF的豬有更多的乳酸菌屬。
3.2 實驗2
3.2.1 生長性能和表觀總消化道消化率
在第一階段，飼喂SF的豬比飼喂LF的豬消耗更多的飼料，飼喂SF和飼喂LF的豬的總體表觀消化率和平均日增重是相同的（表6）。在第二階段和整個試驗期間飼喂SF的豬比飼喂LF的豬表現出更好的ADG（P<0.01），ADFI（P<0.01）和G：F（P<0.05）。然而，在豬的性能上，不同的抗生素沒有影響。在第一和第二階段中，飼喂SF的豬比飼喂LF的豬有更多的干物質和粗蛋白的總體表觀消化率（表7）。然而，對干物質，粗蛋白和總能量的總體表觀消化率不同的抗生素沒有影響。