Между природными явлениями и процессами связь бывает односторонней и взаимной. Примером односторонней связи может быть формирование ледников в горах при низких температурах. Не менее широко представлена в географической среде двусторонняя связь, или взаимозависимость. Так, растительность влияет на аккумуляцию и качество гумуса почвы и, наоборот, содержание гумуса в почве влияет на продуктивность растительности.
Связи между явлениями (или корреляцию) определяют путем постановки серии опытов. Математические методы позволяют установить тесноту таких связей с помощью корреляционного анализа. Корреляцию не следует отождествлять с причинностью. Однако необходимо иметь в виду, что доказательство математической связи должно опираться на реальную зависимость между явлениями, так как иногда можно установить несуществующие корреляции. Например, минерализация воды понижается с севера на юг Белоруссии, в этом же направлении понижается содержание питательных веществ в почве. Между рассматриваемыми показателями может быть получена положительная достоверная зависимость. Однако степень минерализации воды не определяет оптимальное содержание питательных веществ. Иначе в ландшафтах пустынь плодородие было бы максимальным, так как здесь самая высокая минерализация воды, а это противоречит истине. Поэтому установление подобной связи при проведении исследований бессмысленно.
Любой показатель связи служит приближенной оценкой рассматриваемой зависимости и не является гарантией существования жесткой (функциональной) соподчиненности. Отсутствие жестких зависимостей способствует саморегуляции процессов и явлений в ландшафте. Вскрытие корреляции в географической среде позволяет предвидеть, прогнозировать закономерности развития природы.
По форме корреляционная связь бывает линейной и нелинейной (криволинейной), по направлению — прямой и обратной, по величине— от 0 до ±1, по количеству коррелируемых признаков — парной и множественной.
Выделяют несколько видов парной корреляционной связи: а) параллельно-соотносительную, или ассоциативную, когда оба признака изменяются сопряженно, частично под действием общих причин и следствий (приуроченность растительности и почв к определенным формам рельефа); б) субпричинную, когда один фактор выступает как отдельная причина сопряженного изменения признака (связь биомассы с количеством осадков); в) взаимоупреждающую, когда причина и следствие, находясь в устойчивой взаимной связи, последовательно влияют друг на друга.
Рис. 3.1. Формы корреляционной связи:
а—прямая линейная; б—обратная линейная; в—параболическая; г—гиперболическая
Рис. 3.2. Степень рассеяния частот и величина связи:
а – r ≈ 0; б – r ≈ 0,5; в – r ≈ 0,8
Если на признак влияет несколько факторов, то приходится оценивать множественную корреляцию. Множественная корреляция служит основой выявления связей между признаками, но требует строгой нормальности и прямолинейности распределения, поэтому использование ее затруднено. С ростом числа переменных объем вычислительных работ увеличивается пропорционально квадрату числа переменных. В этом случае труднее оценивать значимость результатов, так как увеличиваются ошибки коэффициентов корреляции. Поэтому практически ограничиваются изучением лишь главных факторов. При этом обработку данных проводят с применением ЭВМ. Однако характер влияния главных факторов на признак более детально и точно исследуют путем факторного анализа.
В практической работе по установлению корреляции между признаками и явлениями необходимо придерживаться следующей последовательности: 1) на основании исследований определяют, существует ли связь между рассматриваемыми признаками; 2) если связь между явлениями и признаками существует, устанавливают форму, направление и тесноту связи, используя график или корреляционную решетку.
В случае небольшой выборки составляются сопряженные вариационные ряды, в которых следует определить аргумент xи функцию у:
x 10 12 16 18 21 23 25 30
y 2 4 5 7 8 9 9 10
Сопряженные варианты наносятся на график, который помогает установить вид зависимости между аргументом и функцией. От формы корреляционной связи зависит дальнейшая обработка аналитических данных. Прямолинейная зависимость (линейная зависимость) предполагает вычисление коэффициента корреляции г, а нелинейная (криволинейная) зависимость — корреляционного отношения т] (рис. 3.1). Степень рассеяния частот или вариант относительно линии регрессии на графике указывает ориентировочно на тесноту связи: чем меньше рассеяние, тем сильнее связь (рис. 3.2).
Для взвешенных сопряженных вариационных рядов при большом объеме выборочных совокупностей строится корреляционная решетка (табл. 3.1). В корреляционной решетке указываются середины классов сверху по горизонтали — по аргументу х, слева по вертикали — по функции у. В центре расположены частоты выделенных классов. Справа по вертикали суммируются частоты по функции у, внизу по горизонтали — по аргументу х, Сумма частот по вертикали и горизонтали дает один и тот же объем выборки N=65. Исходя из распределения частот в корреляционной решетке, можно заключить, что связь между аргументом и функцией нелинейная, поэтому в данном случае следует рассчитывать корреляционное отношение η.
Таблица 3.1