多点地质统计学Dmps方法的原理

严格地讲,基于距离的多点地质统计学Dmps原理与Simpat一致。其区别在于Simpat仅对训练图像做了倒角变换,以提取多点统计特征;而基于距离的多点地质统计学Dmps方法则对训练图像的数据样板进行了多次优化处理,提高其模拟性能。

在Dmps算法中,训练图像中数据事件的处理是其核心。处理过程包括PCA主成分分析,核变换以及K均值聚类。

1PCA主成分分析

PCA主成分分析是数学地质中的常用方法。其主要目的是进行降维,简化变量和公式的一种方法。即将空间中包含的多个变量进行重新组合,达到用少数几个变量进行描述的目的。在Dmps中,PCA用于对训练图像中的数据事件进行分析。对于每个数据事件,其包含的节点数即是其变量数。可以想象一个555的数据样板,其包含的变量数为125个。直接分析这125个变量之间的相关性及其结构特征显得特别复杂,也没有必要。PCA主成分分析即是对这125个变量进行数学分析,将这125个变量进行合理的组合为新的一组特征向量(d1,d2…dn),选择前面少数几个特征向量就能描述原来125个变量的空间特征,从而达到降维和简化运算的目的。选择特征向量采用核变换方法。

2核变换

在PCA主成分分析后,需要对特征向量进行选择。选择过多的特征向量计算量大,达不到降维、简化运算的目的,过少的特征向量无法完全揭示原来的数据事件内部的空间结构特征。为了不增加计算成本,同时又能代表数据事件大部分特征,需要开展特征向量选择研究。这里,引入核函数对特征向量进行选择。核变换方法很多,其中,高斯径向基函数方法是常用的一种方法。

首先对特征向量进行排序,d1≥d2≥…≥dn≥0,选择前q个特征向量将特征向量集分为两个部分:φ1={d1,d2,d3,…,dq},φ2={dq+1,dq+2,…,dnT},定义下面的一个高斯对数函数:

多点地质统计学原理、方法及应用

其中{μ1,σ1},{μ2,σ2}分别由φ1,φ2确定。

采用最大似然估计方法,确定q值

多点地质统计学原理、方法及应用

将高斯函数代入上式

多点地质统计学原理、方法及应用

3K均值聚类

一旦确定了前q个特征向量。就可以用K均值聚类的方法对数据事件进行聚类。需要注意的是,K均值聚类选择的变量是q个特征向量。由于这q个特征向量是线性无关的,因此,k均值聚类效果较好。将对应的数据事件归入到K类中,完成数据事件的聚类。随后,在每一类中,将所有数据事件进行加权平均,获得此类的数据事件原型模型。以此原型模型为基础,就可以开展基于距离的多点地质统计学预测了。

4基于距离多点地质统计预测

在获得原型模型后,通过比较待估点数据事件与原型模型之间的距离,选择距离最小的原型模型作为模拟结果,随后,在此原型模型中随机选择一个数据事件替换(整体或者局部)待估点处数据事件,完成当前节点模拟。

5Dmps建模步骤

Dmps建模步骤如下:

1)选择合适的数据样板T;

2)利用数据样板扫描训练图像,建立训练模式库;

3)将数据模式距离投影到多维尺度空间中;

4)利用PCA分析获得特征向量;

5)最大似然估计准则下利用基函数获得前q个特征向量;

6)对q个特征向量所代表的数据事件进行聚类,获得数据事件原型模型;

7)定义一条随机模拟路径,对每一个节点。

a提取待估点周围数据事件devT(u);

b计算其与数据事件原型模型距离,选择最接近的数据事件原型模型;

c从原型模型中随机选择一个数据事件;

d将选择的数据事件整体或者局部替换掉待估点周围数据事件,固定模拟值;

e转向下一个待估点,重复a~d,直到所有节点都模拟到,完成一次随机模拟实现。

问题一：常见的数据分析方法有哪些 1、聚类分析（Cluster Analysis）

聚类分析指将物理或抽象对象的 分组成为由类似的对象组成的多个类的分析过程。聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。聚类分析所使用方法的不同，常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析，所得到的聚类数未必一致。

2、因子分析（Factor Analysis）

因子分析是指研究从变量群中提取共性因子的统计技术。因子分析就是从大量的数据中寻找内在的联系，减少决策的困难。

因子分析的方法约有10多种，如重心法、影像分析法，最大似然解、最小平方法、阿尔发抽因法、拉奥典型抽因法等等。这些方法本质上大都属近似方法，是以相关系数矩阵为基础的，所不同的是相关系数矩阵对角线上的值，采用不同的共同性□2估值。在社会学研究中，因子分析常采用以主成分分析为基础的反覆法。

3、相关分析（Correlation Analysis）

相关分析（correlation ysis），相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度。相关关系是一种非确定性的关系，例如，以X和Y分别记一个人的身高和体重，或分别记每公顷施肥量与每公顷小麦产量，则X与Y显然有关系，而又没有确切到可由其中的一个去精确地决定另一个的程度，这就是相关关系。

4、对应分析（Correspondence Analysis）

对应分析(Correspondence ysis)也称关联分析、R-Q型因子分析，通过分析由定性变量构成的交互汇总表来揭示变量间的联系。可以揭示同一变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系。对应分析的基本思想是将一个联列表的行和列中各元素的比例结构以点的形式在较低维的空间中表示出来。

5、回归分析

研究一个随机变量Y对另一个(X)或一组(X1，X2，…，Xk)变量的相依关系的统计分析方法。回归分析（regression ysis)是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。

6、方差分析(ANOVA/Analysis of Variance)

又称“变异数分析”或“F检验”，是RAFisher发明的，用于两个及两个以上样本均数差别的显著性检验。由于各种因素的影响，研究所得的数据呈现波动状。造成波动的原因可分成两类，一是不可控的随机因素，另一是研究中施加的对结果形成影响的可控因素。方差分析是从观测变量的方差入手，研究诸多控制变量中哪些变量是对观测变量有显著影响的变量。这个 还需要具体问题具体分析

问题二：在解决实际问题时常用的分析方法有哪些 在实际工作中,通常采用的技术分析方法有对比分析法,因素分析法和相关分析法等三种

1、对比分析法

对比分析法是根据实际成本指标与不同时期的指标进行对比,来揭示差异,分析差异产生原因的一种方法在对比分析中,可采取实际指标与计划指标对比,本期实际与上期(或上年同期,历史最好水平)实际指标对比,本期实际指标与国内外同类型企业的先进指标对比等形式通过对比分析,可一般地了解企业成本的升降情况及其发展趋势,查明原因,找出差距,提出进一步改进的措施在采用对比分析时,应注意本期实际指标与对比指标的可比性,以使比较的结果更能说明问题,揭示的差异才能符合实际若不可比,则可能使分析的结果不准确,甚至可能得出与实际情况完全不同的相反的结论在采用对比分析法时,可采取绝对数对比,增减差额对比或相对数对比等多种形式

比较分析法按比较内容（比什么）分为：

（1）比较会计要素的总量

（2）比较结构百分比

（3）比较财务比率

2、因素分析法

因素分析法是将某一综合性指标分解为各个相互关联的因素,通过测定这些因素对综合性指标差异额的影响程度的一种分析方法在成本分析中采用因素分析法,就是将构成成本的各种因素进行分解,测定各个因素变动对成本计划完成情况的影响程度,并据此对企业的成本计划执行情况进行评价,并提出进一步的改进措施

采用因素分析法的程序如下：

(1)将要分析的某项经济指标分解为若干个因素的乘积在分解时应注意经济指标的组成因素应能够反映形成该项指标差异的内在构成原因,否则,计算的结果就不准确如材料费用指标可分解为产品产量,单位消耗量与单价的乘积但它不能分解为生产该产品的天数,每天用料量与产品产量的乘积因为这种构成方式不能全面反映产品材料费用的构成情况

(2)计算经济指标的实际数与基期数(如计划数,上期数等),从而形成了两个指标体系这两个指标的差额,即实际指标减基期指标的差额,就是所要分析的对象各因素变动对所要分析的经济指标完成情况影响合计数,应与该分析对象相等

(3)确定各因素的替代顺序在确定经济指标因素的组成时,其先后顺序就是分析时的替代顺序在确定替代顺序时,应从各个因素相互依存的关系出发,使分析的结果有助于分清经济责任替代的顺序一般是先替代数量指标,后替代质量指标；先替代实物量指标,后替代货币量指标；先替代主要指标,后替代次要指标

(4)计算替代指标其方法是以基期数为基础,用实际指标体系中的各个因素,逐步顺序地替换每次用实际数替换基数指标中的一个因素,就可以计算出一个指标每次替换后,实际数保留下来,有几个因素就替换几次,就可以得出几个指标在替换时要注意替换顺序,应采取连环的方式,不能间断,否则,计算出来的各因素的影响程度之和,就不能与经济指标实际数与基期数的差异额(即分析对象)相等

(5)计算各因素变动对经济指标的影响程度其方法是将每次替代所得到的结果与这一因素替代前的结果进行比较,其差额就是这一因素变动对经济指标的影响程度

(6)将各因素变动对经济指标影响程度的数额相加,应与该项经济指标实际数与基期数的差额(即分析对象)相等

上述因素分析法的计算过程可用以下公式表示：

设某项经济指标N是由A,B,C三个因素组成的在分析时,若是用实际指标与计划指标进行对比,则计划指标与实际指标的计算公式如下：

计划指标N0=A0×B0×C0

实际指标N1=A1×B1×C1

分析对象为N1-N0的差额

采用因素分析法测定各因素变动对指标N的影响程度时,>>

问题三：常用的分析方法有哪些 目前系统安全分析法有20余种，其中常用的分析法是：

（1）安全检查表（safety check list）

（2）初步危险分析（PHA）

（3）故障类型、影响及致命度分析（FMECA）

（4）事件要分析（ETA）

（5）事故树分析（FTA）

问题四：常用的分析方法及模型有哪些？ 不细说了，直接百度搜索此书――《赢取竞争的100+N工具箱(mba原版1862页)pdf》 目录太长，涉及版权也不能再上图了

下载不到的评论留下邮箱

问题五：常用的药物分析方法有哪些 重量分析法

酸碱滴定法

沉淀滴定法

氧化还原滴定法

非水滴定法

药物仪器分析法

紫外分光光度法

质谱法

核磁共振波谱法

薄层色谱法

气相色谱法

高效液相色谱法

电泳法和PH值测定法

物理常数测定法

问题六：数据分析方法有哪些 一、描述性统计

描述性统计是一类统计方法的汇总，揭示了数据分布特性。它主要包括数据的频数分析、数据的集中趋势分析、数据离散程度分析、数据的分布以及一些基本的统计图形。

1、缺失值填充：常用方法有剔除法、均值法、决策树法。

2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以在做数据分析之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。

二、回归分析

回归分析是应用极其广泛的数据分析方法之一。它基于观测数据建立变量间适当的依赖关系，以分析数据内在规律。

1 一元线性分析

只有一个自变量X与因变量Y有关，X与Y都必须是连续型变量，因变量Y或其残差必须服从正态分布。

2 多元线性回归分析

使用条件：分析多个自变量X与因变量Y的关系，X与Y都必须是连续型变量，因变量Y或其残差必须服从正态分布。

3Logistic回归分析

线性回归模型要求因变量是连续的正态分布变量，且自变量和因变量呈线性关系，而Logistic回归模型对因变量的分布没有要求，一般用于因变量是离散时的情况。

4 其他回归方法：非线性回归、有序回归、Probit回归、加权回归等。

三、方差分析

使用条件：各样本须是相互独立的随机样本；各样本来自正态分布总体；各总体方差相等。

1 单因素方差分析：一项试验只有一个影响因素，或者存在多个影响因素时，只分析一个因素与响应变量的关系。

2 多因素有交互方差分析：一顼实验有多个影响因素，分析多个影响因素与响应变量的关系，同时考虑多个影响因素之间的关系

3 多因素无交互方差分析：分析多个影响因素与响应变量的关系，但是影响因素之间没有影响关系或忽略影响关系

4 协方差分祈：传统的方差分析存在明显的弊端，无法控制分析中存在的某些随机因素，降低了分析结果的准确度。协方差分析主要是在排除了协变量的影响后再对修正后的主效应进行方差分析，是将线性回归与方差分析结合起来的一种分析方法。

四、假设检验

1 参数检验

参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验 。

2 非参数检验

非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一般性假设（如总体分布的位D是否相同，总体分布是否正态）进行检验。

适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。

1）虽然是连续数据，但总体分布形态未知或者非正态；

2）总体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下；

主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。

问题七：常用的数据分析方法有哪些？ 10分 一、掌握基础、更新知识。

基本技术怎么强调都不过分。这里的术更多是（计算机、统计知识）， 多年做数据分析、数据挖掘的经历来看、以及业界朋友的交流来看，这点大家深有感触的。

数据库查询―SQL

数据分析师在计算机的层面的技能要求较低，主要是会SQL，因为这里解决一个数据提取的问题。有机会可以去逛逛一些专业的数据论坛，学习一些SQL技巧、新的函数，对你工作效率的提高是很有帮助的。

统计知识与数据挖掘

你要掌握基础的、成熟的数据建模方法、数据挖掘方法。例如：多元统计：回归分析、因子分析、离散等，数据挖掘中的：决策树、聚类、关联规则、神经网络等。但是还是应该关注一些博客、论坛中大家对于最新方法的介绍，或者是对老方法的新运用，不断更新自己知识，才能跟上时代，也许你工作中根本不会用到，但是未来呢？

行业知识

如果数据不结合具体的行业、业务知识，数据就是一堆数字，不代表任何东西。是冷冰冰，是不会产生任何价值的，数据驱动营销、提高科学决策一切都是空的。

一名数据分析师，一定要对所在行业知识、业务知识有深入的了解。例如：看到某个数据，你首先必须要知道，这个数据的统计口径是什么？是如何取出来的？这个数据在这个行业， 在相应的业务是在哪个环节是产生的？数值的代表业务发生了什么（背景是什么）？对于A部门来说，本月新会员有10万，10万好还是不好呢？先问问上面的这个问题：

对于A部门，

1、新会员的统计口径是什么。第一次在使用A部门的产品的会员？还是在站在公司角度上说，第一次在公司发展业务接触的会员？

2、是如何统计出来的。A：时间；是通过创建时间，还是业务完成时间。B：业务场景。是只要与业务发接触，例如下了单，还是要业务完成后，到成功支付。

3、这个数据是在哪个环节统计出来。在注册环节，在下单环节，在成功支付环节。

4、这个数据代表着什么。10万高吗？与历史相同比较？是否做了营销活动？这个行业处理行业生命同期哪个阶段？

在前面二点，更多要求你能按业务逻辑，来进行数据的提取（更多是写SQL代码从数据库取出数据）。后面二点，更重要是对业务了解，更行业知识了解，你才能进行相应的数据解读，才能让数据产生真正的价值，不是吗？

对于新进入数据行业或者刚进入数据行业的朋友来说：

行业知识都重要，也许你看到很多的数据行业的同仁，在微博或者写文章说，数据分析思想、行业知识、业务知识很重要。我非常同意。因为作为数据分析师，在发表任何观点的时候，都不要忘记你居于的背景是什么？

但大家一定不要忘记了一些基本的技术，不要把基础去忘记了，如果一名数据分析师不会写SQL，那麻烦就大了。哈哈。。你只有把数据先取对了，才能正确的分析，否则一切都是错误了，甚至会导致致命的结论。新同学，还是好好花时间把基础技能学好。因为基础技能你可以在短期内快速提高，但是在行业、业务知识的是一点一滴的积累起来的，有时候是急不来的，这更需要花时间慢慢去沉淀下来。

不要过于追求很高级、高深的统计方法，我提倡有空还是要多去学习基本的统计学知识，从而提高工作效率，达到事半功倍。以我经验来说，我负责任告诉新进的同学，永远不要忘记基本知识、基本技能的学习。

二、要有三心。

1、细心。

2、耐心。

3、静心。

数据分析师其实是一个细活，特别是在前文提到的例子中的前面二点。而且在数据分析过程中，是一个不断循环迭代的过程，所以一定在耐心，不怕麻烦，能静下心来不断去修改自己的分析思路。

三、形成自己结构化的思维。

数据分析师一定要严谨。而严谨一定要很强的结构化思维，如何提高结构化思维，也许只需要工作队中不断的实践。但是我推荐你用mindman>>

问题八：常用的多元分析方法？ 包括3类:①多元方差分析、多元回归分析和协方差分析，称为线性模型方法，用以研究确定的自变量与因变量之间的关系；②判别函数分析和聚类分析,用以研究对事物的分类；③主成分分析、典型相关和因素分析，研究如何用较少的综合因素代替为数较多的原始变量。

多元方差分析

是把总变异按照其来源（或实验设计）分为多个部分，从而检验各个因素对因变量的影响以及各因素间交互作用的统计方法。例如，在分析2×2析因设计资料时，总变异可分为分属两个因素的两个组间变异、两因素间的交互作用及误差（即组内变异）等四部分,然后对组间变异和交互作用的显著性进行F检验。

多元方差分析的优点

是可以在一次研究中同时检验具有多个水平的多个因素各自对因变量的影响以及各因素间的交互作用。其应用的限制条件是，各个因素每一水平的样本必须是独立的随机样本，其重复观测的数据服从正态分布，且各总体方差相等。

多元回归分析

用以评估和分析一个因变量与多个自变量之间线性函数关系的统计方法。一个因变量y与自变量x1、x2、…xm有线性回归关系是指：　其中α、β1…βm是待估参数，ε是表示误差的随机变量。通过实验可获得x1、x2…xm的若干组数据以及对应的y值，利用这些数据和最小二乘法就能对方程中的参数作出估计，记为╋、琛常它们称为偏回归系数。

多元回归分析的优点

是可以定量地描述某一现象和某些因素间的线性函数关系。将各变量的已知值代入回归方程便可求得因变量的估计值（预测值），从而可以有效地预测某种现象的发生和发展。它既可以用于连续变量，也可用于二分变量（0，1回归）。多元回归的应用有严格的限制。首先要用方差分析法检验自变量y与m个自变量之间的线性回归关系有无显著性，其次，如果y与m个自变量总的来说有线性关系，也并不意味着所有自变量都与因变量有线性关系，还需对每个自变量的偏回归系数进行t检验,以剔除在方程中不起作用的自变量。也可以用逐步回归的方法建立回归方程，逐步选取自变量，从而保证引入方程的自变量都是重要的。

协方差分析

把线性回归与方差分析结合起来检验多个修正均数间有无差别的统计方法。例如，一个实验包含两个多元自变量，一个是离散变量(具有多个水平)，一个是连续变量，实验目的是分析离散变量的各个水平的优劣，此变量是方差变量；而连续变量是由于无法加以控制而进入实验的，称为协变量。在运用协方差分析时，可先求出该连续变量与因变量的线性回归函数，然后根据这个函数扣除该变量的影响，即求出该连续变量取等值情况时因变量的修正均数，最后用方差分析检验各修正均数间的差异显著性，即检验离散变量对因变量的影响。

协方差分析兼具方差分析和回归分析的优点

可以在考虑连续变量影响的条件下检验离散变量对因变量的影响，有助于排除非实验因素的干扰作用。其限制条件是，理论上要求各组资料（样本）都来自方差相同的正态总体,各组的总体直线回归系数相等且都不为0。因此应用协方差分析前应先进行方差齐性检验和回归系数的假设检验，若符合或经变换后符合上述条件，方可作协方差分析。

判别函数分析

判定个体所属类别的统计方法。其基本原理是：根据两个或多个已知类别的样本观测资料确定一个或几个线性判别函数和判别指标，然后用该判别函数依据判别指标来判定另一个个体属于哪一类。　判别分析不仅用于连续变量，而且借助于数量化理论亦可用于定性资料。它有助于客观地确定归类标准。然而，判别分析仅可用于类别已确定的情况。当类别本身未定时，预用聚类分析先分出类别，然后再进行判别分析。

聚类分析

解决分类问题的一种统计方法。若给定n个观测对象，每个观>>

问题九：常用的数学分析方法有哪些 你问的是什么层次？

1、数学分析方法的基本内容是数学化、模型化和计算机化。从数学角度看，数学中发现了许多有实用价值的手段，如线性规划、整数规划、动态规划、对策论、排队论、存货模型、调度模型、概率统计等等，对定量化的分析与决断起到了重大的推动作用；从模型化角度看，每一种数学手段都包括了解决决策问题的具体数学模型，人们可以借助于模型找出自己所需了解的问题的答案；从计算机化的角度看，人们可以借用电子计算机这个快速逻辑计算工具，缩短解决问题的时间，增强预测的精确性。这“三化”是互相联系的，它们的结合使决策的技术和方法发生了重大变化。

2、另一个层次：待定系数法，换元法，数学归纳法。

问题十：常见的调查方法有哪些 （一）、按调查对象的范围分,可分为全面调查和非全面调查

（二）、按调查的连续性来分,可分为一次性调查和经常性调查

（三）、按调查的组织方式不同,可分为统计报表和专门调查

（四）、按调查的方法不同,可分为直接观察法、报告法和询问法

不是。

在Eviews7中，标准化处理的具体方法是将原始数据减去该变量的均值，再除以该变量的标准差，在Eviews7中进行主成分分析的结果是基于标准化后的数据得出的。

EViews7是一款计量经济学软件。对社会经济关系与经济活动的数量规律，采用计量经济学方法与技术进行“观察”。计量经济学研究的核心是设计模型、收集资料、估计模型、检验模型、应用模型（结构分析、经济预测、政策评价）。

基因测序分析微生物菌群结构 NA是什么意思

微生物群落测序是指对微生物群体进行高通量测序，通过分析测序序列的构成分析特定环境中微生物群体的构成情况或基因的组成以及功能。借助不同环境下微生物群落的构成差异分析我们可以分析微生物与环境因素或宿主之间的关系，寻找标志性菌群或特定功能的基因。对微生物群落进行测序包括两类，一类是通过16s rDNA，18s rDNA，ITS区域进行扩增测序分析微生物的群体构成和多样性；还有一类是宏基因组测序，是不经过分离培养微生物，而对所有微生物DNA进行测序，从而分析微生物群落构成，基因构成，挖掘有应用价值的基因资源。以16s rDNA扩增进行测序分析主要用于微生物群落多样性和构成的分析，目前的生物信息学分析也可以基于16s rDNA的测序对微生物群落的基因构成和代谢途径进行预测分析，大大拓展了我们对于环境微生物的微生态认知。目前我们根据16s的测序数据可以将微生物群落分类到种（species）（一般只能对部分菌进行种的鉴定），甚至对亚种级别进行分析，几个概念：16S rDNA（或16S rRNA）：16S rRNA 基因是编码原核生物核糖体小亚基的基因，长度约为1542bp，其分子大小适中，突变率小，是细菌系统分类学研究中最常用和最有用的标志。16S rRNA基因序列包括9个可变区和10个保守区，保守区序列反映了物种间的亲缘关系，而可变区序列则能体现物种间的差异。16S rRNA基因测序以细菌16S rRNA基因测序为主,核心是研究样品中的物种分类、物种丰度以及系统进化。OTU：operational taxonomic units (OTUs)在微生物的免培养分析中经常用到，通过提取样品的总基因组DNA，利用16S rRNA或ITS的通用引物进行PCR扩增，通过测序以后就可以分析样品中的微生物多样性，那怎么区分这些不同的序列呢，这个时候就需要引入operational taxonomic units，一般情况下，如果序列之间，比如不同的 16S rRNA序列的相似性高于97%就可以把它定义为一个OTU，每个OTU对应于一个不同的16S rRNA序列，也就是每个OTU对应于一个不同的细菌（微生物）种。通过OTU分析，就可以知道样品中的微生物多样性和不同微生物的丰度。测序区段：由于16s rDNA较长（15kb），我们只能对其中经常变化的区域也就是可变区进行测序。16s rDNA包含有9个可变区，分别是v1-v9。一般我们对v3-v4双可变区域进行扩增和测序，也有对v1-v3区进行扩增测序。