描述區域或大陸尺度的多樣性，是指區域或大陸尺度的物種數量，也被稱為區域多樣性（regionaldiversity）。控制γ多樣性的生態過程主要為水熱動態，氣候和物種形成及演化的歷史。
主要指標為物種數（S）
γ多樣性測定沿海拔梯度具有兩種分佈格局：偏鋒分佈和顯著的負相關格局
多樣性指數是反映豐富度和均勻度的綜合指標。應指出的是，應用多樣性指數時，具低豐富度和高均勻度的群落與具高豐富度與低均勻度的群落，可能得到相同的多樣性指數。
Shannon-WienerIndex
費歇爾和普雷斯頓的方法所表示的多樣性指數僅包括種的多寡一方面。夏農-威納指數和辛普森指數則包括了測量群落的異質性。夏農-威納指數借用了資訊理論方法。資訊理論的主要測量物件是系統的序（order）或無序(disorder)的含量。在通訊工程中，人們要進行預測，預測資訊中下一個是什麼字母，其不定性的程度有多大。例如，bbbbbbb這樣的資訊流，都屬於同一個字母，要預測下一個字母是什麼，沒有任何不定性，其資訊的不定性含量等於零。如果是a，b，c，d，e，f，g，每個字母都不相同。那麼其資訊的不定性含量就大。在群落多樣性的測度上，就借用了這個資訊理論中不定性測量方法，就是預測下一個採集的個體屬於什麼種，如果群落的多樣性程度越高，其不定性也就越大。
夏農-威納指數的公式是：H=－∑（Pi）（㏑Pi）
其中，H=樣品的資訊含量（彼得/個體）=群落的多樣性指數，S=種數，Pi=樣品中屬於第i種的個體的比例，如樣品總個體數為N，第i種個體數為ni，則Pi=ni/N
下面用一個假設的簡單數字為例，說明夏農一威納指數的含義，設有A，B，C三個群落，各有兩個種所組成，其中各種個體陣列成如下：（說明----下面計算裡是取2為底數，不是公式裡的e，但不妨礙理解）群落物種總數甲物種乙物種群落A1001000群落B1005050群落C100991夏農一威納指數是：
H=－〔(1.0log?1.0)+0）〕=0
由於在群落B中兩個物種各有50個體，其分佈是均勻的。它的夏農指數是：
H=－〔0.50（log?0.50）+0.50（log?0.50）〕=l
群落C的兩個物種分別具有99和1個個體，則：
H=一〔0.99（log?0.99）+0.01（log?0.01）〕=0.081
顯然，H值的大小與我們的直覺是相符的：群落B的多樣性較群落C大，而群落A的多樣性等於零。
在夏農-威納指數中，包含著兩個成分：①種數；②各種間個體分配的均勻性（equiability或evenness）。各種之間，個體分配越均勻，H值就越大。如果每一個體都屬於不同的種，多樣性指數就最大；如果每一個體都屬於同一種，則其多樣性指數就最小。那麼，均勻性指數如何來測定呢？可以透過估計群落的理論上的最大多樣性指數（Hmax），然後以實際的多樣性指數對Hmax的比率，從而獲得均勻性指數，具體步驟如下：
Hmax=－S（1/Slog?1/S）=log?2S，其中Hmax=在最大均勻性條件下的種多樣性值，S=群落中種數
如果有S個種，在最大均勻性條件下，即每個種有1/S個體比例，、所以在此條件下Pi=1/S，舉例說，群落中只有兩個種時，則：Hmax=log?2=1
這與前面的計算是一致的，因此，我們可以犯均勻性指數定義為：E=H/Hmax，其中E=均勻性指數，H=實測多樣性值，Hmax=最大多樣性值=log2S
Simpson"sdiversityIndex
辛普森在1949年提出過這樣的問題：在無限大小的群落中，隨機取樣得到同樣的兩個標本，它們的機率是什麼呢？如在加拿大北部森林中，隨機採取兩株樹標本，屬同一個種的機率就很高。相反，如在熱帶雨林隨機取樣，兩株樹同一種的機率很低，他從這個想法出發得出多樣性指數。用公式表示為：
辛普森多樣性指數=隨機取樣的兩個個體屬於不同種的機率
=1-隨機取樣的兩個個體屬於同種的機率
設種i的個體數佔群落中總個體數的比例為Pi，那麼，隨機取種i兩個個體的聯合機率就為。如果我們將群落中全部種的機率合起來，就可得到辛普森指數D，即
S為物種數目。
辛普森多樣性指數的最低值是0；
最高值為Dmax：
前一種情況出現在全部個體均屬於一個種的時候，後一種情況出現在每個個體分別屬於不同種的時候。
描述區域或大陸尺度的多樣性，是指區域或大陸尺度的物種數量，也被稱為區域多樣性（regionaldiversity）。控制γ多樣性的生態過程主要為水熱動態，氣候和物種形成及演化的歷史。
主要指標為物種數（S）
γ多樣性測定沿海拔梯度具有兩種分佈格局：偏鋒分佈和顯著的負相關格局
多樣性指數是反映豐富度和均勻度的綜合指標。應指出的是，應用多樣性指數時，具低豐富度和高均勻度的群落與具高豐富度與低均勻度的群落，可能得到相同的多樣性指數。
Shannon-WienerIndex
費歇爾和普雷斯頓的方法所表示的多樣性指數僅包括種的多寡一方面。夏農-威納指數和辛普森指數則包括了測量群落的異質性。夏農-威納指數借用了資訊理論方法。資訊理論的主要測量物件是系統的序（order）或無序(disorder)的含量。在通訊工程中，人們要進行預測，預測資訊中下一個是什麼字母，其不定性的程度有多大。例如，bbbbbbb這樣的資訊流，都屬於同一個字母，要預測下一個字母是什麼，沒有任何不定性，其資訊的不定性含量等於零。如果是a，b，c，d，e，f，g，每個字母都不相同。那麼其資訊的不定性含量就大。在群落多樣性的測度上，就借用了這個資訊理論中不定性測量方法，就是預測下一個採集的個體屬於什麼種，如果群落的多樣性程度越高，其不定性也就越大。
夏農-威納指數的公式是：H=－∑（Pi）（㏑Pi）
其中，H=樣品的資訊含量（彼得/個體）=群落的多樣性指數，S=種數，Pi=樣品中屬於第i種的個體的比例，如樣品總個體數為N，第i種個體數為ni，則Pi=ni/N
下面用一個假設的簡單數字為例，說明夏農一威納指數的含義，設有A，B，C三個群落，各有兩個種所組成，其中各種個體陣列成如下：（說明----下面計算裡是取2為底數，不是公式裡的e，但不妨礙理解）群落物種總數甲物種乙物種群落A1001000群落B1005050群落C100991夏農一威納指數是：
H=－〔(1.0log?1.0)+0）〕=0
由於在群落B中兩個物種各有50個體，其分佈是均勻的。它的夏農指數是：
H=－〔0.50（log?0.50）+0.50（log?0.50）〕=l
群落C的兩個物種分別具有99和1個個體，則：
H=一〔0.99（log?0.99）+0.01（log?0.01）〕=0.081
顯然，H值的大小與我們的直覺是相符的：群落B的多樣性較群落C大，而群落A的多樣性等於零。
在夏農-威納指數中，包含著兩個成分：①種數；②各種間個體分配的均勻性（equiability或evenness）。各種之間，個體分配越均勻，H值就越大。如果每一個體都屬於不同的種，多樣性指數就最大；如果每一個體都屬於同一種，則其多樣性指數就最小。那麼，均勻性指數如何來測定呢？可以透過估計群落的理論上的最大多樣性指數（Hmax），然後以實際的多樣性指數對Hmax的比率，從而獲得均勻性指數，具體步驟如下：
Hmax=－S（1/Slog?1/S）=log?2S，其中Hmax=在最大均勻性條件下的種多樣性值，S=群落中種數
如果有S個種，在最大均勻性條件下，即每個種有1/S個體比例，、所以在此條件下Pi=1/S，舉例說，群落中只有兩個種時，則：Hmax=log?2=1
這與前面的計算是一致的，因此，我們可以犯均勻性指數定義為：E=H/Hmax，其中E=均勻性指數，H=實測多樣性值，Hmax=最大多樣性值=log2S
Simpson"sdiversityIndex
辛普森在1949年提出過這樣的問題：在無限大小的群落中，隨機取樣得到同樣的兩個標本，它們的機率是什麼呢？如在加拿大北部森林中，隨機採取兩株樹標本，屬同一個種的機率就很高。相反，如在熱帶雨林隨機取樣，兩株樹同一種的機率很低，他從這個想法出發得出多樣性指數。用公式表示為：
辛普森多樣性指數=隨機取樣的兩個個體屬於不同種的機率
=1-隨機取樣的兩個個體屬於同種的機率
設種i的個體數佔群落中總個體數的比例為Pi，那麼，隨機取種i兩個個體的聯合機率就為。如果我們將群落中全部種的機率合起來，就可得到辛普森指數D，即
S為物種數目。
辛普森多樣性指數的最低值是0；
最高值為Dmax：
前一種情況出現在全部個體均屬於一個種的時候，後一種情況出現在每個個體分別屬於不同種的時候。