已阅读5页,还剩60页未读, 继续免费阅读
版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
用vegan进行排序分析米湘成 一 vegan软件包是Vegetationanalysis的缩写 是一个群落分析的软件 作者 JariOksanenhttp cc oulu fi jarioksa softhelp vegan html library vegan 群落数据 gtsdata read table gtsdata txt header T gtsdata dim gtsdata CASEYRSCHSUPDAPOLDPINMASCINSUBCYCGLAMACTHULITGLACASFARMELOLDMYRRUBADIMILALBKALSORFOLCYCMYRTOXSUCCASTIB12238109090110000102108404120300140002034270425041010000104222901251510102000075115308532400300002637108630100300000715520653000140002081459061105000000000926311141106001300020102359121108000510000111424113320004210010121275012115031200000134510060602000000041442100252000000313153220614100100040416144405540000110300 环境数据 gtsenv read table gtsenv txt header T gtsenv dim gtsenv elevconvexslopeaspectNPKpH154 89275 1 743750046 78939114 017753 3343760 21476543 6946244 713993257 99200 2 215000045 69906263 083394 2021020 24519584 3732284 773120354 503253 840750044 46079256 716993 8336740 22605204 2897544 935478447 896004 326000039 24653237 811063 0797960 20179853 9589305 087159546 189001 779000037 27584110 115732 8877530 19636633 6448215 167524651 843004 287000035 67033185 922263 6789460 24223174 6241014 815154760 736001 848000033 06503201 076744 6544440 28534135 0905614 678613873 48775 2 681750037 39011184 012564 7104660 28415185 8146824 571590989 08200 1 253000045 07064150 558804 2921080 23286005 7267864 68215310104 62625 6 429250045 64218131 798893 7989710 20103995 4816894 765959 数据的标准化1 decostand x method MARGIN range global na rm FALSE total 除以行和或列和 defaultMARGIN 1 max 除以行或列的最大值 defaultMARGIN 2 freq 除以行或列的最大值 并乘以非零值的个数 defaultMARGIN 2 normalize 使行或列的平方和等于1 defaultMARGIN 1 range 标准化使行或列的值在0 1 defaultMARGIN 2 standardize 标准化使行或列的和为1且方差为1 defaultMARGIN 2 pa 将数据转换为0 1数据 chi square 除以行和及列和的平方根 hellinger 采用total标准化以后再取平方根 2 wisconsin x 除以列最大值 再除以行和 一 什么是排序 ordination 排序的过程是将样方或植物种排列在一定的空间 使得排序轴能够反映一定的生态梯度 从而 能够解释植被或植物种的分布与环境因子间的关系 也就是说排序是为了揭示植被 环境间的生态关系 因此 排序也叫梯度分析 gradientanalysis 间接梯度分析 Indirectgradientanalysis 直接梯度分析 directgradientanalysis 一 什么是排序 ordination 排序的过程是将样方或植物种排列在一定的空间 使得排序轴能够反映一定的生态梯度 从而 能够解释植被或植物种的分布与环境因子间的关系 也就是说排序是为了揭示植被 环境间的生态关系 因此 排序也叫梯度分析 gradientanalysis 间接梯度分析 Indirectgradientanalysis 直接梯度分析 directgradientanalysis 2个种的排序图 3个种的排序图 4个种的排序图 40个种排序图 排序的内容 1 降低维数 减少坐标轴的数目 2 由降低维数引起的信息损失尽量少 即发生最小的畸变 也就是说它的第1 3轴排序轴包含大量的生态信息 排序的目标 表示植被与环境之间的关系 所有排序方法都反映植物种和环境之间的关系以及在某一环境梯度上的种间关系 线形模型 linearmodel 短的梯度 主成分分析 Principlecomponentanalysis 需要对数据进行非线性转换 如取对数 非线性模型 non linearmodel 如高斯模型 长的梯度 对应分析 Correspondenceanalysis 排序采用的距离方法 欧氏距离 2 卡方距离 二 主成分分析 Principlecomponentanalysis PCA 主成分分析的主要原理是 使坐标旋转一定的角度后 使第一轴表示数据最大的方差 使第二轴表示数据第二的方差 而且轴与轴之间是正交的 orthogonal PCA和RDA都采用函数rda实现 在vegan包中 rda formula data scale FALSE rda X Y Z scale FALSE scores x display c sites species choices 在stat包中 princomp x princomp formula data NULL subset na action 主成分分析表示信息的方法 特征值 eigenvalue 和Inertia每一个轴都有一个特征值表示其信息量也就是方差的大小 gts rda rda gtsdata gts rdaCall rda X gtsdata InertiaRankTotal352 1Unconstrained352 122InertiaisvarianceEigenvaluesforunconstrainedaxes PC1PC2PC3PC4PC5PC6PC7PC8111 77973 58054 60732 95926 48118 06312 7637 637 sum apply gtsdata 2 var summary gts rda 所以如果不对数据做标准化的话 丰富种的值就非常大 排序时就只能看清丰富种的位置 其它种就拥挤在一起 plot rda gtsdata scale T plot rda gtsdata 2 特征值向量 eigenvector 和负荷 loading 虽然所有的属性在排序中共同起作用 但各个属性的贡献是不等的 这可以用负荷量 Loading 表示 为特征向量 为特征根 为负荷 gts pca princomp gtsdata summary gts pca Importanceofcomponents Comp 1Comp 2Comp 3Comp 4Comp 5Comp 6Comp 7Comp 8Comp 9Standarddeviation10 43955718 46998177 29667505 66876885 08121974 196604293 527610812 728742481 97771180ProportionofVariance0 31747080 20897990 15509210 09360890 07521000 051302160 036249410 021690260 01139372CumulativeProportion0 31747080 52645070 68154280 77515170 85036170 901663880 937913290 959603550 97099728Comp 10Comp 11Comp 12Comp 13Comp 14Comp 15Comp 16Comp 17Standarddeviation1 73232991 357293351 2006073700 9812191070 8860183240 7329182870 6155476930 603479672ProportionofVariance0 00874180 005366450 0041989590 0028046050 0022867830 0015647710 0011037310 001060877CumulativeProportion0 97973910 985105530 9893044850 9921090900 9943958730 9959606440 9970643740 998125251Comp 18Comp 19Comp 20Comp 21Comp 22Standarddeviation0 52255051210 39559641310 37175540400 23146384051 491582e 01ProportionofVariance0 00079541940 00045587350 00040258190 00015606526 480882e 05CumulativeProportion0 99892067070 99937654410 99977912600 99993519121 000000e 00 gts pca loadingsLoadings Comp 1Comp 2Comp 3Comp 4Comp 5Comp 6Comp 7Comp 8Comp 9Comp 10Comp 11Comp 12Comp 13Comp 14Comp 15Belper0 128 0 115 0 1900 248 0 1380 661 0 2140 287 0 113Empnig0 1530 1560 137 0 234Junbuf 0 2220 2530 111 0 7060 1130 1620 1190 161 0 319 0 220 0 1840 237Junart 0 331 0 169 0 1890 7120 199 0 1100 3690 216Airpra0 3190 1140 1410 207 0 1860 1690 220Elepal 0 6230 175 0 2260 2400 1210 1750 4370 146 0 402 0 179Rumace0 2180 529 0 3180 2250 222 0 2990 1780 2170 286 0 219Viclat 0 107 0 1360 179 0 186 0 119 0 3160 425 0 242 0 302Brarut0 557 0 638 0 108 0 2690 298 0 1680 1070 113Ranfla 0 282 0 396 0 445 0 443 0 323 0 119Cirarv0 1400 324 0 265 0 828 0 204Hyprad0 489 0 1140 169 0 3550 2660 111 0 296Leoaut0 2330 1000 284 0 365 0 333 0 1580 231 0 5290 135 0 320 0 1380 191Potpal 0 1240 1070 309 0 3290 3220 363 0 2840 552Poapra0 300 0 310 0 403 0 2830 3620 328 0 3050 156 0 1020 138 0 138 0 107 0 1050 243Calcus 0 247 0 2120 230 0 169 0 166 0 131 0 5380 5630 2060 321Tripra0 1390 371 0 1780 1120 189 0 325 0 183 0 114 0 3510 138Trirep0 2420 107 0 182 0 7370 320 0 2360 1590 2660 190 0 114 0 187Antodo0 2400 3070 3680 1270 2820 3060 2930 3400 328 0 261 0 134 0 193 0 1820 191Comp 16Comp 17Comp 18Comp 19Belper0 210 0 447Empnig0 5280 3720 564 0 345 dune pca scoresComp 1Comp 2Comp 3Comp 4Comp 5Comp 6Comp 7Comp 8Comp 9Comp 1022 91150470 2 9148367 0 39183558 3 266672060 350517350 283886050 520660370 73059997 1 47932220 873218565130 06136859 2 6231269 0 428381761 303367771 66947506 2 17899298 0 36875549 0 19309055 0 7950698 0 39709404041 02850538 2 5050978 0 674889030 85437428 1 190901061 35200297 1 386393730 33487590 0 202638308 541042221 7027507 0 142858260 315033770 034664461 36133046 0 620424780 098760751 13884220 39218112164 168215286 8308661 2 63927075 0 346897270 469060910 99514014 0 21265662 1 249903830 1266251 0 12710936010 15018963 3 6074502 0 748021482 812349160 674774091 51071796 1 01725395 1 247740130 4766938 0 0077944828 3 14967642 0 9611984 1 22643599 0 63476176 1 328156010 992742102 97567231 0 45122396 0 23545940 46526110153 210932193 0252592 0 210892231 551688691 893069821 962346300 020607071 42609520 1 26969120 313797454170 88446774 1 09916314 118469042 956965131 827499491 034678880 199100090 211447770 4951844 0 20873502615 5 369510401 32563960 27524739 0 08549455 0 98964812 0 038000910 010968990 594046020 21031641 575209028103 45432187 0 56199810 22090135 2 845164491 140519151 110031090 949150181 483181892 1446676 1 054140671112 05213785 0 47710880 78453920 1 68401438 3 04693268 0 67046740 0 20422357 1 773211170 3264255 0 25082401390 51663009 0 7985760 3 106809831 50246304 0 17373810 2 717889822 816842190 290940510 5294339 0 124674184181 483416650 52029950 08634919 1 41220478 4 20399526 0 27655732 1 802570410 82080959 0 2487870 0 27618081331 55380353 2 6194360 1 230795940 02776684 1 082962991 36424397 0 72252666 0 068547650 2756024 0 02824622720 6 478746191 32556680 321651720 42698365 0 96651137 0 039096890 254202310 40610164 1 4497751 2 08633302414 3 32303762 0 48137130 33609162 4 323119474 58574613 0 75540377 1 05044347 1 01983081 0 2338041 0 055472163192 126207261 73113777 116945990 02181364 0 81591309 1 236377741 06159360 0 46978018 0 12396730 331097087120 536222841 2960367 1 001121551 176046140 43846541 4 12336930 1 883351690 882046190 66548940 38713440472 724089230 8918069 1 458883111 649476640 714966810 069036200 45980325 0 80557716 0 35076640 140277752 biplot gts pca 箭头所指的方向就是旋转以前物种的轴 箭头的长短表示物种对排序轴的影响大小 我们常用的PCA是采用协方差矩阵进行计算的 但是也可以采用相关矩阵进行计算 princomp gtsdata cor T rda gtsdata scale T 采用相关矩阵进行计算要使各个种之间变得差异小一些 两者结果是不同的 在实际应用中 两个都进行计算 选更易于解释和表现生态关系的 如果要在排序图上表现聚类 可能要采用协方差计算结果 如果不同的种有类似的贡献时 可能要采用相关矩阵计算结果 3 每个轴包含的信息量如果前三轴包含的信息量非常少 表明种间的信息相关性非常少 信息冗余非常少 不能用PCA分析 summary gts rda Eigenvalues andtheircontributiontothevariancePC1PC2PC3PC4PC5PC6PC7PC8PC9PC10PC11PC12PC13PC14PC15lambda111 778873 580154 606632 958926 480818 063112 7637 63704 0123 07791 88951 47840 98750 80520 5509accounted0 31750 52650 68150 77520 85040 90170 9380 95960 9710 97970 98510 98930 99210 99440 9960PC16PC17PC18PC19PC20PC21PC22lambda0 38860 37350 28010 16050 14170 054950 02282accounted0 99710 99810 99890 99940 99980 999941 00000 二 对应分析 Correspondenceanalysis CA 1 CA采用单峰模型 因此结果一般优于PCA 2 CA采用距离 因此用于处理有很多0的数据 特别是处理 有 或 无 的数据 3 矩阵中不允许有负数 PCA分析矩阵可有负数 4 CA除了采用卡方距离以外 其它计算步骤都与PCA一致 如旋转等 5 CA在vegan中的实现 cca formula data cca X Y Z 4 CA除了采用卡方距离以外 其它计算步骤都与PCA一致 如旋转等 gts ca cca gtsdata gts caCall cca X gtsdata InertiaRankTotal1 424Unconstrained1 42421InertiaismeansquaredcontingencycoefficientEigenvaluesforunconstrainedaxes CA1CA2CA3CA4CA5CA6CA7CA80 502530 265640 140230 105020 091270 055400 050630 04204 4 Inerta在这里是矩阵标准化后的卡方统计 chisq test gtsdata sum gtsdata Pearson sChi squaredtestdata gtsdata sum gtsdata X squared 1 4243 df 819 p value 1 summary gts ca 5 对样方和物种的排序坐标进行加权平均 1 用物种数据对样地坐标进行加权平均 2 用样方数据对物种坐标进行加权平均 3 对样方和物种坐标都进行加权平均 加权平均后的排序图会收缩 收缩的因子等于特征值 plot gts ca scaling 1 用物种数据对样地坐标进行加权平均 使样方坐标在物种数据的中心 因此对样方感兴趣的话 采用这种做图方法 plot gts ca plot gts ca scaling 2 plot gts ca scaling 3 用样地数据对物种坐标进行加权平均 使物种数据在样方数据的中心 因此对物种感兴趣的话 采用这种做图方法 6 对CA结果的解释 1 每个轴的特征值表示各轴样方坐标和物种坐标的相关性 如 例子中第一轴的特征值是 0 53601 2 采用物种数据对样方坐标进行加权平均时 A 样方之间的距离就是它们之间的卡方距离 B 由于加权平均时 采用样方内物种的相对多度进行加权 因此如果一个样方内没有某个物种 这个物种对样方的坐标没有贡献 C 因此如果一个物种靠近某个样方 表明该物种可能对该样方的位置起很大的作用 特别是对于二元数据的排序 这个样方可能就代表该物种 如图中 20号样方与短柄枹 QUESER 靠得比较近 表明 短柄枹表征了20号样方的特征 19号样方与20号样方距离近 生态关系也较近 3 生态位的阐述 物种是按单峰曲线沿生境梯度分布的 物种在排序空间的分布表明物种和环境的关系 物种和样方的相对位置表明物种和样方的相对关系 如图中 22号样方和青冈 CYCGLA B 只在少数样方出现的物种通常在排序空间的边缘 表明它们只偶然发生 或它们只在稀有生境 如米槠CASCAR C 在排序空间中心的物种 可能在取样区域是该物种最优分布区 如甜槠 或有两个或多个最优分布区 或与前两个轴不相关 除趋势对应分析 Detrendedcorrespondenceanalysis DCA CA采用单峰曲线表示物种和环境关系 CA产生的弓形效应 CA的第二排序轴在许多情况下是第一轴的二次变形 即所谓的 弓形效应 Archeffect 或者 马蹄形效应 horse shoeeffect DCA在R中的实现采用函数decorana decorana veg iweigh 0 iresc 4 ira 0 mk 26 short 0 before NULL after NULL veg 群落数据 iweig 稀有物种的权重 iresc 纠正弓形效应的次数 ira 分析的类型 0 DCA 1 CA mk 校正弓形效应轴的分段数 short 需要校正的最短梯度 plot decorana gtsdata plot cca gtsdata 冗余分析 redundancyanalysis RDA 及典范对应分析 Canonicalcorrespondenceanalysis CCA 1 通常采用PCA处理环境数据 采用CA处理群落数据 但这些方法都只能处理一个数据表 2 RDA和CCA是多元分析 PCA CA 和线性回归的结合 研究植被和环境之间的关系 PCA与环境因子结合是RDA CA与环境因子结合是CCA CCA在vegan中的实现 cca formula data cca X Y Z RDA在vegan中的实现 rda formula data rda X Y Z gts rda rda gtsdata gtsenv gts rda rda gtsdata elev convex slope aspect N K P pH data gtsenv scale F scale T gts rdaCall rda X gtsdata Y gtsenv InertiaRankTotal352 1Constrained137 48Unconstrained214 722InertiaisvarianceEigenvaluesforconstrainedaxes RDA1RDA2RDA3RDA4RDA5RDA6RDA7RDA856 386442 776917 827013 50662 50202 12171 66160 6203Eigenvaluesforunconstrainedaxes PC1PC2PC3PC4PC5PC6PC7PC872 28754 89126 61817 95912 7309 9185 6595 349 plot gts rda 环境因子一般用箭头表示 箭头所处的象限表示环境因子与排序轴间的正负相关性 箭头连线的长度代表着某个环境因子与群落分布和种类分布间相关程度的大小 连线越长 说有相关性越大 反之越小 箭头连线和排序轴的夹角代表着某个环境因子与排序轴的相关性大小 夹角越小 相关性越高 反之越低 summary gts rda Call rda X gtsdata Y gtsenv InertiaRankTotal352 1Constrained137 48Unconstrained214 722InertiaisvarianceEigenvaluesforconstrainedaxes RDA1RDA2RDA3RDA4RDA5RDA6RDA7RDA856 386442 776917 827013 50662 50202 12171 66160 6203Eigenvaluesforunconstrainedaxes PC1PC2PC3PC4PC5PC6PC7PC872 28754 89126 61817 95912 7309 9185 6595 349 gts cca cca gtsdata gtsenv gts cca cca gtsdata elev convex slope aspect N K P pH data gtsenv plot gts ccca gts ccaCall cca X gtsdata Y gtsenv InertiaRankTotal1 4243Constrained0 69288Unconstrained0 731521InertiaismeansquaredcontingencycoefficientEigenvaluesforconstrainedaxes CCA1CCA2CCA3CCA4CCA5CCA6CCA7CCA80 3380810 2093690 0668100 0368240 0139920 0113670 0090570 007305Eigenvaluesforunconstrainedaxes CA1CA2CA3CA4CA5CA6CA7CA80 246760 111720 065300 051980 043210 038710 034360 02685 plot gts cca RDA和CCA结果的检验 goodness object display c species sites choices model c CCA CA statistic c explained distance summarize FALSE 检验物种或样方与环境因子的相关性 inertcomp object display c species sites statistic c explained distance proportional FALSE 物种或样方的方差分解分析 spenvcor object 物种和环境的相关分析 intersetcor object 物种和各轴的相关分析 最好使用 envfit vif cca object 方差膨胀因子分析 如 goodness gts cca display sp inertcomp gts cca proportional T spenvcor gts cca intersetcor gts cca vif cca gts cca 作图函数 plot x choices c 1 2 display c sp wa cn scaling 2 type xlim ylim x cca或rda分析结果 choices 选择的轴 display 显示的类型 sp 物种 wa 样方 lc 线性结合的样方坐标 作图函数 text x display sites labels choices c 1 2 scaling 2 arrow mul head arrow 0 05 select x cca或rda分析结果 display 显示的类型 sp wa lc bp 环境因子 cn 中心化后的环境因子 label 用来替代箭头的字符 Arrow mul 环境因子放大倍数 作图函数 points x display sites choices c 1 2 scaling 2 arrow mul head arrow 0 05 select plot gts cca type n text gts cca display cn arrow mul 1 5 col 4 points gts cca display lc pch 16 col 2 select 1 20 points gts cca display lc pch 2 col 4 select 21 40 text gts cca display lc col 4 RDA和CCA结果的检验 envfit X P permutations 0 strata choices c 1 2 envfit formula data gts cca cca gtsdata gtsenv ef envfit gts cca gtsenv permu 1000 CCA1CCA2r2Pr r elev 0 9999873 0 00504790 5005 0 001 convex 0 77465040 63238980 08440 28slope0 15266850 98827750 5296 0 001 aspect 0 1364818 0 99064260 01690 82N0 68789420 72581100 6342 0 001 P0 81015020 58622240 5856 0 001 K0 60049840 79962600 3364 0 001 pH 0 1929061 0 98121720 6313 0 001 RDA和CCA结果的检验 anova object alpha 0 05 beta 0 01 step 100 perm max 10000 by NULL permutest cca x permutations 100 model c direct reduced full first FALSE strata x object cca或rda的分析结果 by 为 axis 或 terms 分析各轴或因子的显著性 RDA和CCA结果的检验 gts cca cca gtsdata elev convex slope aspect P N K pH data gtsenv anova gts cca anova gts cca by axis anova gts cca by terms Model cca formula gtsdata elev convex slope aspect P N K pH data gtsenv DfChisqFN PermPr F elev10 24467 0228100 0 01 convex10 06241 79021000 07 slope10 13563 8928100 0 01 aspect10 02080 59811000 55P10 09112 6159100 0 01 N10 05911 69661000 04 K10 04841 39061000 07 pH10 03070 88141000 39 RDA和CCA模型的选择 step mod1 scope mod1 cca gtsdata 1 data gtsenv mod2 cca gtsdata elev convex slope aspect P N K pH data gtsenv mod step mod1 scope list lower formula mod1 upper formula mod2 Start AIC 180 2gtsdata 1DfAIC P1174 66 elev1174 67 N1174 89 pH1176 95 slope1177 82 K1178 14180 20 convex1180 85 aspect1181 53 RDA和CCA模型的选择 modCall cca formula gtsdata P pH elev convex data gtsenv InertiaRankTotal1 4243Constrained0 56404Unconstrained0 860321InertiaismeansquaredcontingencycoefficientEigenvaluesforconstrainedaxes CCA1CCA2CCA3CCA40 315950 180300 048630 01913Eigenvaluesforunconstrainedaxes CA1CA
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 催办更新客户投诉处理记录催办函(7篇范文)
- 事业单位财会岗2026面试专业面试历年真题试卷及解析
- 事业单位审计岗面试历年真题专业面试试卷及解析
- 事业单位工程岗面试专业面试结构化问答题库及答案
- 会务安排变更确认函6篇范本
- 事业单位工程岗面试必练考题高频考题试卷及解析
- 事业单位后勤岗面试历年真题题库及解析
- 2026事业单位计算机岗面试易错题题库及解析
- 2026初中语文教资面试试讲易错题题库及解析
- 智能家庭互联标准手册
- 2025 中医中药学老药工技能(泛丸)传授课件
- 2026年成都设计咨询集团有限公司人员招聘笔试备考题库及详细答案解析
- 2026年国企纪检岗位笔试题库及答案
- 2026中国视网膜静脉阻塞抗VEGF治疗经济学评价报告
- 2026年秋教科版科学五年级上册教学工作计划及教学进度表
- 松材线虫病除治施工方案
- 雨课堂学堂在线学堂云《生心理健康(北京师范)》单元测试考核答案
- 卫生院疟疾培训课件
- 直播助农培训课件
- 江苏信息合格考试真题及答案
- 数字化染整技术专业教学标准(高等职业教育专科)2025修订
评论
0/150
提交评论