基于R的群落学多元统计分析

《基于R的群落学多元统计分析》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、1基于的群落多元统计分析——用vegan包进行排序分析赖江山（janson)lai@ibcas.ac.cnwww.planta.cn中国科学院植物研究所2010.11.52vegan软件包简介3vegan是Vegetationanalysis的缩写,是群落分析的package作者：JariOksanenhttp://cran.r--project.org/web/packages/vegan/index.htmlhttp://cc.oulu.fi/~jarioksa/softhelp/vegan.html>l

2、ibrary(vegan)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？？？排序的目标：1.降低维数

3、，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，也就是让新的坐标系第1-3轴排序轴包含大量的生态信息。排序的目的：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)群落

4、数据输入>gtsdata=read.table("gtsdata.txt",header=T)>gtsdata>dim(gtsdata)环境因子数据输入>gtsenv=read.table("gtsenv.txt",header=T);>gtsenv>dim(gtsenv)数据的标准化1.decostand(x,method,MARGIN,…)total:除以行和或列和(defaultMARGIN=1是row);max:除以行或列的最大值(defaultMARGIN=2是列);freq:除以行或列的最大值,并

5、乘以非零值的个数，非零值的平均值为1(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；log：对数化，默认自然对数，logbase参数是自选的bas

6、e2.wisconsin(x):除以列最大值，再除以行和。排序类别(inCANOCO)间接梯度分析（IndirectGradientAnalysis）：PCA(Principalcomponentsanalysis)CA(Correspondenceanalysis)DCA(DetrendedCorrespondenceAnalysis)直接梯度分析（DirectGradientAnalysis）：RDA(Redundanceanalysis)CCA(Canonicalcorrespondenceanalys

7、is)DCCA(DetrendedCCA)PCARDACACCADCADCCA13决定排序的模型：单峰还是线性？>decorana(gtsdata)Call:decorana(veg=gtsdata)Detrendedcorrespondenceanalysiswith26segments.Rescalingofaxeswith4iterations.DCA1DCA2DCA3DCA4Eigenvalues0.39390.22390.095550.06226Decoranavalues0.50250.17560

8、.067120.03877Axislengths3.25952.51301.214451.00854如果这四个轴中梯度最长（最大值）超过4，选择单峰模型排序（CA、CCA、DCA）更合适。如果是小于3，选择线性模型（PCA、RDA）比较合理。如果介于3-4之间，单峰模型和线性模型结果差不多。间接梯度分析（IndirectGradientAnalysis）PCA(Principalcomponents