数量生态学冗余分析（RDA）分析植物多样性物种数据结果可视化|数据分享

拓端

发布于 2022-03-11 20:55:37

2.6K0

发布于 2022-03-11 20:55:37

文章被收录于专栏：拓端tecdat

原文链接：http://tecdat.cn/?p=25564

冗余分析（redundancy analysis，RDA）是一种回归分析结合主成分分析的排序方法，也是多因变量（multiresponse）回归分析的拓展。从概念上讲，RDA是因变量矩阵与解释变量之间多元多重线性回归的拟合值矩阵的PCA分析。

本报告对植物生态多样性数据做了分析。

冗余分析

首先，加载数据。

要加载数据，所有文件都必须在工作目录中。

ste <- read.csv("sr.csv")
ev <- read.csv("ev.csv")
as <- read.csv("as.csv")

我对数据做了一些修改。首先，我将 ev 数据的所有定量变量（即除地貌单元外的所有变量）与 as 数据组合成一个名为 enqut. 然后，我对数据进行了归一化，允许非常不同单位的变量之间进行比较。最后，我在归一化的定量环境变量中添加了地貌单元列，创建数据框 era，用于冗余分析。

enqut<- cbind(ev\[,-5\],ap)
enz <- scale
ut <- env\[,5\]
era<- data.frame

结构数据

我使用环境数据era 作为解释变量对植被结构进行了冗余分析。我将结果分配给对象 str。

summary(str)

然后我得到了这个分析的 R 方和调整后R 方。

RsquareAdj

RsqeAdj$adj.r.sqd

制作三序图。

par
plot
points
usc <- scores
points
text

成分数据

首先我加载了物种数据。同样，该文件 PAl.csv 必须在工作目录中。为了降低大丰度的重要性，我将 Hellinger 转换应用于物种数据。

sp <- Hellinger(sp)

然后我使用所有环境变量作为解释变量进行了冗余分析。

head(suda)

#  获得R^2和调整后的R^2
(sR2 <- RseAdj

(spdj <- RseAdj$adj.r.sed)

以2型标尺对物种数据制作 RDA三序图。

# 做好绘图空间
par
plot
# 绘制站点的分数
spc <- scores
points

# 绘制出物种的分数
ssc <- scores
points

# 绘制定量解释变量的箭头和它们的标签
spesc <- scores
arrows
env.names 
text

# 绘制地貌单元中心点和它们的标签的绘图点
spsc <- scores
points
text

论文图形

这是为论文制作图形的代码。

par
ensc <- scores
arrows
points

# 制作绘图空间
par
plot
abline
mtext

# 绘制站点的分数
spsc <- scores
points

# 绘制出物种的分数
sp.sc <- scores
points

# 绘制定量解释变量的箭头和它们的标签
spsc <- scores
arrows
text

# 绘制地貌单元中心点和它们的标签的绘图点
unimes 
spusc <- scores
points
text