Datasets:
Vikhrmodels
/
programming_books_rus

Dataset card Data Studio Files
xet
 Community
1
text
stringlengths
0
1.95k
0,929
0,9328
0,9337
0,9339
Прира-
щение
0,0038
0,00095
-0,002
0,0002
p
0,001
0,017
0,055
0,071
Примечание: курсивом отмечены факторы, исключаемые из рассмотрения на каждом этапе
Применение многомерной процедуры анализа нечетких множеств MFSO к
оставшимся признакам (табл. 5.8 справа) позволяет выделить две относительно
некоррелированные и статистически значимые оси ординации донных сообществ,
основанные на температуре воды и рН.
К разделу 5.6:
# Использование нечетких множеств
# ------------- Функция нечеткой кластеризации fanny. Подробности см.
# в обзоре В. К. Солондаева http://cafedra.narod.ru/solondaev/solond-R-fanny.pdf
# Для нашего примера используем матрицы A.norm и spe.ch, вычисленные в разделе 5.4
A <- read.xls("Сок1.xls", sheet = 1, rowNames=TRUE) ; A[is.na(A)] <- 0 ; library (vegan)
A.norm <- decostand(t(A), "normalize"); spe.ch <- vegdist(A.norm, "euc")
193
# Кластеризация с использованием метода нечетких с-средних и исходной таблицы
Z1.f <- fanny(A.norm, 3, metric = "SqEuclidean", diss=FALSE) ; clusplot(Z1.f)
# Кластеризация с использованием матрицы дистанций, полученной в разделе 5.4
Z2.f <- fanny(spe.ch, 3, memb.exp = 1.5) ; clusplot(fanny(Z2.f,labels= 3, col.clus="gray11")
# ------------- Функция нечеткой ординации fso (…) . Подробности см.
# на сайте С.Робертса http://ecology.msu.montana.edu/labdsv/R/labs/lab11/lab11.html
# Загрузка данных о встречаемости видов на станциях водотока и параметрах среды
veg <- read.table("bs_ben.txt",header=T, sep="\t")
site <- read.table("bs_site.txt",header=T,sep="\t") ; attach(site)
source("abundsim.R") # Подгружаем скрипт с функциями расчета мер подобия
sim <- sim.abund(veg,method=2) ; dis.ho <- 1 – sim
grads.fso <- fso(~~hg+Ss+v+h+O2+P_min+NO2+BO+pH+KG+IP+t,dis.ho,permute=1000)
summary(grads.fso) # Результаты одномерного FSO
grads.t <- fso(t,dis.ho) ; plot(grads.t) ; plot(grads.t,dis.ho)
# Шаговая процедура FSO
step.mfso(dis.ho,start=data.frame(t),add=data.frame(pH,h,hg,NO2,KG,IP))
# Многомерная процедура FSO
grads.mfso <- mfso(~~t+h+NO2+pH,dis.ho, scaling=2,permute=1000) ; summary(grads.mfso)
5.7. Дендрограммы и оценка функционального разнообразия
Ранее в разделе 2.8 нами обсуждалось понятие функционального разнообразия
сообщества, как ширины статистического интервала характерных значений (trait values)
потенциально важного функционального признака T, который может быть оценен для
каждого i-го вида из s. Для многомерного случая, когда ищется функциональное
разнообразие композиции видов по совокупности характерных признаков, была
разработана следующая процедура (Petchey, Gaston, 2002, 2007), основанная на анализе
иерархического дерева классификации:
° исходными данными является матрица из характерных значений m различных
функциональных признаков Tij, установленных для каждого i-го вида расчетным путем
или по эмпирическим данным, i = 1, 2, …, s; j = 1, 2, …, m;
°
рассчитывается матрица дистанций D размерностью s´s между каждой парой видов
в пространстве их характерностей с использованием, например, евклидового расстояния
или метрики Гувера;
°
с использованием любого подходящего алгоритма, например, средней связи,
строится полное дерево классификации видов;
° формируется вектор b, включающий длины l всех ветвей дерева, и матрица
инцидентности, определяющая, какая ветвь принадлежит каждому виду из s;
° функциональное разнообразие FD любой композиции из s определяется как сумма
длин всех ветвей дерева, принадлежащих анализируемому подмножеству видов.
Обоснование предлагаемой процедуры вполне прозрачно. Действительно, чем
больше различие между видами в многомерном пространстве признаков, тем больше
фенотипическое разнообразие сообщества (насколько тождественны между собой
за рамками наших
функциональное и фенотипическое разнообразие, оставим
рассуждений). Представляется также обоснованным оценивать дисперсию многомерных
значений характерностей как сумму длин ветвей дерева. Например, очевидно, что FD