Datasets:
Vikhrmodels
/
programming_books_rus

Dataset card Data Studio Files
xet
 Community
1
text
stringlengths
0
1.95k
plot(Mc.intensity) ; points(ppp.Mc, pch=19, cex=0.6) # Получаем рис. 7.16а
axis(side=1, at = seq(0, 30, 2), las = 1, pos = 0) # ось снизу
axis(side=2, at = seq(0, 12, 2), las = 1, pos = 0) # слева
ppp.Temp <- ppp.Mc ; marks(ppp.Temp) <- ppp.Mc$marks$age # выделим коды возрастов
p <- relrisk(ppp.Temp, 0.5) # вычислим вероятность появления особей juv для рис. 7.16б
plot(p,col=colorRampPalette(c("antiquewhite", "aquamarine3","navyblue"))(100))
contour(p,nlevels=5, lwd=seq(from=0.1, to=3, length.out=5),add=T) # добавим изолинии
p.Bc <- df.point(MOL,cm=3,cx=1,cy=2); p.Bc <- rbind(p.Mc, df.point(MOL,cm=4,cx=1,cy=2))
ppp.Bc <- ppp(x=p.Bc$X, y=p.Bc$Y, marks=data.frame(spec=p.Bc$spec, age=p.Bc$age ),
window=owin(c(0, 30), c(0, 12)))
# построим сетку ячеек
ppp_qu<-quadrats(ppp.Bc, nx = 20, ny = 8) ; xgrid <- ppp_qu$xgrid; ygrid <- ppp_qu$ygrid
quadcount <- quadratcount(ppp.Bc, tess=ppp_qu) # посчитаем число точек в ячейках
image(xgrid, ygrid, t(quadcount[order(1:8, decreasing = T), ]),
col = colorRampPalette(c("white", "green"))(15),axes=F)
plot(quadcount, add=T, cex=0.9) # Получаем рис. 7.16в
#добавим точки plot(ppp.Bc, which.marks="age", chars=c(19, 24), cex=0.5, add=T)
# Получение функций K и L расстояния между точками
278
Mc.Kfv <- envelope(unmark(ppp.Mc), fun=Kinhom) ; plot(Mc.Kfv); plot(pcf(Mc.Kfv))
Mc.Lfv <- envelope(unmark(ppp.Mc), fun=Linhom) ; plot(Mc.Lfv)
# Получение K-функции для парного размещения видов
df.all <- rbind(p.Mc[,-4], p.Bc[,-4]) ; ppp.all <- ppp(x=df.all$X, y=df.all$Y,
marks=data.frame(spec=df.all$spec), window=owin(c(0, 30), c(0, 12)))
plot(Kcross.inhom(ppp.all))
all.Cfv <- envelope(ppp.all, fun=Kcross.inhom, method="b") ; plot(all.Cfv)
# Хи-квадрат тест CSR с использованием численности точек в квадратах
quadrat_test_result <- quadrat.test(ppp.Bc, nx = 20, ny = 8,alternative="clustered")
quadrat_test_result$observed
# Наблюдаемое число экземпляров в квадрате
round(quadrat_test_result$expected , 2) # Ожидаемое число экземпляров
quadrat.test(ppp.Mc[ppp.Mc$marks$age=="juv"],nx = 20, ny = 8) # Для группы особей
kstest(ppp.Bc, "x") ; kstest(ppp.Bc, "y") # Тест Колмогорова-Смирнова
# Сравнение индекса Мориситы с его распределением при справедливости CSR
Morisita <- function (N, n=length(N)) {
NS <- sum(N) ; IM <- n*sum(N*(N-1))/NS/(NS-1) # Индекс Мориситы
DI <- (qchisq(c(0.025,0.975),(n-1))+NS-n)/(NS-1) # Его доверительные интервалы
return (list(IM=IM, DI=DI)) }
# Нахождение ДИ бутстрепом. Задаются вектор численностей, размеры окна и сетки
IM.randtest <- function( N, lx, ly, nx, ny, Nperm) {
PermArray <- as.numeric(rep(NA, Nperm)) ; lambda <- sum(N)/lx/ly
for (i in 1:Nperm) {pp <- rpoispp(lambda,win=owin(c(0,lx),c(0,ly))) # размещение CSR
quadcount <- quadratcount(pp, nx=nx, ny=ny)
PermArray[i] <- Morisita(as.data.frame(quadcount)$Freq)$IM }
return (RandRes(Morisita(N)$IM, PermArray, Nperm)) }
source("print_rezult.r") # Загрузка функций вывода результатов
IM.randtest((MOL$Mc_ad+MOL$Mc_juv), 30, 12, 20, 8, 1000)
J.index <- function(x){(var(x)/mean(x)-1)/mean(x)} # Функция расчета индекса J Айвза
library(bootstrap) # Оценка доверительных интервалов J методом складного ножа
N <- MOL$Mc_juv ; results <- jackknife(N,J.index)
J.index(N); results$jack.bias ; results$jack.se
tc <- qt(0.975, length(N)-1) # Оценка доверительных интервалов по Jackknife-оценкам
Jl <- J.index(N) - results$jack.bias - tc* results$jack.se ;
Ju <- J.index(N) - results$jack.bias + tc* results$jack.se
# Функции расчета индекса C Айвза и оценки его рандомизированных доверительных интервалов
C.index <- function(N1, N2){cov(N1, N2)/mean(N1)/mean(N2)} # Функция расчета C-индекса
C.randtest <- function( dfa, nx, ny, Nperm) {
PermArray <- as.numeric(rep(NA, Nperm)) ; types <- names(dfa) ; nal <- colSums(dfa)
for (i in 1:Nperm) { ppp <- rmpoint(nal, 1, types=types ) # размещение CSR
quadcount.N1 <- quadratcount(ppp[ppp$marks==types[1]], nx=nx, ny=ny)
quadcount.N2 <- quadratcount(ppp[ppp$marks==types[2]], nx=nx, ny=ny)
PermArray[i] <- C.index(as.data.frame(quadcount.N1)$Freq,
as.data.frame(quadcount.N2)$Freq) }
return (RandRes(C.index(dfa[,1], dfa[,2]), PermArray, Nperm)) }
dfa <- data.frame(Bc=MOL$Bc_ad+MOL$Bc_juv, Mc = MOL$Mc_ad+MOL$Mc_juv)
C.randtest(dfa, 20, 8, 1000) # Расчет индекса C Айвза и оценка его значимости
save(MOL, file="MOL.RData")
7.6. Автоковариация и пространственно обусловленная зависимость отклика
Важным является замечание, что представленные ранее индекс Мориситы,
показатели Айвза или c2 -статистика опираются на среднее соотношение дисперсии и
оценки плотности популяций и фактически не учитывают изменчивость особей по
пробным площадкам как функцию расстояния между ними. Пространственная структура,
заключенная в выборочной матрице отклика Z, может формироваться под влиянием двух
основных причин: (а) под воздействием внешних (экологических) факторов, которые в
свою очередь пространственно структурированы, и/или (б) непосредственно как результат
пространственной дифференциации процессов внутри самого сообщества. В первом
случае говорят о пространственно обусловленной зависимости, во втором – о
пространственной автокорреляции.
279
Модель пространственно обусловленной зависимости (induced spatial dependence)