原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
*;*;vegan软件包简介 ;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（gradient analysis）。
间接梯度分析 (Indirect gradient analysis)
直接梯度分析 (direct gradient analysis);2个种的排序图;基础知识;基础知识;排序的目标：
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（linear model），短的梯度，主成分分析（Principle component analysis)，需要对数据进行非线??转换，如取对数；
非线性模型（non-linear model）如高斯模型，长的梯度，对应分析 （Correspondence analysis) ;群落数据输入;环境因子数据输入;数据的标准化
1. decostand(x, method, MARGIN, …)
total: 除以行和或列和 (default MARGIN = 1是row);
max:除以行或列的最大值(default MARGIN = 2 是列);
freq:除以行或列的最大值,并乘以非零值的个数，非零值的平均值为1 (default MARGIN=2);
normalize:使行或列的平方和等于1 (default MARGIN = 1);
range: 标准化使行或列的值在0 ... 1 (default MARGIN = 2).
standardize:标准化使行或列的和为1且方差为1(default MARGIN = 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base
2. wisconsin(x) :除以列最大值，再除以行和。;排序类别(in CANOCO)
间接梯度分析（Indirect Gradient Analysis） ：
PCA (Principal components analysis)
CA (Correspondence analysis)
DCA (Detrended Correspondence Analysis)
直接梯度分析（Direct Gradient Analysis） ：
RDA (Redundance analysis)
CCA (Canonical correspondence analysis)
DCCA (Detrended CCA );;;决定排序的模型：单峰还是线性？
decorana(gtsdata)
Call:
decorana(veg = gtsdata)
Detrended correspondence analysis with 26 segments.
Rescaling of axes with 4 iterations.
DCA1 DCA2 DCA3 DCA4
Eigenvalues 0.3939 0.2239 0.09555 0.06226
Decorana values 0.5025 0.1756 0.06712 0.03877
Axis lengths 3.2595 2.5130 1.21445 1.00854
;间接梯度分析
（Indirect Gradient Analysis）
PCA (Principal components analysis)
CA (Correspondence analysis)
DCA (Detrended Correspondence Analysis);主成分分析(Principle component analysis, PCA); 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, choices, display=c(sites,species), ...)
在stat包中：
princomp(x, ...) 主成分分析
princomp(for
文档评论（0）