R語言:排序分析以及VPA分析

參考《賴江山：基於vegan軟體包的生態學數據排序分析》

Variance Partitioning Analysis(VPA)，方差分解分析。其實我一直不太理解這是什麼分析，找資料也沒有具體的解釋。目的在於量化變量對群落結構解釋貢獻值，是根據排序結果間接得到的分析結果。也是約束性分析的一種，叫偏分析法（Partial methods）.

使用具體的數據來看看：

數據：data.csv（物種組成）與env.csv（環境因子）

軟體包：vegan

數據形式如下：

#設置工作目錄以及讀取數據，加載vegan軟體包

setwd("C:/R")

data<-read.csv("data.csv",header=T)

env<-read.csv("env.csv",header=T)

library(vegan)

#選擇排序模型，線性（RDA）或者單峰（CCA），使用DCA分析來判別，判斷的是物種數據，函數是decorana

decorana(data)

結果如下：

這裡的Axis lengths和Canoco軟體裡面的DCA分析結果「Lengths of gradient」是一樣的。如果DCA排序前4軸中最大值超過4，選擇單峰（CA\CCA）更合適；如果小於3，則選擇線性模型（PCA\RDA）更好；如果介於3和4之間，兩者都可以。

上述結果顯示最大值是2.6381，所以選擇PCA\RDA

這裡插一句：在R中，PCA與RDA都是同一個函數rda（）實現的，如果只有物種數據rda（X），則表示PCA分析，如果有物種和環境兩部分數據rda（X,Y），就表示RDA分析；同理，CA與CCA都是同一個函數cca（）實現的。

rda(data) #PCA分析

第一軸的解釋率為：148.10/488.8；第二軸的解釋率為：111.62/488.8

rda(data,env) #RDA分析

結果如下：

結果主要分為兩部分：

1、第一軸的解釋率為：146.49/488.7583；第二軸的解釋率為：57.81/488.7583

2、所有環境因子對物種分布的解釋率為：285.2776/488.7583=58.37%，不可解釋率為41.63%。

我們要在此基礎上繼續分析，做偏分析，分別分析主環境變量與協變量對物種分布的影響。在本例子中，分析地形因子（海拔，坡度，坡向以及凹凸度）和土壤因子（N,P,K以及pH值）分別對物種分布的解釋量以及兩組環境因子的共同解釋部分。

函數同樣是rda或者cca，表達式為rda（X,Y,Z）,X為物種數據，Y為主環境變量，Z為協變量。如果分析排除土壤因子後地形因子對物種分布的解釋率，則Y為地形因子數據，Z為土壤環境因子數據。

分析結果：

env[,1:4]表示環境因子的前4列表示地形因子，當然也可以將兩部分環境因子按照兩個文件來保存，保存成完整的形式是為了分組的時候更快捷。同理，env[,5:8]表示後4列。

地形因子的解釋率為：162.3139/488.7583=33.21%

同理：

理化因子的解釋率為：53.8352/488.7583=11.01%

之前RDA結果是所有環境因子對物種組成的解釋率，計算結果為58.37%，則兩組環境變量的共同解釋率為：58.37%-33.21%-11.01%=14.15%

加上不可解釋的41.63%，總100%

總的：

地形因子：33.21%

理化因子：11.01%

兩組交互：14.15%

不可解釋：41.63%

圖示結果出來如下：

人生如戲