Cvičení 3
1. Importujte dataset o popisující rostlinná společenstva v Bílých Karpatech. Budete
potřebovat data o druhovém složení a geografické souřadnice
2. Proveďte souhrn dat a zkontrolujte, že se načetla správně
3. Vyberte duh Bromus erectus a zobrazte histogram jeho pokryvností napříč datasetem.
Zjistěte jaký vliv bude mít na rozložení transformace log (x+1) a jaký standardizace
(normalizace, případně i jiná)
4. Spočítejte matice euklidovské, hellingerovy, chord, chi-kvadrát a Bray-Curtis nepodobností
mezi lokalitami na log (x +1) transformovaných datech
5. Převeďte data na presence/absence a spočtěte Jaccardův a Sörensenův index nepodobnosti
6. Pomocí mantelova testu spočítejte korelace mezi těmito maticemi:
a) euklid – chi-kvadrát
b) euklid – hellinger
c) euklid – Bray-Curtis
d) Sörensen – Bray-Curtis
7. Nakreslete geografické rozmístění lokalit
8. Převeďte geografické souřadnice na matici distancí. Odhadněte, která distance je pro tento
účel nejvhodnější.
9. Spočítejte korelaci mezi prostorovou vzdáleností a nepodobností druhového složení (vyberte
si libovolnou matici nepodobností dle vašeho uvážení)
as.dist(), as.matrix() převod symetrických matic na matice
nepodobností a zase zpět
model.matrix(~factor) převede faktor na sérii 0/1 kontrastů
(„dummy variables“). Opravdové „dummy“ je lépe generovat pomocí
funkce dummy_cols z package fastDummies
vegan:
decostand() standardizace
MARGIN = 1 po řádcích (přes vzorky/pozorování)
= 2 (default) po sloupcích (přes druhy/deskriptory)
method typ standardizace
= “standardize“ standardizace na nulový průměr a
jednotkovou varianci
= “hellinger“ Hellingerova standardizace
= “pa“ převod hodnot na presence/absence
= “range“ přeškálování na rozsah 0..1
= “chi.square“ chí-kvadrát standardizace
vegdist() indexy nepodobnosti
method typ nepodobnosti
= “bray“ Bray-Curtis (percent) dissimilarity; Sörensen
index při alpikaci na p/a data
= “euclidean“ euklidovská distance. Též chord, hellinger
a chi-kvadrát když jsou vstupní data standardizována
mantel() Mantelův test