顶部
收藏

数量生态学——R语言的应用(第二版)


作者:
Daniel Borcard François Gillet Pierre Legendre 著 赖江山 译
定价:
66.00元
ISBN:
978-7-04-053950-9
版面字数:
530.000千字
开本:
16开
全书页数:
暂无
装帧形式:
平装
重点项目:
暂无
出版时间:
2020-05-08
读者对象:
学术著作
一级分类:
自然科学
二级分类:
生态
三级分类:
生态科学

近年来,随着新的数据分析方法在生态学和环境科学研究中的迅速发展和大数据时代的来临,R语言统计软件以其灵活、开放、易于掌握、免费等诸多优点,在生态科学和环境科学研究领域迅速传播并赢得广大研究者的青睐。数量生态学方法是现代生态学研究的重要工具,本书是连接数量生态学方法和R语言的桥梁。本书首先介绍探索性数据分析和关联矩阵的构建,然后介绍数量生态学三类主要方法:聚类分析、排序(非约束排序和典范排序)、空间分析,最后一部分介绍多样性计算及beta多样性组分分解、功能多样性和谱系多样性等当代群落生态学热点领域的一些分析方法。本书的重点不是介绍数量方法的理论基础和数学公式,而是在简要介绍分析方法原理的基础上,利用案例数据,手把手地教大家如何在R中实现数量分析。本书可作为生态学、环境科学及其他相关专业(例如海洋学、分子生态学、农学和土壤科学)本科生和研究生的教学参考书,也可作为相关领域科研人员的自学参考书。

  • 前辅文
  • 第1章 绪论
    • 1.1 为什么需要数量生态学?
    • 1.2 为什么用R?
    • 1.3 本书的读者群和结构
    • 1.4 如何使用本书
    • 1.5 数据集
      • 1.5.1 Doubs鱼类数据集
      • 1.5.2 甲螨数据集
    • 1.6 关于R帮助资源的提醒
    • 1.7 现在是时候了
  • 第2章 探索性数据分析
    • 2.1 目标
    • 2.2 数据探索
      • 2.2.1 数据提取
      • 2.2.2 物种数据:第一次接触
      • 2.2.3 物种数据:进一步分析
      • 2.2.4 生态数据转化
      • 2.2.5 环境数据
    • 2.3 小结
  • 第3章 关联测度与矩阵
    • 3.1 目标
    • 3.2 关联测度的主要类别(简短概述)
      • 3.2.1 Q模式和R模式
      • 3.2.2 Q模式下对称或非对称的系数:双零问题
      • 3.2.3 定性或定量数据的关联测度
      • 3.2.4 概括
    • 3.3 Q模式:计算对象之间的相异矩阵
      • 3.3.1 Q模式:定量的物种数据
      • 3.3.2 Q模式:二元(有-无)物种数据
      • 3.3.3 Q模式:定量数据(除物种多度数据外的数据)
      • 3.3.4 Q模式:二元数据(除物种有-无数据外的数据)
      • 3.3.5 Q模式:混合类型、包括分类(定性多级)变量
    • 3.4 R模式:计算变量之间的依赖矩阵
      • 3.4.1 R模式:物种多度数据
      • 3.4.2 R模式:物种有-无数据
      • 3.4.3 R模式:定量和序数数据(除物种多度外的数据)
      • 3.4.4 R模式:二元数据(除物种多度外的数据)
    • 3.5 物种数据的预转化
    • 3.6 小结
  • 第4章 聚类分析
    • 4.1 目标
    • 4.2 聚类概述
    • 4.3 基于连接的层次聚类
      • 4.3.1 单连接聚合聚类
      • 4.3.2 完全连接聚合聚类
    • 4.4 平均聚合聚类
    • 4.5 Ward最小方差聚类
    • 4.6 灵活聚类
    • 4.7 解读和比较层次聚类结果
      • 4.7.1 引言
      • 4.7.2 同表型相关
      • 4.7.3 寻找可解读的聚类簇
    • 4.8 非层次聚类
      • 4.8.1 k-均值划分
      • 4.8.2 围绕中心点划分(PAM)
    • 4.9 用环境数据进行比较
      • 4.9.1 用外部数据进行类型比较(方差分析途径)
      • 4.9.2 双类型比较(列联表分析)
    • 4.10 物种集合
      • 4.10.1 组内数据简单统计
      • 4.10.2 Kendall共性系数(W)
      • 4.10.3 基于有-无数据的物种集合
      • 4.10.4 物种共生网络
    • 4.11 指示物种
      • 4.11.1 引言
      • 4.11.2 IndVal:物种指示值
      • 4.11.3 相关类型的指数
    • 4.12 多元回归树(MRT):约束聚类
      • 4.12.1 引言
      • 4.12.2 计算(原理)
      • 4.12.3 使用mvpart和MVPARTwrap程序包运行MRT
      • 4.12.4 组合MRT和IndVal
    • 4.13 MRT作为单元聚类方法
    • 4.14 顺序聚类(sequential clustering)
    • 4.15 另类途径:模糊聚类
      • 4.15.1 使用cluster程序包内fanny()函数进行c-均值模糊聚类
      • 4.15.2 使用vegclust()函数进行噪声(noise)聚类
    • 4.16 小结
  • 第5章 非约束排序
    • 5.1 目标
    • 5.2 排序概述
      • 5.2.1 多维空间
      • 5.2.2 降维空间内的排序
    • 5.3 主成分分析(PCA)
      • 5.3.1 概述
      • 5.3.2 使用rda()函数对Doubs环境数据进行PCA分析
      • 5.3.3 转化后的物种数据PCA分析
      • 5.3.4 PCA应用领域
      • 5.3.5 使用PCA.newr()函数进行PCA分析
      • 5.3.6 PCA中缺失值的估算
    • 5.4 对应分析(CA)
      • 5.4.1 引言
      • 5.4.2 使用vegan包里的cca()函数进行CA分析
      • 5.4.3 使用CA.newr()函数进行对应分析
      • 5.4.4 弓形效应和去趋势对应分析(DCA)
      • 5.4.5 多重对应分析(MCA)
    • 5.5 主坐标分析(PCoA)
      • 5.5.1 引言
      • 5.5.2 利用cmdscale()和vegan包对Doubs数据进行PCoA分析
      • 5.5.3 使用pcoa()函数对Doubs数据进行PCoA分析
    • 5.6 非度量多维尺度分析(NMDS)
      • 5.6.1 引言
      • 5.6.2 鱼类数据NMDS分析
      • 5.6.3 PCoA或NMDS?
    • 5.7 手写排序函数
  • 第6章 典范排序
    • 6.1 目标
    • 6.2 典范排序概述
    • 6.3 冗余分析(RDA)
      • 6.3.1 引言
      • 6.3.2 Doubs数据集RDA分析
      • 6.3.3 基于距离的RDA分析(db-RDA)
      • 6.3.4 手写RDA函数
    • 6.4 典范对应分析(CCA)
      • 6.4.1 引言
      • 6.4.2 Doubs数据集CCA分析
    • 6.5 线性判别式分析(LDA)
      • 6.5.1 引言
      • 6.5.2 使用lda()函数进行判别式分析
    • 6.6 其他非对称分析
      • 6.6.1 主响应曲线(PRC)
      • 6.6.2 协对应分析(CoCA)
    • 6.7 两个(或多个)数据集的对称分析
    • 6.8 典范相关分析
      • 6.8.1 引言
      • 6.8.2 使用CCorA()进行典范相关分析
    • 6.9 协惯量分析(CoIA)
      • 6.9.1 引言
      • 6.9.2 使用ade4包coinertia()函数进行协惯量分析
    • 6.10 多元因子分析(MFA)
      • 6.10.1 引言
      • 6.10.2 使用FactoMineR进行多元因子分析
    • 6.11 关联物种属性和环境因子
      • 6.11.1 第四角法
      • 6.11.2 RLQ分析
      • 6.11.3 使用R进行分析
    • 6.12 小结
  • 第7章 生态学数据空间分析
    • 7.1 目标
    • 7.2 空间结构和空间分析:简短概述
      • 7.2.1 引言
      • 7.2.2 诱导性空间依赖和空间自相关
      • 7.2.3 空间尺度
      • 7.2.4 空间异质性
      • 7.2.5 空间相关或自相关函数和空间相关图
      • 7.2.6 空间相关检验的条件
      • 7.2.7 模拟空间结构
    • 7.3 多元趋势面分析
      • 7.3.1 引言
      • 7.3.2 练习趋势面分析
    • 7.4 基于特征根的空间变量和空间建模
      • 7.4.1 引言
      • 7.4.2 基于距离的Moran特征根图(dbMEN)和邻体矩阵主坐标分析(PCNM)
      • 7.4.3 更广泛的MEM:除地理距离外的权重
      • 7.4.4 应该使用正空间相关还是负空间相关的MEM?
      • 7.4.5 具有方向性的非对称特征向量图(AEM)
    • 7.5 另外一种了解空间结构的途径:多尺度排序(MSO)
      • 7.5.1 原理
      • 7.5.2 甲螨数据多尺度排序:探索性方法
      • 7.5.3 去趋势甲螨物种和环境数据多尺度排序
    • 7.6 无重复多元方差分析中的时空交互作用检验
      • 7.6.1 引言
      • 7.6.2 用sti函数验证时空交互作用
    • 7.7 小结
  • 第8章 群落多样性
    • 8.1 目标
    • 8.2 多样性的多面性
      • 8.2.1 引言
      • 8.2.2 用单一数值度量的物种多样性
      • 8.2.3 计算分类(物种)多样性指数
    • 8.3 alpha、beta和gamma多样性的空间差异
    • 8.4 Beta多样性
      • 8.4.1 单一数值的beta多样性
      • 8.4.2 beta多样性作为群落组成数据的方差:SCBD和LCBD指数
      • 8.4.3 将beta多样性分解为替换、丰富度差异和嵌套
    • 8.5 群落功能多样性、功能组成和谱系多样性
      • 8.5.1 alpha功能多样性
      • 8.5.2 beta 分类、谱系和功能多样性
    • 8.6 小结
  • 参考文献
  • 索引
  • 彩插

相关图书