我从未见过PRIMER,我无法评论vegan和PRIMER之间的差异,但我可以解释我们如何在vegan中工作。
如果您将拟合环境变量的物种分数视为箭头,则有两个独立的方面:方向和长度。首先关于箭头的方向。
一般来说,箭头不平行于轴,而是指向物种或环境变量变化最快的方向。箭头的方向可以从线性模型中找到lm(y ~ Ax1 + Ax2)
。如果y
是一个物种,这给出了物种分数的箭头,如果y
是一个环境变量,这给出了一个拟合向量。将物种与轴相关联意味着两个独立的模型lm(y ~ Ax1)
和lm(y ~ Ax2)
。vegan模型定义了一个线性趋势表面,而轴模型定义了两个独立的线性趋势表面,每个趋势表面沿一个轴具有最陡峭的梯度。以下示例显示了线性模型如何与vegan中 PCA 中的物种得分相关:
library(vegan)
data(varespec)
pc <- rda(varespec)
biplot(pc) # species scores as biplot arrows
plot(envfit(pc ~ Pleuschr + Cladarbu + Cladrang + Cladstel, varespec))
ordisurf(pc ~ Cladstel, varespec, knots = 1, add = TRUE)
该envfit
函数添加指向与物种分数相同方向的箭头,ordisurf
并将线性 ( knots = 1
) 趋势面添加到Cladstel
。线性趋势面的等倾线等距且垂直于箭头。将采样单位投影到箭头给出了该二维解中的预测物种丰度。物种分数的解释在RDA中是相似的,但你必须记住使用线性组合分数display="lc"
(需要明确的权重)。envfit
ordisurf
lm
这种方法不容易更改为使用等级相关性。对于排名,您需要将点(采样单位)投影到单变量序列。人们通常在轴上投影(也就是说,他们将轴与物种相关联)。但是,如果我们找到一条通过原点的线,在将采样单元投影到其上进行排名时给出最佳排名相关性(如果存在唯一线或包含线的扇区),则会发现更好的相关性。这类似于我们在线性趋势面中寻找最陡变化方向的方法。这很容易用欧几里得空间来完成,就像所有的纯素排序空间一样,但不是用投影的秩。
线性趋势面的假设非常简单。它是 PCA 和 RDA 中的物种模型,也是 RDA 中的约束模型,它显示了分析如何看待您的数据(记住"lc"
分数!)。但是,对于其他变量和其他排序方法,更复杂的响应模型通常更合适。这些可以使用ordisurf
with knots
> 1 来拟合[ted]。
然后是箭头的长度,或物种与原点的距离。该envfit()
函数找到正确的方向,但它通过相关系数缩放箭头长度。在 PCA 和 RDA 中,我们有几个可选的缩放选项:请参阅scaling
和correlation
中的详细描述?scores.cca
。默认 ( correlation = FALSE
) 缩放使箭头与物种丰度的绝对变化成比例。也就是说,丰富的物种可以变化很大,可以有长箭,但稀有物种只能改变一点,总是有短箭。是绝对变化,不是相对变化。使用correlation = TRUE
时,箭头长度与相对变化成正比,并且类似于 中使用的相关性缩放envfit
。再次,详细阅读手册 ( ?scores.cca
)。