![R和Rstudio终端显示语言的更改[Windows]](/aiimages/R%E5%92%8CRstudio%E7%BB%88%E7%AB%AF%E6%98%BE%E7%A4%BA%E8%AF%AD%E8%A8%80%E7%9A%84%E6%9B%B4%E6%94%B9%5BWindows%5D.png)
在这之前我们学习了聚类分析的基本概念、几种计算层次聚类的方法、进一步解读和比较层次聚类结果以及非层次聚类，这些聚类方法都是基于物种多度数据对样方进行分组，当然这些聚类方法也可以用于其他类型数据，特别是环境数据，所以本次就是介绍用 环境数据来进行聚类分析 。
本次的内容不多，主要分为两个部分：
我们之前学习的主要是内部的准则（例如轮廓法或其他聚类质量指数）都是仅仅依赖物种数据，还不足以选择最佳样方聚类结果。选择最终的聚类结果有时也需要基于生态学解释。生态学解释可视为样方聚类的外部验证。
下面的我们将学习用 样方聚类簇为因子 去对 解释变量进行方差分析 。
尽管在方差分析中，是将物种组成数据获得的聚类的分组结果作为解释变量，但是从生态学角度去分析，实际上是寻找环境因子对样方的分组的解释 。
以下可以使用作者编写的通用函数，执行方差分析的多重比较和显示带有字母的环境变量分组后箱线图多重比较结果。不同字母表示组间有显著差异（按中位线递减顺序组）。
基于上面这些分析和图示，能确定这组鱼类群落的生态习性。
当然，我们也可以基于环境变量对样方进行聚类（类似获得生境类型的分组），然后通过指示种分析（以后会讲）检验不同生境内物种分布是否有差异。指示种分析过程中基于不同的生境类型物种需要逐个分析。因此，需要考虑多个物种指示种分析时会产生多重检验的统计学问题。
另外，作为替代方案，之后第6章会提出基于排序的多元方法，也可以直接描述和检验物种-生境关系。请期待。
要是想直接比较分别基于物种数据和环境数据的样方聚类结果该怎么办呢？
同时列联表分析同样适用于比较分别基于物种数据和分类（定性）解释变量数据的样方聚类结果。
用环境数据进行比较的内容就是这些，虽然不是很多，但是要联系之前学习的才能更好的掌握它，所以还是有难度的，主要是用 外部数据进行类型比较（方差分析途径）和双类型比较（列联表分析 两部分内容，好好学习掌握他。
谢谢你的阅读，请期待下一期数量生态学：R语言的应用 第四章 聚类分析5—聚类物种集合
《数量生态学：R语言的应用》第三章-R模式
《数量生态学：R语言的应用》第二版第三章-关联测度与矩阵------Q模式
《数量生态学：R语言的应用》第二版笔记2
《数量生态学——R语言的应用》第二版阅读笔记--绪论和第二章（一部分）
R语言 pheatmap 包绘制热图（基础部分）
R语言pheatmap包绘制热图进阶教程
使用PicGo和gitee搭建图床
组间分析—T检验、R语言绘图
Rmarkdown的xaringan包来制作PPT
htlm文件部署到个人网站
生态学涉及多元统计方法，特别是排序和聚类，都是明确或不明确地基于所有可能对象或者变量之间的比较。这些比较通常采用关联测度（association
meansures）(常称为系数或者指数)的形式，不管是样方还是变量之间的比较都是基于他们组成的矩阵，因此选择合适的关联测度非常重要。
在任何分析之前，需要问下面这些问题：
在两个对象中同一值为零，在这两个对象中可能蕴含的意义不同，但零值增加了对象的相似性。就物种数据而言，两个样方中都没有一个物种可能有不同的解释：不适合生存或者还没有迁徙到此地？因此物种存在的信息比物种缺失的信息更有意义。依据双零问题也可以区分两类关联测度：视双零为相似的依据（同其他值）的为对称系数，反之为非对称系数。在大部分情况下，应该优先选择非对称系数，除非可以确定引起双缺失的原因相同，例如在已知物种组成群落或生态同质区域内的控制实验。
这里可能比较难理解，简单来说就是两个样方都出现0值，但是造成0值的原因可能不一样，所以需要优先考虑非对称系数(除非可以确定引起0值的原因相同)
变量可以是定性变量（名义的或分类的，二元的或多级的），也可以是半定量变量(序数的)或定量变量(离散的或连续的)。所以类型的变量均存在关联系数，其中大部分可以归为两类：二元变量的关联系数(二元系数，指被分析的变量是0-1的二元数据，并非关联测度数值为0-1的数据)和定量变量的关联系数(以下简称为数量系数)
在Q模式分析中，我们需要用到6个程序包：stats(安装基础程序时已经载入)、vegan、ade4、adespatial、cluster和FD等等。
在R中，所有的相似测度方阵可以转化为相异测度方阵，距离方阵(R里面属于"dist"类对象)对角线的值(每个对象与自身的距离)均为0
定量的物种数据通常需要使用非对称的距离测度。在物种数据分析方面，常用的系数有Bray-Curtis相异系数、弦（chord）距离、Hellinger距离和卡方距离。
在R中实现：
当可用的仅仅是二元(有-无)物种数据，或多度的数据不适用，或包含不确定的定量数据时，可使用有-无(0-1)数据进行分析。
关联矩阵一般作为中间实体，很少用于直接研究。然而，如果对象不多，直接展示关联矩阵也很有用，能够将数据的主要特征可视化。
建议使用coldiss()函数可视化相异矩阵。coldiss()函数会使用一个能重新排列矩阵的函数order.single()(属于gclus包)，该函数可以根据对象之间的距离沿着对角线重新将对象排位。但是必须先安装gclus包。
在未转化的相异矩阵中，数量多的物种之间的多度差异与数量少的物种之间的多度差异有同等权重。
这些案例均是处理物种数据，Doubs样带具有强烈的生态梯度特征(例如氧含量和硝酸盐浓度)。Doubs样带的环境背景很清楚，可以假设在特定的某一段河流，物种的缺失可能是某种相同的原因造成的，因此可以计算对称系数的关联矩阵。
对双零有明确解释的定量数据，欧氏距离是对称距离测度的最佳选择。注意欧氏距离的值没有上限，但受变量纲量影响较大，所以前面我们的数据转化就派上用场了。
此处用标准化后的环境因子变量（env）计算样方的欧氏距离。先剔除dfs变量(离源头距离)，因为它属于空间变量而非环境因子变量。同样使用coldiss()函数可视化距离矩阵。
注意：可以利用scale()函数对环境变量进行快速标准化
相异矩阵的热图很合适快速比较，例如，可以同时绘制基于物种多度和基于环境因子的Hellinger距离图，为了便于比较，两个图均选择等数量的分级
欧氏距离理所应当然可以用于计算基于地理坐标变量的地理距离矩阵。
地理坐标可以是一维或者二维的直角坐标系(笛卡儿坐标)，其单位也可以多种多样(例如cm、m、km属于相同投影带的UTM坐标)。如果是球体系统坐标(经纬度)，在计算欧氏距离之前必须先转化。SoDA程序包内geoXY()函数可以完成球坐标系统的专业。需要注意的是，标准化数据会改变两个维度的比率，因此一般地理坐标(x-y)不应该标准化(如果需要可以标准化)
对于二元数据，最简单的对称相似测度是"简单匹配系数S1"，对于每组样方，S1是 双1的数量加上双0的数量除以变量数 。
Gower相似系数当作一种对称指数；当数据框内一个变量被当做一个因子时，最简单的匹配规则被应用，即如果一个因子在两个对象中有相同的水平，表示该对象对相似指数为1，反之为0。Gower相异指数可以利用cluster程序包内daisy()函数计算。应避免使用vegdist()函数计算Gower相异系数，因此该函数只适用与定量数据和有-无数据计算，对多级变量并不适用。
只要每个变量给予合适的定义，daisy()函数就可以处理混合变量的数据。当数据中存在缺失值时，该函数会自动排除与含有缺失值样方对的计算。
FD程序包里gowdis()函数是计算Gower相似系数最完善的函数，可以计算混合变量(包括非对称的二元变量)的距离，也可以像daisy()函数一样设置变量的权重和处理缺失值。
