数量生态学笔记||典范对应分析（CCA）

典范对应分析（canonical correspondence analusis, CCA），是基于对应分析（CA）发展而来的一种排序方法，将对应分析与多元回归分析相结合，每一步计算均与环境因子进行回归，又称多元直接梯度分析。其基本思路是在对应分析的迭代过程中，每次得到的样方排序坐标值均与环境因子进行多元线性回归。CCA要求两个数据矩阵，一个是物种数据矩阵，一个是环境数据矩阵。 首先计算出一组样方排序值和种类排序值（同对应分析），然后将样方排序值与环境因子用回归分析方法结合起来，这样得到的样方排序值即反映了样方种类组成及生态重要值对群落的作用，同时也反映了环境因子的影响，再用样方排序值加权平均求种类排序值，使种类排序坐标值值也简介地与环境因子相联系。其算法可由Canoco软件快速实现。

最大优点：CCA是一种基于单峰模型的排序方法，样方排序与对象排序对应分析，而且在排序过程中结合多个环境因子，因此可以把样方、对象与环境因子的排序结果表示在同一排序图上。

缺点：存在“弓形效应”。克服弓形效应可以采用除趋势典范对应分析（detrended canonical correspondence, DCCA）.稀有物种对排序的影响很大，做CCA是有必要剔除稀有物种。

结果可信性：查看累计贡献率及环境与研究对象前两个排序轴之间的相关性。

# 载入所需程序包
library(ade4)
library(vegan)
#library(packfor)
rm(list = ls())
setwd("D:\\Users\\Administrator\\Desktop\\RStudio\\数量生态学\\DATA")
# 此程序包可以从 https://r-forge.r-project.org/R/?group_id=195 下载
# 如果是MacOS X系统，packfor程序包内forward.sel函数的运行需要加载
# gfortran程序包。用户必须从"cran.r-project.org"网站内选择"MacOS X"，
# 然后选择"tools"安装gfortran程序包。
library(MASS)
library(ellipse)
library(FactoMineR)
# 附加函数
source("evplot.R")
source("hcoplot.R")
# 导入CSV数据文件
spe <- read.csv("DoubsSpe.csv", row.names=1)
env <- read.csv("DoubsEnv.csv", row.names=1)
spa <- read.csv("DoubsSpa.csv", row.names=1)
# 删除没有数据的样方8
spe <- spe[-8, ]
env <- env[-8, ]
spa <- spa[-8, ]
# 提取环境变量das（离源头距离）以备用
das <- env[, 1]
# 从环境变量矩阵剔除das变量
env <- env[, -1]
# 将slope变量（pen）转化为因子（定性）变量
pen2 <- rep("very_steep", nrow(env))
pen2[env$pen <= quantile(env$pen)[4]] = "steep"
pen2[env$pen <= quantile(env$pen)[3]] = "moderate"
pen2[env$pen <= quantile(env$pen)[2]] = "low"
pen2 <- factor(pen2, levels=c("low", "moderate", "steep", "very_steep"))
table(pen2)
# 生成一个含定性坡度变量的环境变量数据框env2
env2 <- env
env2$pen <- pen2
# 将所有解释变量分为两个解释变量子集
# 地形变量（上下游梯度）子集
envtopo <- env[, c(1:3)]
names(envtopo)
#水体化学属性变量子集
envchem <- env[, c(4:10)]
names(envchem)
# 物种数据Hellinger转化
spe.hel <- decostand(spe, "hellinger")

> # 典范对应分析（CCA）
> # *******************
> # 原始鱼类数据的CCA分析，解释变量为env2中所有环境变量
> spe.cca <- cca(spe ~ ., env2)
> spe.cca
Call: cca(formula = spe ~ alt + pen + deb + pH + dur + pho + nit + amm + oxy + dbo, data = env2)

              Inertia Proportion Rank
Total          1.1669     1.0000     
Constrained    0.8456     0.7246   12
Unconstrained  0.3214     0.2754   16
Inertia is scaled Chi-square 

Eigenvalues for constrained axes:
  CCA1   CCA2   CCA3   CCA4   CCA5   CCA6   CCA7   CCA8   CCA9  CCA10  CCA11  CCA12 
0.5252 0.1282 0.0699 0.0437 0.0315 0.0140 0.0117 0.0085 0.0055 0.0032 0.0027 0.0015 

Eigenvalues for unconstrained axes:
    CA1     CA2     CA3     CA4     CA5     CA6     CA7     CA8     CA9    CA10    CA11    CA12    CA13    CA14    CA15    CA16 
0.11014 0.06092 0.03997 0.03193 0.01844 0.01643 0.01210 0.00796 0.00735 0.00435 0.00370 0.00326 0.00207 0.00161 0.00073 0.00038 

> summary(spe.cca) #2型标尺（默认）

Call:
cca(formula = spe ~ alt + pen + deb + pH + dur + pho + nit +      amm + oxy + dbo, data = env2) 

Partitioning of scaled Chi-square:
              Inertia Proportion
Total          1.1669     1.0000
Constrained    0.8456     0.7246
Unconstrained  0.3214     0.2754

Eigenvalues, and their contribution to the scaled Chi-square 

Importance of components:
                        CCA1   CCA2    CCA3    CCA4    CCA5    CCA6    CCA7     CCA8     CCA9    CCA10    CCA11    CCA12     CA1
Eigenvalue            0.5252 0.1282 0.06987 0.04368 0.03151 0.01399 0.01167 0.008508 0.005541 0.003231 0.002714 0.001479 0.11014
Proportion Explained  0.4501 0.1098 0.05988 0.03743 0.02700 0.01199 0.01000 0.007291 0.004749 0.002769 0.002326 0.001268 0.09438
Cumulative Proportion 0.4501 0.5599 0.61978 0.65721 0.68422 0.69620 0.70621 0.713498 0.718247 0.721016 0.723342 0.724610 0.81899
                          CA2     CA3     CA4     CA5     CA6     CA7      CA8      CA9     CA10     CA11     CA12     CA13
Eigenvalue            0.06092 0.03997 0.03193 0.01844 0.01643 0.01210 0.007962 0.007348 0.004352 0.003702 0.003262 0.002073
Proportion Explained  0.05221 0.03425 0.02737 0.01580 0.01408 0.01037 0.006823 0.006297 0.003730 0.003172 0.002795 0.001777
Cumulative Proportion 0.87120 0.90545 0.93282 0.94862 0.96270 0.97307 0.979895 0.986192 0.989922 0.993094 0.995889 0.997666
                          CA14      CA15      CA16
Eigenvalue            0.001605 0.0007339 0.0003844
Proportion Explained  0.001376 0.0006289 0.0003294
Cumulative Proportion 0.999042 0.9996706 1.0000000

Accumulated constrained eigenvalues
Importance of components:
                        CCA1   CCA2    CCA3    CCA4    CCA5    CCA6    CCA7     CCA8     CCA9    CCA10    CCA11    CCA12
Eigenvalue            0.5252 0.1282 0.06987 0.04368 0.03151 0.01399 0.01167 0.008508 0.005541 0.003231 0.002714 0.001479
Proportion Explained  0.6211 0.1516 0.08263 0.05166 0.03727 0.01654 0.01380 0.010062 0.006554 0.003821 0.003210 0.001750
Cumulative Proportion 0.6211 0.7727 0.85534 0.90699 0.94426 0.96080 0.97460 0.984666 0.991219 0.995040 0.998250 1.000000

Scaling 2 for species and site scores
* Species are scaled proportional to eigenvalues
* Sites are unscaled: weighted dispersion equal on all dimensions


Species scores

         CCA1       CCA2      CCA3     CCA4      CCA5     CCA6
CHA  1.261678  1.4158366 -0.085786 -0.20143  0.094648 -0.02677
TRU  1.504797 -0.3320131  0.282996 -0.21081 -0.176047  0.10795
VAI  1.208961 -0.2596707  0.023637  0.02879 -0.070803 -0.03587
LOC  0.973409 -0.3409895 -0.061427  0.15259 -0.011633 -0.13148
OMB  1.328671  1.5556705 -0.072503 -0.45466  0.050675 -0.02058
BLA  0.873681  1.2261631 -0.080933  0.10384  0.197282  0.01477
HOT -0.475732  0.1250027 -0.139786  0.30679 -0.280342 -0.10467
TOX -0.148301  0.3058896  0.009010  0.68134 -0.174313  0.15396
VAN  0.092658 -0.0340649 -0.146678  0.12207  0.203783  0.21616
CHE -0.003922 -0.1311604 -0.413736 -0.03670  0.245616 -0.12013
BAR -0.315829  0.2718098  0.096591  0.20386 -0.098290 -0.14380
SPI -0.353697  0.1875624  0.105413  0.46952 -0.206659  0.14247
GOU -0.266529  0.0099043 -0.114884 -0.01462 -0.119793  0.01753
BRO -0.162828 -0.2341955  0.053037 -0.20602  0.162875  0.07056
PER -0.118632 -0.1655123  0.086275  0.12926  0.243372  0.16869
BOU -0.575139  0.0906277  0.289683  0.10153 -0.077073 -0.05231
PSO -0.614472  0.0699223  0.201495  0.00211 -0.031527 -0.04785
ROT -0.514263 -0.1041699  0.060815 -0.20060  0.096014  0.38350
CAR -0.579312  0.1027586  0.402974  0.02702  0.030612  0.04315
TAN -0.287583 -0.1616479  0.059330  0.03100  0.167535 -0.14051
BCO -0.698013  0.0321769  0.404047 -0.14486  0.006662 -0.11877
PCH -0.775819  0.0157553  0.671552 -0.36865  0.140552  0.07338
GRE -0.758973 -0.0414595  0.005259 -0.24140 -0.085200 -0.08040
GAR -0.367796 -0.1312913 -0.358758  0.02278  0.246773  0.01138
BBO -0.737390  0.0006554  0.277727 -0.12787 -0.007756 -0.13028
ABL -0.661692 -0.0095693 -0.554817 -0.26868 -0.408397  0.06374
ANG -0.649835  0.0506313  0.366951 -0.02018 -0.015048 -0.03998


Site scores (weighted averages of species scores)

       CCA1     CCA2     CCA3      CCA4     CCA5     CCA6
1   2.86516 -2.59066  4.05021 -4.826604 -5.58660  7.71807
2   2.42446 -2.42001  1.58057 -0.918030 -3.16897  0.01074
3   2.17451 -2.38845  1.14412 -0.505450 -2.24026 -1.01203
4   1.43346 -2.01154  0.51275 -0.120191 -0.01589 -0.57736
5   0.20438 -1.25912 -0.93175 -0.015989  3.95388  4.37473
6   1.16155 -1.81341 -0.37717  0.313660  1.04841 -1.75006
7   2.06058 -2.22818  0.57425 -0.129673 -1.53156 -0.73792
9   0.31971 -1.46318 -3.68534  0.695299  5.16124 -5.75036
10  1.37976 -1.70281 -1.12847  1.097003  0.61929 -1.79702
11  2.23464  0.32959  0.40345 -2.201068 -1.24639 -0.77088
12  2.26686  0.75825  0.42419 -2.133660 -1.18774 -1.36845
13  2.38226  2.59163  0.64732 -2.607810 -0.87122  0.04395
14  1.93354  2.71503  0.06047 -2.015351 -0.01347 -1.17389
15  1.41204  1.91477 -0.63545 -0.276029  1.16205 -1.16234
16  0.76700  1.26883 -0.34890  2.546875  1.08426  1.84264
17  0.32385  0.74875 -0.31264  2.787811 -0.61836  1.50271
18  0.07295  0.60039 -0.42274  2.152349 -0.31135  0.66423
19 -0.19188 -0.07590 -0.69505  1.939538 -0.69206 -0.01086
20 -0.60257 -0.08977 -0.56318  0.965541 -0.54272  0.02997
21 -0.71044 -0.07645  0.08221  0.252679 -0.31072  0.06655
22 -0.76633 -0.04558  0.25028  0.006645  0.12494 -0.41067
23 -0.80688 -0.54931 -6.73420 -3.155390 -2.57362  0.33479
24 -0.97282 -0.23418 -3.89665 -2.575868 -3.52670 -1.54857
25 -0.73275 -0.48608 -3.50548 -2.862183 -1.71625  4.59772
26 -0.82998 -0.20084 -0.27426 -1.057951 -0.49139 -1.16438
27 -0.81893 -0.12557  0.33310 -0.746664  0.07753 -1.51194
28 -0.85623 -0.09559  0.73686 -0.834190  0.26166 -0.81421
29 -0.66360  0.19062  0.80184 -0.298560  0.09427  0.09045
30 -0.87011 -0.02528  1.25611 -0.336810  0.37055  1.53167


Site constraints (linear combinations of constraining variables)

        CCA1     CCA2     CCA3     CCA4      CCA5     CCA6
1   2.671850 -2.26482  1.80435 -0.56685 -2.852842 -0.14452
2   1.281867 -2.52663  1.45188  0.89289 -0.317875  2.54599
3   1.859244 -2.58114  1.14232 -1.57862 -1.351692 -1.01721
4   1.677665 -2.22498  0.14065  0.83717  0.149822 -0.29860
5   0.895226 -1.04180 -1.11299 -0.65716  3.028801  1.56249
6   1.916851 -2.07499  0.51830 -1.11674 -1.491776 -1.29123
7   1.957789 -1.30249 -0.43778  0.02795  1.047682 -0.44908
9  -0.111247 -1.29880 -2.36810  1.03231  4.012764 -0.80970
10  0.867895 -1.76313 -0.49974  0.94590 -0.975148 -0.99702
11  1.638770  0.15817  0.69128 -0.93572 -0.473693 -1.46543
12  1.578971  1.18069  0.28615  0.23539 -0.711147  1.62760
13  1.643799  1.81111 -0.09861 -0.11361  0.335045  1.45434
14  2.015272  2.80890 -0.35320 -1.84593  0.566969 -1.45950
15  1.219675  1.51054 -0.20338 -0.34066  0.055113 -0.78885
16  0.431998  0.61433  0.33463  0.83470  0.754972  0.63088
17  0.161081  0.40391 -0.65631  1.57864 -0.864660  0.72063
18  0.110948  0.50487 -0.69639  0.98240  0.134082 -0.33742
19  0.365219  0.60496 -0.24852  1.29758 -1.026162  0.07655
20 -0.270013  0.08774 -0.22311  1.25604 -0.877224  0.26017
21 -0.720535 -0.12414 -0.50600  1.16107 -0.203352 -1.26368
22 -0.349171  0.33354  0.20892 -0.29165 -0.167930  0.04679
23 -0.003888  1.08795 -4.14171 -5.08185 -2.767769  0.14878
24 -1.554517 -0.66678 -3.53631 -0.56359 -0.621847 -0.23822
25 -0.939029 -0.92455 -4.17659 -3.12602 -2.984041  4.24895
26 -0.889361 -0.16753 -0.60043 -0.56858  0.181986 -0.94925
27 -1.250040 -0.39096  0.08349 -0.85453  0.107236 -1.36249
28 -0.818089  0.07686  0.89013 -0.01778  0.489098  0.19495
29 -0.570505  0.21670  1.11695 -0.51018  0.003451  0.57101
30 -0.884028 -0.08146  1.09427 -0.56835  0.238317  0.65925


Biplot scores for constraining variables

                 CCA1     CCA2     CCA3      CCA4     CCA5     CCA6
alt            0.8018 -0.52239 -0.14017  0.018567  0.21787  0.01726
penmoderate   -0.2679  0.16128 -0.06306  0.057887  0.02486 -0.34503
pensteep       0.2458  0.09696  0.02842  0.007148  0.27906  0.42602
penvery_steep  0.5761 -0.60060  0.10263 -0.097034 -0.19935 -0.28801
deb           -0.6934  0.24753  0.42947 -0.256793 -0.06713  0.15872
pH             0.1555  0.29190  0.12935 -0.236003  0.18527 -0.10038
dur           -0.5500  0.49608  0.11327 -0.225097  0.20199  0.18792
pho           -0.4300 -0.02905 -0.47075 -0.475127 -0.22835  0.26150
nit           -0.6905  0.17930 -0.21398  0.014408 -0.25128  0.04097
amm           -0.4152 -0.11060 -0.59275 -0.296873 -0.29368  0.35065
oxy            0.7863  0.34602  0.26535  0.349153 -0.14604 -0.04738
dbo           -0.4590 -0.16791 -0.58402 -0.546341 -0.12570  0.09982


Centroids for factor constraints

                 CCA1    CCA2     CCA3      CCA4     CCA5    CCA6
penlow        -0.4094  0.1886 -0.03455 -0.003447 -0.17752  0.2389
penmoderate   -0.3614  0.2176 -0.08508  0.078099  0.03353 -0.4655
pensteep       0.5006  0.1975  0.05788  0.014560  0.56840  0.8677
penvery_steep  1.7132 -1.7860  0.30521 -0.288555 -0.59281 -0.8565

# CCA三序图（使用拟合的样方坐标）
# ***********************************
# 1型标尺：物种坐标等比例于相对特征根 
# 样方坐标是物种坐标的加权平均
plot(spe.cca, scaling=1, display=c("sp","lc","cn"), main="CCA三序图：spe～env2 - 1型标尺")

# 2型标尺（默认）：样方坐标等比例于相对特征根  
# 物种坐标是样方坐标的加权平均
plot(spe.cca, display=c("sp","lc","cn"), main="CCA三序图：spe～env2 - 2型标尺")

# CCA无物种的双序图（1型标尺）(拟合的样方坐标)
# ***********************************************************
plot(spe.cca, scaling=1, display=c("lc", "cn"), 
 main="CCA双序图：spe～env2 - 1型标尺")

# CCA无样方的双序图（2型标尺）
# **********************************
plot(spe.cca, scaling=2, display=c("sp", "cn"), 
 main="CCA双序图：spe～env2 - 2型标尺")

# CCA结果的置换检验
# *******************
# 全模型置换检验
> anova(spe.cca, step=1000)
Permutation test for cca under reduced model
Permutation: free
Number of permutations: 999

Model: cca(formula = spe ~ alt + pen + deb + pH + dur + pho + nit + amm + oxy + dbo, data = env2)
         Df ChiSquare      F Pr(>F)    
Model    12   0.84556 3.5083  0.001 ***
Residual 16   0.32136                  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1


> # 每轴置换检验
> anova(spe.cca, by="axis", step=1000)
Permutation test for cca under reduced model
Forward tests for axes
Permutation: free
Number of permutations: 999

Model: cca(formula = spe ~ alt + pen + deb + pH + dur + pho + nit + amm + oxy + dbo, data = env2)
         Df ChiSquare       F Pr(>F)    
CCA1      1   0.52521 26.1494  0.001 ***
CCA2      1   0.12816  6.3808  0.002 ** 
CCA3      1   0.06987  3.4788  0.354    
CCA4      1   0.04368  2.1746  0.907    
CCA5      1   0.03151  1.5690  0.980    
CCA6      1   0.01399  0.6964  1.000    
CCA7      1   0.01167  0.5812  1.000    
CCA8      1   0.00851  0.4236  1.000    
CCA9      1   0.00554  0.2759  1.000    
CCA10     1   0.00323  0.1609  1.000    
CCA11     1   0.00271  0.1351  1.000    
CCA12     1   0.00148  0.0737  1.000    
Residual 16   0.32136                   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> 

> # 使用vegan包ordistep（）函数对CCA模型的解释变量进行筛选#****************************************************
> # ordistep（）函数允许使用因子变量，例如env2中的"pen"因子变量
> cca.step.forward <- ordistep(cca(spe ~ 1, data=env2), scope=formula(spe.cca), 
+ direction="forward", pstep=1000)

Start: spe ~ 1 

      Df     AIC       F Pr(>F)   
+ alt  1  99.999 12.8184  0.005 **
+ oxy  1 100.885 11.6211  0.005 **
+ deb  1 103.362  8.4593  0.005 **
+ nit  1 103.912  7.7930  0.005 **
+ dur  1 105.857  5.5355  0.005 **
+ pen  3 106.490  2.9447  0.005 **
+ dbo  1 107.219  4.0431  0.005 **
+ amm  1 107.962  3.2577  0.010 **
+ pho  1 107.941  3.2800  0.020 * 
+ pH   1 110.469  0.7517  0.600   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Step: spe ~ alt 

      Df     AIC      F Pr(>F)   
+ oxy  1  93.479 8.8800  0.005 **
+ dbo  1  98.304 3.5339  0.015 * 
+ amm  1  99.291 2.5456  0.050 * 
+ pho  1  99.884 1.9675  0.085 . 
+ nit  1 100.321 1.5487  0.110   
+ deb  1 100.268 1.5992  0.140   
+ pH   1 100.860 1.0414  0.330   
+ dur  1 101.086 0.8321  0.475   
+ pen  3 103.841 0.6180  0.885   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Step: spe ~ alt + oxy 

      Df    AIC      F Pr(>F)   
+ dbo  1 91.265 3.9094  0.005 **
+ pho  1 92.644 2.5675  0.015 * 
+ deb  1 93.510 1.7560  0.045 * 
+ amm  1 93.478 1.7854  0.085 . 
+ dur  1 94.030 1.2802  0.185   
+ pen  3 96.484 0.8340  0.640   
+ pH   1 94.655 0.7200  0.680   
+ nit  1 94.778 0.6115  0.755   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Step: spe ~ alt + oxy + dbo 

      Df    AIC      F Pr(>F)
+ deb  1 91.293 1.6892  0.105
+ dur  1 91.564 1.4498  0.215
+ pH   1 92.156 0.9355  0.415
+ pen  3 93.888 0.9058  0.545
+ amm  1 92.389 0.7361  0.650
+ nit  1 92.584 0.5704  0.835
+ pho  1 92.678 0.4913  0.860

> # 仅使用alt、oxy和dbo三个解释变量的简约CCA分析
> # *******************************************
> (spe.cca.pars <- cca(spe ~ alt + oxy + dbo, data=env2))
Call: cca(formula = spe ~ alt + oxy + dbo, data = env2)

              Inertia Proportion Rank
Total          1.1669     1.0000     
Constrained    0.6569     0.5629    3
Unconstrained  0.5101     0.4371   25
Inertia is scaled Chi-square 

Eigenvalues for constrained axes:
  CCA1   CCA2   CCA3 
0.5054 0.1013 0.0502 

Eigenvalues for unconstrained axes:
    CA1     CA2     CA3     CA4     CA5     CA6     CA7     CA8 
0.14907 0.09735 0.06110 0.05328 0.03529 0.02617 0.01888 0.01489 
(Showed only 8 of all 25 unconstrained eigenvalues)

> anova.cca(spe.cca.pars, step=1000)
Permutation test for cca under reduced model
Permutation: free
Number of permutations: 999

Model: cca(formula = spe ~ alt + oxy + dbo, data = env2)
         Df ChiSquare      F Pr(>F)    
Model     3   0.65686 10.732  0.001 ***
Residual 25   0.51005                  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> anova.cca(spe.cca.pars, step=1000, by="axis")
Permutation test for cca under reduced model
Forward tests for axes
Permutation: free
Number of permutations: 999

Model: cca(formula = spe ~ alt + oxy + dbo, data = env2)
         Df ChiSquare       F Pr(>F)    
CCA1      1   0.50541 24.7725  0.001 ***
CCA2      1   0.10128  4.9640  0.001 ***
CCA3      1   0.05017  2.4591  0.007 ** 
Residual 25   0.51005                   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> vif.cca(spe.cca)
          alt   penmoderate      pensteep penvery_steep           deb            pH           dur           pho           nit 
    13.426976      2.355253      2.770819      3.081368      9.607265      1.529026      3.568034     10.980633     11.629711 
          amm           oxy           dbo 
    14.062674      6.354635     10.098034 
> vif.cca(spe.cca.pars)
     alt      oxy      dbo 
1.206623 3.345063 3.002496 

# 可人机交互的三维排序图
# ***********************
# 样方排序图（wa坐标）
# ***********************
library(vegan3d)
ordirgl(spe.cca.pars, type="t", scaling=1)
#使用鼠标的右键和滑轮可以缩放三维图的大小，使用左键可以转动三维图。

# 将加权平均的坐标连接到线性组合坐标
orglspider(spe.cca.pars, scaling=1, col="purple")
#紫色的连接线显示CCA模型的拟合数据的好坏。连接线越短，拟合越好。

# 附带聚类分析结果的样方（wa坐标）三维排序图
# *******************************************
# 样方编号不同颜色代表不同的聚类簇
gr <- cutree(hclust(vegdist(spe.hel, "euc"), "ward.D"), 4)
ordirgl(spe.cca.pars, type="t", scaling=1, ax.col="black", col=gr+1)

# 将样方连接到聚类簇的形心
orglspider(spe.cca.pars, gr, scaling=1)
#样方沿着主要生态梯度很好被聚类。需要牢记当前是基于鱼类数据的分析。

# 完整的三维CCA三序图
# ***********************
ordirgl(spe.cca.pars, type="t", scaling=2)
orgltext(spe.cca.pars, display="species", type="t", scaling=2, col="cyan")

# 绘制物种组（使用Jaccard相似系数进行分组）
# ***********************************************************
gs <- cutree(hclust(vegdist(t(spe), method="jaccard"), "ward.D"), 4)
ordirgl(spe.cca.pars, display="species", type="t", col=gs+1)

参考

排序--4--典范对应分析（CCA）
典型相关分析（CCA）
典范对应分析（CCA）|sciencenet
cca.pdf
Multivariate statistics

©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 160,706评论 4赞 366
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 68,002评论 1赞 301
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 110,462评论 0赞 250
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 44,375评论 0赞 216
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 52,763评论 3赞 294
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 40,849评论 1赞 224
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 32,033评论 2赞 317
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 30,768评论 0赞 204
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 34,490评论 1赞 246
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,734评论 2赞 253
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 32,204评论 1赞 264
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 28,566评论 3赞 260
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 33,227评论 3赞 241
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,137评论 0赞 8
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,934评论 0赞 201
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 35,926评论 2赞 283
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 35,774评论 2赞 274

推荐阅读更多精彩内容