Практическая работа №1. Биоиндикационные возможности мхов.
Цель работы — это изучить изменчивость морфометрических показателей некоторых видов мохового покрова хвойно-широколиственных лесов.
Группа видов мхов №1 - дикранумы (Dicranum polysetum, Dicranum scoparium).
Морфометрическая характеристика: площадь листа.
1. Составьте выборку.
Dicranum polysetum
Dicranum scoparium
Проверьте, подчиняется ли ваша выборка закону нормального распределения. Симметрично ли распределение.
> shapiro.test(T1$S.leaf)
Shapiro-Wilk normality test
data: T1$S.leaf
W = 0.96836, p-value = 4.651e-06
P-value < 0.05, следовательно, распределение не является нормальным.
> shapiro.test(T2$S.leaf)
Shapiro-Wilk normality test
data: T2$S.leaf
W = 0.96672, p-value = 0.0006431
P-value < 0.05, следовательно, распределение не является нормальным.
Таким образом, выборки не подчиняются нормальному закону.
Найдём коэффициенты асимметрии, чтобы определить, симметрично ли распределение.
> skewness(T1$S.leaf)
[1] 0.6815823
> skewness(T2$S.leaf)
[1] 0.6864966
Коэффициенты не равны нулю, следовательно, распределение не является нормальным, и распределение не симметрично.
2. Рассчитайте медианные значения вашей морфометрической характеристики для разных видов мхов.
Таблица 1
Медианные значения площади для разных видов мхов
| Виды | S leaf |
| Dicranum polysetum | 6.479 |
| Dicranum scoparium | 3.892 |
Медианы на гистограммах:
hist(T1$S.leaf, breaks=5, main="Dicranum polysetum, S leaf", col="green", density=20, freq=FALSE, plot=TRUE)
curve(dnorm(x,mean=mean(T1$S.leaf),sd=sd(T1$S.leaf)),add=TRUE,col="black",lwd=2)
abline(v=mean(T1$S.leaf),col="blue",lwd=2)
abline(v=median(T1$S.leaf),col="red",lwd=2)
legend(x="topright",c("Mean","Median"),col=c("blue","red"),lwd=c(2,2))
hist(T2$S.leaf, breaks=5, main=" Dicranum scoparium, S leaf", col="green", density=20, freq=FALSE, plot=TRUE)
curve(dnorm(x,mean=mean(T2$S.leaf),sd=sd(T1$S.leaf)),add=TRUE,col="black",lwd=2)
abline(v=mean(T2$S.leaf),col="blue",lwd=2)
abline(v=median(T2$S.leaf),col="red",lwd=2)
legend(x="topright",c("Mean","Median"),col=c("blue","red"),lwd=c(2,2))
Оцените величину изучаемой характеристики для вашей группы видов относительно других видов.
Таким образом, наибольшее среднее значение площади листа среди рассматриваемых видов наблюдается у Dicranum polysetum. Относительно других мхов значения площади у исследуемых видов являются средними.
Зависит ли значение морфометрической характеристики от локации и года сбора материала?
Чтобы ответить на этот вопрос, применим непараметрический тест Краскела-Уоллиса, так как выборки не подчиняются нормальному закону.
> kruskal.test(S.leaf~Location,data=Tab)
Kruskal-Wallis rank sum test
data: S.leaf by Location
Kruskal-Wallis chi-squared = 52.664, df = 5, p-value = 3.942e-10
P-value < 0.05, следовательно, отвергаем нулевую гипотезу, значение площади листа зависит от локации.
> kruskal.test(S.leaf~Year,data=Tab)
Kruskal-Wallis rank sum test
data: S.leaf by Year
Kruskal-Wallis chi-squared = 9.5541, df = 3, p-value = 0.02276
P-value < 0.05, следовательно, отвергаем нулевую гипотезу, значение площади листв так же зависит от года сбора материала.
Построив бокс-плот, мы наблюдаем, что самые высокие показатели площади листа встречаются в Танаевском лесу и Алькеевском районе.
Что касается зависимости площади листьев от года сбора материала, то наибольшие показатели встречаются в 2018 году.
Есть ли достоверные различия между значениями морфометрических характеристик (разные виды, разные года сбора, разные локации)?
Так как мы анализируем 2 вида, то для того, чтобы определить, есть ли достоверные различия между значениями морфометрических характеристик, мы можем применить критерий Стьюдента (дисперсионный анализ не проводим, так как распределение не является нормальным).
> t.test(T1$S.leaf,T2$S.leaf)
Welch Two Sample t-test
data: T1$S.leaf and T2$S.leaf
t = 14.717, df = 375.85, p-value < 2.2e-16
P-value < 0.05, следовательно, отвергаем нулевую гипотезу, достоверные различия между площадью листьев у разных видов есть.
Наибольшая площадь листьев у Dicranum polysetum.
3. Влияние абиотических факторов на морфометрические показатели.
Постройте графики boxplot, отображающие изменение изучаемой морфометрической характеристики в зависимости от таких факторов, как: освещенность, условия микрорельефа, субстрат, экспозиция склона. Для каждого экологического фактора – свой график.
Площадь листьев увеличивается прямо пропорционально освещённости участка.
Наибольшее среднее значение площади листьев на лесной подстилке и выворотах, наименьшее — на пнях.
Наибольшее среднее значение биомассы побега наблюдается на небольшом склоне и плоском участке, наименьшее — на дне оврага и крутом склоне.
Наибольшая площадь листьев с большим отрывом на западной экспозиции склона, наименьшая — на северо-западной.
Таким образом, наибольшая площадь листьев встречаются у особей, которые произрастают на открытых пространствах, на лесной подстилке, на плоских участках и склонах западной экспозиции.
4. Проведите корреляционный анализ. Посчитайте величины корреляции между различными морфометрическими показателями мхов.
Мы не можем использовать коэффициент корреляции Пирсона, так как распределение не является нормальным. Поэтому используем коэффициент либо Спирмена, либо Кендела.
1) Для количества побегов в дерновинке и площади листьев:
> cor(Tab$Density, Tab$S.leaf, method = "spearman")
[1] -0. 4165859
Сила связи между морфометрическими характеристиками является умеренной.
2) Для массы дерновинки и площади листьев:
> cor(Tab$D.mass, Tab$S.leaf, method = "spearman")
[1] 0.004307837
Сила связи между морфометрическими характеристиками очень слабая.
3) Для количества зелёных листьев и площади листьев:
> cor(Tab$N.green.leaf, Tab$S.leaf, method = "spearman")
[1] 0.2759564
Сила связи является низкой.
4) Для длины зелёной части побега и площади листьев:
> cor(Tab$Length.green, Tab$S.leaf, method = "spearman")
[1] 0.5457601
Сила связи между морфометрическими характеристиками является средней.
5) Для массы зелёной части побега и площади листьев:
cor(Tab$Biomass.green, Tab$S.leaf, method = "spearman")
[1] 0.5395581
Сила связи между морфометрическими характеристиками средняя.
Теперь проверим значимость коэффициентов корреляции.
1)
> cor.test(Tab$Density, Tab$S.leaf, method = "spearman")
Spearman's rank correlation rho
data: Tab$Density and Tab$S.leaf
S = 6698638, p-value = 3.115e-14
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.4165859 P-value < 0.05, значит, коэффициент корреляции считается значимым.
2)
> cor.test(Tab$D.mass, Tab$S.leaf, method = "spearman")
Spearman's rank correlation rho
data: Tab$D.mass and Tab$S.leaf
S = 4708349, p-value = 0.9403
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
0.004307837
P-value <>.05, значит, коэффициент корреляции не считается значимым.
3)
> cor.test(Tab$N.green.leaf, Tab$S.leaf, method = "spearman")
Spearman's rank correlation rho
data: Tab$N.green.leaf and Tab$S.leaf
S = 3423800, p-value = 9.833e-07
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
0.2759564
P-value < 0.05, значит, коэффициент корреляции считается значимым.
4)
> cor.test(Tab$Length.green, Tab$S.leaf, method = "spearman")
Spearman's rank correlation rho
data: Tab$Length.green and Tab$S.leaf
S = 2147973, p-value < 2.2e-16
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
0.5457601
P-value < 0.05, значит, коэффициент корреляции считается значимым.
5)
> cor.test(Tab$Biomass.green, Tab$S.leaf, method = "spearman")
Spearman's rank correlation rho
data: Tab$Biomass.green and Tab$S.leaf
S = 2177301, p-value < 2.2e-16
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
0.5395581
P-value < 0.05, значит, коэффициент корреляции считается значимым.
Таким образом, площадью листьев и другими морфометрическими характеристиками разных видов мхов существует достаточно средняя связь. Коэффициенты корреляции, в оснвном, являются статистически значимы.
5*. Постройте модель-прогноз значения вашей морфометрической характеристики. Какие факторы будут вносить вклад в значение вашей морфометрической характеристики?
Так как p-value<0.05, то модель можно считать адекватной. R^2=0.02779, качество модели низкое. Значение показателя уменьшается прямо пропорционально освещённости.
Условные обозначения на оси абсцисс: 1 — открытые пространства, 2 — межкроновые пространства, 3 — под кронами.
Так как p-value<0.05, то модель можно считать адекватной. R^2=0.01982, качество модели низкое. Значение показателя уменьшается при переходя от первого к последующим субстратам.
Условные обозначения на оси абсцисс: 1 — лесная подстилка, 2 — валеж, 3 — пни, 4 — вывороты, 5 — комель/кора, 7 — голая почва.
Так как p-value<0.05, то модель можно считать адекватной. R^2=0.05987, качество модели низкое. Значение показателя уменьшается при увеличении крутизны склона.
Условные обозначения на оси абсцисс: 1 — плоский участок, 2 — небольшой склон, 3 — склон, 4 — крутой склон, 5 — понижение, 6 — дно оврага, 7 — возвышенность.
Так как p-value>0.05, то модель нельзя считать адекватной. R^2=0.02415, качество модели низкое. Значение показателя увеличивается при изменении экспозиции склона с северной на южную.
Условные обозначения на оси абсцисс: 1 — север, 2 — северо-восток, 3 — восток, 4 — юго-восток, 5 — юг, 6 — юго-запад, 7 — запад, 8 — северо-запад.
Наибольший показатель R^2 на модели прогноза изменения площади листьев под влиянием микрорельефа, следовательно, данная модель обладает наибольшим качеством, фактор омикрорельефа вносит наибольший вклад в значение площади листьев.
Для выполнения данного задания было сделано несколько копий рабочей таблицы, в которых значения необходимых экологических факторов были заменены порядковыми числами.
6*. Разделите исследуемые виды мхов по морфометрическим показателям на функциональные группы.
Провести кластерный анализ не удалось из-за большого количества данных, и дендрограмма нечитаема.