乐趣区

关于数据挖掘:R语言淮河流域水库水质数据相关性分析地理可视化广义相加模型GAM调查报告附代码数据

全文下载:http://tecdat.cn/?p=29461

最近咱们被客户要求撰写对于水质数据的钻研报告,包含一些图形和统计输入。

采样地点:淮河流域一带,昭平台水库、白龟山水库、燕山水库、石漫滩水库、板桥水库、宿鸭湖水库、博山水库、南湾水库、石山口水库、五岳水库、泼河水库、鲶鱼山水库。

考察工夫和地点

考察内容

本次考察在淮河流域的十二个水库进行,别离在水库的上、中、上游进行监测,测量的指标有:各点位的经、纬度,水温、气温、PH、溶解氧、CODmn、总磷、总氮、透明度等水质指标,以及在水深 0.5m、1.0m、3.0m 和 5.0m 处的叶绿素含量。


点击题目查阅往期内容

R 语言狭义加性模型 GAMs 剖析温度、臭氧环境数据绘制偏回归图与偏残差图

左右滑动查看更多

01

02

03

04

调查结果

3.1 考察指标后果

考察的出的各指标数据用 R 软件进行解决,各水库之间用大小图比照显示,分为上、中、上游,上、中、上游之间用箱图进行比照显示。

map("china",col = "black",lwd=2,ylim = c(31.5,35),xlim=c(112.5,115.5),panel.first = grid())

axis(1, lwd = 0); axis(2, lwd = 0); axis(3, lwd = 0); axis(4, lwd = 0)



#china<-readOGR(".","China")

river.r12<-readOGR(".","R12")

river.r5<-readOGR(".","R5")

river.r4<-readOGR(".","R4")

3.1.1 上游各水库指标

points(A$Lon,A$Lat,pch=1,cex=A$WT/15)



points(A$Lon,A$Lat,pch=1,cex=A$PH/5)

 

3.1.2 中游各水库指标

 

 

3.1.3 上游各水库指标 

 

3.1.4 上中下游各指标比照

boxplot(A$PH1,A$PH2,A$PH3,col="lightblue",

 

 

3.2 各指标相关性剖析后果

用 R 软件对所有的指标之间进行了相关性剖析,上面列出所有具备显著相关性的指标剖析后果。

3.2.1 上游各指标相关性

3.2.2 中游各指标相关性剖析

gam 模型剖析

SITE1

PH~DO

PH~CODmn

 

PH~TP

 

4.2 调查结果指标相关性剖析

从 3.2 中上中下游各指标相关性剖析的表能够看出:

(1)PH 和 DO 密切相关,P 值远小于 0.0001,相关系数均大于 0.95,偏差解释度都在 96% 以上。因为光合作用耗费二氧化碳产生氧气,使 DO 和 PH 值均升高,二者成正相干。

(2)TP 和透明度的相关性大,而且在上中下游均体现进去,相关系数都在 0.65 以上,偏差解释度都在 96% 以上。TP 的增高,会使得水体养分更足,进而浮游植物成长更加旺盛,水体被污染得更洁净,从而透明度也就更大,即二者程正相干。

(3)DO、藻密度和叶绿素三者之间相干,这是因为浮游植物含有大量的叶绿素,通过光合作用能产生氧气,所以藻密度大其余两个指标也会相应减少。

调查结果剖析

4.1 调查结果指标剖析

  

从大小图中能够大抵看出:(1)DO 浓度是在石漫滩水库要稍大于其余水库的;(2)CODmn、TP 和 TN 浓度是在宿鸭湖水库显著大于其余水库;(3)透明度则在板桥水库和鲶鱼山水库高于其余水库;(4)叶绿素则整体在石漫滩和博山水库浓度含量较高;(5)藻密度则是在石漫滩水库最高。从箱图能够看出:上中下游之间水库的平均值中,
  • TP 和 TN 的值相差无几;
  • PH、DO、透明度、最上层以及最上层叶绿素、藻密度是中游处最高;
  • CODmn 和两头局部的叶绿素是上游局部最高。但总体来说,各指标的均值差距都不大。

点击文末 “浏览原文”

获取全文残缺代码数据资料。

本文选自《R 语言淮河流域水库水质数据相关性剖析、天文可视化、狭义相加模型 GAM 调查报告》。

点击题目查阅往期内容

R 语言狭义加性模型 GAMs 剖析温度、臭氧环境数据绘制偏回归图与偏残差图
【视频】什么是非线性模型与 R 语言多项式回归、部分平滑样条、狭义相加 GAM 剖析工资数据 | 数据分享
MATLAB 最小二乘法:线性最小二乘、加权线性最小二乘、持重最小二乘、非线性最小二乘与剔除异样值成果比拟
数据分享 | R 语言狭义线性模型 GLM:线性最小二乘、对数变换、泊松、二项式逻辑回归剖析冰淇淋销售工夫序列数据和模仿
生态学模仿对狭义线性混合模型 GLMM 进行功率(效用、效力、效劳)剖析 power analysis 环境监测数据
狭义线性模型 glm 泊松回归的 lasso、弹性网络分类预测学生考试成绩数据和穿插验证
无限混合模型聚类 FMM、狭义线性回归模型 GLM 混合利用剖析威士忌市场和钻研专利申请数据
R 语言贝叶斯狭义线性混合(多层次 / 程度 / 嵌套)模型 GLMM、逻辑回归剖析教育留级影响因素数据
R 语言贝叶斯 MCMC:GLM 逻辑回归、Rstan 线性回归、Metropolis Hastings 与 Gibbs 采样算法实例
R 语言用 lme4 多层次(混合效应)狭义线性模型(GLM),逻辑回归剖析教育留级考察数据
R 语言狭义线性模型 GLM、多项式回归和狭义可加模型 GAM 预测泰坦尼克号幸存者
R 语言用 Rshiny 摸索 lme4 狭义线性混合模型(GLMM)和线性混合模型(LMM)
R 语言应用 bootstrap 和增量法计算狭义线性模型(GLM)预测置信区间
R 语言狭义线性模型 (GLMs) 算法和零收缩模型剖析
R 语言中狭义线性模型 (GLM) 中的散布和连贯函数剖析
R 语言中 GLM(狭义线性模型),非线性和异方差可视化剖析
R 语言中的狭义线性模型(GLM)和狭义相加模型(GAM):多元(平滑)回归剖析保险资金投资组合信用风险敞口
用狭义加性模型 GAM 进行工夫序列剖析
R 和 Python 机器学习: 狭义线性回归 glm,样条 glm,梯度加强,随机森林和深度学习模型剖析
在 r 语言中应用 GAM(狭义相加模型)进行电力负荷工夫序列剖析
用狭义加性模型 GAM 进行工夫序列剖析
R 和 Python 机器学习: 狭义线性回归 glm,样条 glm,梯度加强,随机森林和深度学习模型剖析
在 r 语言中应用 GAM(狭义相加模型)进行电力负荷工夫序列剖析

退出移动版