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