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

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