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

简介: 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

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。


全文下载:http://tecdat.cn/?p=29461


调查时间和地点


调查内容


本次调查在淮河流域的十二个水库进行,分别在水库的上、中、下游进行监测,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。


点击标题查阅往期内容


R语言广义加性模型GAMs分析温度、臭氧环境数据绘制偏回归图与偏残差图


01

02

03

04


调查结果


3.1调查指标结果


调查的出的各指标数据用R软件进行处理,各水库之间用大小图对比显示,分为上、中、下游,上、中、下游之间用箱图进行对比显示。

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下游各水库指标

3.1.4上中下游各指标对比

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

3.2各指标相关性分析结果


用R软件对所有的指标之间进行了相关性分析,下面列出所有具有显著相关性的指标分析结果。

3.2.1上游各指标相关性

3.2.2中游各指标相关性分析

gam模型分析


SITE1

PH~DO

PH~CODmn

PH~TP

4.1调查结果指标相关性分析


从3.2中上中下游各指标相关性分析的表可以看出:

(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。由于光合作用消耗二氧化碳产生氧气,使DO和PH值均升高,二者成正相关。

(2)TP和透明度的相关性大,而且在上中下游均体现出来,相关系数都在0.65以上,偏差解释度都在96%以上。    TP的增高,会使得水体营养更足,进而浮游植物生长更加旺盛,水体被净化得更干净,从而透明度也就更大,即二者程正相关。

(3)DO、藻密度和叶绿素三者之间相关,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增加。


调查结果分析


4.2调查结果指标分析


从大小图中可以大致看出:

1DO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明显大于其余水库;

3)透明度则在板桥水库和鲶鱼山水库高于其他水库;

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。

从箱图可以看出:


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、最上层以及最下层叶绿素、藻密度是中游处最高;
  • CODmn和中间部分的叶绿素是下游部分最高。但总体来说,各指标的均值差距都不大。

相关文章
|
2月前
|
数据采集 机器学习/深度学习 数据可视化
R语言从数据到决策:R语言在商业分析中的实践
【9月更文挑战第1天】R语言在商业分析中的应用广泛而深入,从数据收集、预处理、分析到预测模型构建和决策支持,R语言都提供了强大的工具和功能。通过学习和掌握R语言在商业分析中的实践应用,我们可以更好地利用数据驱动企业决策,提升企业的竞争力和盈利能力。未来,随着大数据和人工智能技术的不断发展,R语言在商业分析领域的应用将更加广泛和深入,为企业带来更多的机遇和挑战。
|
14天前
|
数据挖掘 C语言 C++
R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。
【10月更文挑战第21天】时间序列分析是一种重要的数据分析方法,广泛应用于经济学、金融学、气象学、生态学等领域。R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。本文将介绍使用R语言进行时间序列分析的基本概念、方法和实例,帮助读者掌握R语言在时间序列分析中的应用。
38 3
|
2月前
|
数据采集
基于R语言的GD库实现地理探测器并自动将连续变量转为类别变量
【9月更文挑战第9天】在R语言中,可通过`gd`包实现地理探测器。首先,安装并加载`gd`包;其次,准备包含地理与因变量的数据框;然后,使用`cut`函数将连续变量转换为分类变量;最后,通过`gd`函数运行地理探测器,并打印结果以获取q值等统计信息。实际应用时需根据数据特点调整参数。
124 8
|
2月前
R语言基于表格文件的数据绘制具有多个系列的柱状图与直方图
【9月更文挑战第9天】在R语言中,利用`ggplot2`包可绘制多系列柱状图与直方图。首先读取数据文件`data.csv`,加载`ggplot2`包后,使用`ggplot`函数指定轴与填充颜色,并通过`geom_bar`或`geom_histogram`绘图。参数如`stat`, `position`, `alpha`等可根据需要调整,实现不同系列的图表展示。
|
2月前
|
数据采集 数据可视化 数据挖掘
R语言在金融数据分析中的深度应用:探索数据背后的市场智慧
【9月更文挑战第1天】R语言在金融数据分析中展现出了强大的功能和广泛的应用前景。通过丰富的数据处理函数、强大的统计分析功能和优秀的可视化效果,R语言能够帮助金融机构深入挖掘数据价值,洞察市场动态。未来,随着金融数据的不断积累和技术的不断进步,R语言在金融数据分析中的应用将更加广泛和深入。
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
R语言在数据科学中的应用实例:探索与预测分析
【8月更文挑战第31天】通过上述实例,我们展示了R语言在数据科学中的强大应用。从数据准备、探索、预处理到建模与预测,R语言提供了完整的解决方案和丰富的工具集。当然,数据科学远不止于此,随着技术的不断发展和业务需求的不断变化,我们需要不断学习和探索新的方法和工具,以更好地应对挑战,挖掘数据的潜在价值。 未来,随着大数据和人工智能技术的普及,R语言在数据科学领域的应用将更加广泛和深入。我们期待看到更多创新的应用实例,为各行各业的发展注入新的动力。
|
6月前
|
数据可视化 数据挖掘 API
【R语言实战】聚类分析及可视化
【R语言实战】聚类分析及可视化
|
6月前
|
机器学习/深度学习 数据可视化
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为2
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为
|
3月前
|
数据采集 存储 数据可视化
R语言时间序列分析:处理与建模时间序列数据的深度探索
【8月更文挑战第31天】R语言作为一款功能强大的数据分析工具,为处理时间序列数据提供了丰富的函数和包。从数据读取、预处理、建模到可视化,R语言都提供了灵活且强大的解决方案。然而,时间序列数据的处理和分析是一个复杂的过程,需要结合具体的应用场景和需求来选择合适的方法和模型。希望本文能为读者在R语言中进行时间序列分析提供一些有益的参考和启示。
|
3月前
|
资源调度 数据挖掘
R语言回归分析:线性回归模型的构建与评估
【8月更文挑战第31天】线性回归模型是统计分析中一种重要且实用的工具,能够帮助我们理解和预测自变量与因变量之间的线性关系。在R语言中,我们可以轻松地构建和评估线性回归模型,从而对数据背后的关系进行深入的探索和分析。