全文下載：http://tecdat.cn/?p=29461
最近我們被客戶要求撰寫關於水質數據的研究報告，包括一些圖形和統計輸出。
採樣地點：淮河流域一帶，昭平台水庫、白龜山水庫、燕山水庫、石漫灘水庫、板橋水庫、宿鴨湖水庫、博山水庫、南灣水庫、石山口水庫、五嶽水庫、潑河水庫、鲶魚山水庫 。
調查時間和地點
調查內容
本次調查在淮河流域的十二個水庫進行，分別在水庫的上、中、下游進行監測，測量的指標有：各點位的經、緯度，水溫、氣溫、PH、溶解氧、CODmn、總磷、總氮、透明度等水質指標，以及在水深0.5m、1.0m、3.0m和5.0m處的葉綠素含量。
點擊標題查閱往期內容
R語言廣義加性模型GAMs分析溫度、臭氧環境數據繪製偏回歸圖與偏殘差圖
左右滑動查看更多
01
02
03
04
調查結果
3.1調查指標結果
調查的出的各指標數據用R軟體進行處理，各水庫之間用大小圖對比顯示，分為上、中、下游，上、中、下游之間用箱圖進行對比顯示。
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上游各水庫指標
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中游各水庫指標
3.1.3下游各水庫指標
3.1.4上中下游各指標對比
boxplot(A$PH1,A$PH2,A$PH3,col="lightblue",
3.2各指標相關性分析結果
用R軟體對所有的指標之間進行了相關性分析，下面列出所有具有顯著相關性的指標分析結果。
3.2.1上游各指標相關性
3.2.2中游各指標相關性分析
gam模型分析
SITE1
PH~DO
PH~CODmn
PH~TP
4.2調查結果指標相關性分析
從3.2中上中下游各指標相關性分析的表可以看出：
（1）PH和DO密切相關，P值遠小於0.0001，相關係數均大於0.95，偏差解釋度都在96%以上。由於光合作用消耗二氧化碳產生氧氣，使DO和PH值均升高，二者成正相關。
（2）TP和透明度的相關性大，而且在上中下游均體現出來，相關係數都在0.65以上，偏差解釋度都在96%以上。 TP的增高，會使得水體營養更足，進而浮游植物生長更加旺盛，水體被凈化得更乾淨，從而透明度也就更大，即二者程正相關。
（3）DO、藻密度和葉綠素三者之間相關，這是因為浮游植物含有大量的葉綠素，通過光合作用能產生氧氣，所以藻密度大其餘兩個指標也會相應增加。
調查結果分析
4.1調查結果指標分析
從大小圖中可以大致看出：
（1）DO濃度是在石漫灘水庫要稍大於其餘水庫的；
（2）CODmn、TP和TN濃度是在宿鴨湖水庫明顯大於其餘水庫；
（3）透明度則在板橋水庫和鲶魚山水庫高於其他水庫；
（4）葉綠素則整體在石漫灘和博山水庫濃度含量較高；
（5）藻密度則是在石漫灘水庫最高。
從箱圖可以看出：
上中下游之間水庫的平均值中，
- TP和TN的值相差無幾；
- PH、DO、透明度、最上層以及最下層葉綠素、藻密度是中游處最高；
- CODmn和中間部分的葉綠素是下游部分最高。但總體來說，各指標的均值差距都不大。
點擊文末 「閱讀原文」
獲取全文完整代碼數據資料。
本文選自《R語言淮河流域水庫水質數據相關性分析、地理可視化、廣義相加模型GAM調查報告》。
點擊標題查閱往期內容
R語言廣義加性模型GAMs分析溫度、臭氧環境數據繪製偏回歸圖與偏殘差圖
【視頻】什麼是非線性模型與R語言多項式回歸、局部平滑樣條、 廣義相加GAM分析工資數據|數據分享
MATLAB最小二乘法：線性最小二乘、加權線性最小二乘、穩健最小二乘、非線性最小二乘與剔除異常值效果比較
數據分享|R語言廣義線性模型GLM：線性最小二乘、對數變換、泊松、二項式邏輯回歸分析冰淇淋銷售時間序列數據和模擬
生態學模擬對廣義線性混合模型GLMM進行功率（功效、效能、效力）分析power analysis環境監測數據
廣義線性模型glm泊松回歸的lasso、彈性網絡分類預測學生考試成績數據和交叉驗證
有限混合模型聚類FMM、廣義線性回歸模型GLM混合應用分析威士忌市場和研究專利申請數據
R語言貝葉斯廣義線性混合（多層次/水平/嵌套）模型GLMM、邏輯回歸分析教育留級影響因素數據
R語言貝葉斯MCMC：GLM邏輯回歸、Rstan線性回歸、Metropolis Hastings與Gibbs採樣算法實例
R語言用lme4多層次（混合效應）廣義線性模型（GLM），邏輯回歸分析教育留級調查數據
R語言廣義線性模型GLM、多項式回歸和廣義可加模型GAM預測鐵達尼號倖存者
R語言用Rshiny探索lme4廣義線性混合模型（GLMM）和線性混合模型（LMM）
R語言使用bootstrap和增量法計算廣義線性模型（GLM）預測置信區間
R語言廣義線性模型(GLMs)算法和零膨脹模型分析
R語言中廣義線性模型(GLM)中的分布和連接函數分析
R語言中GLM(廣義線性模型)，非線性和異方差可視化分析
R語言中的廣義線性模型（GLM）和廣義相加模型（GAM）：多元（平滑）回歸分析保險資金投資組合信用風險敞口
用廣義加性模型GAM進行時間序列分析
R和Python機器學習:廣義線性回歸glm，樣條glm，梯度增強，隨機森林和深度學習模型分析
在r語言中使用GAM（廣義相加模型）進行電力負荷時間序列分析
用廣義加性模型GAM進行時間序列分析
R和Python機器學習:廣義線性回歸glm，樣條glm，梯度增強，隨機森林和深度學習模型分析
在r語言中使用GAM（廣義相加模型）進行電力負荷時間序列分析