library(tidyverse)# library(glme)# library(lsmeans)# library(agricolae)# library(RVAideMemoire)library(corrplot)# library(emmeans)library(lme4)library(multcomp)library(MASS)# library(R2WinBUGS)library(arm)# library(performance)# library(AER)# library(AICcmodavg)# library(MuMIn)library(ade4)library(Hmisc)library(labdsv)library(vegan)library(cowplot)library(ggpubr)library(rstatix)library(patchwork)library(multcompView)library(ggsignif)library(grid)library(FactoMineR)library(factoextra)library(explore)library(ggrepel)library(naniar)library(outliers)library(leaps)library(fastDummies)library(caret) # pour l'entrainement des modelslibrary(mgcv)library(ggeffects)library(gratia)library(GGally) # pour ggpair# library(caTools)# library(rpart)# library(rpart.plot)library(openxlsx)library(readxl)library(leaflet) # pour la cartolibrary(quarto)library(raster)library(knitr)library(kableExtra)library(stringr)library(plotly)# library(PerformanceAnalytics)# library(usdm)library(vcd) # pour la distribution des var reponselibrary(prospectr)# pour split data avec kenSton()# library(glmnet)library(randomForest)# library(doParallel)library(gbm)library(kernlab)# library(e1071)library(ggforce)library(keras)library(tensorflow)library(neuralnet)# library(parallel)library(iml) # pour l'interpretabilité des models https://cran.r-project.org/web/packages/iml/vignettes/intro.htmllibrary(stats)# library(Boruta) # importance des predicteurslibrary(bestNormalize)library(rmarkdown)library(DT)library(gtExtras) # pour lalibrary(reshape2)# library(mapview)library(sf)library(ggplot2)library(maptools)library(ggsn)library(spThin)library(sp)library(gstat)
# Lire le fichier Excelchemin_fichier_excel <-"C:/Users/diall/Downloads/datas/ODMAP.xlsx"climat <-read.xlsx(chemin_fichier_excel, sheet ="climat")# Fusions des cellules des colonnes avec des éléments dupliquésfor (col innames(climat)) { climat[[col]] <-ifelse(duplicated(climat[[col]]), "", climat[[col]])}# Affichage du tableau avec kableExtra et centrage du contenu des celluleskableExtra::kable(climat) %>% kableExtra::kable_styling() %>% kableExtra::column_spec(1:ncol(climat))
chemin_fichier_excel <-"C:/Users/diall/Downloads/datas/ODMAP.xlsx"pedo <-read.xlsx(chemin_fichier_excel, sheet ="pedo")# Fusion des cellules des colonnes avec des éléments dupliquésfor (col innames(pedo)) { pedo[[col]] <-ifelse(duplicated(pedo[[col]]), "", pedo[[col]])}#tableau avec kableExtra et centrage du contenu des celluleskableExtra::kable(pedo) %>% kableExtra::kable_styling() %>% kableExtra::column_spec(1:ncol(pedo)) # Centrer le contenu de toutes les colonnes
Transformation sqrt de l’abondance et de la biomasse
Transformation centrée reduite des prédicteurs
7 Spatial Thinning
7.1 Spatial Thinning
7.2 Bretagne
7.3 Dijon
7.4 IDF
7.5 All
7.6 Test de corrélation
7.7 VIF
No variable from the 9 input variables has collinearity problem.
The linear correlation coefficients ranges between:
min correlation ( P ~ N ): 0.01215993
max correlation ( P ~ gps_y ): 0.5728211
---------- VIFs of the remained variables --------
Variables VIF
1 CaCO3 1.518796
2 gps_x 2.375168
3 N 1.951163
4 bio3 2.007208
5 gps_y 2.313591
6 clay 1.635097
7 silt 1.338829
8 P 1.752233
9 bio12 2.066333
