Skip to contents

taxdiv Paketi Kullanim Rehberi (Turkce)

Source: vignettes/giris_rehberi.Rmd
giris_rehberi.Rmd

Bu Paket Ne Ise Yarar?

taxdiv paketi, ekolojik topluluklarda taksonomik cesitliligi hesaplamak icin yazilmis bir R paketidir.

Klasik cesitlilik indeksleri (Shannon, Simpson) sadece tur bolluklarini dikkate alir. Ancak iki toplulukta ayni sayida tur olsa bile, birinde tum turler ayni familyadan, digerinde farkli takimlardan olabilir. Taksonomik cesitlilik indeksleri bu farki yakalayabilir.

Pakette uc ana yaklasim vardir:

  1. Klasik indeksler: Shannon ve Simpson
  2. Clarke & Warwick taksonomik ayirt edicilik: Delta, Delta*, AvTD, VarTD
  3. Ozkan (2018) Deng entropisi tabanli: pTO (uTO, TO, uTO+, TO+)

Ornek Veri: Akdeniz Ormani Toplulugu

Orneklerimizde 10 turlu hayali bir Akdeniz ormani toplulugu kullanacagiz. Her turun bolluk degeri (birey sayisi) ve 7 taksonomik seviyesi vardir.

# Tur bolluklari (ornek alanindaki birey sayisi)
topluluk <- c(
  Quercus_coccifera    = 25,
  Quercus_infectoria   = 18,
  Pinus_brutia         = 30,
  Pinus_nigra          = 12,
  Juniperus_excelsa    = 8,
  Juniperus_oxycedrus  = 5,
  Cedrus_libani        = 15,
  Abies_cilicica       = 7,
  Fagus_orientalis     = 20,
  Carpinus_betulus      = 10
)

# Taksonomik hiyerarsi (7 seviye: Tur, Cins, Familya, Takim, Sinif, Bolum, Alem)
agac <- build_tax_tree(
  species = names(topluluk),
  Genus   = c("Quercus", "Quercus", "Pinus", "Pinus",
              "Juniperus", "Juniperus", "Cedrus", "Abies",
              "Fagus", "Carpinus"),
  Family  = c("Fagaceae", "Fagaceae", "Pinaceae", "Pinaceae",
              "Cupressaceae", "Cupressaceae", "Pinaceae", "Pinaceae",
              "Fagaceae", "Betulaceae"),
  Order   = c("Fagales", "Fagales", "Pinales", "Pinales",
              "Pinales", "Pinales", "Pinales", "Pinales",
              "Fagales", "Fagales"),
  Class   = c("Magnoliopsida", "Magnoliopsida", "Pinopsida", "Pinopsida",
              "Pinopsida", "Pinopsida", "Pinopsida", "Pinopsida",
              "Magnoliopsida", "Magnoliopsida"),
  Phylum  = c("Magnoliophyta", "Magnoliophyta", "Pinophyta", "Pinophyta",
              "Pinophyta", "Pinophyta", "Pinophyta", "Pinophyta",
              "Magnoliophyta", "Magnoliophyta"),
  Kingdom = c("Plantae", "Plantae", "Plantae", "Plantae",
              "Plantae", "Plantae", "Plantae", "Plantae",
              "Plantae", "Plantae")
)

agac
#>                Species     Genus       Family   Order         Class
#> 1    Quercus_coccifera   Quercus     Fagaceae Fagales Magnoliopsida
#> 2   Quercus_infectoria   Quercus     Fagaceae Fagales Magnoliopsida
#> 3         Pinus_brutia     Pinus     Pinaceae Pinales     Pinopsida
#> 4          Pinus_nigra     Pinus     Pinaceae Pinales     Pinopsida
#> 5    Juniperus_excelsa Juniperus Cupressaceae Pinales     Pinopsida
#> 6  Juniperus_oxycedrus Juniperus Cupressaceae Pinales     Pinopsida
#> 7        Cedrus_libani    Cedrus     Pinaceae Pinales     Pinopsida
#> 8       Abies_cilicica     Abies     Pinaceae Pinales     Pinopsida
#> 9     Fagus_orientalis     Fagus     Fagaceae Fagales Magnoliopsida
#> 10    Carpinus_betulus  Carpinus   Betulaceae Fagales Magnoliopsida
#>           Phylum Kingdom
#> 1  Magnoliophyta Plantae
#> 2  Magnoliophyta Plantae
#> 3      Pinophyta Plantae
#> 4      Pinophyta Plantae
#> 5      Pinophyta Plantae
#> 6      Pinophyta Plantae
#> 7      Pinophyta Plantae
#> 8      Pinophyta Plantae
#> 9  Magnoliophyta Plantae
#> 10 Magnoliophyta Plantae

build_tax_tree() fonksiyonu turleri ve taksonomik seviyelerini bir data frame olarak dondurur. Ilk sutun tur isimleri, sonrakiler en dusukten en yuksege sirali taksonomik ranklar (Cins -> Familya -> Takim -> Sinif -> Bolum -> Alem).

Adim 1: Klasik Cesitlilik Indeksleri

Shannon ve Simpson indeksleri sadece tur bolluklarini kullanir. Taksonomik yapiyi dikkate almazlar.

# Shannon cesitliligi (dogal logaritma)
H <- shannon(topluluk)
cat("Shannon H':", round(H, 4), "\n")
#> Shannon H': 2.1692

# Simpson indeksleri
D <- simpson(topluluk, type = "dominance")       # Baskinlik
GS <- simpson(topluluk, type = "gini_simpson")    # 1 - D
inv_D <- simpson(topluluk, type = "inverse")      # 1 / D

cat("Simpson baskinlik (D):", round(D, 4), "\n")
#> Simpson baskinlik (D): 0.1269
cat("Gini-Simpson (1-D):", round(GS, 4), "\n")
#> Gini-Simpson (1-D): 0.8731
cat("Ters Simpson (1/D):", round(inv_D, 4), "\n")
#> Ters Simpson (1/D): 7.8782

Yorum: Shannon degeri ne kadar yuksekse topluluk o kadar cesitlidir. Simpson baskinlik degeri ne kadar dusukse o kadar iyi dagilim vardir.

Shannon ve Simpson icin correction = "chao_shen" parametresiyle Chao & Shen (2003) yanliliksiz tahminci kullanilabilir:

H_duz <- shannon(topluluk, correction = "chao_shen")
cat("Shannon (Chao-Shen duzeltmeli):", round(H_duz, 4), "\n")
#> Shannon (Chao-Shen duzeltmeli): 2.17
cat("Shannon (duzeltmesiz):         ", round(H, 4), "\n")
#> Shannon (duzeltmesiz):          2.1692

Adim 2: Taksonomik Mesafe Matrisi

Taksonomik cesitliligi hesaplamadan once turler arasi taksonomik mesafeyi hesaplamamiz gerekir. Bu mesafe, iki turun taksonomik hiyerarsideki ilk ortak atalarinin seviyesine gore belirlenir.

mesafe <- tax_distance_matrix(agac)
round(mesafe, 1)
#>                     Quercus_coccifera Quercus_infectoria Pinus_brutia
#> Quercus_coccifera                   0                  1            6
#> Quercus_infectoria                  1                  0            6
#> Pinus_brutia                        6                  6            0
#> Pinus_nigra                         6                  6            1
#> Juniperus_excelsa                   6                  6            3
#> Juniperus_oxycedrus                 6                  6            3
#> Cedrus_libani                       6                  6            2
#> Abies_cilicica                      6                  6            2
#> Fagus_orientalis                    2                  2            6
#> Carpinus_betulus                    3                  3            6
#>                     Pinus_nigra Juniperus_excelsa Juniperus_oxycedrus
#> Quercus_coccifera             6                 6                   6
#> Quercus_infectoria            6                 6                   6
#> Pinus_brutia                  1                 3                   3
#> Pinus_nigra                   0                 3                   3
#> Juniperus_excelsa             3                 0                   1
#> Juniperus_oxycedrus           3                 1                   0
#> Cedrus_libani                 2                 3                   3
#> Abies_cilicica                2                 3                   3
#> Fagus_orientalis              6                 6                   6
#> Carpinus_betulus              6                 6                   6
#>                     Cedrus_libani Abies_cilicica Fagus_orientalis
#> Quercus_coccifera               6              6                2
#> Quercus_infectoria              6              6                2
#> Pinus_brutia                    2              2                6
#> Pinus_nigra                     2              2                6
#> Juniperus_excelsa               3              3                6
#> Juniperus_oxycedrus             3              3                6
#> Cedrus_libani                   0              2                6
#> Abies_cilicica                  2              0                6
#> Fagus_orientalis                6              6                0
#> Carpinus_betulus                6              6                3
#>                     Carpinus_betulus
#> Quercus_coccifera                  3
#> Quercus_infectoria                 3
#> Pinus_brutia                       6
#> Pinus_nigra                        6
#> Juniperus_excelsa                  6
#> Juniperus_oxycedrus                6
#> Cedrus_libani                      6
#> Abies_cilicica                     6
#> Fagus_orientalis                   3
#> Carpinus_betulus                   0

Nasil okunur:

  • 0 = Ayni tur (kosegen)
  • 1 = Ayni cins, farkli tur (ornegin Pinus brutia - Pinus nigra)
  • 2 = Ayni familya, farkli cins (ornegin Pinus - Cedrus, ikisi de Pinaceae)
  • 3 = Ayni takim, farkli familya (ornegin Pinaceae - Cupressaceae, ikisi de Pinales)
  • 6 = Farkli sinif (Magnoliopsida vs Pinopsida — en uzak mesafe)

Adim 3: Clarke & Warwick Taksonomik Ayirt Edicilik

Clarke & Warwick (1998) dort farkli olcu onerir:

# Delta: Taksonomik cesitlilik (bolluk agirlikli)
d <- delta(topluluk, agac)
cat("Delta (taksonomik cesitlilik):", round(d, 4), "\n")
#> Delta (taksonomik cesitlilik): 3.8246

# Delta*: Taksonomik ayirt edicilik (bolluk agirlikli, ayni tur ciftleri haric)
ds <- delta_star(topluluk, agac)
cat("Delta* (taksonomik ayirt edicilik):", round(ds, 4), "\n")
#> Delta* (taksonomik ayirt edicilik): 4.3515

# AvTD (Delta+): Ortalama taksonomik ayirt edicilik (sadece tur listesi, bolluk onemsiz)
turler <- names(topluluk)
avg_td <- avtd(turler, agac)
cat("AvTD (Delta+):", round(avg_td, 4), "\n")
#> AvTD (Delta+): 4.3111

# VarTD (Lambda+): Taksonomik ayirt edicilik varyasyonu
var_td <- vartd(turler, agac)
cat("VarTD (Lambda+):", round(var_td, 4), "\n")
#> VarTD (Lambda+): 3.5032

Onemli fark:

  • Delta ve Delta*: Bolluga bagimli — tur sayilari onemli
  • AvTD ve VarTD: Bolluktan bagimsiz — sadece turlerin var/yok bilgisini kullanir

Adim 4: Deng Entropisi ve Ozkan pTO (Islem 1)

Deng (2016) entropisi, Shannon entropisinin Dempster-Shafer kanit teorisi uzerinden genellenmis halidir. Her taksonomik seviyede gruplarin tur sayisini (fokal eleman boyutu) dikkate alir.

Ozkan (2018) Deng entropisini kullanarak dort olcu tanimlar:

  • uTO: Agirliksiz taksonomik cesitlilik
  • TO: Agirlikli taksonomik cesitlilik (seviye agirliklari ile)
  • uTO+: Agirliksiz taksonomik uzaklik (sadece tur listesi)
  • TO+: Agirlikli taksonomik uzaklik
sonuc <- ozkan_pto(topluluk, agac)

cat("uTO  (agirliksiz cesitlilik):", round(sonuc$uTO, 4), "\n")
#> uTO  (agirliksiz cesitlilik): 8.6804
cat("TO   (agirlikli cesitlilik):", round(sonuc$TO, 4), "\n")
#> TO   (agirlikli cesitlilik): 15.2596
cat("uTO+ (agirliksiz uzaklik):", round(sonuc$uTO_plus, 4), "\n")
#> uTO+ (agirliksiz uzaklik): 8.9019
cat("TO+  (agirlikli uzaklik):", round(sonuc$TO_plus, 4), "\n")
#> TO+  (agirlikli uzaklik): 15.4812

Her taksonomik seviyedeki Deng entropisi degerleri:

cat("Taksonomik seviye bazinda Deng entropisi:\n")
#> Taksonomik seviye bazinda Deng entropisi:
for (i in seq_along(sonuc$Ed_levels)) {
  cat("  ", names(sonuc$Ed_levels)[i], ":",
      round(sonuc$Ed_levels[i], 4), "\n")
}
#>    Species : 2.3026 
#>    Genus : 2.5459 
#>    Family : 3.1666 
#>    Order : 4.2421 
#>    Class : 4.2421 
#>    Phylum : 4.2421 
#>    Kingdom : 0

max_level parametresi

ozkan_pto() fonksiyonunda max_level parametresi ile hesaplamada kullanilacak maksimum taksonomik seviye sinirlanabilir. Varsayilan NULL tum seviyeleri kullanir. "auto" bilgi icermeyen seviyeleri otomatik eler:

# Tum seviyeler (varsayilan)
r_full <- ozkan_pto(topluluk, agac, max_level = NULL)
cat("Tum seviyeler: uTO =", round(r_full$uTO, 4),
    " TO =", round(r_full$TO, 4), "\n")
#> Tum seviyeler: uTO = 8.6804  TO = 15.2596

# Otomatik seviye secimi
r_auto <- ozkan_pto(topluluk, agac, max_level = "auto")
cat("Auto seviye:   uTO =", round(r_auto$uTO, 4),
    " TO =", round(r_auto$TO, 4), "\n")
#> Auto seviye:   uTO = 8.6804  TO = 15.2596
cat("Bilgilendirici seviye:", r_auto$max_informative_level, "\n")
#> Bilgilendirici seviye: 5

# Sadece ilk 3 seviye
r_3 <- ozkan_pto(topluluk, agac, max_level = 3)
cat("Ilk 3 seviye:  uTO =", round(r_3$uTO, 4),
    " TO =", round(r_3$TO, 4), "\n")
#> Ilk 3 seviye:  uTO = 8.6804  TO = 15.2596

8 Bilesenli Cikti

max_level kullanildiginda ozkan_pto() hem standart hem max_level degerlerini dondurur:

sonuc8 <- ozkan_pto(topluluk, agac, max_level = "auto")
cat("Standart:  uTO =", round(sonuc8$uTO, 4),
    " TO =", round(sonuc8$TO, 4), "\n")
#> Standart:  uTO = 8.6804  TO = 15.2596
cat("Max-level: uTO_max =", round(sonuc8$uTO_max, 4),
    " TO_max =", round(sonuc8$TO_max, 4), "\n")
#> Max-level: uTO_max = 8.6804  TO_max = 15.2596
cat("Bilgilendirici seviye sayisi:", sonuc8$max_informative_level, "\n")
#> Bilgilendirici seviye sayisi: 5

pto_components() ile tek satirda alabilirsiniz:

pto_components(topluluk, agac)
#>          uTO           TO     uTO_plus      TO_plus      uTO_max       TO_max 
#>     8.680386    15.259632     8.901929    15.481180     8.680386    15.259632 
#> uTO_plus_max  TO_plus_max 
#>     8.901929    15.481180

Adim 5: Stokastik Yeniden Ornekleme (Islem 2 / Run 2)

Islem 1 tum turleri oldugu gibi kullanir. Peki topluluk yapisini degistirirsek cesitlilik nasil etkilenir?

Islem 2 bunu test eder: Her turde %50 olasilikla dahil/haric birakarak rastgele alt topluluklar olusturur. Birden fazla iterasyon yapilir ve maksimum pTO degeri alinir.

islem2 <- ozkan_pto_resample(topluluk, agac, n_iter = 101, seed = 42)

cat("=== Islem 1 (deterministik) ===\n")
#> === Islem 1 (deterministik) ===
cat("uTO+:", round(islem2$uTO_plus_det, 4), "\n")
#> uTO+: 8.9019
cat("TO+: ", round(islem2$TO_plus_det, 4), "\n")
#> TO+:  15.4812
cat("uTO: ", round(islem2$uTO_det, 4), "\n")
#> uTO:  8.6804
cat("TO:  ", round(islem2$TO_det, 4), "\n\n")
#> TO:   15.2596

cat("=== Islem 2 (maksimum,", islem2$n_iter, "iterasyon) ===\n")
#> === Islem 2 (maksimum, 101 iterasyon) ===
cat("uTO+:", round(islem2$uTO_plus_max, 4), "\n")
#> uTO+: 8.9019
cat("TO+: ", round(islem2$TO_plus_max, 4), "\n")
#> TO+:  15.4812
cat("uTO: ", round(islem2$uTO_max, 4), "\n")
#> uTO:  8.6804
cat("TO:  ", round(islem2$TO_max, 4), "\n")
#> TO:   15.2596

Islem 2 degerleri her zaman Islem 1’e esit veya buyuktur, cunku deterministik hesaplama ilk iterasyon olarak dahil edilir.

Adim 6: Duyarlilik Analizi (Islem 3 / Run 3)

Islem 3, Islem 2 sonuclarina gore tur bazli dahil etme olasiliklari hesaplar. Cesitlilige daha cok katki saglayan turler farkli olasilikla dahil edilir.

islem3 <- ozkan_pto_sensitivity(topluluk, agac, islem2, seed = 123)

cat("=== Islem 3 (duyarlilik analizi) ===\n")
#> === Islem 3 (duyarlilik analizi) ===
cat("Islem 3 max uTO+:", round(islem3$run3_uTO_plus_max, 4), "\n")
#> Islem 3 max uTO+: 9.4113
cat("Islem 3 max TO+: ", round(islem3$run3_TO_plus_max, 4), "\n\n")
#> Islem 3 max TO+:  15.9905

cat("=== Genel maksimum (Islem 1 + 2 + 3) ===\n")
#> === Genel maksimum (Islem 1 + 2 + 3) ===
cat("uTO+:", round(islem3$uTO_plus_max, 4), "\n")
#> uTO+: 9.4113
cat("TO+: ", round(islem3$TO_plus_max, 4), "\n")
#> TO+:  15.9905
cat("uTO: ", round(islem3$uTO_max, 4), "\n")
#> uTO:  9.0047
cat("TO:  ", round(islem3$TO_max, 4), "\n")
#> TO:   15.5839

Tur Dahil Etme Olasiliklari

Her turun Islem 3’te dahil edilme olasiligi:

olasiliklar <- islem3$species_probs
veri_cercevesi <- data.frame(
  Tur = names(olasiliklar),
  Olasilik = round(olasiliklar, 4)
)
print(veri_cercevesi, row.names = FALSE)
#>                  Tur Olasilik
#>    Quercus_coccifera    0.902
#>   Quercus_infectoria    0.902
#>         Pinus_brutia    0.900
#>          Pinus_nigra    0.900
#>    Juniperus_excelsa    0.900
#>  Juniperus_oxycedrus    0.900
#>        Cedrus_libani    0.900
#>       Abies_cilicica    0.900
#>     Fagus_orientalis    0.902
#>     Carpinus_betulus    0.902

Adim 7: Tam Pipeline (ozkan_pto_full)

ozkan_pto_full() fonksiyonu uc islemi tek satirda calistirir:

tam <- ozkan_pto_full(topluluk, agac, n_iter = 101, seed = 42)

cat("Pipeline: Islem 1 -> Islem 2 -> Islem 3\n\n")
#> Pipeline: Islem 1 -> Islem 2 -> Islem 3
cat("          uTO+      TO+       uTO       TO\n")
#>           uTO+      TO+       uTO       TO
cat("Islem 1:", sprintf("%9.4f %9.4f %9.4f %9.4f",
    tam$run1$uTO_plus, tam$run1$TO_plus,
    tam$run1$uTO, tam$run1$TO), "\n")
#> Islem 1:    8.9019   15.4812    8.6804   15.2596
cat("Islem 2:", sprintf("%9.4f %9.4f %9.4f %9.4f",
    tam$run2$uTO_plus_max, tam$run2$TO_plus_max,
    tam$run2$uTO_max, tam$run2$TO_max), "\n")
#> Islem 2:    8.9019   15.4812    8.6804   15.2596
cat("Islem 3:", sprintf("%9.4f %9.4f %9.4f %9.4f",
    tam$run3$uTO_plus_max, tam$run3$TO_plus_max,
    tam$run3$uTO_max, tam$run3$TO_max), "\n")
#> Islem 3:    9.3926   15.9718    9.0047   15.5839

Her asama bir oncekine esit veya daha buyuk deger uretir.

Adim 8: Jackknife Yanliliksiz Tahmin

ozkan_pto_jackknife() birer birer tur cikararak (leave-one-out) yanliliksiz pTO tahmini hesaplar:

jk <- ozkan_pto_jackknife(topluluk, agac)

cat("Tam sonuc uTO+:", round(jk$full_result$uTO_plus, 4), "\n")
#> Tam sonuc uTO+: 8.9019
cat("Tam sonuc TO+: ", round(jk$full_result$TO_plus, 4), "\n")
#> Tam sonuc TO+:  15.4812
cat("Mutlu turler:  ", jk$n_happy, "/", jk$n_happy + jk$n_unhappy, "\n\n")
#> Mutlu turler:   4 / 10

# Her turun cikarildiginda sonuc nasil degisiyor?
head(jk$jackknife_results)
#>               species uTO_plus  TO_plus      uTO       TO is_happy
#> 1   Quercus_coccifera 8.733962 15.31321 8.559784 15.13901     TRUE
#> 2  Quercus_infectoria 8.733962 15.31321 8.582377 15.16162     TRUE
#> 3        Pinus_brutia 9.285601 15.86485 8.875835 15.45488    FALSE
#> 4         Pinus_nigra 9.285601 15.86485 8.843811 15.42306    FALSE
#> 5   Juniperus_excelsa 9.112068 15.69132 8.731124 15.31037    FALSE
#> 6 Juniperus_oxycedrus 9.112068 15.69132 8.764605 15.34385    FALSE

Adim 9: Toplu Analiz (batch_analysis)

Birden fazla ornek alani ayni anda analiz etmek icin batch_analysis() kullanilir. Her ornek alan icin tur sayisi ve 14 cesitlilik indeksini otomatik hesaplar:

# Coklu ornek alan verisi
veri <- data.frame(
  Site = rep(c("Alan_A", "Alan_B"), each = 5),
  Species = rep(c("Pinus_brutia", "Pinus_nigra", "Quercus_coccifera",
                  "Juniperus_excelsa", "Cedrus_libani"), 2),
  Abundance = c(30, 12, 25, 8, 15, 5, 40, 10, 3, 2),
  Genus = rep(c("Pinus", "Pinus", "Quercus", "Juniperus", "Cedrus"), 2),
  Family = rep(c("Pinaceae", "Pinaceae", "Fagaceae",
                 "Cupressaceae", "Pinaceae"), 2),
  Order = rep(c("Pinales", "Pinales", "Fagales", "Pinales", "Pinales"), 2)
)

sonuc_batch <- batch_analysis(veri)
print(sonuc_batch)
#> taxdiv -- Batch Analysis
#>   Sites: 2 
#>   Indices: 14 
#> 
#>    Site N_Species  Shannon  Simpson    Delta Delta_star AvTD VarTD      uTO
#>  Alan_A         5 1.504443 0.758272 1.963296   2.560404  2.6  0.44 5.444330
#>  Alan_B         5 1.039172 0.517222 1.301130   2.473684  2.6  0.44 4.330512
#>        TO uTO_plus  TO_plus  uTO_max   TO_max uTO_plus_max TO_plus_max
#>  8.622250 5.845169 9.023223 5.444330 8.622250     5.845169    9.023223
#>  7.501388 5.845169 9.023223 4.330512 7.501388     5.845169    9.023223

Cikti 16 sutundan olusur: Site, N_Species ve 14 cesitlilik indeksi.

Adim 10: Rarefaction (Seyreltme)

Rarefaction, farkli orneklem buyukluklerinin cesitlilik tahminleri uzerindeki etkisini degerlendirir. Egri duzlestiyse orneklemeniz yeterlidir:

rare <- rarefaction_taxonomic(topluluk, agac,
                               index = "shannon",
                               steps = 10, n_boot = 100, seed = 42)
cat("Rarefaction sonuclari (Shannon):\n")
#> Rarefaction sonuclari (Shannon):
print(round(rare, 4))
#> taxdiv -- Rarefaction Curve
#>   Index: shannon 
#>   Total N: 150 
#>   Bootstrap: 100 replicates
#>   CI: 95 %
#>   Steps: 10 
#> 
#>  sample_size   mean  lower  upper     sd
#>            5 1.3380 0.9503 1.6094 0.2354
#>           21 1.9429 1.5955 2.1907 0.1521
#>           37 2.0616 1.8675 2.1989 0.0926
#>           53 2.1004 1.9616 2.2042 0.0640
#>           69 2.1268 2.0265 2.1993 0.0470
#>           86 2.1421 2.0617 2.2006 0.0375
#>          102 2.1525 2.0814 2.1980 0.0298
#>          118 2.1596 2.1205 2.2018 0.0214
#>          134 2.1664 2.1307 2.1929 0.0159
#>          150 2.1692 2.1692 2.1692 0.0000

Adim 11: Simuelasyon ve Huni Grafigi (Funnel Plot)

simulate_td() ile belirli bir tur havuzundan rastgele topluluklar olusturarak beklenen indeks dagilimini hesaplayabilirsiniz. Bu dagilim huni grafigi ile gorsellestirilerek gercek toplulugun beklenen aralikta olup olmadigi degerlendirilir:

sim <- simulate_td(agac, n_sim = 100, seed = 42)
summary(sim)
#>        s        mean_avtd       lower_avtd      upper_avtd      mean_vartd   
#>  Min.   : 2   Min.   :4.295   Min.   :1.000   Min.   :4.311   Min.   :0.000  
#>  1st Qu.: 4   1st Qu.:4.302   1st Qu.:2.500   1st Qu.:4.464   1st Qu.:3.213  
#>  Median : 6   Median :4.315   Median :3.600   Median :4.667   Median :3.468  
#>  Mean   : 6   Mean   :4.338   Mean   :3.209   Mean   :4.787   Mean   :2.930  
#>  3rd Qu.: 8   3rd Qu.:4.380   3rd Qu.:3.929   3rd Qu.:5.000   3rd Qu.:3.486  
#>  Max.   :10   Max.   :4.423   Max.   :4.311   Max.   :6.000   Max.   :3.505  
#>   lower_vartd      upper_vartd   
#>  Min.   :0.0000   Min.   :0.000  
#>  1st Qu.:0.5833   1st Qu.:3.731  
#>  Median :2.7556   Median :4.032  
#>  Mean   :2.1336   Mean   :3.841  
#>  3rd Qu.:3.1671   3rd Qu.:4.596  
#>  Max.   :3.5032   Max.   :5.556

Gorsellestime

taxdiv paketi ggplot2 tabanli yedi ozel gorsellestirme fonksiyonu sunar. Her biri farkli bir analitik soruya cevap verir.

Taksonomik Agac (Dendogram)

Turlerin taksonomik yakinligini dendogram olarak gosterir:

plot_taxonomic_tree(agac, community = topluluk,
                    color_by = "Family", label_size = 3.5,
                    title = "Akdeniz Ormani - Familya Bazinda")

Akdeniz ormani turlerinin familya bazinda taksonomik agac dendogrami

Nasil okunur: Ayni daldan cikan turler taksonomik olarak yakindir. Parantez icindeki sayilar bolluk degerleridir. Renkler familyalari gosterir. Uzun dallar daha buyuk taksonomik mesafeyi temsil eder.

Taksonomik Mesafe Isi Haritasi (Heatmap)

Turler arasi mesafe matrisini renkli olarak gosterir:

plot_heatmap(agac, label_size = 2.8,
             title = "Taksonomik Mesafe Isi Haritasi")

Turler arasi taksonomik mesafeleri gosteren isi haritasi

Nasil okunur: Koyu kirmizi = uzak turler, beyaz = yakin turler. Her hucredeki sayi taksonomik mesafe degerini gosterir. Kosegen her zaman sifirdir.

Indeks Karsilastirma (Bar Plot)

Birden fazla toplulugu tum indeksler uzerinden karsilastirir. Ikinci bir topluluk olusturuyoruz: ayni turler ama bir tur baskin:

# Baskin topluluk: ayni turler, farkli bolluk dagilimi
baskin_topluluk <- c(
  Quercus_coccifera   = 80, Quercus_infectoria  = 5,
  Pinus_brutia        = 3,  Pinus_nigra         = 2,
  Juniperus_excelsa   = 2,  Juniperus_oxycedrus = 1,
  Cedrus_libani       = 3,  Abies_cilicica      = 1,
  Fagus_orientalis    = 2,  Carpinus_betulus     = 1
)

topluluklar <- list(
  Cesitli = topluluk,
  Baskin  = baskin_topluluk
)
sonuc_plot <- compare_indices(topluluklar, agac, plot = TRUE)
sonuc_plot$plot

Cesitli ve baskin topluluklar icin 14 cesitlilik indeksinin cubuk grafigi karsilastirmasi

Nasil okunur: Bolluga bagimli indeksler (Shannon, Simpson, Delta, TO) iki topluluk arasinda belirgin farklilik gosterir. Bolluktan bagimsiz indeksler (AvTD, VarTD, uTO+, TO+) aynidir cunku iki toplulukta da ayni turler vardir — sadece bolluk dagilimi farklidir. Bu, her iki olcu turununun neden birlikte gerekli oldugunu gosterir.

Tablo ciktisi:

sonuc_plot$table
#> taxdiv -- Index Comparison
#>   Communities: 2 
#>   Indices: Shannon, Simpson, Delta, Delta_star, AvTD, VarTD, uTO, TO, uTO_plus, TO_plus, uTO_max, TO_max, uTO_plus_max, TO_plus_max 
#> 
#>  Community N_Species  Shannon  Simpson    Delta Delta_star     AvTD   VarTD
#>    Cesitli        10 2.169177 0.873067 3.824609   4.351456 4.311111 3.50321
#>     Baskin        10 0.911571 0.354200 1.509495   4.219085 4.311111 3.50321
#>       uTO       TO uTO_plus  TO_plus  uTO_max   TO_max uTO_plus_max TO_plus_max
#>  8.680386 15.25963 8.901929 15.48118 8.680386 15.25963     8.901929    15.48118
#>  6.162078 12.73918 8.901929 15.48118 6.162078 12.73918     8.901929    15.48118

Islem 2 Iterasyon Grafigi

Her iterasyondaki pTO degerlerini gosterir:

plot_iteration(islem2, component = "TO",
               title = "Islem 2 - TO Degerleri")

Islem 2 stokastik yeniden orneklemedeki TO degerlerinin iterasyon grafigi

Nasil okunur:

  • Gri noktalar: Her iterasyondaki deger (rastgele tur alt kumesi)
  • Kirmizi cizgi: Deterministik (Islem 1) degeri
  • Mavi cizgi: Tum iterasyonlar arasindaki maksimum

Dusuk noktalar = az tur dahil edildigi durumlar. Kirmizi cizginin ustundeki noktalar, bazi turlerin cikarilmasinin cesitliligi artirdigini gosterir.

Tur Katki Baloncuk Grafigi (Bubble Chart)

Her turun topluluk cesitliligine katkisini gosterir:

plot_bubble(topluluk, agac, color_by = "Family",
            title = "Tur Katkilari - Familya Bazinda")

Her turun cesitlilige katkisini gosteren familya bazinda balon grafigi

Nasil okunur:

  • X ekseni: Bolluk (birey sayisi)
  • Y ekseni: Ortalama taksonomik mesafe (diger turlere uzaklik)
  • Balon boyutu: Katki orani (bolluk x mesafe)
  • Sag ust koseteki turler cesitlilige en cok katki saglar (hem bol hem uzak)

Radar Grafigi (Spider Chart)

Birden fazla toplulugu tum indeksler uzerinden radar seklinde karsilastirir:

plot_radar(topluluklar, agac,
           title = "Cesitli vs Baskin - Radar Karsilastirmasi")
#> Warning: Removed 2 rows containing missing values or values outside the scale range
#> (`geom_point()`).

Cesitli ve baskin topluluklar icin normalize edilmis indeks degerlerinin radar grafigi

Nasil okunur: Her eksen bir indeksi temsil eder. Degerler 0-1 arasinda normalize edilmistir. Buyuk alan = yuksek cesitlilik. Iki poligonun bolluk bagimsiz indekslerde ustuste binip bolluk bagimli indekslerde ayrilmasi, ayni tur havuzunun farkli dagilimlarini dogrular.

Seyreltme Egrisi (Rarefaction Curve)

Cesitlilik tahminlerinin orneklem buyuklugune gore degisimini gosterir:

Shannon indeksi icin orneklem buyuklugune karsi seyreltme egrisi

Nasil okunur: X ekseni orneklenen birey sayisi, Y ekseni tahmini cesitlilik indeksidir. Golgelenmis bant %95 bootstrap guven araligini gosterir. Egri duzlestiyse orneklemeniz yeterlidir. Sag kenardaki dik egri daha fazla ornekleme gerektigini gosterir.

Huni Grafigi (Funnel Plot)

Gercek toplulugu simule edilmis beklenen aralikla karsilastirir:

plot_funnel(sim, observed = data.frame(
              site  = "Akdeniz Ormani",
              s     = length(topluluk),
              value = avg_td),
            index = "avtd",
            title = "AvTD - Huni Grafigi")

AvTD icin beklenen aralik ve gercek deger gosteren huni grafigi

Nasil okunur: Gri bant beklenen aralik, kirmizi nokta gercek degerdir. Bant icinde ise topluluk beklenen cesitlilik araligindadir. Bantin disinda ise cesitlilik beklenenden onemli olcude farklidir.

Matematiksel Arka Plan

Bu bolum, paketteki indekslerin matematiksel formullerini ve birbirleriyle iliskilerini aciklar. Tez veya makale yazarken bu formullere ihtiyaciniz olacaktir.

Shannon Entropisi

Shannon (1948), bir sistemdeki belirsizligi olcmek icin su formulu onermistir:

H′=−∑i=1Spiln(pi)H' = -\sum_{i=1}^{S} p_i \ln(p_i)

  • SS = toplam tur sayisi
  • pip_i = ii. turun oransal bollugu (ni/Nn_i / N)
  • NN = toplam birey sayisi

Shannon entropisi her turu bireysel bir olay olarak ele alir. Turler arasindaki akrabalik iliskilerini gormez.

Simpson Indeksi

Simpson (1949), rastgele secilen iki bireyin ayni turden olma olasiligini olcer:

D=∑i=1Spi2D = \sum_{i=1}^{S} p_i^2

Genellikle Gini-Simpson formu kullanilir:

1−D=1−∑i=1Spi21 - D = 1 - \sum_{i=1}^{S} p_i^2

Simpson, baskin turlere daha duyarlidir. Shannon ise nadir turlere daha fazla agirlik verir.

Clarke & Warwick: Taksonomik Ayirt Edicilik

Clarke & Warwick (1998) taksonomik hiyerarsiyi hesaba katan dort indeks tanimlamistir:

Delta (Taksonomik cesitlilik, bolluk agirlikli):

Δ=∑∑i<jωij⋅ni⋅njN(N−1)/2\Delta = \frac{\sum \sum_{i<j} \omega_{ij} \cdot n_i \cdot n_j} {N(N-1)/2}

Delta+ (AvTD, sadece tur listesi):

Δ+=∑∑i<jωijS(S−1)/2\Delta^+ = \frac{\sum \sum_{i<j} \omega_{ij}}{S(S-1)/2}

Lambda+ (VarTD, varyasyon):

Λ+=∑∑i<j(ωij−Δ+)2S(S−1)/2\Lambda^+ = \frac{\sum \sum_{i<j} (\omega_{ij} - \Delta^+)^2}{S(S-1)/2}

Burada ωij\omega_{ij}, ii ve jj turleri arasindaki taksonomik mesafedir. Bu mesafe, iki turun taksonomik agacta ilk birlestigi seviyeye esittir (Cins = 1, Familya = 2, …, Alem = 6).

Onemli: Δ+\Delta^+ ve Λ+\Lambda^+ bolluk bilgisi kullanmaz. Bu sayede farkli orneklem buyuklugundeki alanlari dogrudan karsilastirabilirsiniz (Clarke & Warwick, 1998, 2001).

Deng Entropisi

Deng (2016), Shannon entropisini Dempster-Shafer kanit teorisi (Dempster, 1967; Shafer, 1976) cercevesinde genellestirmistir. Temel fark: Shannon’da her olay (tur) atomiktir. Deng entropisinde olaylar kume yapisi icerebilir.

Bir taksonomik seviyedeki Deng entropisi:

Ed=−∑i=1Km(Fi)⋅lnm(Fi)2|Fi|−1E_d = -\sum_{i=1}^{K} m(F_i) \cdot \ln\frac{m(F_i)}{2^{|F_i|} - 1}

  • KK = o seviyedeki grup sayisi (ornegin familya sayisi)
  • m(Fi)m(F_i) = ii. gruptaki turlerin oransal agirligi
  • |Fi||F_i| = ii. gruptaki tur sayisi (fokal eleman boyutu)

Shannon ile karsilastirma:

Shannon entropisinde |Fi|=1|F_i| = 1 kabul edilir (her tur tek basina bir olay). Bu durumda 2|Fi|−1=12^{|F_i|} - 1 = 1 olur ve Deng entropisi Shannon’a indirgenir:

Ed=−∑i=1Km(Fi)⋅ln(m(Fi))=H′E_d = -\sum_{i=1}^{K} m(F_i) \cdot \ln(m(F_i)) = H'

Yani Deng entropisi Shannon’in genellestirilmis halidir. Eger taksonomik gruplar 1’er turden olusuyorsa ikisi ayni sonucu verir.

Ozkan pTO Formulu

Ozkan (2018), Deng entropisini kullanarak dort bilesenden olusan bir taksonomik cesitlilik olcusu tanimlar.

Temel carpim (bir dilim icin):

∏i=1L(wi⋅((eEdS)2eEdi+1))\prod_{i=1}^{L} \left( w_i \cdot \left( \frac{(e^{E_d^S})^2}{e^{E_d^i}} + 1 \right) \right)

  • LL = aktif taksonomik seviye sayisi
  • EdSE_d^S = tur seviyesindeki Deng entropisi
  • EdiE_d^i = ii. seviyedeki Deng entropisi
  • wiw_i = seviye agirligi (agirliksiz icin wi=1w_i = 1, agirlikli icin wi=iw_i = i)

pTO+ (Taksonomik mesafe, sadece Islem 1):

pTO+=ln∏i=1L(wi⋅((eEdS)2eEdi+1))pT_O^+ = \ln \prod_{i=1}^{L} \left( w_i \cdot \left( \frac{(e^{E_d^S})^2}{e^{E_d^i}} + 1 \right) \right)

Sadece nk = 0 dilimini (tum turler dahil) kullanir. Bolluk bilgisine ihtiyac duymaz cunku tur listesiyle calisir.

pTO (Taksonomik cesitlilik, Islem 1 + 2 + 3):

pTO=ln(∑k=0ns(ns−nk)∏i=1L(wi⋅((eEdS)2eEdi+1))ns+∑nk)pT_O = \ln \left( \frac{\sum_{k=0}^{n_s} (n_s - n_k) \prod_{i=1}^{L} \left( w_i \cdot \left( \frac{(e^{E_d^S})^2} {e^{E_d^i}} + 1 \right) \right)}{n_s + \sum n_k} \right)

Dilim proseduru (slicing): nk = 0, 1, …, n_s icin bollugu ≤nk\leq n_k olan turler elenir. Her dilimde hayatta kalan turlerle Deng entropisi yeniden hesaplanir. Boylece bolluk bilgisi dolayli olarak sisteme girer.

Adim Adim Hesaplama Ornegi

Bu bolumde 5 turlu kucuk bir toplulugu elle adim adim hesaplayarak fonksiyonlarin arkasindaki mantigi gosteriyoruz.

Veri 

# 5 turlu kucuk bir topluluk
ornek_topluluk <- c(
  Pinus_nigra     = 4,
  Pinus_brutia    = 3,
  Quercus_cerris  = 2,
  Fagus_orientalis = 1,
  Cedrus_libani   = 2
)

ornek_agac <- build_tax_tree(
  species = names(ornek_topluluk),
  Genus   = c("Pinus", "Pinus", "Quercus", "Fagus", "Cedrus"),
  Family  = c("Pinaceae", "Pinaceae", "Fagaceae", "Fagaceae", "Pinaceae"),
  Order   = c("Pinales", "Pinales", "Fagales", "Fagales", "Pinales")
)

cat("Topluluk:\n")
#> Topluluk:
print(ornek_topluluk)
#>      Pinus_nigra     Pinus_brutia   Quercus_cerris Fagus_orientalis 
#>                4                3                2                1 
#>    Cedrus_libani 
#>                2
cat("\nTaksonomik agac:\n")
#> 
#> Taksonomik agac:
print(ornek_agac)
#>            Species   Genus   Family   Order
#> 1      Pinus_nigra   Pinus Pinaceae Pinales
#> 2     Pinus_brutia   Pinus Pinaceae Pinales
#> 3   Quercus_cerris Quercus Fagaceae Fagales
#> 4 Fagus_orientalis   Fagus Fagaceae Fagales
#> 5    Cedrus_libani  Cedrus Pinaceae Pinales

Adim 1: Shannon 

# Toplam birey: 4 + 3 + 2 + 1 + 2 = 12
N <- sum(ornek_topluluk)
cat("Toplam birey (N):", N, "\n\n")
#> Toplam birey (N): 12

# Oransal bolluklar
p <- ornek_topluluk / N
cat("Oransal bolluklar (p_i):\n")
#> Oransal bolluklar (p_i):
for (i in seq_along(p)) {
  cat("  ", names(p)[i], ":", round(p[i], 4), "\n")
}
#>    Pinus_nigra : 0.3333 
#>    Pinus_brutia : 0.25 
#>    Quercus_cerris : 0.1667 
#>    Fagus_orientalis : 0.0833 
#>    Cedrus_libani : 0.1667

# Shannon: H' = -sum(p * ln(p))
H_elle <- -sum(p * log(p))
H_fonksiyon <- shannon(ornek_topluluk)
cat("\nElle hesaplanan H':", round(H_elle, 4), "\n")
#> 
#> Elle hesaplanan H': 1.5171
cat("shannon() sonucu:  ", round(H_fonksiyon, 4), "\n")
#> shannon() sonucu:   1.5171

Adim 2: Taksonomik Mesafe 

# Mesafe matrisi
m <- tax_distance_matrix(ornek_agac)
cat("Taksonomik mesafe matrisi:\n")
#> Taksonomik mesafe matrisi:
print(round(m, 1))
#>                  Pinus_nigra Pinus_brutia Quercus_cerris Fagus_orientalis
#> Pinus_nigra                0            1              3                3
#> Pinus_brutia               1            0              3                3
#> Quercus_cerris             3            3              0                2
#> Fagus_orientalis           3            3              2                0
#> Cedrus_libani              2            2              3                3
#>                  Cedrus_libani
#> Pinus_nigra                  2
#> Pinus_brutia                 2
#> Quercus_cerris               3
#> Fagus_orientalis             3
#> Cedrus_libani                0
cat("\nOrnek yorumlar:\n")
#> 
#> Ornek yorumlar:
cat("  Pinus_nigra - Pinus_brutia: Ayni cins -> mesafe = 1\n")
#>   Pinus_nigra - Pinus_brutia: Ayni cins -> mesafe = 1
cat("  Pinus_nigra - Cedrus_libani: Ayni familya (Pinaceae) -> mesafe = 2\n")
#>   Pinus_nigra - Cedrus_libani: Ayni familya (Pinaceae) -> mesafe = 2
cat("  Pinus_nigra - Quercus_cerris: Farkli takim (Pinales vs Fagales) -> mesafe = 3\n")
#>   Pinus_nigra - Quercus_cerris: Farkli takim (Pinales vs Fagales) -> mesafe = 3

Adim 3: AvTD (Elle) 

# AvTD = tum tur ciftleri arasindaki ortalama mesafe
# S = 5, S*(S-1)/2 = 10 cift
S <- length(ornek_topluluk)
cift_sayisi <- S * (S - 1) / 2
cat("Tur sayisi (S):", S, "\n")
#> Tur sayisi (S): 5
cat("Cift sayisi:", cift_sayisi, "\n\n")
#> Cift sayisi: 10

# Tum ciftlerin mesafelerini topla
toplam_mesafe <- 0
for (i in 1:(S - 1)) {
  for (j in (i + 1):S) {
    d_ij <- m[i, j]
    cat("  ", rownames(m)[i], "-", colnames(m)[j], ":", d_ij, "\n")
    toplam_mesafe <- toplam_mesafe + d_ij
  }
}
#>    Pinus_nigra - Pinus_brutia : 1 
#>    Pinus_nigra - Quercus_cerris : 3 
#>    Pinus_nigra - Fagus_orientalis : 3 
#>    Pinus_nigra - Cedrus_libani : 2 
#>    Pinus_brutia - Quercus_cerris : 3 
#>    Pinus_brutia - Fagus_orientalis : 3 
#>    Pinus_brutia - Cedrus_libani : 2 
#>    Quercus_cerris - Fagus_orientalis : 2 
#>    Quercus_cerris - Cedrus_libani : 3 
#>    Fagus_orientalis - Cedrus_libani : 3

avtd_elle <- toplam_mesafe / cift_sayisi
avtd_fonksiyon <- avtd(names(ornek_topluluk), ornek_agac)
cat("\nToplam mesafe:", toplam_mesafe, "\n")
#> 
#> Toplam mesafe: 25
cat("Elle hesaplanan AvTD:", round(avtd_elle, 4), "\n")
#> Elle hesaplanan AvTD: 2.5
cat("avtd() sonucu:      ", round(avtd_fonksiyon, 4), "\n")
#> avtd() sonucu:       2.5

Adim 4: Deng Entropisi (Tur Seviyesinde) 

# Tur seviyesinde: her tur tek basina bir grup (|F_i| = 1)
# Esit agirlik: m_i = 1/S = 1/5 = 0.2
# Ed = -sum(m_i * ln(m_i / (2^1 - 1))) = -sum(0.2 * ln(0.2)) = ln(5)
Ed_tur <- log(S)
cat("Tur seviyesinde Deng entropisi:\n")
#> Tur seviyesinde Deng entropisi:
cat("  Ed_species = ln(S) = ln(", S, ") =", round(Ed_tur, 4), "\n")
#>   Ed_species = ln(S) = ln( 5 ) = 1.6094
cat("  (Bu Shannon entropisiyle ayni, cunku |F_i| = 1)\n\n")
#>   (Bu Shannon entropisiyle ayni, cunku |F_i| = 1)

# Cins seviyesinde: Pinus(2 tur), Quercus(1), Fagus(1), Cedrus(1)
# 4 grup, esit agirlikli: m_i = grup_tur_sayisi / toplam_tur_sayisi
cat("Cins seviyesinde:\n")
#> Cins seviyesinde:
cat("  Pinus: 2 tur, Quercus: 1 tur, Fagus: 1 tur, Cedrus: 1 tur\n")
#>   Pinus: 2 tur, Quercus: 1 tur, Fagus: 1 tur, Cedrus: 1 tur
cat("  m_Pinus = 2/5 = 0.4, |F| = 2\n")
#>   m_Pinus = 2/5 = 0.4, |F| = 2
cat("  m_diger = 1/5 = 0.2, |F| = 1\n\n")
#>   m_diger = 1/5 = 0.2, |F| = 1

# Ed = -(0.4 * ln(0.4 / (2^2 - 1))) - 3*(0.2 * ln(0.2 / (2^1 - 1)))
Ed_cins <- -(0.4 * log(0.4 / (2^2 - 1))) - 3 * (0.2 * log(0.2 / (2^1 - 1)))
cat("  Ed_genus = -(0.4 * ln(0.4/3)) - 3*(0.2 * ln(0.2/1))\n")
#>   Ed_genus = -(0.4 * ln(0.4/3)) - 3*(0.2 * ln(0.2/1))
cat("           =", round(Ed_cins, 4), "\n")
#>            = 1.7716

Adim 5: Ozkan pTO 

# Fonksiyonla hesapla
pto_sonuc <- ozkan_pto(ornek_topluluk, ornek_agac)

cat("Ozkan pTO sonuclari:\n")
#> Ozkan pTO sonuclari:
cat("  uTO  =", round(pto_sonuc$uTO, 4), "\n")
#>   uTO  = 5.4045
cat("  TO   =", round(pto_sonuc$TO, 4), "\n")
#>   TO   = 8.5796
cat("  uTO+ =", round(pto_sonuc$uTO_plus, 4), "\n")
#>   uTO+ = 5.9881
cat("  TO+  =", round(pto_sonuc$TO_plus, 4), "\n\n")
#>   TO+  = 9.1662

cat("Seviye bazinda Deng entropisi:\n")
#> Seviye bazinda Deng entropisi:
for (i in seq_along(pto_sonuc$Ed_levels)) {
  cat("  ", names(pto_sonuc$Ed_levels)[i], ":",
      round(pto_sonuc$Ed_levels[i], 4), "\n")
}
#>    Species : 1.6094 
#>    Genus : 1.7716 
#>    Family : 2.28 
#>    Order : 2.28

Fonksiyon Listesi

Klasik Indeksler

Fonksiyon Ne yapar
shannon() Shannon cesitlilik indeksi (correction destekli)
simpson() Simpson indeksleri (baskinlik, Gini-Simpson, ters Simpson)

Clarke & Warwick Taksonomik Ayirt Edicilik

Fonksiyon Ne yapar
delta() Delta — taksonomik cesitlilik (bolluk agirlikli)
delta_star() Delta* — taksonomik ayirt edicilik
avtd() AvTD / Delta+ — ortalama taksonomik ayirt edicilik
vartd() VarTD / Lambda+ — taksonomik ayirt edicilik varyasyonu

Ozkan pTO (Deng Entropisi)

Fonksiyon Ne yapar
ozkan_pto() Islem 1: pTO hesaplama (max_level destekli, 8 cikti)
pto_components() pTO dort/sekiz bileseni tek satirda
deng_entropy_level() Belirli bir taksonomik seviyede Deng entropisi

Ozkan pTO Pipeline

Fonksiyon Ne yapar
ozkan_pto_resample() Islem 2: stokastik yeniden ornekleme
ozkan_pto_sensitivity() Islem 3: duyarlilik analizi
ozkan_pto_full() Islem 1+2+3 tam pipeline tek satirda
ozkan_pto_jackknife() Leave-one-out jackknife yanliliksiz tahmin

Toplu Analiz ve Karsilastirma

Fonksiyon Ne yapar
batch_analysis() Coklu ornek alan toplu analizi (16 sutun cikti)
compare_indices() Tum indeksleri yan yana karsilastirir

Simulasyon ve Rarefaction

Fonksiyon Ne yapar
simulate_td() Huni grafigi icin null dagilim simulasyonu
rarefaction_taxonomic() Taksonomik cesitlilik icin seyreltme egrisi

Gorsellestime (7 plot tipi)

Fonksiyon Ne yapar
plot_taxonomic_tree() Taksonomik agac dendogrami
plot_heatmap() Taksonomik mesafe isi haritasi
plot_funnel() Huni grafigi (beklenen aralik)
plot_iteration() Islem 2/3 iterasyon grafigi
plot_bubble() Tur katkilari balon grafigi
plot_radar() Radar/orumcek grafigi
plot_rarefaction() Seyreltme egrisi (guven araliklariyla)

Yardimci Fonksiyonlar

Fonksiyon Ne yapar
build_tax_tree() Taksonomik hiyerarsi tablosu olusturur
tax_distance_matrix() Turler arasi taksonomik mesafe matrisi

Veri Setleri

Veri Seti Aciklama
anatolian_trees Anadolu agac turleri taksonomik hiyerarsisi
gazi_comm Gazi Universitesi kampus ormani topluluk verisi
gazi_gytk Gazi Universitesi kampus ormani taksonomik agac

Kaynaklar

Klasik Cesitlilik Indeksleri

  • Shannon, C.E. (1948). A mathematical theory of communication. Bell System Technical Journal, 27, 379-423.
  • Simpson, E.H. (1949). Measurement of diversity. Nature, 163, 688.

Taksonomik Farklilik

  • Warwick, R.M. & Clarke, K.R. (1995). New ‘biodiversity’ measures reveal a decrease in taxonomic distinctness with increasing stress. Marine Ecology Progress Series, 129, 301-305.
  • Clarke, K.R. & Warwick, R.M. (1998). A taxonomic distinctness index and its statistical properties. Journal of Applied Ecology, 35, 523-531.
  • Clarke, K.R. & Warwick, R.M. (1999). The taxonomic distinctness measure of biodiversity: weighting of step lengths between hierarchical levels. Marine Ecology Progress Series, 184, 21-29.
  • Clarke, K.R. & Warwick, R.M. (2001). A further biodiversity index applicable to species lists: variation in taxonomic distinctness. Marine Ecology Progress Series, 216, 265-278.

Deng Entropisi ve Kanit Teorisi

  • Dempster, A.P. (1967). Upper and lower probabilities induced by a multivalued mapping. The Annals of Mathematical Statistics, 38, 325-339.
  • Shafer, G. (1976). A Mathematical Theory of Evidence. Princeton University Press.
  • Deng, Y. (2016). Deng entropy. Chaos, Solitons & Fractals, 91, 549-553.

Ozkan pTO Indeksi

  • Ozkan, K. (2018). Yeni bir taksonomik cesitlilik olcusu onerisi. Turkish Journal of Forestry, 19(4), 336-346. DOI: 10.18182/tjf.441061

Yanliliksiz Tahmin

  • Chao, A. & Shen, T.J. (2003). Nonparametric estimation of Shannon’s index of diversity when there are unseen species in sample. Environmental and Ecological Statistics, 10, 429-443.

Rarefaction (Seyreltme)

  • Gotelli, N.J. & Colwell, R.K. (2001). Quantifying biodiversity: procedures and pitfalls in the measurement and comparison of species richness. Ecology Letters, 4, 379-391.
  • Hurlbert, S.H. (1971). The nonconcept of species diversity: a critique and alternative parameters. Ecology, 52, 577-586.