SpArea = tapply(getMeasurements(shape)$otolith.area, getMasterlist(shape)$pop,
mean)
SpLength = tapply(getMeasurements(shape)$otolith.length,
getMasterlist(shape)$pop, mean)
SpWidth = tapply(getMeasurements(shape)$otolith.width,
getMasterlist(shape)$pop, mean)
SpPerimeter = tapply(getMeasurements(shape)$otolith.perimeter,
getMasterlist(shape)$pop, mean) write.csv(SpArea, file = "SpArea.csv")
write.csv(SpLength, file = "SpLength.csv") write.csv(SpWidth, file =
"SpWidth.csv") write.csv(SpPerimeter, file = "SpPerimeter.csv")
# Forme moyenne des otolithes par les coeficients de Wavelet :
plotWaveletShape(shape, "pop", show.angle = TRUE, lwd = 2,lty = 1)
# penser à enregistrer l'image générée
# Forme moyenne des otolithes par les coeficients de Fourier :
plotFourierShape(shape, "pop", show.angle = TRUE, lwd = 2,lty = 1)
# penser à enregistrer l'image générée
# Standardisation des coefficients de Wavelet et de Fourier pour éliminer
l'effet de la croissance allommétrique en supprimant les coefficients
montrant une interaction entre la population/espèce et la longeur du poisson
:
shape = stdCoefs(shape, classes = "pop", "length_cm", bonferroni = FALSE)
# Actualiser le fichier en l'enregistrant de nouveau :
save(shape,file = "NomChoisi.RData")
# Ne pas oublier de remplacer le nom.
# Evaluer la qualité de reconstruction des contours par les coefficients
de Fourier ou de Wavelet en visualisant les graphes : est.list =
estimate.outline.reconstruction(shape)
outline.reconstruction.plot(est.list, max.num.harmonics = 15)
#
penser à enregistrer l'image générée
# Voir à quel angle réside la variabilité de Wavelet :
plotWavelet(shape, level = 5, class.name = "pop", useStdcoef = TRUE)
#
penser à enregistrer l'image générée