Annexe
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
# Cette figure est fort intéressante car elle montre où réside la différence de forme entre les
différentes populations/espèces, est-ce que la forme diffère au niveau du rostre ou l'anti-rostre
...etc.