生態學專業R語言實踐課程教學探索

摘 要 生態學文明建設是我國重大戰略之一，生態學是生態文明建設的科學支撐。實現學生理論素養和創新實踐能力的綜合提升是生態學專業的重要培養目標。R語言是涵蓋大部分統計分析方法，同時兼備完備的制圖功能的統計分析軟件。R語言實踐課程是生態學實現從數據到結果、從理論到實踐過程的重要支撐課程。針對這門專業課程目前在生態學專業教育教學過程中存在的問題，同時結合R語言本身的特點，提出適合生態學專業的R語言實踐課程的教學設計和課程應用方法，以期為生態學專業教學改革提供有價值的參考。

關鍵詞 R語言實踐；生態學；生態文明培養；方差分析

中圖分類號：G642.0 文獻標識碼：B

文章編號：1671-489X（2024）19-0-05

0 引言

面向國家生態文明建設與發展需求，培養具有

生態學理論素養和創新實踐能力的高水平人才是生態學專業的人才培養目標[1-2]。生態學專業是一個既強調理論教育過程，又注重實踐應用的專業。而目前的生態學專業教育教學多偏重理論教學，學生很難將理論通過實踐進行檢驗。或學生對實驗課得到的實驗結果不會分析，不能理解其中的生態意義。銜接理論與實驗過程是生態學專業教學的重點和難

點。應用生物統計學可以分析生態學的實驗結果、解釋相關生態學現象，闡釋生態學原理。因此，生物統計學的學習和應用在生態學專業教學中顯得尤為重要。在傳統的生物統計學教學中，

往往需要包括Excel、SPSS、SAS、MATLAB和Origin

等在內的多款軟件相結合，才能實現完整的統計分析過程，導致學生需要花費大量時間去學習不同的軟件，而往往又沒有真正掌握某一種，也不能很好地完成整個統計和分析過程，嚴重影響了生態學專業的教學效果。因此，教授一款能夠囊括大部分生物統計學內容的軟件，讓學生集中精力學習一款軟件，能夠節省學生學習精力，增強學習效果。R語言實踐課程的出現可以實現這一目的。通過R語言的學習，學生能夠完成實驗設計、數據分析、結果處理等多方面生物統計學方法內容。因此，它正在被越來越多的生態學專業所重視。

R語言實踐作為一門數據應用課程，已在開設生態學專業的部分高校開設，然而開設該課程的相關院校數量較少。大部分院校對該課程的教學內容和教學實踐過程仍處在探索中[3]。雖然，R語言實踐是一門強調實踐應用的課程，但教師大多仍是注重講授基本理論和函數，且相關參考資料多為非生態學專業案例，與生態學專業的關聯性較小，學生缺少對R語言重要性及其在生態學領域應用的認識，不能將R語言與生態學實際應用結合起來，不能激發學習動力和熱情，學習效果不理想。同時，由于缺乏足夠的實踐操作訓練，學生在后期科研實驗中難以利用R語言進行數據處理和分析，導致R語言這一強大的數據分析工具的應用持續性不足，未能充分發揮其在實際應用中的作用。因此，針對生態學專業特點，建設適合生態學專業的R語言實踐課程顯得尤為重要，不僅有助于更好地完成生態學專業培養目標，也有助于學生未來向更高層次發展，更是為國家的生態文明建設人才培養作出貢獻。

1 R語言特點

R語言是由S語言發展而來的一種高級編程語言，由Ross Ihaka和Robert Gentleman兩位統計學家在1995年開發完成。R語言在GNU協議下免費和開放源代碼使用，并由R Development Core Team維護和更新[4]。R語言以其特有的開放、完整的統計分析以及頂尖的制圖功能被包括醫學、社會科學、生態學等在內的多學科所應用，成為當今世界最受歡迎的數據挖掘開發語言之一。隨著大數據時代的到來，先進的數據分析技術和統計模型成為生態研究的必備條件，而R語言成為大數據整合、生態學規律發掘等生態學研究的重要工具。R語言有如下特點。

1）R語言集合了數據存儲、統計分析、圖形繪制等一整套數據分析所涵蓋的內容，它不是簡單的統計軟件，而是一種統計分析與輸出的環境，為生態學專業學生從數據整理、統計分析到最后結果輸出提供了一整套完整方案。

2）R語言能夠提供完整的源代碼，且在CRAN上可以提供各種統計函數代碼，在每個包（package）都有完整的幫助信息，包括函數的描述、每個函數代表的意義和使用、舉例和參考文獻等，即使不熟悉相關函數的人也可以快速入門和使用。

3）除了可以使用既有函數外，使用者還可以根據自己的需求編寫代碼。例如，數量生態學領域的賴江山教授[5]就基于生態學研究的特點發表了典范分析相關的rdacca.hp包，此包一經發表就受到生態學領域的廣泛關注，相關文章也成為1%高被引論文和0.1%熱點論文。

4）數據可視化是統計分析的重要內容，R語言的基礎制圖函數plot就可以制出包括散點圖、箱圖、柱形圖等在內的多種圖形。特別是專門的制圖包ggplot2更是包含了生態統計分析所需的幾乎所有圖形，且可根據自己的數據特點和需求制定個性化圖形[6]。

2 結合生態學專業培養目標的R語言實踐

課程教學設計

從生態學專業培養的目標出發，分析R語言實踐課程與生態學專業的關系，明確R語言實踐課程的整體目標，結合R語言實踐課程對生物統計知識和生態學理論背景的需求，引導學生自主設計和實踐，通過課程的學習，提升學生從理論到實踐的認識，培養學生的生態學實踐和拓展能力，以期服務國家生態文明建設與發展。

2.1 構建課程框架

結合教學大綱的整體要求，以學生為核心，深入探索生態學與R語言之間的內在聯系；圍繞理論—科研—實踐主題，結合生態文明建設熱點問題，構建整個教學思路和體系。具體思路為：首先，學習R語言軟件使用的基本方法，理解編程語言的編程思路；其次，基于生物統計學課程基礎知識，實踐練習生物統計學相關分析方法在R語言中的實現；最后，結合種群與群落生態學、基礎生態學等生態學核心課程所學理論，列舉生態學相關研究內容探討分析方法，并實操如何在R語言中使用。

2.2 完善教學內容

有機融合生物統計與R語言實踐，合理分配教學內容，緊跟理論和學科前沿，結合與生態學熱點相關問題，設計典型案例；豐富課前—課中—課后整體教學過程，形成良好的教學運行機制，促進學生從理論到實踐的探索過程。

2.3 改革教學方法

通過線上慕課等教學資源，引導學生自主學習；利用QQ和微信等即時通信軟件對學生提出的問題進行實時答疑。同時，線下教學圍繞提出問題、設計實驗、完成分析等方面出發，通過問題導向—任務驅動—實踐探索等教學手段，達到交互式教學和研究性教學的目的。

2.4 調查教學效果

通過課堂探討效果反饋、課程考核結果分析、學生問卷調查、同行探討等手段，厘清教學過程中存在的問題，不斷優化教學方案，總結教學案例，形成研究成果。

3 生態學專業R語言實踐課程教學探索

統計學中的方差分析是比較組間樣本平均數是否有差異的分析，即分析實驗處理的差異是否顯著。方差分析需要滿足獨立性、正態性和方差齊性三個基本假設，如果不滿足相關假設，需要對數據進行轉換。方差統計結果如果表現為差異不顯著，說明處理間是相同的，實驗處理沒有對相關研究產生明顯的效果；如果表現為差異顯著，可再進一步分析哪組數據與其他數據不同，即多重比較，從而最終確定實驗處理組中起明顯效果的處理。此外，方差分析后，結果可以用圖或表的形式表現出來，特別是柱狀圖或箱線圖，其中不僅囊括了方差分析的結果，還會展示平均值和實驗處理的整體趨勢。基于這些特點，它成為生態學研究中最常用的統計學方法之一。

然而，傳統的統計學相關課程教學往往只關注其原理和復雜的算法，忽略了如何在實際的生態學研究中使用。即使有的課程涉及使用，卻需要學生通過復雜的計算，耗費漫長時間甚至需要多種軟件相結合實現。這些在實際生態學研究中其實是不需要的，實際的教學過程更關注是否使用了正確的統計分析過程，且簡潔高效地完成統計分析。因此，統計學相關知識和理論應與相關統計軟件有機結合，特別是對于初步接觸統計學分析的學生來說，學會如何將所學的統計知識運用到實際的生態學研究中，顯得尤為重要。

基于以上原因，R語言實踐課程教學除了有關軟件的使用外，更應強調與理論（統計學知識）和實踐（生態學研究）的結合，同時利用R語言以方差分析為例演示可視化在實踐教學中的重要性。下面介紹一個R語言實踐課程的具體應用課例。

某學科團隊研究生長年限變化對大豆生長的影響，連續三年測量了大豆單株的地上生物量，數據見表1。請根據該數據分析生長年限對大豆的地上生物量的影響，并繪制生物量隨生長年限變化的箱線圖。

1）導入數據。

代碼：

setwd（“C：/Users/Desktop/R”）

R1<-read.csv（“R1.csv”）

View（R1）

輸入R后的表格如圖1所示。

2）方差分析前提檢驗。根據方差分析原理，數據需滿足獨立性、正態性和方差齊性三個假設前提，因此，在進行方差分析之前需先進行相關檢驗。

①方差獨立性檢驗。采用卡方檢驗，其原理為參數P假設所有概率都相等，是獨立的。因此，檢驗的假設是總體概率是否等于P中的概率。P值小于0.05，表明不是獨立的；P值大于0.05，是獨立不相關的。代碼及輸出結果如下。

代碼：

chisq.test（R1）

輸出結果：

Pearson’s Chi-squared test

data： R1

X-squared=1.1813， df=17， p-value=1

輸出結果表明，P值大于0.05，說明數據滿足獨立性檢驗要求，可進行進一步統計分析。

②方差正態性檢驗。采用Shapiro-Wilk檢驗，其原理為原假設樣本所來自的總體分布服從正態分布，備擇假設為樣本所來自的總體分布不服從正態分布。當P值大于0.05時，接受原假設，認為樣本所來自的總體分布服從正態分布。當P值小于等于0.05時，拒絕原假設，認為樣本所來自的總體分布不服從正態分布。代碼及輸出結果如下。

代碼：

shapiro.test（R1$Biomass）

輸出結果：

Shapiro-Wilk normality test

data： R1$Biomass

W=0.959 4， p-value=0.5901

輸出結果表明，P值大于0.05，說明數據滿足正態分布要求，可進行進一步統計分析。

③方差齊性檢驗。采用bartlett檢驗，是對樣本方差是否相同進行的檢驗。當P值大于0.05時，接受原假設，認為樣本方差相同。當P值小于等于0.05時，拒絕原假設，認為樣本方差不相同。代碼及輸出結果如下。

代碼：

bartlett.test（Biomass～Year，R1）

輸出結果：

Bartlett test of homogeneity of variances

data： Biomass by Year

Bartlett’s K-squared=1.3179， df=2， p-value= 0.5174.

輸出結果表明，P值大于0.05，說明數據滿足方差齊性要求，可進行進一步統計分析。

綜上所述，該數據滿足方差分析的三大前提假設，后續可進行方差分析。

3）方差分析。方差分析是利用對因變量數值誤差的分析來檢驗自變量對因變量的影響是否顯著。原假設為處理組之間均值相等，備擇假設為處理組間至少有一組均值與其他組不同。本實驗為分析不同生長年限對生物量的影響，因此，只有一個實驗指標，即生長年限，可進行單因素方差分析。代碼及輸出結果如下。

代碼：

R1.aov<-aov（Biomass～factor（Year），data=R1）

R1.aov

輸出結果：

Call：

aov（formula = Biomass ～ factor（Year）， data = R1）

Terms：

factor（Year） Residuals

Sum of Squares 17.57671 5.88165

Deg. of Freedom 2 15

Residual standard error： 0.626 1869

Estimated effects may be unbalanced

代碼：

summary（R1.aov）

輸出結果：

Df Sum Sq Mean Sq F value Pr（>F）

factor（Year） 2 17.577 8.788 22.41 3.12e-05 ***

Residuals 15 5.882 0.392

---

Signif. codes： 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

輸出結果表明，單因素方差分析的F值為22.41，P（R中展示為Pr）值為3.12e-5，小于0.05，拒絕原假設，接受備擇假設，說明生長年限對大豆的生物量有顯著性影響。

4）多重比較。經過方差分析，表明實驗的變異主要是來自處理間的變異，即實驗處理對觀測變量有顯著性影響，但僅說明了幾個處理組間均值有顯著差異，并不能說明哪些處理均值有顯著性差異，因此需要比較兩兩之間的差異顯著性，即多重

比較。

以Turkey檢驗為例，首先計算數據的終結計數，再與終結計數的臨界值比較，若計算的終結計數值大于95%置信水平下的終結計數臨界值，則認為在該置信水平下存在顯著差異，否則不能確定在該置信水平下存在差異。代碼及輸出結果如下。

代碼：

Tuk.R1.aov<-TukeyHSD（R1.aov）

Tuk.R1.aov

輸出結果：

Tukey multiple comparisons of means 95% family-wise confidence level

Fit： aov（formula = Biomass ～ factor（Year）， data = R1）

$`factor（Year）`

diff &nbsp; lwr upr p adj

2-1 1.253 333 0.314 272 1 2.192 395 0.009 098 5

3-1 2.420 000 1.480 938 8 3.359 061 0.000 020 3

3-2 1.166 667 0.227 605 4 2.105 728 0.014 678 4

結果表明第二年與第一年P值小于0.05，表明二者有顯著性差異；第三年與第一年P值小于0.05，表明二者有顯著性差異；第三年與第二年P值小于0.05，表明二者有顯著性差異，即三個生長年限之間生物量均有顯著性差異。

5）作圖。使用R語言中的ggplot2包作圖，代碼及輸出結果如下。

代碼：

library（ggplot2）

R1.aov.plot<- ggplot（R1，aes（x =Year， y=Biomass， group=Year， fill=factor（Year））） +

geom_boxplot（） +

theme_bw（） +

labs（x=”時間”，y=”地上生物量”）+

theme（axis.text.x=element_text（size = 11））+

scale_fill_manual（values= c（“white”，”grey”，”black”））

R1.aov.plot

輸出結果見圖2。

4 結束語

隨著山水林田湖草沙一體化保護和治理的提出，生態學日益成為推進美麗中國建設的重要專業。R語言以其開源，具有完整統計分析、強大運算和繪圖能力等特點，受到越來越多的生態學者的青睞。

本文從R語言的優點出發，結合生態學科特點，闡述開展R語言實踐課程的必要性，設計了適合生態學專業的教學方法和過程，列舉教學案例，將R語言融入理論知識，重點培養學生運用軟件解決實際問題的能力，以期更好地服務生態學科建設和

發展。

5 參考文獻

[1] 王曉宇，徐澤，王喆，等.新時代高校《生態學基礎》“課程思政”建設路徑研究[J].高教學刊，2019（26）：79-80，84.

[2] 劉鞠善，巴雷，李海燕，等.生態學課程思政教學改革探索[J].長春師范大學學報，2022，41（2）：89-92.

[3] 李耀明，蘇德榮，紀寶明.“R語言數理統計”課程開展思想政治教育教學的探索：以北京林業大學為例[J].中國林業教育，2022，40（2）：20-23.

[4] 方匡南，朱建平，姜葉飛. R數據分析：方法與案例詳解[M]. 北京：電子工業出版社，2015.

[5] LAI Jiangshan， ZOU Yi， ZHANG Jinlong， et al.Generalizing hierarchical and variation parti-tioning in multiple regression and canonical analyses using the rdacca.hp R package[J].Methodsin Ecology and Evolution， 2022，13（4）：782-788.

[6] Wickham H. ggplot2： Elegant Graphics for Data Analysis[M].New York： Springer-Verlag，2016.

DOI：10.3969/j.issn.1671-489X.2024.19.

*項目來源：吉林省科學技術協會第六批吉林省青年科技人才托舉工程（QT202230）；吉林省教育廳吉林省產學合作

協同育人項目（2024O802SMR000G）；東北師范大學環境學院教育教學改革研究課題（HJ-JYKT22A04）。

作者簡介：管平婷，通信作者，副教授，博士。