Podcast na Ordinační metody v ekologii společenstev

Kapitoly

Záhada na horské louce

Přímka, nebo kopeček?

Pozor na oblouk!

Mapa společenstev

Vysvětlující proměnné a kovariáty

Základní datová tabulka

Dva jazyky statistiky

Kompoziční data

Dva základní scénáře

Přímé a nepřímé vyšetřování

Transformace versus standardizace

Co je centrování

Pozor na vedlejší účinky

Problém s prázdnými políčky

Drsná, ale jednoduchá řešení

Statistické doplňování

Seznámení s Canoco 5

Filozofie projektů

Magičtí průvodci

Import z Excelu

Propojení dat

Editor a chybějící hodnoty

Pozor na staré zvyky

Všechno má své jméno

Kouzlo s faktory

Spuštění analýzy v Canoco 5

Flexibilita především

Nová cesta k výsledkům

Kouzelník s grafy

Biploty a atributové diagramy

Uložení a shrnutí

Přepis

Adam: Představ si, že stojíš na louce. U nohou ti zurčí potok a rostou tu blatouchy. Ale jak stoupáš do kopce, blatouchy mizí a objevují se kopretiny. A ještě výš, na suchém vrcholku, najdeš jenom jestřábník. Všechno se plynule mění.

Barbora: Přesně tak! A právě tahle plynulá změna je klíčová. Ekologové tomu říkají gradient. V tvém příkladu je to gradient vlhkosti. A ordinační metody jsou náš detektivní nástroj, jak tyhle skryté gradienty odhalit a pochopit.

Adam: Takže je to vlastně způsob, jak si v datech udělat pořádek a seřadit je podle nějaké osy? Jako když si seřadíš knížky v knihovně?

Barbora: V podstatě ano. Ale musíš si vybrat správný systém. Máš na výběr ze dvou hlavních přístupů: lineárního a unimodálního. Představ si to takhle: lineární model předpokládá, že s rostoucí vlhkostí bude druhů jen přibývat nebo ubývat. Pořád po přímce.

Adam: Chápu. A ten druhý?

Barbora: Unimodální model je chytřejší. Ví, že každý druh má své oblíbené místo. Takže blatouch bude na začátku, uprostřed gradientu bude mít vrchol a na suchém konci zase zmizí. Vytvoří takový kopeček, neboli unimodální křivku.

Adam: Aha! Takže unimodální je pro druhy, které se objevují a zase mizí. To zní mnohem realističtěji.

Barbora: Přesně tak! Ale i tyhle chytré metody mají své mouchy. Někdy se stane, že když zobrazíš výsledky, body v grafu nevytvoří hezkou přímku, ale takový zvláštní oblouk. Říká se tomu „obloukový efekt“.

Adam: Obloukový efekt? To zní jako nějaká chyba v Matrixu. Co to znamená?

Barbora: Je to spíš taková matematická zvláštnost. Znamená to, že druhá osa v grafu je vlastně jen pokřivenou verzí té první. Není to katastrofa, ale musíme o tom vědět a správně to interpretovat. Někdy to vtipně vypadá, že musíš otočit monitor vzhůru nohama, abys ten oblouk pořádně viděl.

Adam: Takže když zrovna nemusím otáčet monitor, co mi takový graf vlastně ukáže? Vypadá to trochu jako mapa hvězdné oblohy.

Barbora: Je to vlastně taková mapa, ale místo hvězd tam máme vzorky z různých luk. Každé to šedé kolečko je jedno místo, kde jsme sebrali data. A to nejdůležitější pravidlo je jednoduché... blízkost znamená podobnost.

Adam: Podobnost? Jako že tam rostly podobné kytky?

Barbora: Přesně tak. Když jsou dva body v grafu blízko u sebe, znamená to, že i ty louky jsou si hodně podobné. Mají podobné druhy rostlin a v podobném množství. A ty trojúhelníčky, to jsou samotné druhy.

Adam: A k čemu jsou tam ty? Aby to bylo hezčí?

Barbora: Nejen. Díky nim můžeme těm osám dát smysl. Třeba zjistíme, že vpravo se shlukují druhy, co milují půdy bohaté na živiny – jako kopřiva. A naopak vlevo jsou druhy z chudých půd. Ta vodorovná osa tedy představuje gradient živin.

Adam: Chápu. Ale co když na ty rostliny působí víc věcí najednou? Třeba nejen půda, ale i to, jestli louku někdo seče, nebo se tam pasou krávy?

Barbora: Výborná otázka! To je přesně ono. V analýze si můžeme vybrat, které faktory nás zajímají nejvíc. Těm říkáme „vysvětlující proměnné“ – v tvém příkladu by to byly třeba vlastnosti půdy.

Adam: Dobře, a co to sekání a ty krávy? Ty prostě ignorujeme?

Barbora: Ne tak docela. To jsou takzvané „kovariáty“. To jsou proměnné, jejichž vliv známe nebo předpokládáme, ale zrovna teď nás nezajímá. A to je na tom to kouzlo... jejich vliv můžeme z analýzy matematicky odfiltrovat.

Adam: Odfiltrovat? Jako šum v pozadí?

Barbora: Přesně! Představ si, že chceš slyšet jen zpěv v písničce, tak odfiltruješ kytaru a bicí. My odfiltrujeme vliv, který nás teď nezajímá, abychom lépe viděli to podstatné. Takže se pak díváme čistě na vliv půdy.

Adam: Dobře, takže odfiltrujeme vliv půdy, abychom viděli jen vliv hnojiva. Ale... s jakými daty vlastně pracujeme? Co je ten základní stavební kámen?

Barbora: Skvělá otázka! Všechny tyhle metody potřebují aspoň jednu datovou tabulku. Představ si ji jako obyčejný Excel. Řádky jsou jednotlivá pozorování, třeba místa v lese, kde sbíráš data. A sloupce jsou proměnné, které měříš – nejčastěji různé druhy rostlin.

Adam: Takže řádek je „louka u lesa“ a sloupce jsou „kopretina“, „jetel“, „pampeliška“ a tak dál?

Barbora: Přesně tak! A v buňkách máš třeba jejich počet nebo jak velkou plochu pokrývají. Téhle základní tabulce říkáme *odezvová data*, protože nám ukazuje „odezvu“ společenstva na nějaké podmínky.

Adam: Chápu. Ale slyšel jsem, že terminologie kolem statistiky je... no, trochu chaos.

Barbora: To je pravda. Existují v podstatě dva světy. Jeden je ten čistě statistický, s termíny jako *případy* a *odezvové proměnné*. Je to takový univerzální jazyk.

Adam: A ten druhý?

Barbora: Ten je specifický pro daný obor. Biolog mluví o *druzích* a *lokalitách*, chemik zase o *sloučeninách* a *vzorkách*. My se tu budeme držet té obecné, statistické terminologie, aby to bylo srozumitelné pro všechny.

Adam: Dobře, to dává smysl. Jsou všechny tyhle tabulky stejné?

Barbora: Ne tak docela. Je tu jeden důležitý rozdíl. U některých dat, když sečteš hodnoty v celém řádku, dostaneš smysluplné číslo. Třeba když máš data o přítomnosti druhů zapsaná jako 1 nebo 0. Součet řádku ti pak řekne... co?

Adam: ...Celkový počet druhů na té lokalitě?

Barbora: Přesně! A takovým datům říkáme *kompoziční*. Ten součet má nějaký reálný význam. Je to klíčová vlastnost, která nám pak pomáhá vybrat tu správnou analýzu. A teď, když víme, jaká data máme, můžeme se podívat, jaké otázky si s nimi můžeme klást.

Adam: Dobře, takže data máme připravená. Jaké otázky si s nimi tedy můžeme klást? Kam se teď vrhneme?

Barbora: Skvělá otázka! V podstatě si to můžeš představit jako dva hlavní scénáře. První scénář je, když máš jen ta svá odezvová data – třeba složení druhů na loukách – ale nemáš žádné další informace. Žádné prediktory.

Adam: Takže nevím nic o půdě, o srážkách, prostě nic? Jen seznam druhů?

Barbora: Přesně. V takovém případě nemůžeš nic přímo vysvětlovat. Ale můžeš hledat skryté vzorce. Na to používáme metody, kterým říkáme *neomezená ordinace*. Zní to složitě, ale vlastně jen necháš data, ať ti sama řeknou svůj příběh.

Adam: Takže takové datové povídání na dobrou noc?

Barbora: V podstatě jo. Mezi hlavní metody tady patří třeba analýza hlavních komponent, známá jako PCA, nebo korespondenční analýza, CA. Pomůžou ti vytvořit jakousi mapu tvých lokalit a druhů.

Adam: A co ten druhý scénář? Ten, kde už mám nějaké „podezřelé“?

Barbora: Ano, to je situace, kdy máš k dispozici prediktory. Třeba to pH půdy nebo nadmořskou výšku. A tady přichází na řadu *omezená ordinace* nebo regresní modely.

Adam: Takže teď už se neptáme jen „co se děje“, ale „proč se to děje“? Zkoušíme, jestli pH půdy opravdu ovlivňuje, které druhy tam rostou.

Barbora: Přesně tak! Pro mnohorozměrná data, jako je druhové složení, jsou klíčové metody jako RDA – to je redundanční analýza – nebo kanonická korespondenční analýza, CCA. Ty přímo testují vztah mezi tvými prediktory a odezvou.

Adam: Chápu. Takže neomezená ordinace je jako průzkum a omezená je... přímé vyšetřování.

Barbora: To je perfektní přirovnání! A pak je tu ještě třetí, speciální případ. Co když máš dvě podobné tabulky dat? Třeba složení brouků a složení rostlin na stejných lokalitách.

Adam: Zajímavé... Chceš zjistit, jestli spolu nějak souvisí?

Barbora: Přesně. Na to máme metody jako symetrická ko-korespondenční analýza, neboli CoCA. Ta hledá společné vzorce v obou tabulkách. Ale to už je trochu pokročilejší.

Adam: Páni, to je spousta zkratek. PCA, CCA, RDA... Jak si z toho má člověk vybrat tu správnou?

Barbora: Je to jako velký kufr s nářadím. A výběr toho správného nástroje závisí nejen na tvé otázce, ale i na tom, jak si data předem upravíš. A právě o téhle úpravě, o takzvaném centrování a standardizaci, si povíme příště.

Adam: Dobře, takže minule jsi zmínila centrování a standardizaci. To zní jako nějaká datová gymnastika. Jaký je vlastně rozdíl mezi tímhle a... prostě transformací dat?

Barbora: To je skvělá otázka, Adame! Ono je to trochu matoucí. Zjednodušeně řečeno, transformace je něco, co děláš s každou hodnotou zvlášť, nezávisle na ostatních. Třeba logaritmická transformace.

Adam: Jo, chápu. Jako když chci zmírnit vliv nějakých extrémně vysokých čísel?

Barbora: Přesně tak. Převádí to násobný vztah na sčitatelný. Místo "hodnota se zdvojnásobí" pak řešíš "hodnota se zvýší o konstantu". A to se lineárním modelům líbí mnohem víc.

Adam: Dobře, tohle dává smysl. A co ta standardizace? Ta se tedy nedělá pro každé číslo zvlášť?

Barbora: Přesně. U standardizace měníš hodnotu v kontextu ostatních dat. Buď v rámci jednoho vzorku, nebo — a to častěji — v rámci jedné proměnné napříč všemi vzorky.

Adam: Takže vlastně porovnávám jablka s ostatními jablky v celém sadu, nejen v jednom košíku.

Barbora: Jo, to je dobrá analogie! A často se to dělí ještě na dvě věci... na centrování a na samotnou standardizaci v užším smyslu.

Adam: Další dělení? No potěš...

Barbora: Klid! Je to jednoduché. Centrování jen posune průměr všech hodnot na nulu. A standardizace potom zařídí, aby měly stejnou variabilitu, tedy stejný rozptyl.

Adam: Fajn, fajn. A proč bych to dělal? Proč dávat všemu stejnou váhu?

Barbora: Představ si, že měříš pH půdy, které je třeba mezi 5 a 7, a vedle toho počet žížal, kterých můžou být stovky. Bez standardizace by ty žížaly v analýze úplně převálcovaly vliv pH.

Adam: Protože jejich čísla jsou prostě mnohem větší. Rozumím. Takže je standardizace vždycky dobrý nápad?

Barbora: To právě ne. U dat o druzích musíš být hodně opatrný. Když dáš všem druhům stejnou váhu, může se stát, že nějaký super vzácný druh, co žije jen na jednom místě, bude najednou vypadat strašně důležitě.

Adam: A naopak druh, který je běžný a vyskytuje se všude, vlastně ztratí na významu.

Barbora: Bingo. Takže to není žádné kouzelné řešení. Je to jen další nástroj, který musíme umět správně použít. A o tom, jak si vybrat ten správný pro konkrétní cíl, si budeme povídat příště.

Adam: Jasně, to dává smysl. Ale než se pustíme do výběru správných nástrojů, co když nám v datech něco chybí? Víš, jako když se ztratí vzorek z laboratoře nebo prostě zapomenu vyplnit kolonku. To se mi stává pořád.

Barbora: Jo, to se stává víc, než bys čekal. A je to velký problém. Prázdné políčko totiž neznamená nula.

Adam: Jak to? Když tam nic není, tak je to nula, ne?

Barbora: Právě že ne. Představ si, že zkoumáš druhy rostlin. Když nějaký druh nenajdeš, zapíšeš nulu – jakože tam není. Ale když se na ten druh zapomeneš podívat úplně, tak to není nula. To je prostě... chybějící údaj. A to je obrovský rozdíl.

Adam: Aha! Takže co s tím? Nemůžu se přece vrátit v čase a ten údaj doplnit.

Barbora: Přesně. Máme několik možností. Ta první je trochu drsná – prostě vyhodíme všechny vzorky, ve kterých nám něco chybí.

Adam: To zní jako plýtvání.

Barbora: Může být. Ale pokud máš 500 vzorků a data ti chybí jen u tří z nich, je jednodušší je ignorovat, než si komplikovat život. Tomu se říká "case-wise deletion".

Adam: Dobře, a co když jsou ty chybějící hodnoty rozházené všude možně?

Barbora: Pak můžeme zkusit druhý přístup. Místo vzorků vyhodíme celou proměnnou. Třeba když měříš koncentraci dvaceti různých iontů, ale u kadmia ti chybí polovina dat, možná bude lepší prostě kadmium z celé analýzy vyřadit.

Adam: Takže buď vyhodím řádek, nebo sloupec. Ale co když nechci vyhodit nic? Sbírat data je drahé!

Barbora: Správná poznámka. Pak přichází na řadu metody náhrady, neboli "imputation". V podstatě se snažíme tu chybějící hodnotu odhadnout.

Adam: Počkat, takže si ta data prostě vymyslíme? To zní trochu jako podvádění.

Barbora: Je to takové chytré podvádění. Nejjednodušší je doplnit průměr ze všech ostatních hodnot. Ale máš pravdu, má to háček. Tímhle si sice zaplníš díru v tabulce, ale klameš sám sebe.

Adam: Jakto?

Barbora: Protože statistické testy pak budou příliš optimistické. Budou si myslet, že máš víc skutečných informací, než ve skutečnosti máš. Je to, jako bys opisoval sám od sebe. Informaci tím nenavýšíš.

Adam: Rozumím. Takže je to taková z nouze ctnost.

Barbora: Přesně tak. Existují i chytřejší metody, třeba regresní modely, které hodnotu odhadnou z jiných proměnných. Ale princip je stejný – je to vždycky jen odhad. Proto je výběr metody, jak naložit s chybějícími daty, jedním z prvních kroků, než se vůbec pustíme do různých typů samotné analýzy.

Adam: Dobře, takže než se pustíme do všech těch různých typů analýz, o kterých jsme mluvili, potřebujeme nějaký konkrétní nástroj, že? Slyšel jsem, že dnes se podíváme na jeden speciální program.

Barbora: Přesně tak! Naším hlavním pomocníkem bude program Canoco 5. Je to software vytvořený přímo pro statistické analýzy dat, hlavně v ekologii, ale rozhodně nejen tam.

Adam: A v čem je jiný než třeba... obyčejný Excel?

Barbora: Dobrá otázka. Klíčový rozdíl je v jeho filozofii. V Canoco 5 nepracuješ jen s jednou tabulkou nebo jedním grafem. Všechno je uspořádané do takzvaných 'projektů'.

Adam: Projekt? Jako školní projekt?

Barbora: V podstatě ano. Představ si to jako složku, kde máš všechny své datové tabulky a k tomu i všechny analýzy, které jsi s nimi provedl. Všechno je hezky pohromadě a provázané.

Adam: To zní přehledně. V dokumentaci jsem narazil na něco, čemu říkají "Canoco poradce". Co to je za mystickou postavu?

Barbora: To je takový náš Brumbál. Je to expertní systém, který tě nikdy nenechá ve štychu. Sice ho nikdy přímo neuvidíš, ale posílá ti na pomoc svůj tým 'čarodějů', neboli 'wizards'.

Adam: Čarodějové? Takže je to vlastně software pro kouzelníky?

Barbora: Trochu ano! Jsou to takoví průvodci, kteří tě krok za krokem provedou složitějšími úkoly. Například 'New Analysis Wizard' ti na základě tvých dat navrhne nejvhodnější typ analýzy. Nemusíš tápat ve tmě.

Adam: Takže mi vlastně radí, co mám dělat? To je super!

Barbora: Přesně. Pak je tu třeba 'Graph Wizard', který ti z výsledků analýzy automaticky vykouzlí přehledné ordinační diagramy. Je to opravdu navržené tak, aby tě to vedlo za ruku.

Adam: Skvělé, takže nemusím být datový mág, abych to zvládl. To mě uklidňuje. A co když chci začít úplně od nuly, nebo naopak importovat nějaká stará data?

Barbora: Skvělá otázka. Většina lidí začíná právě s daty, která už mají někde připravená, nejčastěji v Excelu. A Canoco s tím počítá. Má na to přímo nástroj, který se jmenuje 'Excel Import Wizard'.

Adam: Průvodce importem z Excelu? To zní… přátelsky.

Barbora: Přesně tak to je myšleno. Provede tě celým procesem. Nejdřív si vybereš soubor – umí jak staré formáty .xls, tak ty novější .xlsx. Pak si v něm označíš listy, kde máš data.

Adam: A co když mám v jednom listu víc tabulek? Třeba data o druzích a hned vedle data o prostředí?

Barbora: I na to mysleli. Můžeš si definovat, že z jednoho listu chceš vytvořit víc samostatných tabulek. Je to hodně flexibilní.

Adam: Dobře, a je jedno, v jakém pořadí ty tabulky importuju?

Barbora: Není. A tohle je klíčové. Doporučuje se jako první nahrát tabulku s takzvanými odezvovými daty. Představ si to jako data o druzích rostlin na různých lokalitách.

Adam: Rozumím, to jsou ta hlavní data, která chci vysvětlit.

Barbora: Přesně. A teď to důležité. Když pak nahráváš druhou tabulku, třeba s vlastnostmi prostředí pro ty stejné lokality, program tě donutí propojit řádky. Musíš mu říct, že řádky v druhé tabulce odpovídají řádkům v té první.

Adam: Takže mi to nedovolí, abych si omylem pomíchal data z louky A s daty z lesa B?

Barbora: Přesně tak! Zajišťuje to, že data jsou konzistentní. Když pak v jedné tabulce smažeš nějakou lokalitu, automaticky se smaže i ve všech ostatních propojených tabulkách.

Adam: Super, to je chytré. A co se stane po importu? Kde ta data uvidím?

Barbora: Objeví se v editoru, který vypadá hodně podobně jako Excel. Můžeš v něm měnit hodnoty a pracovat s nimi. Ale pozor, není to Excel. Neumí třeba vzorečky.

Adam: Ale má zase jiné speciality, že?

Barbora: Ano, má funkce šité na míru analýze dat, třeba pro práci s chybějícími hodnotami. Ty můžeš jednoduše označit jako 'NA' a program si s nimi poradí. Nemusíš všude doplňovat nuly.

Adam: To je úleva. Takže import je chytrý, propojený a editor je vlastně takový specializovaný Excel. To dává smysl. A co když chci ta data před analýzou ještě nějak upravit?

Barbora: No, přesně na to se teď podíváme. Ale ještě před úpravami je tu jedna důležitá věc, hlavně pro zkušenější uživatele. Pro ty, co přecházejí ze starší verze Canoco 4, je největší výzvou... odnaučit se staré zvyky.

Adam: Jako když přejdeš ze staré Nokie na smartphone a pořád reflexivně mačkáš tlačítka, která tam dávno nejsou?

Barbora: Přesně tak! Nejdůležitější je programu hned na začátku říct, jaký typ dat mu dáváš. Jestli jsou kompoziční, tedy popisují nějaké složení, nebo obecná. Když to neuděláš, takový ten chytrý "Canoco poradce" je zmatený a nenabídne ti správné analýzy.

Adam: Chápu. Musí vědět, jestli řídíš auto nebo kolo, aby ti dal správné pokyny k cestě.

Barbora: Přesně. A když jsme u těch pokynů, Canoco 5 ti dovolí si všechno pojmenovat po svém. Dřív to bylo natvrdo dáno: ‘druhy’, ‘vzorky’ a ‘proměnné prostředí’.

Adam: Což je asi fajn pro ekology společenstev, ale sociolog by se asi divil, co mu to tam leze za druhy.

Barbora: No právě! Takže si můžeš přejmenovat ‘vzorky’ třeba na ‘stanice’ nebo ‘kóje’. A ‘druhy’ zase na ‘genové lokusy’ nebo ‘kategorie využití půdy’. Výsledné grafy a rady pak dávají mnohem větší smysl.

Adam: To je obrovská výhoda. Člověk si nemusí v hlavě neustále překládat, co tím básník chtěl vlastně říci.

Barbora: Přesně tak. A další velká změna je práce s kategoriemi, kterým říkáme faktory. Třeba když zkoumáš různé typy hospodaření na pozemcích: pastvina, louka, opuštěno.

Adam: Jasně, to dává smysl.

Barbora: Dřív jsi na to musel mít spoustu pomocných sloupců s nulami a jedničkami. Byla to opravdu zdlouhavá práce. Dnes to Canoco 5 zvládne s jedním sloupcem zcela automaticky.

Adam: To je obrovská úleva. Ale co když je to složitější? Třeba pole, co bylo loni louka a letos je z něj pastvina? Je to tak nějak obojí...

Barbora: Skvělá otázka! Na to existuje takzvané "fuzzy kódování". Můžeš programu říct: tohle místo je z padesáti procent louka a z padesáti pastvina. Zvládne i takovou tu reálnou neuspořádanost světa.

Adam: Páni, takže to není jen černobílé. Umí to i všechny odstíny šedi. To je fakt silný nástroj. Takže když máme data připravená a správně pojmenovaná, jak spustíme samotnou analýzu?

Barbora: Jasně! Spuštění analýzy je teď vlastně docela intuitivní. V Canoco 5 tě celým procesem provede takzvaný „Canoco poradce“. Ale než se do toho pustíme, je pár věcí, co se změnily od starších verzí.

Adam: Změny? To zní jako něco, na co si musím dát pozor. Tak povídej.

Barbora: Přesně. Tak třeba... pamatuješ na takzvané „dummy proměnné“? Takové ty jedničky a nuly?

Adam: Jo, matně. Používaly se pro kategorie, že?

Barbora: Přesně. Tak na ty zapomeň. Dneska už je to přežitek. Místo nich používáme „faktory“. Je to mnohem čistší a některé analýzy, jako PRC, to přímo vyžadují.

Adam: Takže používat dummy proměnné je... tak trochu „dummy“ způsob?

Barbora: Přesně tak! Skvěle řečeno.

Adam: Dobře, takže faktory místo jedniček a nul. Co dál?

Barbora: Další velká úleva je transformace dat. Dřív jsi musel všechno logaritmovat a upravovat ještě před importem. Teď to uděláš přímo v programu.

Adam: Počkat, takže si data nahraju a až pak řeknu "tuhle proměnnou chci logaritmicky"?

Barbora: Přesně tak. A co víc, Canoco poradce ti to dokonce sám navrhne! Ale pozor, není to všemocné. Vždycky musíš zkontrolovat, jestli ten návrh dává smysl.

Adam: Jasně, je to pomocník, ne šéf. A co třeba názvy? Vždycky jsem bojoval s těmi osmimístnými zkratkami.

Barbora: I to je minulost! Teď můžeš mít plné, dlouhé názvy. Program z nich sám vytvoří krátké zkratky pro grafy, které si pak můžeš upravit.

Adam: To je super. A co když už mám analýzu hotovou a chci v grafu něco změnit? Třeba škálování?

Barbora: Žádný problém. Dřív jsi to musel nastavit předem. Teď to můžeš měnit kdykoliv po analýze jedním kliknutím. Je to mnohem pružnější.

Adam: To zní, jako by se autoři snažili celý proces co nejvíc zjednodušit.

Barbora: Přesně o to jde! A proto je důležité používat pro nové analýzy tlačítko „New“ a nechat se vést poradcem. Existuje sice i stará cesta přes „Customized analysis“, ale to je jako jet po staré rozbité okresce, když vedle máš novou dálnici.

Adam: Rozumím. Takže držet se nové, vyšlapané cesty. Ten Canoco poradce zní jako klíčová postava v celém příběhu. Můžeme si o něm říct víc?

Barbora: Jasně! Hned po analýze se Canoco poradce převtělí v takového „grafického kouzelníka“ — jmenuje se Graph Wizard. A jeho úkolem je, aby ti navrhl ty nejlepší grafy pro tvoje data.

Adam: Takže mi nejen poradí, jakou analýzu udělat, ale i jak ji hezky zobrazit?

Barbora: Přesně! Už žádné tápání, co s čím zkombinovat. On se podívá na výsledky a řekne: „Hele, tady by se hodil biplot, kde uvidíš druhy a prostředí najednou. A k tomu ještě atributový diagram, který ti ukáže, jak se v tom prostoru mění třeba diverzita.“

Adam: To zní skvěle. Nemusím listovat v žádné učebnici, co který graf znamená.

Barbora: Přesně. U toho biplotu si pak můžeš třeba nastavit, aby ti ukázal jen ty druhy, které jsou pro dané osy nejdůležitější. Nemusíš tam mít hned všech sto, což by bylo nepřehledné.

Adam: Chápu, takový filtr na to podstatné. A co ten druhý graf, ten atributový?

Barbora: Ten je super. Představ si to jako mapu, kde ti barvy ukazují třeba diverzitu. V jednom rohu máš „horká“ místa s vysokou diverzitou a v druhém „studená“ s nízkou. Můžeš si vybrat, jestli to ukážeš pomocí barev, velikosti symbolů, nebo jako vrstevnice na mapě.

Adam: Aha, takže to není jen shluk bodů, ale graf, který vypráví příběh o diverzitě. To už skoro zní jako umění.

Barbora: Přesně tak! A můžeš si vybrat i různé indexy diverzity, nejen prostý počet druhů.

Adam: Dobře. A když už mám takový krásný graf, co s ním? Můžu si ho uložit a dát třeba do seminárky?

Barbora: Samozřejmě. Grafy můžeš jednoduše exportovat do PDF, PNG, nebo formátů pro další úpravy. Je to připravené pro praxi. Existuje sice i stará cesta přes menu, kde si všechno naklikáš ručně, ale to je zase ta stará okreska. Graph Wizard je dálnice.

Adam: Takže klíčový poznatek zní: věřit Canoco poradci a jeho grafickému kouzelníkovi.

Barbora: Ano! Nechat se vést je v Canocu ta nejchytřejší strategie. Ušetří ti to čas i nervy.

Adam: Perfektní. Barboro, moc děkuji za skvělé shrnutí. Věřím, že naši posluchači teď mají mnohem jasnější představu. A vám, milí posluchači, děkujeme za pozornost u dnešního Studyfi Podcastu. Mějte se hezky!

Barbora: Na slyšenou!