---
title: "Analyse de méthodes de calcul des surfaces de feuilles de tomate G6"
author: "Nathalie Brouard"
format: html
editor: visual
---

tsf<-read.csv2("area.csv")echo: false
        names(tsf)

        str(tsf)

        ```

        </div>

    </div>

```{r}
area_scan<-tsf$Area.scan
leaf_Lw<-tsf$aLwb
leaf_LiLw<-tsf$aLib.Lwc
n_echantillon<-tsf$N.
conditions<-tsf$Conditions
```

-   <div>

    ```{r}
    #créer une variable par condition : LC,LCS,LS,LSS
    head (conditions) 
    summary(conditions)
    table(conditions)

    #première méthode : comparaison des surfaces scannées de feuilles de tomate G6 avec les mesures Lw (longueur de feuille)

    comparaison_1<-data.frame(n_echantillon, Area.scan = area_scan, aLwb = leaf_Lw, conditions)

    #intervalle de confiance par correlation linéaire de pearson
    cor.test(tsf$Area.scan,tsf$aLwb)

    #regression logistique
    mod1<-lm(Area.scan~aLwb, data = tsf)
    summary(mod1)
    t.test(tsf$Area.scan,tsf$aLwb)
    drop1(mod1,Area.scan~aLwb,test = "F")

    #regression linéaire simple
    plot(jitter(tsf$Area.scan),jitter(tsf$aLwb))

     
    # Définir les couleurs pour chaque condition
    couleurs <- c("LC" = "blue", "LCS" = "green", "LS" = "red", "LSS" = "orange")

    ggplot(comparaison_1, aes(x = Area.scan, y = aLwb, color = conditions)) +
    geom_point() + # Ajouter des points
    scale_color_manual(values = couleurs) + # Spécifier les couleurs manuelles
      labs(x = "Surfaces de feuilles de tomate scannées et analysées par ImageJ",
           y = "Surfaces de feuilles de tomate analysées par mesure du Lw",
           titre = "Comparaison entre les surfaces scannées et les surfaces mesurées de feuilles de tomate G6")


    #deuxième méthode : comparaison des surfaces scannées de feuilles de tomate G6 avec les mesures Lw et Li (longueur de feuille)
    comparaison_2<-data.frame(n_echantillon, Area.scan = area_scan, aLib.Lwc = leaf_LiLw, conditions)

    #intervalle de confiance par correlation linéaire de pearson
    cor.test(tsf$Area.scan,tsf$aLib.Lwc)

    #regression logistique
    mod2<-lm(Area.scan~aLib.Lwc, data = tsf)
    summary(mod2)
    t.test(tsf$Area.scan,tsf$aLib.Lwc)
    drop1(mod2,Area.scan~aLib.Lwc,test = "F")

    #regression linéaire simple
    plot(jitter(tsf$Area.scan),jitter(tsf$aLib.Lwc))

    # Créer le graphique ggplot2
    # Définir les couleurs pour chaque condition
    couleurs <- c("LC" = "blue", "LCS" = "green", "LS" = "red", "LSS" = "orange")

    ggplot(comparaison_2, aes(x = Area.scan, y = aLib.Lwc, color = conditions)) +
    geom_point() + # Ajouter des points
    scale_color_manual(values = couleurs) + # Spécifier les couleurs manuelles
      labs(x = "Surfaces de feuilles de tomate scannées et analysées par ImageJ",
           y = "Surfaces de feuilles de tomate analysées par mesure du Lw",
           titre = "Comparaison entre les surfaces scannées et les surfaces mesurées de feuilles de tomate G6")


    ```

    </div>

You can add options to executable code like this

```{r}
#| echo: false

```

The `echo: false` option disables the printing of code (only output is displayed).


```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

## Some explanations

This is an R Markdown document that you can easily export to HTML, PDF, and MS Word formats. For more information on R Markdown, see <http://rmarkdown.rstudio.com>.

When you click on the button **Knit**, the document will be compiled in order to re-execute the R code and to include the results into the final document. As we have shown in the video, R code is inserted as follows:

```{r cars}
summary(cars)
```

It is also straightforward to include figures. For example:

```{r pressure, echo=FALSE}
plot(pressure)
```

Note the parameter `echo = FALSE` that indicates that the code will not appear in the final version of the document. We recommend not to use this parameter in the context of this MOOC, because we want your data analyses to be perfectly transparent and reproducible.

Since the results are not stored in Rmd files, you should generate an HTML or PDF version of your exercises and commit them. Otherwise reading and checking your analysis will be difficult for anyone else but you.

Now it's your turn! You can delete all this information and replace it by your computational document.