数据集概述
本数据集为景观遗传学研究中提出的最小成本样带分析（LCTA）方法的配套数据，包含濒危豆娘（Coenagrion mercuriale）的遗传数据、景观解释变量、坐标信息及LCTA方法的Python脚本等，用于验证该方法在景观遗传建模中的有效性，对比传统方法的优势。
文件详解
- 文档类文件（.txt格式，共5个）
README_for_Explanatory_variables_mh_Agriculture_sf_15.txt：解释变量数据说明文档README_for_Pairwise_Fst.txt：成对遗传距离数据说明文档README_for_LCTA_v1-2.txt：LCTA方法脚本说明文档README_for_Individual_genotypes.txt：个体基因型数据说明文档README_for_Coordinates.txt：坐标数据说明文档- 数据类文件（.csv格式，共4个）
Pairwise_Fst.csv：包含Deme1（种群1）、Deme2（种群2）、Fst（遗传分化指数）字段的成对遗传距离数据Individual_genotypes.csv：包含Deme（种群）及多个基因位点（如BV012675、BV012679等）基因型数据的个体遗传信息表Explanatory_variables_mh_Agriculture_sf_15.csv：景观解释变量数据Coordinates.csv：种群坐标数据- 压缩包文件（.zip格式，共1个）
LCTA_v1-2.zip：包含实现LCTA方法的Python脚本及对应说明文件的压缩包
数据来源
论文“A new analytical approach to landscape genetic modeling: least-cost transect analysis and linear mixed models”
适用场景
- 景观遗传学建模方法验证: 用于测试和验证LCTA方法在量化景观对种内遗传结构影响的有效性
- 濒危物种遗传分析: 基于豆娘（Coenagrion mercuriale）的遗传数据，研究其种群遗传分化与景观因素的关系
- 景观遗传数据分析方法对比: 对比LCTA方法与传统最小成本路径、有效距离等方法的分析结果差异
- 生态遗传模型开发: 利用线性混合模型框架，构建景观因素与遗传距离的关联模型
- 生物信息学脚本应用: 基于LCTA方法的Python脚本，开展景观遗传数据的自动化分析
