nmds与mds的区别_NMDS非度量多维尺度分析—基于微生物群落

今天，看到赖江山老师在博客中分享了vegan中的一些函数的中文帮助文件，翻译专业，可读性强，这本材料是我们熟悉vegan原理和提高内涵的有力学习途径。(末尾有彩蛋)本文主要做NMDS分析并做一张完善的高质量图片，提取stress值，推荐适合NMDS结果的差异分析并通过命令展示在图形上，最后加上置信区间椭圆。非度量多维尺分析( NMDS)是一种很好的排序方法，因为它可以使用 具有生态学意义的 方法来度量群落差异 。一个好的 相异性测度与环境梯距离具有很好的秩 关系。因为 NMDS只使用秩信息，并且映射的在有序空间 上是非线性的， 故它能处理任意 类型 的非线性物种 矩阵 ，并能有效、稳健地找 到潜在梯度。NMDS分析，网络上已近有很多相关教程分享其原理，与其他排序(PCA、PCoA、CCA、RDA) 方法的不同之处，简单来讲NMDS也是一种使用物种组成数据的排序称作非限制性排序；NMDS基于距离算法，优于PCA、PCoA、CCA、RDA的地方在于当样本或者物种数量过多的时候使用NMDS会更加准确；

vegan 的ordiplot()函数可以用来绘制NMDS 的结果：plot(vare.mds,type= "t")

vegan 包中的metaMDS()函数不需要单独计算相异矩阵，直接 将原始数据矩阵作为输入。结果比以前更丰富 ，除了奥杜尔包中isoMDS()结果中 的成分外还有很多其他结果输出：nobj, nfix, ndim, ndis, ngrp, diss, iidx, jidx, xinit, istart, isform, ities, iregn, iscal, maxits, sratmx, strmin, sfgrmn, dist, dhat, points, stress, grstress, iters, icause, call,model, distmethod, distcall, data, distance, converged, tries,engine, species。该函数将这些的过程封装到一个函数中：一般生态群落数据比较离散 ，用平方根转换数据 ，然后进行 Wisconsin双重 标准化，或物种除以它们的最大值 将数据 均一化 为相等的总数。这两个标 准化通常可以提高排序的质量，但是我们在最初分析中忘了考虑数据的转化问题 。

默认使用 Bray-Curtis相异系数。

运行多次独立的isoMDS()，并在一定次数的尝试之后停止，或者找到两个具有最小应力 函数之后停止 ，返回了最佳的排序结果。

旋转排序图，使样方坐标的最大差位于第一轴上。

对排序结果进行标准化，使一个单元应于将群落相似性从重复相似性减半。

函数发现物种 排序轴为样方排序轴 的加权平均值 并将其扩大，使物种和样 方排序轴 具有相等的方差