大家好，最近在研究非约束排序，查询很多资料，根据自己的理解整理这篇文章，希望自己整理的能给大家提供帮助，如果自己整理的有误，麻烦大家给我指点，谢谢，我们一同成长。

非约束排序：

一、主成分分析PCA

1．环境因子标准化

由于环境因子之间单位不一致，为了让后续处理一致，减少误差，所以需要对环境因子标准化,使用scale=TURE;如果原始环境因子的数据单位是一致可以不用标准化，scale=FALSE。

env.pca<-rda(env, scale=TRUE)

2.物种原始数据处理（Hellinger转化）

PCA分析致力于分析定量数据，展示欧式距离和线性关系。当主成分分析在包含很多0值 且丰度差别很大的物种组成数据时进行处理时非常糟糕。为此生态学家的普遍建议，将预转化的物种组成数据（例如Hellinger转化）用作PCA的输入，可有效地将“非均匀”物种组成数据同样适用于PCA（tb-PCA）,或者使用主坐标分析PCOA。通常情况下，如果你的物种数据原始数据出现的零过多，可以使用Hellinger转化。

spe.h<-decostand(spe,“Hellinger”)

3. PCA轴的选择(使用带棍的碎石图)

选择标准：第一种选取特征根大于所对应的断棍长度的轴，第二种选取特征的总和大于所对应断棍长度总和前几轴。

Screeplot(env.pca,bstick=TRUE,npcs=length(env.pca$CA$eig))

4.双序图(scaling=1/2)与前面的scale标准化函数无关

PCA-1型标尺（对象之间的距离）

Bioplot(env.pca,scaling=1,main=“PCA-1型标尺”)

PCA-2型标尺（变量之间的相关性）

Bioplot(env.pca,scaling=2,main=“PCA-1型标尺”) bioplot默认scaling=2

5.将环境因子被动加入物种数据PCA分析（使用PCA函数）

Biplot（spe.p.pca，main=“鱼类数据PCA-2型标尺”, scaling=2）

spe.h.pca.env<-envfit (spe.h.pca,env, scaling=2))

二、对应分析CA

对应分析是分析物种有-无或多度数据最受欢迎的工具之一，CA非常使用原始的物种多度数据分析（无须预转化）。

1.环境变量的被动曲线拟合（使用ordisurf()函数，envfit()函数）

spe.ca.env<-envfit(spe.ca~dis+amm,env) #dis,amm为水体流量，铵浓度

plot(spe.ca.env)

ordisurf(spe.ca.env$dis,add=TRUE)

ordisurf(spe.ca.env$amm,add=TRUE,col=“green”)

三、主坐标分析PCoA

1.利用cmdscale()和vegan()函数对物种数据进行PCOA分析

Spe.bray<-vegdist()

Spe.b.pca<-cmdscale(spe.bray,k=(nrow(spe)-1),eig=TRUE)

spe.b.pcoa.env<-envfit(spe.b.pcoa,env)

2.使用pcoa()函数对doubs数据进行pcoa分析

3.#hellinger转化的物种数据

Bioplot.pcoa(spe.h.pcoa,spe.h,dir.axis1=-1)

Abline(h=0,lty=3)

Abline(v=0,lty=3)

Text(-0.5,0.45,‘a’,cex=2)

4.#标准化hellinger转化的物种数据

spe.sted<-scale(spe.h)

Bioplot.pcoa(spe.h.pcoa, spe. std,dir.axis1=-1)

Abline(h=0,lty=3)

Abline(v=0,lty=3)

Text(-0.5,0.45,‘a’,cex=2)

四、非度量多维尺度分析NMDS

1.metaMDS（）函数

Spe.nmds<-metamds（spe,distance=“bray”）

Spe.nmds

Spe.nmds$stress

2.评估nmds拟合度的shepard图或直接用排序内对象的距离与原始记录进行线性或非线性回归的R2来评估nmds的拟合度

Par(mfrow=c(1,2))

Stressplot(spe.nmds,main=”shepard图”)

gof<-goodness(spe.nmds)

plot(spe.nmds,type=“t”,main=“拟合度”)

参考了赖江山老师的数量生态学——R语言的应用

https://mp.weixin.qq.com/s/yG-0ZNGCEcGjm0ZFqhXocA

https://mp.weixin.qq.com/s/uWX9CUBNR2ybJ1LxFhKefQ

https://mp.weixin.qq.com/s/9hba5wJmat9Z6-cGQXaCPg

https://mp.weixin.qq.com/s?__biz=MzIxNzc1Mzk3NQ==&mid=2247484348&idx=1&sn=b7869162984f4ce1875ca142be5a0334&chksm=97f5b3a4a0823ab2a1ed8fe40d2cc50887d12ae347085860b808f4e1c205acca104c2f39ecdd&token=812338506&lang=zh_CN&scene=21#wechat_redirect

https://mp.weixin.qq.com/s?__biz=MzIxNzc1Mzk3NQ==&mid=2247484313&idx=1&sn=fb22f41aea6055716a1f6a6b8a27823a&chksm=97f5b381a0823a975dbe981805e8886d488df301950db1701b6e3d3324760c7d358e24403ba2&token=1975147261&lang=zh_CN&scene=21#wechat_redirect