PNAS：NST方法定量生态过程中的随机性

Journal: PNAS

Published:August 7, 2019

PNAS上刚刚上线了周老师最新文章，开发出新的方法对生态过程中的随机性进行了定量。

提出了一个新的指数，normalized stochasticity ratio (NST)，作为确定性主导（deterministic, <50%）和随机性主导（stochastic, >50%）的边界点。

NST在大空间尺度或非常高的环境噪声条件下性能有限，但在所有其他模拟场景中，NST均显示出较高的准确性(0.90 ~ 1.00)和精度(0.91 ~ 0.99)。

此外结果还表明，零模型构建算法和群落相似性的度量方法对量化随机性有很强的影响。

让我们直接进入算法吧~

假设存在一个群落的集合，里面包含了m个群落。Cij为i,j两个群落观测到的相似性，Dij为不相似性，那么显然的，Dij = 1-Cij。

将群落集合进行随机化打乱并重复1000次，Eij为i和j群落期望的相似性。`Eij 为1000次的均值。`Gij为不相似性的均值。期望相似性的SD用Vij表示。

注：这里的`即为下图中字母上的横线。我在word编辑好之后在公众号不能正常显示，都会变成`。

那么，如果群落收到确定性过程影响，群落变得更相似了，Cij就会大于`Eij。观测到的和期望的值的差就可以评价确定性过程的强弱，即

这种情况称之为typeA selection strength。显然的，随机性的比例为：

如果群落受到确定性过程影响，群落变得更不相似了，Cij就会小于`Eij。此时Dij(=1-Cij)就会大于`Gij(=1- `Eij)。实际不相似度与期望不相似度之间的差异越大，决定性因素的作用就越大。

这种情况称之为typeB selection strength。此时随机性的比例为

假设nA和nB为分别为成对相似性大于、小于零模型的次数，那么成对比较的总数为nA+ nB。

Type A、type B型及总的平均选择强度为：

随机性的强度为：

由于`Eij不总是在0-1之间，在此基础上，作者提出了标准化的选择强度normalized selection strength(NSS)及标准化的随机比例normalized stochasticity ratio (NST)，使最终的值保持在0-1之间。

DSS和TSS是SS在完全确定性和随机性控制时的极端值。

上标A，B为type A (Cij ≥ `Eij)和 type B (Cij < `Eij)。

DCij为完全确定性控制条件下的i和j的相似度。ε为标准化函数。

结果

NST得到的结果与实际相比，无论是准确度还是精度，都高于之前的ST和NP算法。

随着研究尺度不断增大（P-S-R-C-G），NST准确性和精度都下降。噪音也会影响NST效果。

不同的距离算法（基于abundance或incidence）会显著影响NST的准确性和精度。每种方法详细的公式见参考材料。

不同的零模型建立方式。

如不考虑丰度(constrain taxa occurrence frequency)，Equiprobable表示所有物种出现概率相同；Proportional表示出现率与其观测到的出现概率相同；Fixed表示出现概率固定。

如考虑丰度(constrain richness)，Equiprobable表示物种在所有样本中出现概率相同；Proportional表示一个样本中出现率与其观测到的丰度相同；Fixed表示出现概率固定。

不同的零模型对结果也会有较大影响。

—END—