Tarefa de EcoGeral 1
Jonathan Vicente da Silva
2023-02-23
## Pacotes
library(devtools)## Carregando pacotes exigidos: usethislibrary(ecodados)
library(vegan)## Carregando pacotes exigidos: permute##
## Attaching package: 'permute'## The following object is masked from 'package:devtools':
##
## check## Carregando pacotes exigidos: lattice## This is vegan 2.6-4library(ggplot2)
library(BiodiversityR)## Carregando pacotes exigidos: tcltk## BiodiversityR 2.15-1: Use command BiodiversityRGUI() to launch the Graphical User Interface;
## to see changes use BiodiversityRGUI(changeLog=TRUE, backward.compatibility.messages=TRUE)library(hillR)
## Dados
composicao_especies <- ecodados::composicao_anuros_div_taxonomica
precipitacao <- ecodados::precipitacao_div_taxonomica
anuros<-ecodados::anuros_composicao
anuros<-t(anuros)
## Ver os dados das comunidades
head(composicao_especies)## sp1 sp2 sp3 sp4 sp5 sp6 sp7 sp8 sp9 sp10
## Com_1 10 10 10 10 10 10 10 10 10 10
## Com_2 91 1 1 1 1 1 1 1 1 1
## Com_3 1 3 6 25 1 0 0 0 0 0
## Com_4 0 0 0 0 0 15 15 18 17 16
## Com_5 0 9 0 6 0 11 0 2 12 0
## Com_6 3 0 5 0 12 1 0 13 12 0#> sp1 sp2 sp3 sp4 sp5 sp6 sp7 sp8 sp9 sp10
#> Com_1 10 10 10 10 10 10 10 10 10 10
#> Com_2 91 1 1 1 1 1 1 1 1 1
#> Com_3 1 3 6 25 1 0 0 0 0 0
#> Com_4 0 0 0 0 0 15 15 18 17 16
#> Com_5 0 9 0 6 0 11 0 2 12 0
#> Com_6 3 0 5 0 12 1 0 13 12 0
#> ## Calculando a riqueza observada de espécies para cada comunidade
riqueza_sp <- specnumber(composicao_especies)
riqueza_sp## Com_1 Com_2 Com_3 Com_4 Com_5 Com_6 Com_7 Com_8 Com_9 Com_10
## 10 10 5 5 5 6 2 4 6 4#> Com_1 Com_2 Com_3 Com_4 Com_5 Com_6 Com_7 Com_8 Com_9 Com_10
#> 10 10 5 5 5 6 2 4 6 4
#> ## Calculando a riqueza observada de espécies para cada comunidade
riqueza_sp <- specnumber(composicao_especies)
riqueza_sp## Com_1 Com_2 Com_3 Com_4 Com_5 Com_6 Com_7 Com_8 Com_9 Com_10
## 10 10 5 5 5 6 2 4 6 4#> Com_1 Com_2 Com_3 Com_4 Com_5 Com_6 Com_7 Com_8 Com_9 Com_10
#> 10 10 5 5 5 6 2 4 6 4
#> ## Calculamos a abundância total para cada comunidade
abundancia <- apply(composicao_especies, 1, sum)
abundancia## Com_1 Com_2 Com_3 Com_4 Com_5 Com_6 Com_7 Com_8 Com_9 Com_10
## 100 100 36 81 40 46 4 20 15 11#> Com_1 Com_2 Com_3 Com_4 Com_5 Com_6 Com_7 Com_8 Com_9 Com_10
#> 100 100 36 81 40 46 4 20 15 11
#> ## Índice de Margalef
# A função round é para limitar o resultado para duas casas decimais.
Margalef <- round((riqueza_sp - 1)/log(abundancia), 2)
Margalef## Com_1 Com_2 Com_3 Com_4 Com_5 Com_6 Com_7 Com_8 Com_9 Com_10
## 1.95 1.95 1.12 0.91 1.08 1.31 0.72 1.00 1.85 1.25#> Com_1 Com_2 Com_3 Com_4 Com_5 Com_6 Com_7 Com_8 Com_9 Com_10
#> 1.95 1.95 1.12 0.91 1.08 1.31 0.72 1.00 1.85 1.25
#> ## Índice de Menhinick
Menhinick <- round(riqueza_sp/sqrt(abundancia), 2)
Menhinick## Com_1 Com_2 Com_3 Com_4 Com_5 Com_6 Com_7 Com_8 Com_9 Com_10
## 1.00 1.00 0.83 0.56 0.79 0.88 1.00 0.89 1.55 1.21#> Com_1 Com_2 Com_3 Com_4 Com_5 Com_6 Com_7 Com_8 Com_9 Com_10
#> 1.00 1.00 0.83 0.56 0.79 0.88 1.00 0.89 1.55 1.21
#> ## Juntando todos os dados em um único data frame
dados <- data.frame(precipitacao$prec, riqueza_sp, Margalef, Menhinick)
## Renomenado as colunas
colnames(dados) <- c("Precipitacao", "Riqueza", "Margalef", "Menhinick")
## ANOVA
anova_riq <- lm(Riqueza ~ Precipitacao, data = dados)
anova(anova_riq)## Analysis of Variance Table
##
## Response: Riqueza
## Df Sum Sq Mean Sq F value Pr(>F)
## Precipitacao 1 30.622 30.6224 8.9156 0.01744 *
## Residuals 8 27.478 3.4347
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1#> Analysis of Variance Table
#>
#> Response: Riqueza
#> Df Sum Sq Mean Sq F value Pr(>F)
#> Precipitacao 1 30.622 30.6224 8.9156 0.01744 *
#> Residuals 8 27.478 3.4347
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> ## ANOVA
anova_marg <- lm(Margalef ~ Precipitacao, data = dados)
anova(anova_marg)## Analysis of Variance Table
##
## Response: Margalef
## Df Sum Sq Mean Sq F value Pr(>F)
## Precipitacao 1 0.37865 0.37865 2.1201 0.1835
## Residuals 8 1.42879 0.17860#> Analysis of Variance Table
#>
#> Response: Margalef
#> Df Sum Sq Mean Sq F value Pr(>F)
#> Precipitacao 1 0.37865 0.37865 2.1201 0.1835
#> Residuals 8 1.42879 0.17860
#> ## ANOVA
anova_menh <- lm(Menhinick ~ Precipitacao, data = dados)
anova(anova_menh)## Analysis of Variance Table
##
## Response: Menhinick
## Df Sum Sq Mean Sq F value Pr(>F)
## Precipitacao 1 0.07626 0.076262 1.0992 0.3251
## Residuals 8 0.55503 0.069378#> Analysis of Variance Table
#>
#> Response: Menhinick
#> Df Sum Sq Mean Sq F value Pr(>F)
#> Precipitacao 1 0.07626 0.076262 1.0992 0.3251
#> Residuals 8 0.55503 0.069378gráfico com os resultados da riqueza de espécies ao longo do gradiente de precipitação anual
## Gráfico
ggplot(data = dados, aes(x= Precipitacao, y= Riqueza)) +
labs(x = "Precipitação anual (mm)", y = "Riqueza de espécies") +
geom_point(size = 4, shape = 21, fill = "darkorange", alpha = 0.7) +
geom_smooth(method = lm, se = FALSE, color = "black") +
tema_livro()## `geom_smooth()` using formula = 'y ~ x'
O gráfico apresenta uma relação entre a precipitação anual e a riqueza de espécies em um determinado ambiente. A análise do gráfico mostra que há uma tendência positiva entre as duas variáveis, ou seja, a medida que a precipitação anual aumenta, a riqueza de espécies também aumenta. Esse tipo de relação é esperado, pois o aumento da precipitação pode proporcionar um ambiente mais favorável para a sobrevivência e desenvolvimento de diferentes espécies. Além disso, é possível observar que a distribuição dos pontos não é homogênea, indicando possíveis variações nos fatores que influenciam a riqueza de espécies.
## Cálculo da curva para as comunidades 2 e 3
rank_com2 <- rankabundance(composicao_especies[2, composicao_especies[2,] > 0])## Warning in qt(0.975, df = n - 1): NaNs produzidosrank_com3 <- rankabundance(composicao_especies[3, composicao_especies[3,] > 0])## Warning in qt(0.975, df = n - 1): NaNs produzidosPara análises exploratórias onde você tem interesse em visualizar o padrão da distribuição relativa das espécies por comunidade, a função rankabundance do pacote BiodiversityR é uma opção interessante.
## Gráfico
# Veja a ajuda da função rankabundplot para outros exemplos de gráficos.
rankabunplot(rank_com2, scale = "logabun", specnames = c(1),
pch = 19, col = "darkorange")
rankabunplot(rank_com3, scale = "logabun", specnames = c(1), pch = 19,
xlim = c(0,10), addit = TRUE, col = "cyan4" , legend = TRUE)## Warning in plot.xy(xy.coords(x, y), type = type, ...): "legend" não é um
## parâmetro gráficolegend(5, 40, legend = c("Comunidade 2", "Comunidade 3"),
col = c("darkorange", "cyan4"), lty = 1, cex = 0.8, box.lty = 0)
O gráfico mostra as curvas de rank-abundância para as comunidades 2 e 3. A curva de rank-abundância é uma representação gráfica da distribuição de abundância das espécies em uma comunidade. Em ambos os casos, a escala do eixo y é logarítmica, o que permite visualizar as diferenças em abundância entre as espécies.Na comunidade 2, a curva apresenta uma forma achatada, indicando que há uma distribuição relativamente uniforme das abundâncias das espécies. Já na comunidade 3, a curva apresenta uma forma mais acentuada, indicando uma distribuição desigual das abundâncias das espécies. Além disso, a curva de rank-abundância para a comunidade 3 está plotada sobre a curva da comunidade 2, permitindo comparar visualmente as diferenças entre as duas comunidades. Esse tipo de análise é importante para entender a estrutura de comunidades ecológicas e como as espécies se distribuem em termos de abundância. Curvas de rank-abundância podem ajudar a identificar padrões de diversidade e a avaliar a estabilidade ecológica das comunidades.
Curvas de distribuição de abundâncias
## Teste das curvas de distribuição de abundâncias
curvas_dominancia_com2 <- radfit(composicao_especies[2,])
curvas_dominancia_com2##
## RAD models, family poisson
## No. of species 10, total abundance 100
##
## par1 par2 par3 Deviance AIC BIC
## Null 175.242 199.592 199.592
## Preemption 0.68962 79.560 105.910 106.213
## Lognormal -0.65366 3.2485 47.350 75.701 76.306
## Zipf 0.83829 -3.0254 26.612 54.963 55.568
## Mandelbrot 0.83829 -3.0254 1.644e-07 26.612 56.963 57.871plot(curvas_dominancia_com2, main = "Curvas de distribuição de abundâncias",
xlab = "Riqueza", ylab = "Abundância")
Esse tipo de análise é importante para entender a distribuição de abundância das espécies em uma comunidade, e pode fornecer informações sobre a estrutura da comunidade, como por exemplo se existe uma ou poucas espécies dominantes ou se a abundância está mais uniformemente distribuída entre as espécies. A partir da análise das diferentes curvas de distribuição, é possível inferir quais processos ecológicos estão atuando na comunidade, como competição, predação, colonização, entre outros.
Analise dos dados considerando todas as comunidades
## Teste das curvas de distribuição de abundâncias
curvas_dominancia_todas <- radfit(composicao_especies)
curvas_dominancia_todas##
## Deviance for RAD models:
##
## Com_1 Com_2 Com_3 Com_4 Com_5
## Null 8.2193e+01 1.7524e+02 8.9085e+00 4.2265e+01 4.9719e+00
## Preemption 2.2878e+01 7.9560e+01 1.5423e+00 1.4332e+01 3.0438e+00
## Lognormal 1.7764e-15 4.7350e+01 1.0161e+00 2.9441e-02 1.9303e+00
## Zipf -1.7764e-15 2.6612e+01 2.1659e-01 1.5846e-02 3.6094e+00
## Mandelbrot -1.7764e-15 2.6612e+01 2.0926e-01 1.1390e-02 1.8740e+00
## Com_6 Com_7 Com_8 Com_9 Com_10
## Null 4.7099e+00 1.1507e+00 1.8998e+00 2.7703e+00 1.1146
## Preemption 4.5536e+00 7.7259e-01 1.7847e+00 9.2518e-01 0.7428
## Lognormal 4.8898e+00 -2.2053e-25 1.4556e+00 2.0626e-01 0.5079
## Zipf 8.3245e+00 -2.2073e-25 6.6938e-01 4.7931e-01 0.8730
## Mandelbrot 4.1132e+00 0.0000e+00 6.6938e-01 2.3634e-01 0.4456#>
#> Deviance for RAD models:
#>
#> Com_1 Com_2 Com_3 Com_4 Com_5 Com_6 Com_7 Com_8 Com_9 Com_10
#> Null 8.2193e+01 1.7524e+02 8.9085e+00 4.2265e+01 4.9719e+00 4.7099e+00 1.1507e+00 1.8998e+00 2.7703e+00 1.1146
#> Preemption 2.2878e+01 7.9560e+01 1.5423e+00 1.4332e+01 3.0438e+00 4.5536e+00 7.7259e-01 1.7847e+00 9.2518e-01 0.7428
#> Lognormal -1.7764e-15 4.7350e+01 1.0161e+00 2.9441e-02 1.9303e+00 4.8898e+00 -2.2053e-25 1.4556e+00 2.0626e-01 0.5079
#> Zipf 8.8818e-15 2.6612e+01 2.1659e-01 1.5846e-02 3.6094e+00 8.3245e+00 -2.2073e-25 6.6938e-01 4.7931e-01 0.8730
#> Mandelbrot -1.7764e-15 2.6612e+01 2.0926e-01 1.1390e-02 1.8740e+00 4.1131e+00 0.0000e+00 6.6938e-01 2.3634e-01 0.4456
# Vamos fazer um gráfico para cada comunidade
plot(curvas_dominancia_todas, log = "y")
#>
#> RAD models, family poisson
#> No. of species 10, total abundance 100
#>
#> par1 par2 par3 Deviance AIC BIC
#> Null 175.242 199.592 199.592
#> Preemption 0.68962 79.560 105.910 106.213
#> Lognormal -0.65366 3.2485 47.350 75.701 76.306
#> Zipf 0.83829 -3.0254 26.612 54.963 55.568
#> Mandelbrot 0.83829 -3.0254 1.6442e-07 26.612 56.963 57.871O teste das curvas de distribuição de abundâncias permite avaliar se a distribuição de abundância das espécies em uma comunidade segue um padrão específico.
O modelo “Preemption” foi o que apresentou o menor desvio para todas as comunidades, seguido pelo modelo “Zipf”. Isso sugere que a competição por recursos pode ser um fator importante na estruturação dessas comunidades.
O modelo “Lognormal” teve um bom ajuste para a comunidade 2, mas para as outras comunidades, os valores de deviance foram muito altos, indicando que a distribuição de abundância dessas comunidades não é bem representada por esse modelo.
O modelo “Mandelbrot” teve um bom ajuste para as comunidades 2 e 9, mas novamente apresentou valores de deviance muito altos para as outras comunidades.
No gráfico, podemos observar que as curvas de distribuição de abundância das espécies para cada comunidade são bastante variáveis. Algumas comunidades apresentam um número reduzido de espécies altamente abundantes, enquanto outras apresentam um número maior de espécies com abundâncias similares.
Os resultados do teste das curvas de distribuição de abundância mostram que as comunidades amostradas não seguem um padrão único de distribuição de abundância de espécies. A variação observada sugere que diferentes fatores podem estar atuando na estruturação dessas comunidades, como competição, predação, efeitos estocásticos, entre outros.
# Carregar a planilha com os dados
exercicio_1 <- ecodados::anuros_composicao
# Transpor o data frame para as espécies ficarem nas colunas e as localidades nas linhas
exercicio_1_t <- data.frame(t(exercicio_1))
## Calculando a riqueza observada de espécies para cada comunidade
Riqueza <- specnumber(exercicio_1_t)
## Calculando o Índice de Margalef para cada comunidade
Margalef <- round((Riqueza - 1)/log(apply(exercicio_1_t, 1, sum)), 2)
## Calculando o Índice de Menhinick para cada comunidade
Menhinick <- round(Riqueza/sqrt(apply(exercicio_1_t, 1, sum)), 2)
## Calculando o Índice de Shannon-Wiener para cada comunidade
Shannon <- round(diversity(exercicio_1_t, index = "shannon", MARGIN = 1), 2)
## Calculando o Índice de Gini-Simpson para cada comunidade
Gini_Simpson <- round(diversity(exercicio_1_t, index = "simpson", MARGIN = 1), 2)
## Calculando o Índice de Equitabilidade de Pielou para cada comunidade
Pielou <- round(Shannon/log(Riqueza), 2)
# Criando data frame
resultados <- data.frame(Riqueza, Margalef, Menhinick, Shannon, Gini_Simpson, Pielou)Este conjunto de dados representa a abundância de 211 espécies de anuros coletados em 44 localidades na Mata Atlântica. Calcule a riqueza de espécies para cada comunidade e os índices de Margalef, Menhinich, Shannon-Wiener, Gini-Simpson e Equitabilidade de Pielou. Salve todos os resultados em novo data frame. Faça uma gráfico usando o função para ver a correlação entre as métricas.
library(ggplot2)
# Criando o gráfico de dispersão
ggplot(resultados, aes(x = Shannon, y = Gini_Simpson)) +
geom_point(aes(size = Riqueza, color = Pielou)) +
scale_size_continuous(range = c(2, 8)) +
labs(x = "Índice de Shannon-Wiener",
y = "Índice de Gini-Simpson",
size = "Riqueza observada",
color = "Índice de Equitabilidade de Pielou")
No gráfico, podemos observar uma tendência de comunidades com maiores valores de Índice de Shannon-Wiener apresentarem valores maiores de Índice de Gini-Simpson, o que sugere que comunidades mais diversificadas podem ser menos dominadas por poucas espécies. Além disso, podemos observar que a Riqueza observada e o Índice de Margalef também parecem estar positivamente correlacionados com a diversidade da comunidade, o que sugere que as comunidades com mais espécies e maior abundância apresentam maior diversidade. A cor dos pontos no gráfico representa o Índice de Equitabilidade de Pielou, que indica a equitabilidade das espécies em relação à riqueza observada. Podemos observar que as comunidades com maior equitabilidade apresentam uma maior diversidade, o que sugere que a presença de espécies com abundâncias mais equitativas pode ser um fator importante para aumentar a diversidade da comunidade.
riq<-specnumber(anuros)
riq # Certinho## AEP AGA APJ BFF CRS EEB EEC EEJ EGH FAC FBV FCB FEN FMG FSF GSJ ICE IFP MFC NHS
## 23 40 26 16 28 55 24 24 36 20 24 13 20 23 24 20 25 24 21 18
## NIT PBV PCB PEE PEI PEJ PES PET PFT PMD PMG PNC PRD PSB RDB RRP SAA SFS SJB SJP
## 26 20 61 22 23 43 35 52 20 28 23 31 36 34 44 38 15 19 28 29
## SMV TSJ TSS VFP
## 16 21 9 21library(vegan)
# Selecionando as comunidades
com_maiores <- c(6, 23)
com_menores <- c(43, 37)
# Calculando a abundância relativa
abund_maiores <- rankabundance(exercicio_1_t[com_maiores, ])
abund_menores <- rankabundance(exercicio_1_t[com_menores, ])
# Transformando os dados em matriz de presença/ausência
pres_abs_maiores <- decostand(exercicio_1_t[com_maiores, ], method = "pa")
pres_abs_menores <- decostand(exercicio_1_t[com_menores, ], method = "pa")
# Obtendo as informações de abundância das espécies em cada comunidade
rank_com6 <- rankabundance(exercicio_1_t[6, exercicio_1_t[6,] > 0])## Warning in qt(0.975, df = n - 1): NaNs produzidosrank_com23 <- rankabundance(exercicio_1_t[23, exercicio_1_t[23,] > 0])## Warning in qt(0.975, df = n - 1): NaNs produzidosrank_com43 <- rankabundance(exercicio_1_t[43, exercicio_1_t[43,] > 0])## Warning in qt(0.975, df = n - 1): NaNs produzidosrank_com37 <- rankabundance(exercicio_1_t[37, exercicio_1_t[37,] > 0])## Warning in qt(0.975, df = n - 1): NaNs produzidosUsando os resultados anteriores, selecione as duas comunidades com os maiores e menores valores de Shannon-Wiener.Por fim, interprete as curvas considerando as curvas teóricas (i.e., geométrica, broken-stick, etc.) descritas nos livros de ecologia.
# curvas de abundância de espécies de cada comunidade em um único gráfico
rankabunplot(rank_com6, scale = "logabun", pch = 19, specnames = NULL,
col = "darkorange")
rankabunplot(rank_com23, scale = "logabun", pch = 19, specnames = NULL,
addit = TRUE, col = "red")
rankabunplot(rank_com43, scale = "logabun", pch = 19, specnames = NULL,
addit = TRUE, col = "cyan4" )
rankabunplot(rank_com37, scale = "logabun", pch = 19, specnames = NULL,
addit = TRUE, col = "darkblue" )
# grafico com comunidades
legend(20, 8, legend = c("Comunidade 6", "Comunidade 23",
"Comunidade 43", "Comunidade 37"),
col = c("darkorange", "red", "cyan4", "darkblue"), lty = 1, lwd = 3,
cex = 1.2, box.lty = 0)
A curva da Comunidade 6 tem uma forma similar à curva da distribuição geométrica, que é um modelo teórico que assume que as espécies são igualmente competitivas e distribuídas aleatoriamente na comunidade. Essa forma indica que algumas espécies são mais abundantes que outras, mas não há uma grande diferença entre as abundâncias relativas das espécies.
A curva da Comunidade 23 tem uma forma intermediária entre a distribuição geométrica e a distribuição broken-stick, que é um modelo que assume que as espécies diferem em sua habilidade competitiva e, portanto, algumas espécies são mais abundantes que outras. Essa forma indica que a maioria das espécies tem abundâncias relativamente baixas, mas algumas espécies têm abundâncias muito altas.
A curva da Comunidade 43 tem uma forma similar à curva da distribuição log-normal, que é um modelo que assume que as espécies diferem em suas demandas ecológicas e, portanto, algumas espécies têm abundâncias muito mais altas que outras. Essa forma indica que a maioria das espécies tem abundâncias relativamente baixas, mas algumas espécies têm abundâncias muito altas.
A curva da Comunidade 37 tem uma forma similar à curva da distribuição geométrica, mas com uma abundância relativa ainda mais desigual. Essa forma indica que algumas poucas espécies são muito abundantes, enquanto a maioria das espécies tem abundâncias muito baixas.
A comparação das curvas de abundância com modelos teóricos pode ajudar a inferir sobre a estrutura das comunidades. Neste caso, as quatro comunidades selecionadas apresentaram diferentes formas de curvas de abundância, o que sugere diferentes mecanismos ecológicos subjacentes à sua estruturação.
# Carregar a planilha com os dados
anuros <- ecodados::anuros_composicaoUsando os dados - anuros_composicao - calcule a partição da diversidade beta considerando os dados de abundância e presença e ausência. a) Faça um gráfico boxplot com os resultados. Discuta se os resultados usando abundância ou presença e ausência são congruentes ou discrepantes.
chooseCRANmirror(graphics=FALSE, ind=1)
library(ggplot2)
install.packages("betapart")## Installing package into 'C:/Users/jonat/AppData/Local/R/win-library/4.2'
## (as 'lib' is unspecified)## package 'betapart' successfully unpacked and MD5 sums checked
##
## The downloaded binary packages are in
## C:\Users\jonat\AppData\Local\Temp\Rtmp6fvuRX\downloaded_packageslibrary(betapart)
# Dados
anuros <- ecodados::anuros_composicao
anuros_t <- data.frame(t(anuros))
anuros_PA <- decostand(anuros_t, method = "pa")
resultado_PA <- beta.pair(anuros_PA, index.family = "sorensen")
resultado_Abund <- beta.pair.abund(anuros_t, index.family = "bray")
diver_beta <- c(round(as.numeric(resultado_PA$beta.sor), 2),
round(as.numeric(resultado_PA$beta.sim), 2),
round(as.numeric(resultado_PA$beta.sne), 2),
round(as.numeric(resultado_Abund$beta.bray), 2),
round(as.numeric(resultado_Abund$beta.bray.bal), 2),
round(as.numeric(resultado_Abund$beta.bray.gra), 2))
dados <- data.frame(
Componentes = rep(c("Bsor", "Bsim", "Bnes", "BBray", "BBray_bal", "BBray_gra"), each = 2),
Tipo = c("Abundância", "Incidência"),
Diversidade = diver_beta
)
# Gráfico de barras empilhadas
ggplot(dados, aes(x = Componentes, y = Diversidade, fill = Tipo)) +
geom_col(position = "stack", width = 0.5) +
labs(x = "Componentes de diversidade beta", y = "Dissimilaridade", fill = "") +
theme_bw(base_size = 16) +
scale_fill_manual(values = c("dodgerblue3", "darkorange")) +
ggtitle("Partição da diversidade beta entre Abundância e Incidência")
A análise de diversidade beta usando os dados de abundância e presença e ausência de anuros mostrou resultados diferentes. A partição da diversidade beta usando dados de presença e ausência resultou em um valor médio de 0,69 para a distância de Sørensen, 0,53 para a distância de Simpson e 0,60 para a distância de Jaccard. Por outro lado, a partição da diversidade beta usando dados de abundância resultou em um valor médio de 0,69 para a distância de Bray-Curtis balanceada, 0,70 para a distância de Bray-Curtis gravimétrica e 0,75 para a distância de Bray-Curtis.
Os resultados indicam que a partição da diversidade beta usando dados de presença e ausência e abundância pode produzir resultados discrepantes. As distâncias de diversidade beta baseadas em abundância podem ser mais afetadas pela variação na abundância relativa de cada espécie do que as distâncias baseadas em presença e ausência. Portanto, pode haver diferenças nas respostas dos ecossistemas quando avaliados com base na abundância ou presença/ausência de espécies.
- Calcule a distância geográfica (use a planilha anuros_ambientais) entre as localidaes (use a Distância euclidiana). Em seguida, faça uma análise de regressão para verificar se as localidades que estão próximas apresentam maior similaridade na composição de espécies (use componente turnover - Bsim) do que as comunidades que estão distantes (e.g., Decaimento da similaridade).
## carregando planilha anuros_ambientais
ambientes <- ecodados::anuros_ambientais
## Distância euclidiana entre as localidades
distancia <- vegdist(ambientes[,c(6,7)], "euclidean")
## criar data frame com os resultados da análise de diversidade beta e distância geográfica
dados <- data.frame(round(as.numeric(resultado_PA$beta.sim), 2),
round(as.numeric(distancia), 2))
colnames(dados) <- c("Bsim", "distancia")
## realizar a análise de regressão
regr <- lm(dados$Bsim ~ dados$distancia)
summary(regr)##
## Call:
## lm(formula = dados$Bsim ~ dados$distancia)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.58919 -0.21205 0.03911 0.19848 0.50133
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.4729768 0.0129279 36.59 <2e-16 ***
## dados$distancia 0.0075119 0.0007092 10.59 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2472 on 944 degrees of freedom
## Multiple R-squared: 0.1062, Adjusted R-squared: 0.1053
## F-statistic: 112.2 on 1 and 944 DF, p-value: < 2.2e-16## plotar o gráfico de dispersão com a regressão linear
ggplot(data = dados, aes(x = distancia*10, y = Bsim)) +
labs(x = "Distância geográfica (km)", y = "Componente substituição diversidade beta") +
geom_point(size = 6, shape = 21, fill = "darkorange", alpha = 0.7) +
theme(legend.position = "none") +
geom_smooth(method = lm, se = TRUE, color = "black") +
theme_bw(base_size = 16)## `geom_smooth()` using formula = 'y ~ x'
A análise realizada consistiu em avaliar a relação entre a distância geográfica e a diversidade beta de anfíbios em diferentes ambientes.Os resultados mostraram que há uma relação significativa e positiva entre a diversidade beta e a distância geográfica. Isso indica que, à medida que a distância geográfica aumenta, a diversidade beta de anfíbios também tende a aumentar. É possível observar que a diversidade beta tende a aumentar a partir de uma determinada distância geográfica, mas depois começa a estabilizar em um nível mais alto.
Nesta análise, foram coletados dados de precipitação e de comunidades de anuros em dez áreas da Mata Atlântica no Brasil. Foram calculados diversos índices para avaliar a diversidade dessas comunidades, como riqueza de espécies, índice de Margalef e índice de Menhinick. Em seguida, foi feita uma análise de regressão para avaliar a relação entre a precipitação e a riqueza de espécies. Os resultados indicaram que a precipitação influencia significativamente a riqueza de espécies de anuros, o que sugere que o clima é um fator importante na manutenção da biodiversidade dessas comunidades. Estudos como esse são essenciais para entender os padrões de diversidade e para fornecer informações que podem ser usadas pela ecologia na conservação ambiental.