library(devtools) install_github(“paternogbc/ecodados”) install_github(“mwpennell/geiger-v2”) install_github(“fawda123/ggord”) install_github(“jinyizju/V.PhyloMaker”) install_github(“ropensci/rnaturalearthhires”)
library(ecodados)
intror_anfibios_locais <- ecodados::intror_anfibios_locais
library(devtools) library(ecodados) library(vegan) library(ggplot2) library(BiodiversityR) library(hillR) library(betapart)
composicao_especies <- ecodados::composicao_anuros_div_taxonomica precipitacao <- ecodados::precipitacao_div_taxonomica
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”) # Gráfico ggpairs(resultados, upper = list(continuous = wrap(“cor”, size = 4))) install_github(“ropensci/rnaturalearthhires”)
anuros_1 <- ecodados::anuros_composicao # Transpor o data frame para as espécies ficarem nas colunas e as localidades nas linhas anuros_1_t <- data.frame(t(exercicio_1))
Riqueza <- specnumber(anuros_1_t) ## Calculando o Índice de Margalef para cada comunidade Margalef <- round((Riqueza - 1)/log(apply(anuros_1_t, 1, sum)), 2) ## Calculando o Índice de Menhinick para cada comunidade Menhinick <- round(Riqueza/sqrt(apply(anuros_1_t, 1, sum)), 2)
Shannon <- round(diversity(anuros_1_t, index = “shannon”, MARGIN = 1), 2)
Gini_Simpson <- round(diversity(anuros_1_t, index = “simpson”, MARGIN = 1), 2)
Pielou <- round(Shannon/log(Riqueza), 2)
resultados <- data.frame(Riqueza, Margalef, Menhinick, Shannon, Gini_Simpson, Pielou)
ggplot(resultados, upper = list(continuous = wrap(“cor”, size = 4)))
ggplot(data=anuros_1) gplot(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”)
ggpairs(resultados, upper = list(continuous = wrap(“cor”, size = 4)))
##Usando os resultados no exercício anterior, vamos verificar quais são as comunidades com maiores e menores valores de Shannon-Wienner order(resultados$Shannon)
rank_com6 <- rankabundance(anuros_1_t[6, anuros_1_t[6,] > 0]) rank_com1 <- rankabundance(anuros_1_t[1, anuros_1_t[1,] > 0]) rank_com12 <- rankabundance(anuros_1_t[12, anuros_1_t[12,] > 0]) rank_com17 <- rankabundance(anuros_1_t[17, anuros_1_t[17,] > 0])
rankabunplot(rank_com6, scale = “logabun”, pch = 19, specnames = NULL, col = “darkorange”) rankabunplot(rank_com1, scale = “logabun”, pch = 19, specnames = NULL, addit = TRUE, col = “red”) rankabunplot(rank_com12, scale = “logabun”, pch = 19, specnames = NULL, addit = TRUE, col = “cyan4” ) rankabunplot(rank_com17, scale = “logabun”, pch = 19, specnames = NULL, addit = TRUE, col = “darkblue” ) legend(20, 8, legend = c(“Comunidade 6”, “Comunidade 1”, “Comunidade 12”, “Comunidade 17”), col = c(“darkorange”, “red”, “cyan4”, “darkblue”), lty = 1, lwd = 3, cex = 1.2, box.lty = 0)
http://127.0.0.1:9103/graphics/2884d537-8a89-43f1-ae33-9ea93f20b9bd.png
anuros <- ecodados::anuros_composicao
anuros_t <- data.frame(t(anuros))
anuros_PA <- decostand(anuros_t, method = “pa”)
ggplot(data = dados, aes(x= Precipitacao, y= Riqueza)) + labs(x = “Precipitação anual (mm)”, y = “Riqueza de espécies”) + geom_point(size = 4, shape = 21, fill = “darkorange”, alpha = 0.7) + geom_smooth(method = lm, se = FALSE, color = “black”) + tema_livro()
## Ver os dados das comunidadeshead(anuros_1)
abundancia <- apply(anuros_1, 1, sum) abundancia
riqueza_sp <- specnumber(anuros_1) riqueza_sp
Margalef <- round((riqueza_sp - 1)/log(abundancia), 2) Margalef
Menhinick <- round(riqueza_sp/sqrt(abundancia), 2) Menhinick
dados <- data.frame(precipitacao$prec, riqueza, Margalef, Menhinick)
anova_riq <- lm(Riqueza ~ Precipitacao, data = dados) anova(anova_riq)
anova_marg <- lm(Margalef ~ Precipitacao, data = dados) anova(anova_marg) ## ANOVA anova_menh <- lm(Menhinick ~ Precipitacao, data = dados) anova(anova_menh)
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”) +
http://127.0.0.1:9103/graphics/9081af7c-36fe-4f3e-8a81-24d8e2b8b5b8.png anuros_composicao
head(anuros_1)
AEP AGA APJ BFF CRS EEB EEC EEJ EGH FAC FBV Adenomera_bokermanni 0 0 0 0 25 0 0 0 0 0 0 Adenomera_marmorata 72 0 0 0 0 1 0 0 78 0 0 Ameerega_picta 0 0 0 0 0 0 0 0 0 0 0 Aparasphenedon_bokermanni 0 0 0 0 0 0 0 31 0 0 0 Aparasphenodon_brunoi 0 71 0 0 0 0 0 0 7 0 0 Aplastodiscus_albofrenatus 0 0 0 0 0 70 0 0 0 0 0 FCB FEN FMG FSF GSJ ICE IFP MFC NHS NIT PBV Adenomera_bokermanni 0 0 0 0 0 0 0 0 0 0 0 Adenomera_marmorata 0 0 0 0 0 0 0 0 0 0 0 Ameerega_picta 0 0 0 0 0 0 0 0 0 0 0 Aparasphenedon_bokermanni 0 0 0 0 0 0 0 0 0 0 0 Aparasphenodon_brunoi 0 0 0 0 0 0 0 0 0 0 0 Aplastodiscus_albofrenatus 0 0 0 0 0 0 0 0 0 0 0 PCB PEE PEI PEJ PES PET PFT PMD PMG PNC PRD Adenomera_bokermanni 0 0 0 0 0 0 0 0 0 18 0 Adenomera_marmorata 48 0 0 9 3 0 0 0 0 0 37 Ameerega_picta 0 0 0 0 0 0 0 0 0 0 0 Aparasphenedon_bokermanni 0 0 0 0 0 0 0 0 0 0 0 Aparasphenodon_brunoi 44 0 0 0 0 0 0 0 0 0 12 Aplastodiscus_albofrenatus 0 0 0 0 0 0 0 0 0 0 0 PSB RDB RRP SAA SFS SJB SJP SMV TSJ TSS VFP Adenomera_bokermanni 0 0 0 0 0 0 0 0 0 0 0 Adenomera_marmorata 0 0 1 0 0 0 23 0 0 0 0 Ameerega_picta 69 0 0 0 0 0 0 0 0 0 0 Aparasphenedon_bokermanni 0 0 0 0 0 0 0 0 0 0 0 Aparasphenodon_brunoi 0 0 0 0 0 0 0 0 0 0 0 Aplastodiscus_albofrenatus 0 0 0 0 0 0 0 0 0 0 0
#RIQUEZA VS MENHINICK ggplot(resultados, aes(x = Riqueza, y = Menhinick)) + geom_point() + ggtitle(“Riqueza vs Menhinick”) + xlab(“Riqueza observada”) + ylab(“Índice de Menhinick”)
#Riqueza VS Shon-Wiener ggplot(resultados, aes(x = Riqueza, y = Shannon)) + geom_point() + ggtitle(“Riqueza vs Shannon-Wiener”) + xlab(“Riqueza observada”) + ylab(“Índice de Shannon-Wiener”)
#Riqueza VS Equitabilidade de Pielou ggplot(resultados, aes(x = Riqueza, y = Pielou)) + geom_point() + ggtitle(“Riqueza vs Equitabilidade de Pielou”) + xlab(“Riqueza observada”) + ylab(“Índice de Equitabilidade de Pielou”)
#Riqueza VS Gini-Simpson ggplot(resultados, aes(x = Riqueza, y = Gini_Simpson)) + geom_point() + ggtitle(“Riqueza vs Gini-Simpson”) + xlab(“Riqueza observada”) + ylab(“Índice de Gini-Simpson”)
#Análise
O índice de Margalef mostra que as comunidades com maior abundância têm menor riqueza de espécies em comparação com as comunidades com menor abundância, indicando que as espécies estão concentradas em áreas menos abundantes. O índice de Menhinick, por outro lado, mostra que as comunidades com maior abundância têm maior diversidade interespecífica do que as comunidades com menor abundância. O índice de Shannon-Wiener nos dá uma medida da diversidade e uniformidade das espécies em cada comunidade. O índice de Gini-Simpson mostra que em algumas comunidades há uma alta concentração de indivíduos de espécies individuais, em outras a distribuição das espécies é mais uniforme.
