ECOLOGIA NUMÉRICA 2
Ewelyn Kailane Lopes da Silva
2022-12-28
Atividade 1 - DESCRIÇÃO DE COMUNIDADES BIOLÓGICAS
Nesta atividade 1, realizou-se um exercicío dinâmico com comunidades culinárias, onde foram utilizadaos grãos e massas para simulação da montagem de uma comundaidade biológica em uma ilha oceânica recém formada.Diante disso, dois grupos foram formados e suas tecnicas foram:
GRUPO 1: A técnica usada foi de aleatorização das amostras, sorteando quadrados aleatórios na ilha oceânica que correspondiam a 10% da área da ilha.
GRUPO 2: A técnica usada foi dois transectos localizados de maneira planejada para maximizar a captura da diverisdade da ilha.
DADOS
##PASSO 1)
echo=TRUEbase <- read.csv("https://raw.githubusercontent.com/fplmelo/ecoaplic/main/content/collection/eco_num/com_cul.csv", row.names = 1)#Na tabela acima, pode-se distinguir que as comunidades culinárias foram analisadas a partir de 10 espécies que estariam presentes na ilha oceânica, onde nesta tabela é evidente quantas espécies e a respectiva abundância de cada espécie na área escolhida analisada.
PASSO 2)
base_q<-base[,1:10]
base_q## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10
## arroz_c 0 1 7 6 1 4 4 1 1 5
## arroz_e 1 0 0 1 0 0 8 4 0 3
## milho 0 0 0 0 0 0 0 0 0 0
## ervilha 0 0 1 0 0 0 1 0 0 0
## feijao_preto 0 0 0 0 0 0 0 0 0 0
## carioca_c 0 0 1 1 0 0 0 0 0 0
## carioca_e 0 0 0 2 2 0 0 0 0 8
## mac_paraf 0 0 0 0 0 0 0 0 0 0
## mac_tubo 0 0 0 0 0 0 0 0 0 0
## mac_espag 0 0 0 3 1 0 0 0 6 4#A base “q” da tabela, foi relizada pelo grupo 1, onde a estratégia do mesmo apresentou em um total de 6 espécies apresentadas nos plots cobrindo 10% da ilha de forma aleatória.
dim(base_q)## [1] 10 10#Tabela formada por 10 linhas e 10 colunas.
nrow(base_q)## [1] 10#Obsevou-se o número de linha, respectivamente 10 linhas.
ncol(base_q)## [1] 10#Foi observada o número de colunas, respectivamente 10 colunas.
rowSums(base_q)## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 30 17 0 2 0 2
## carioca_e mac_paraf mac_tubo mac_espag
## 12 0 0 14#Foi somado os valores de todas as espécies em cada linha, ou seja, soma dos elementos de cada linha da matriz da base q. A partir disso, pode-se concluir a abundância de cada espécie em cada plot aleatório analisado.
colSums(base_q)## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10
## 1 1 9 13 4 4 13 5 7 20#Foi utilizado para obter a respectiva soma de todas as colunas da matriz.
base_t<-base[,11:20]
base_t## t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
## arroz_c 3 8 5 6 3 0 0 0 0 3
## arroz_e 0 1 8 1 1 0 0 0 1 0
## milho 0 0 0 0 0 0 0 0 0 0
## ervilha 0 0 1 0 0 0 0 0 0 0
## feijao_preto 0 0 6 0 0 0 0 0 0 0
## carioca_c 0 0 0 0 0 2 0 0 0 1
## carioca_e 0 0 0 0 0 0 0 0 0 0
## mac_paraf 0 0 0 0 0 0 1 0 0 0
## mac_tubo 0 0 0 0 0 0 0 0 0 0
## mac_espag 16 9 0 0 0 0 2 2 1 0#A base “T” da tabela, foi relizada pelo grupo 2, onde a estratégia usada foi dois transectos cobrindo 10% da ilha. É evidente que foram registradas 7 espécies com diferentes abundâncias entre si.
dim(base_t)## [1] 10 10#O mesmo padrão utilizado anteriormente é mantido na base_t, tabela formada por 10 linhas e 10 colunas.
nrow(base_t)## [1] 10#Obsevou-se o número de linha, respectivamente 10 linhas.
ncol(base_t)## [1] 10#Foi observada o número de colunas, respectivamente 10 colunas.
rowSums(base_t)## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 28 12 0 1 6 3
## carioca_e mac_paraf mac_tubo mac_espag
## 0 1 0 30#Foi somado os valores de todas as espécies em cada linha, ou seja, soma dos elementos de cada linha da matriz da base t. A partir disso, pode-se concluir a abundância de cada espécie nos dois transectos localizados de maneira planejada para maximizar a captura da diverisdade da ilha.
PASSO 3) Fazendo perguntas:
##Qual o número de espécies dos diferentes métodos?
library(cowplot)library(vegan)## Carregando pacotes exigidos: permute## Carregando pacotes exigidos: lattice## This is vegan 2.6-4library(tidyverse)## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.2 ──
## ✔ ggplot2 3.4.0 ✔ purrr 1.0.1
## ✔ tibble 3.1.8 ✔ dplyr 1.1.0
## ✔ tidyr 1.3.0 ✔ stringr 1.5.0
## ✔ readr 2.1.3 ✔ forcats 1.0.0
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()library(dplyr)specnumber(t(base_t))## t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
## 2 3 4 2 2 1 2 1 2 2#Após a análise, pode-se constar o número total das espécies em cada plot analisado no método do grupo 1.
base_q %>%
rownames_to_column("species") %>%
mutate(ab_spe=rowSums(base_q)) %>%
filter(ab_spe > 0) %>%
count()## n
## 1 6#Após a análise, constou-se um total de 6 espécies na bse q.
specnumber(t(base_t))## t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
## 2 3 4 2 2 1 2 1 2 2#Após a análise, pode-se constar o número total das espécies nos dois transectos analisado no método do grupo 2.
base_t %>%
rownames_to_column("species") %>%
mutate(ab_spe=rowSums(base_t)) %>%
filter(ab_spe > 0) %>%
count()## n
## 1 7#Após a análise, constou-se um total de 7 espécies na base t.
Qual a distribuição das abundâncias das espécies?
base_q %>%
rownames_to_column("species") %>%
mutate(ab_spe=rowSums(base_q)) %>%
filter(ab_spe > 0) %>%
arrange(desc(ab_spe)) %>%
mutate(species=factor(species,level = species)) %>%
ggplot(aes(x=species, y=ab_spe))+
geom_line(group = 1)+geom_point(size = 3)->graf_abund_q
graf_abund_q
#Neste gráfico, é evidente que a abundância da espécie de “arroz claro” atingiu a maior distribuição se comparada as outras. Pode-se notar que interpratando o gráfico o pico de abundância se dar no arroz claro e decai aos poucos ao decorrer das outras espécies, a menor abundância se dar na espécie “ervilha” e “carioca_c”.Enquanto, as espécies que não foram encontradas, não obtiveram nenhum valor de abundância.
base_t %>%
rownames_to_column("species") %>%
mutate(ab_spe=rowSums(base_t)) %>%
filter(ab_spe > 0) %>%
arrange(desc(ab_spe)) %>%
mutate(species=factor(species, level = species)) %>%
ggplot(aes(x=species, y=ab_spe))+
geom_line(group = 1)+geom_point(size = 3)->graf_abund_t
graf_abund_t
#Neste gráfico de amostragem de transectos, pode-se notar que a espécie mais abundante foi “mac_espag” e logo depois foi a espécie “arroz_c”, o gráfico de transectos se torna mais acentuado do quer o anterior. Apresentando também uma espécie rara que so foi encontrada nesta amostragem “mac_paraf”.
plot_grid(graf_abund_q, graf_abund_t, labels = c("quadrados", "transectos"), ncol = 2)
#Comparando estes gráficos de “quadrados” e “transectos”, a amostragem aleatória em quadrados que representava 10% de uma ilha de 10km x 10km apresentou uma queda com alguns pontos constantes e não se apresenta linear,é possível notar que as espécies encontradas nos quadrantes tiveram mais abundâncias superiores a 10, “4” espécies acima de superiores a 10. Já no gráfico de transectos, é evidente um gráfico com uma queda de curva mais linearizado, possivelmente apresentando um possível padrão, apresentando mais espécies “4” tiveram abundâncias menores que 10, diferentemente do gráfico de quadrados.
Estimadores de Riqueza
##Será que as amostras atingiram o número real de espécies?
#Os dois métodos de amostragem não atingiram o número real de espécies, porém o que se estima é que a amostragem de transectos tenham apresentado e se aproximado mais do número real de espécies.
acum_q<-specaccum(t(base_q))
plot(acum_q, ci.type = "poly", col = "blue", lwd = 2, ci.lty = 0,
ci.col = "lightblue", main = "quadrantes", xlab = "Número de amostras",
ylab = "Número de espécies")
#Ao análisar o gráfico de curva de acumulação de espécies em quadrantes, pode-se constar que a riqueza de espécies aumenta com o tamanho da amostra e a isso pode causar diferenças na riqueza calculada, mas foi mantido o mesmo tamanho das amostras nos dois métodos.No gráfico acima, é perceptível que o aumento da riqueza das espécies está no ínicio do gráfico, ou seja nos primeiros plot aleatórios.Uma possível explicação para isso seja que nos plots de 6 em diante foram estimadas menos riquezas de espécies se comparadas com os plots anteriores, já que a determinação da localidade dos plots foi aleatório ocorreram localidades sem espécie alguma, resultando em uma diminuição de riqueza uniforme.
acum_t<-specaccum(t(base_t))
plot(acum_t, ci.type = "poly", col = "blue", lwd = 2, ci.lty = 0,
ci.col = "lightblue", main = "transectos", xlab = "Número de amostras",
ylab = "Número de espécies")
#Ao análisar o gráfico de curva de acumulação de espécies em transectos, é notável a diferença dos resultados se comparado com a de quadrantes, ou seja, a curva de acumulação deste gráfico se apresenta com uma acumulação uniforme do início ao fim, sendo um pouco mais estreita apenas no início, e no final apresenta uma diminuição drástica em formato de “>”, uma possível explicação se dar ao fato que o método de transectos foi colocado em pratica após a análise dos individuos do grupo da melhor área que apresentaria mais riqueza de espécie na região que apresentaria 10% da ilha em transectos, ou seja, um método eficiente, porém em uma atividade realista não seria possível analisar dessa maneira para saber em que localidades apresentariam mais riqueza, apenas estimar-se.
specpool(base_q)## Species chao chao.se jack1 jack1.se jack2 boot boot.se n
## All 10 12.025 3.089144 12.7 2.056696 13.67778 11.35255 1.588261 10#Após a análise, é possível constatar que o método de amostragem dos quadrados apresentou mais erros se comparado com o método de transectos que obteve menos, onde a riqueza observada foi de 12.025, tornando este valor menos aproximado da riqueza real.
specpool(base_t)## Species chao chao.se jack1 jack1.se jack2 boot boot.se n
## All 10 10.3 0.7035624 11.8 1.272792 9.133333 11.3759 1.480355 10#Após a análise do resultado, é evidente que o método obteve menos erros e mais se aproximou do número real de espécies.
Quais estimadores forma mais fidedignos? Qual métodos obteve menos erro?
#A partir da análise dos resultados, é evidente que a amostra da base t foi mais fidedigna, pois foi a que mais se aproximou do número real de espécies que é 10, presentando assim, chao = 10.3. Onde esta função permite retornar um quadro de dados com entradas para a riqueza observada e retorna as estimativas e seus erros padrão.Sendo assim, o método que obteve menos erros.
##Para finalizar esse exercício,foi calculado os índices de diversidade de Shannon e Simpson para cada um dos métodos (base_q e base_t) e comentado os resultados de cada um.
shannon <-diversity(colSums(base_q), index = "shannon")
shannon## [1] 2.017347shannon <-diversity(colSums(base_t), index = "shannon")
shannon## [1] 1.92467#Após a análise da riqueza das amostras da base_q e base_t por meio dos calculos de índice de diversidade de shannon, medindo a riqueza e equitabilidade das espécies, a partir dos calculos o índice de shannon pode-se medir o grau de incerteza em prever a que espécie pertencerá um indivíduo escolhido, ao acaso, de uma amostra com S espécies e N indivíduos. Quanto menor o valor do índice de Shannon, menor o grau de incerteza.A partir disso,pode-se concluir que o resultado do índice da base_q se mostrou maior se comparado com o índice da base_t, resultando em um maior grau de incerteza quanto a amostragem da base_q, mas baseia-se na ideia de que uma maior diversidade corresponde a uma maior incerteza na escolha aleatória de uma espécie específica.
simpson <-diversity(colSums(base_q), index = "simpson")
simpson## [1] 0.8436499simpson <-diversity(colSums(base_t), index = "simpson")
simpson## [1] 0.8190825#Após a realização dos cálculos dos índices de diversidade de simpson da base_q e base_t, onde foi analisada em consideração a dominação, por exemplo mostrando a probabilidade de pegar “dois” individuos da mesma espécie na mesma amostra. A partir disso, é notável que a probabilidade se torna maior na amostragem da base_q se for feita a comparação do resultados apresentado acima com a base_q e base_t.
2) ATIVIDADE 2 - MEDIDAS DE DIVERSIDADE -
data (BCI)
BCI.env <- read.delim ('https://raw.githubusercontent.com/zdealveindy/anadat-r/master/data/bci.env.txt', row.names = 1)
BCI.soil <- read.delim ('https://raw.githubusercontent.com/zdealveindy/anadat-r/master/data/bci.soil.txt')2.1 Curvas de acumulação de espécies
#2.1.1 Grupo 1 -
base_g11<-specaccum(base_q, "random")
base_g11## Species Accumulation Curve
## Accumulation method: random, with 100 permutations
## Call: specaccum(comm = base_q, method = "random")
##
##
## Sites 1.000000 2.000000 3.000000 4.000000 5.000000 6.000000 7.000000
## Richness 2.920000 4.530000 5.700000 6.870000 7.940000 8.610000 9.080000
## sd 3.151655 2.996479 2.649566 2.389603 1.916541 1.469522 1.079469
##
## Sites 8.000000 9.000000 10
## Richness 9.540000 9.740000 10
## sd 0.716614 0.596623 0plot(base_g11, ci.type="poly", col="blue", lwd=2, ci.lty=0, ci.col="lightblue")
boxplot(base_g11, col="yellow", add=TRUE, pch="+")
#
#2.1.2 Grupo 2 -
base_g22<-specaccum(base_t, "random")
base_g22## Species Accumulation Curve
## Accumulation method: random, with 100 permutations
## Call: specaccum(comm = base_t, method = "random")
##
##
## Sites 1.00000 2.000000 3.000000 4.000000 5.000000 6.00000 7.000000 8.000000
## Richness 2.42000 4.040000 5.420000 6.260000 7.040000 8.13000 8.770000 9.460000
## sd 2.34921 2.601165 2.574859 2.537079 2.269339 1.63704 1.246044 0.770937
##
## Sites 9.000000 10
## Richness 9.780000 10
## sd 0.416333 0plot(base_g22, ci.type="poly", col="blue", lwd=1, ci.lty=0, ci.col="lightblue")
boxplot(base_g22, col="yellow", add=TRUE, pch="+")
#
2.2) Curvas de rank-abundância -
Sobre os gráficos:
Grupo 1 e 2
mod22 <- radfit(base_q[1,])
mod222 <- radfit(base_t[1,])
plot(mod22)
#
plot(mod222)
#2.3) A importância das curvas de rank-abundância -
#Diversidades do Grupo 1 e 2 (Índice de Shannon):
Shannon1 <- diversity(base_q)
Shannon2 <- diversity(base_t)#Diversidades do Grupo 1 e 2 (Índice de Simpson):
Simpson1 <- diversity(base_q, index = "simpson")
Simpson2 <- diversity(base_t, index = "simpson")2.4) EXERCICIO -
library(devtools)## Carregando pacotes exigidos: usethis##
## Attaching package: 'devtools'## The following object is masked from 'package:permute':
##
## checkinstall.packages("devtools")## Warning: package 'devtools' is in use and will not be installeddevtools::install_github("paternogbc/ecodados")## Skipping install of 'ecodados' from a github remote, the SHA1 (7f3c34b6) has not changed since last install.
## Use `force = TRUE` to force installationlibrary(ecodados)
library(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)composicao_especies <- ecodados::composicao_anuros_div_taxonomica
precipitacao <- ecodados::precipitacao_div_taxonomica#Exploração da bases de dados “composicao_especies”:
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
## Com_7 0 0 2 0 0 0 2 0 0 0
## Com_8 12 0 0 0 0 3 0 3 2 0
## Com_9 2 1 0 2 0 3 3 4 0 0
## Com_10 0 4 1 0 4 0 0 2 0 0precipitacao## prec
## Com_1 3200
## Com_2 3112
## Com_3 2800
## Com_4 1800
## Com_5 2906
## Com_6 3005
## Com_7 930
## Com_8 1000
## Com_9 1300
## Com_10 987#Abundancia das espécies pela base dada, foi feita a soma das colunas para encontrar a abundancia total da espécie na área amostrada.
abundcomptotal <- colSums(composicao_especies)
abundcomptotal## sp1 sp2 sp3 sp4 sp5 sp6 sp7 sp8 sp9 sp10
## 119 28 25 44 28 44 31 53 54 27#Abundância em cada plot amostrado:
abundcompplot <- rowSums(composicao_especies)
abundcompplot## 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#Riqueza de cada plot -
riqecompplot <- specnumber(composicao_especies)
riqecompplot## 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#Realização das curvas de rank-abundância abaixo -
rank_com1 <- rankabundance(composicao_especies[1, composicao_especies[1,] > 0])## Warning in qt(0.975, df = n - 1): NaNs produzidosrankabunplot(rank_com1, scale = "logabun", specnames = c(1), pch = 19, col = "darkorange")
#Nessa fase da ativiidade, foi feita a criação de curvas de
rank-abundância, onde as mesmas são capazes de organizar as espécies em
ordem decrescente de abundância em uma comunidade, excluindo as que não
tiveram presença confirmada na comunidade. Diabte disso, é possível
analisar a observação de uma possível equitabilidade ou concentração de
dominância é mais fácil e prático.
rank_com2 <- rankabundance(composicao_especies[2, composicao_especies[2,] > 0])## Warning in qt(0.975, df = n - 1): NaNs produzidosrankabunplot(rank_com2, scale = "logabun", specnames = c(1), pch = 19, col = "darkorange")
rank_com3 <- rankabundance(composicao_especies[3, composicao_especies[3,] > 0])## Warning in qt(0.975, df = n - 1): NaNs produzidosrankabunplot(rank_com3, scale = "logabun", specnames = c(1), pch = 19, col = "darkorange")
rank_com4 <- rankabundance(composicao_especies[4, composicao_especies[4,] > 0])## Warning in qt(0.975, df = n - 1): NaNs produzidosrankabunplot(rank_com4, scale = "logabun", specnames = c(1), pch = 19, col = "darkorange")
#Calculo dos índices de diversidade de espécies -
specnumber(composicao_especies)## 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#A partir dessa análise, pode-se concluir que a riqueza α (Alfa) de espécies por amostra, deixando evidente uma discrepância nas comunidades analisadas, em especial a “1 e 2”, pois são as que apresentaram maiores riquezas de espécies, enquanto a comunidade 7 é a que tem menor riqueza.
specnumber(colSums(composicao_especies))## [1] 10#A riqueza γ (Gama) foi calculada através da soma da riqueza de todas as comunidades.
shannon_res <- diversity(composicao_especies, index = "shannon", MARGIN = 1)
shannon_res## Com_1 Com_2 Com_3 Com_4 Com_5 Com_6 Com_7 Com_8
## 2.3025851 0.5002880 0.9580109 1.6068659 1.4861894 1.5607038 0.6931472 1.1058899
## Com_9 Com_10
## 1.7140875 1.2636544#A comunidade 1 é a que apresenta maior diversidade, talvez ocasionada por conta da semelhança da distribuição da abundância entre as espécies, diferente da comunidade 2, pois a mesma demostra uma abundância excessiva na espécie 1, exibindo assim uma baixa diversidade.
simpson_res <- diversity(composicao_especies, index = "simpson", MARGIN = 1)
simpson_res## Com_1 Com_2 Com_3 Com_4 Com_5 Com_6 Com_7 Com_8
## 0.9000000 0.1710000 0.4814815 0.7989636 0.7587500 0.7674858 0.5000000 0.5850000
## Com_9 Com_10
## 0.8088889 0.6942149#Nesse índice a comunidade com maior valor também é a que apresenta maior diversidade, a comunidade 1 ainda é a que possui maior diversidade, como ja foi explicado acima, diferente da comunidade 2 que demostra uma abundância excessiva na espécie 1.
#Teste a relação dos índices com a precipitação -
dados_div <- data.frame(precipitacao$prec, riqecompplot,shannon_res,
simpson_res)
colnames(dados_div) <- c("Precipitacao", "Riqueza", "Shannon", "Simpson")
anova_shan <- lm(Shannon ~ Precipitacao, data = dados_div)
anova(anova_shan)## Analysis of Variance Table
##
## Response: Shannon
## Df Sum Sq Mean Sq F value Pr(>F)
## Precipitacao 1 0.10989 0.10989 0.3627 0.5637
## Residuals 8 2.42366 0.30296anova_ri <- lm(Riqueza ~ Precipitacao, data = dados_div)
anova(anova_ri)## 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 ' ' 1anova_sim <- lm(Simpson ~ Precipitacao, data = dados_div)
anova(anova_sim)## Analysis of Variance Table
##
## Response: Simpson
## Df Sum Sq Mean Sq F value Pr(>F)
## Precipitacao 1 0.00132 0.001325 0.0252 0.8778
## Residuals 8 0.42064 0.052580#A Análise de Variância é uma forma de utilizar as médias aritméticas das amostras, ou seja, são as médias dos índices de diversidade das comunidades para posteriormente se possa fazer uma comparação de variâncias entre elas, onde neste exercicio é feita a comparação da média de precipitação com a média dos índices de diversidade já testados.
2.5) ATIVIDADE CAPÍTULO 10 -
Pacotes necessários para execução da atividade!
library(iNEXT)
library(ecodados)
library(ggplot2)install.packages("iNEXT")## Warning: package 'iNEXT' is in use and will not be installed# Carregar a planilha com os dados
exercicio_1 <- ecodados::Cap10_exercicio1
colSums(exercicio_1)## Fragmento Pasto Borda Cana
## 91 60 106 152#> Fragmento Pasto Borda Cana
#> 91 60 106 152
## Análise de rarefação
resultados_exercicio_1 <- iNEXT(exercicio_1, q = 0, datatype = "abundance", endpoint = 300)
## Gráfico
ggiNEXT(resultados_exercicio_1, type = 1) +
geom_vline(xintercept = 60, lty = 2) +
scale_linetype_discrete(labels = c("Interpolado", "Extrapolado")) +
scale_colour_manual(values = c("darkorange", "darkorchid", "cyan4", "black")) +
scale_fill_manual(values = c("darkorange", "darkorchid", "cyan4", "black")) +
labs(x = "Número de indivíduos", y = " Riqueza de espécies") +
theme_bw(base_size = 16)## Scale for colour is already present.
## Adding another scale for colour, which will replace the existing scale.
## Scale for fill is already present.
## Adding another scale for fill, which will replace the existing scale.
#A partir da análise do gráfico acima, pode-se concluir que no gráfico o uso da terra borda e fragmento não apresentaram diferença entre si em relação ao número de espécies, tanto quanto no extrapolados, mas o pasto e cana juntos mostraram diferença dos outros citados obtendo números de riqueza semelhantes na estrapolação.A partir dos dados analisados, é possível notar que o local de borda apresenta maior riqueza de espécies quando comparado aos demais locais (fragmento, pasto e cana).Uma possível hipótese, é que em localidades mais pertubadas e com excassez de recursos naturais isso influeciaria diretamente em uma quantidade menor de número de espécies quando for comparado as demais, como analisado acima. Logo, as bordas possuem espécies pioneiras e oportunistas, podendo também ser explicado a grande quantidade de espécies ali presentes. O local de cana representará e indica a abunância total das espécies.
10.2 -
exercicio_2 <- ecodados::Cap10_exercicio2
head(exercicio_2)## Fragmento Pasto Borda Cana
## amostras 10 14 10 9
## sp1 5 0 2 0
## sp2 1 5 1 0
## sp3 4 0 3 0
## sp4 1 14 5 1
## sp5 6 0 3 1#> Fragmento Pasto Borda Cana
#> amostras 10 14 10 9
#> sp1 5 0 2 0
#> sp2 1 5 1 0
#> sp3 4 0 3 0
#> sp4 1 14 5 1
#> sp5 6 0 3 1
## Análise de rarefação
resultados_exercicio_2 <- iNEXT(exercicio_2, q = 0,
datatype = "abundance", endpoint = 30)
## Gráfico
ggiNEXT(resultados_exercicio_2, type = 1) +
geom_vline(xintercept = 9, lty = 2) +
scale_linetype_discrete(labels = c("Interpolado", "Extrapolado")) +
scale_colour_manual(values = c("darkorange", "darkorchid", "cyan4", "black")) +
scale_fill_manual(values = c("darkorange", "darkorchid", "cyan4", "black")) +
labs(x = "Número de amostras", y = " Riqueza de espécies") +
theme_bw(base_size = 16)## Scale for colour is already present.
## Adding another scale for colour, which will replace the existing scale.
## Scale for fill is already present.
## Adding another scale for fill, which will replace the existing scale.
#É possível observar que igual como na análise por número de individuos, o número de amostras demostra o mesmo padrão quanto a riqueza de espécies em seus diferentes usos em que a borda e fragmento não diferem estatisticamente, já “pasto e cana” diferem outro grupo. Porém, a cana e a extrapolação não apresenta estabilidade. Portanto, é possível sugerir semelhança estatística em extrapolações maiores, ou seja, a riqueza de espécies no fragmento e na borda podem assumir valores muito mais altos de riqueza e abundância de espécies, ao passo que cana e pasto seguem a mesmo ritmo de alta abundância, mas baixa riqueza.
10.3 -
# Rarefação considerando a cobertura da abundância
resultados_exercicio_1 <- iNEXT(exercicio_1, q = 0,
datatype = "abundance", endpoint = 300)
## Gráfico
# Visualizar os resultados da rarefação *coverage-based*.
ggiNEXT(resultados_exercicio_1, type = 3) +
scale_linetype_discrete(labels = c("Interpolado", "Extrapolado")) +
scale_colour_manual(values = c("darkorange", "darkorchid", "cyan4", "black")) +
scale_fill_manual(values = c("darkorange", "darkorchid", "cyan4", "black")) +
labs(x = "Representatividade da abundância", y = "Riqueza de espécies") +
theme_bw(base_size = 16)## Scale for colour is already present.
## Adding another scale for colour, which will replace the existing scale.
## Scale for fill is already present.
## Adding another scale for fill, which will replace the existing scale.
resultados_exercicio_2 <- iNEXT(exercicio_2, q = 0,
datatype = "incidence_freq", endpoint = 30)
## Gráfico
# Visualizar os resultados da rarefação *coverage-based*.
ggiNEXT(resultados_exercicio_2, type = 3) +
scale_linetype_discrete(labels = c("Interpolado", "Extrapolado")) +
scale_colour_manual(values = c("darkorange", "darkorchid", "cyan4", "black")) +
scale_fill_manual(values = c("darkorange", "darkorchid", "cyan4", "black")) +
labs(x = "Representatividade das amostras", y = "Riqueza de espécies") +
theme_bw(base_size = 16)## Scale for colour is already present.
## Adding another scale for colour, which will replace the existing scale.
## Scale for fill is already present.
## Adding another scale for fill, which will replace the existing scale.
2.6) ATIVIDADE CAPÍTULO 11 -
library(iNEXT)
library(ecodados)
library(ggplot2)
library(vegan)
library(nlme)##
## Attaching package: 'nlme'## The following object is masked from 'package:dplyr':
##
## collapselibrary(dplyr)##
## Attaching package: 'nlme'#11.1 -
#Os dados que serão utilizados para a realização do exercício é o resultado de 30 coletas de 50 espécies de besouros e suas respectivas abundâncias.
exercicio_1 <- ecodados::Cap11_exercicio1est_chao1 <- estaccumR(Cap11_exercicio1, permutations = 100)
summary(est_chao1, display = "chao")## $chao
## N Chao 2.5% 97.5% Std.Dev
## Amostra_27 1 17.04683 7.333333 40.50000 7.960093
## Amostra_9 2 26.12593 14.737500 58.57500 11.536440
## Amostra_5 3 31.22944 18.895833 64.46250 11.899933
## Amostra_26 4 35.09643 23.203571 58.25833 13.004076
## Amostra_8 5 38.04848 25.579167 65.20000 10.678866
## Amostra_24 6 40.08015 28.312500 73.06875 13.375822
## Amostra_12 7 41.84506 29.666667 68.86250 9.797392
## Amostra_17 8 44.27615 31.737500 71.10000 10.527751
## Amostra_13 9 47.38791 34.342500 84.97500 13.542269
## Amostra_10 10 48.25092 33.778977 72.62500 10.272726
## Amostra_3 11 50.97894 37.278125 83.47083 11.250990
## Amostra_18 12 53.73745 38.285000 89.52500 14.410145
## Amostra_15 13 58.14518 39.547500 113.15000 22.850902
## Amostra_6 14 63.50411 39.666667 125.01250 26.664156
## Amostra_20 15 66.23455 41.110000 117.83750 26.308298
## Amostra_4 16 67.47296 43.787500 114.24583 18.835669
## Amostra_25 17 70.35712 46.175000 111.00000 24.402391
## Amostra_29 18 71.57882 46.500000 124.22500 20.094757
## Amostra_14 19 75.54976 47.619643 140.52500 26.470091
## Amostra_1 20 79.58719 49.925000 179.00000 32.017021
## Amostra_11 21 76.54681 49.857143 126.22500 22.680313
## Amostra_7 22 79.11611 51.291071 121.50000 23.304565
## Amostra_21 23 78.56879 50.766071 126.75000 24.227570
## Amostra_30 24 77.99121 54.000000 142.00000 21.036981
## Amostra_23 25 79.56600 57.000000 131.07500 19.057975
## Amostra_2 26 78.82633 57.000000 123.20000 19.011650
## Amostra_28 27 80.09088 60.166667 119.00000 14.808988
## Amostra_16 28 80.11431 63.500000 102.50000 11.195524
## Amostra_22 29 81.64333 67.000000 102.50000 9.305605
## Amostra_19 30 78.50000 78.500000 78.50000 0.000000
##
## attr(,"class")
## [1] "summary.poolaccum"# Carregar a planilha com os dados
exercicio_1 <- ecodados::Cap11_exercicio1
# estimadores abundância
est_abun <- estaccumR(exercicio_1, permutations = 100)
## Preparando os dados para fazer o gráfico
resultados_abun <- summary(est_abun
, display = c("S", "chao", "ace"))
res_abun <- cbind(resultados_abun$chao[, 1:4], resultados_abun$ace[, 2:4],
resultados_abun$S[, 2:4])
res_abun <- as.data.frame(res_abun)
colnames(res_abun) <- c("Amostras", "Chao", "C_inferior", "C_superior",
"ace", "A_inferior", "A_superior",
"Riqueza", "R_inferior", "R_superior")
## Gráfico
ggplot(res_abun, aes(y = Riqueza, x = Amostras)) +
geom_point(aes(y = Chao, x = Amostras + 0.1), size = 4,
color = "darkorange", alpha = 1) +
geom_point(aes(y = ace, x = Amostras + 0.2), size = 4,
color = "cyan4", alpha = 1) +
geom_point(aes(y = Riqueza, x = Amostras), size = 4,
color = "black", alpha = 1) +
geom_point(y = 150, x = 1, size = 4, color = "darkorange", alpha = 1) +
geom_point(y = 135, x = 1, size = 4, color = "cyan4", alpha = 1) +
geom_point(y = 120, x = 1, size = 4, color = "black", alpha = 1) +
geom_label(y = 150, x = 4.4, label = "Chao 1", size = 5) +
geom_label(y = 135, x = 3.9, label = "ACE", size = 5) +
geom_label(y = 120, x = 7.3, label = "Riqueza observada", size = 5) +
geom_line(aes(y = Chao, x = Amostras), color = "darkorange") +
geom_line(aes(y = ace, x = Amostras), color = "cyan4") +
geom_line(aes(y = Riqueza, x = Amostras), color = "black") +
geom_linerange(aes(ymin = C_inferior, ymax = C_superior,
x = Amostras + 0.1), color = "darkorange") +
geom_linerange(aes(ymin = A_inferior, ymax = A_superior,
x = Amostras + 0.2), color = "cyan4") +
geom_linerange(aes(ymin = R_inferior, ymax = R_superior,
x = Amostras), color = "black") +
scale_x_continuous(limits = c(1, 31), breaks = seq(1, 31, 1)) +
labs (x = "Número de amostras", y = "Riqueza de espécies de besouros") +
theme_bw(base_size = 12) +
theme(panel.grid.major = element_blank(), panel.grid.minor = element_blank())
#A partir da análise do gráfico acima, pode-se entender que é possível
estimar em média mais 42.95754 espécies, se o esforço amostral fosse
maior, e ainda se observou um certo platô acontecendo em ambas as curvas
(CHAO1). Já a analise feita em ACE- abundance-based coverage estimator,
pode-se concluir que é estimada em média 37.82758 de espécies a mais, se
o esforço amostral fosse maior, mas não se observou um platô acontecendo
em nenhuma das curvas observadas acima, sendo o esforço amostral
apresentado insuficiente.
#11.2 -
# Carregar a planilha com os dados
exercicio_1 <- ecodados::Cap11_exercicio1
# estimadores incidencia
est_inc <- poolaccum(exercicio_1, permutations = 100)
## Preparando os dados para fazer o gráfico
resultados_inc <- summary(est_inc
, display = c("S", "jack1", "boot"))
res_inc <- cbind(resultados_inc$jack1[, 1:4], resultados_inc$boot[, 2:4],
resultados_inc$S[, 2:4])
res_inc <- as.data.frame(res_inc)
colnames(res_inc) <- c("Amostras", "jack1", "j_inferior", "j_superior",
"boot", "B_inferior", "B_superior",
"Riqueza", "R_inferior", "R_superior")
## Gráfico
ggplot(res_inc, aes(y = Riqueza, x = Amostras)) +
geom_point(aes(y = jack1, x = Amostras + 0.1), size = 4,
color = "darkorange", alpha = 1) +
geom_point(aes(y = boot, x = Amostras + 0.2), size = 4,
color = "cyan4", alpha = 1) +
geom_point(aes(y = Riqueza, x = Amostras), size = 4,
color = "black", alpha = 1) +
geom_point(y = 70, x = 1, size = 4, color = "darkorange", alpha = 1) +
geom_point(y = 65, x = 1, size = 4, color = "cyan4", alpha = 1) +
geom_point(y = 60, x = 1, size = 4, color = "black", alpha = 1) +
geom_label(y = 70, x = 4.9, label = "Jackknife 1", size = 5) +
geom_label(y = 65, x = 4.6, label = "Bootstrap", size = 5) +
geom_label(y = 60, x = 6.7, label = "Riqueza observada", size = 5) +
geom_line(aes(y = jack1, x = Amostras), color = "darkorange") +
geom_line(aes(y = boot, x = Amostras), color = "cyan4") +
geom_line(aes(y = Riqueza, x = Amostras), color = "black") +
geom_linerange(aes(ymin = j_inferior, ymax = j_superior,
x = Amostras + 0.1), color = "darkorange") +
geom_linerange(aes(ymin = B_inferior, ymax = B_superior,
x = Amostras + 0.2), color = "cyan4") +
geom_linerange(aes(ymin = R_inferior, ymax = R_superior,
x = Amostras), color = "black") +
scale_x_continuous(limits = c(1, 31), breaks = seq(1, 31, 1)) +
labs (x = "Número de amostras", y = "Riqueza de espécies de besouros") +
theme_bw(base_size = 12) +
theme(panel.grid.major = element_blank(), panel.grid.minor = element_blank())
#A partir das análises do gráfico acima, pode-se analisar que foram
estimadas em média 18.36667 espécies a mais, se o esforço amostral fosse
maior. O esforço amostral se monstrou insuficiente, pois não foi
possível observar nenhum platô acontecendo em nenhuma das curvas
(JACKKNIFE1). Já analisando o BOOTSTRAP, é possível notar que é estimado
em média 7.53366 espécies a mais, se o esforço amostral fosse maior.
Porém, não foi possível observar um platô acontecendo em nenhuma das
curvas e o esforço amostral é insuficiente, como foi falado igualmente
inicialmente.