Nesta atividade iremos analisar os índices de diversidade da base de dados da nossa comunidade culinária e fazer um baita resumão de tudo que aprendemos nesse módulo! Vamos começar?
Antes de tudo, vamos rodar os pacotes exigidos para não termos nenhum problemae não arrancar os cabelos depois. Eles estão descritos abaixo:
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("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")
library("betapart")
library("tidyverse")## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.0 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ ggplot2 3.4.1 ✔ tibble 3.1.8
## ✔ lubridate 1.9.2 ✔ tidyr 1.3.0
## ✔ purrr 1.0.1## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the ]8;;http://conflicted.r-lib.org/conflicted package]8;; to force all conflicts to become errorslibrary("ggplot2")
library("ggrepel")
data("BCI")
library("cowplot")##
## Attaching package: 'cowplot'
##
## The following object is masked from 'package:lubridate':
##
## stampTudo certo? Então vamos lá! Nosso primeiro passo é baixar a base de dados que será estudada. Essa base foi obtida na aula sobre comunidades biológicas, onde usamos diferentes componentes para simular um grande ecossistema e fazer coletas aleatórias. A base segue abaixo:
base<-read.csv("https://raw.githubusercontent.com/fplmelo/ecoaplic/main/content/collection/eco_num/com_cul.csv", row.names = 1)
base## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10 t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
## arroz_c 0 1 7 6 1 4 4 1 1 5 3 8 5 6 3 0 0 0 0 3
## arroz_e 1 0 0 1 0 0 8 4 0 3 0 1 8 1 1 0 0 0 1 0
## milho 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## ervilha 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0
## feijao_preto 0 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0
## carioca_c 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 1
## carioca_e 0 0 0 2 2 0 0 0 0 8 0 0 0 0 0 0 0 0 0 0
## mac_paraf 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
## mac_tubo 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## mac_espag 0 0 0 3 1 0 0 0 6 4 16 9 0 0 0 0 2 2 1 0base_q<-base[,1:10]
base_t<-base[,11:20]
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 4base_q<-base[,1:10]
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 0Agora que temos a nossa base de dados, vamos tentar entendê-la melhor! Para isso, vamos analisar os aspectos de riqueza e abundância dela…
PERAÍ! Você sabe o que é riqueza e abundância? Não? Então eu vou te explicar, se liga:
RIQUEZA:
Riqueza é o número total de espécies de uma determinada comunidade.
ABUNDÂNCIA:
Abundância se trata da quantidade de indivíduos de uma determinada espécie em uma comunidade.
Exemplo: Uma comunidade X tem 5 indivíduos de 5 espécies diferentes. Uma comunidade Y tem 5 indivíduos, mas de uma mesma espécie. Ambos possuem o mesmo valor de abundância, mas possuem uma riqueza diferente. A comunidade X tem 5 de riqueza e 5 de abundância. A comunidade Y tem 1 de riqueza e 5 de abundância. Sacou? :P
Agora que vocÊ já entendeu, vamos continuar nossa atividade.
Vamos determinar a riqueza para a comunidade que estamos analisando.
riqueza_sp <- specnumber(base)
riqueza_sp## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 15 10 0 3 1 4
## carioca_e mac_paraf mac_tubo mac_espag
## 3 1 0 9Agora vamos determinar a abundância total.
abundancia <- apply(base, 1, sum)
abundancia## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 58 29 0 3 6 5
## carioca_e mac_paraf mac_tubo mac_espag
## 12 1 0 44É mais fácil de visualizar em um gráfico, não acha? Então vamos elaborar um:
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
Podemos notar a redução da abundância das espécies na comunidade amostrada
Agora vamos calcular os índices de diversidade, mas antes vamos entender o que são esses índices:
Os índices de diversidade de espécies referem-se à variedade de espécies de organismos vivos de uma determinada comunidade, habitat ou região. Assim, a diversidade de espécies é considerada como um aspecto favorável de comunidades naturais existindo vários índices que a quantifica.
O primeiro índice que vamos calcular será o índice de Shannon:
Shannon<-diversity(BCI)
Shannon## 1 2 3 4 5 6 7 8
## 4.018412 3.848471 3.814060 3.976563 3.969940 3.776575 3.836811 3.908381
## 9 10 11 12 13 14 15 16
## 3.761331 3.889803 3.859814 3.698414 3.982373 4.017494 3.956635 3.916821
## 17 18 19 20 21 22 23 24
## 3.736897 3.944985 4.013094 4.077327 3.969925 3.755413 4.062575 3.979427
## 25 26 27 28 29 30 31 32
## 4.074718 3.947749 3.980281 3.693896 3.688721 3.851598 3.724967 3.784873
## 33 34 35 36 37 38 39 40
## 3.740392 3.821669 2.641859 3.846109 3.791703 3.516082 3.530494 3.234849
## 41 42 43 44 45 46 47 48
## 4.052495 3.966614 3.736254 3.705016 3.609518 3.810489 3.920918 3.913725
## 49 50
## 3.778851 3.906616De acordo com a análise do índice de Shannon acima, a parcela 20 apresentou maior valor de diversidade, enquanto a parcela 35 apresentou a menor.
Agora vamos calcular o índice de Simpson
Simpson <- diversity(BCI, "simpson")
Simpson## 1 2 3 4 5 6 7 8
## 0.9746293 0.9683393 0.9646078 0.9716117 0.9678267 0.9627557 0.9672014 0.9671998
## 9 10 11 12 13 14 15 16
## 0.9534257 0.9663808 0.9658398 0.9550599 0.9692075 0.9718626 0.9709057 0.9686598
## 17 18 19 20 21 22 23 24
## 0.9545126 0.9676685 0.9655820 0.9748589 0.9686058 0.9548316 0.9723529 0.9694268
## 25 26 27 28 29 30 31 32
## 0.9726152 0.9709567 0.9669962 0.9499296 0.9481041 0.9602659 0.9635807 0.9565267
## 33 34 35 36 37 38 39 40
## 0.9586946 0.9607876 0.7983976 0.9648567 0.9565015 0.9365144 0.9360204 0.9137131
## 41 42 43 44 45 46 47 48
## 0.9731442 0.9731849 0.9569632 0.9578733 0.9528853 0.9646728 0.9672083 0.9676412
## 49 50
## 0.9609552 0.9679784De acordo com o índice de Simpson, a parcela 20 possuiu o maior valor de diversidade, já a parcela 35 apresentou a menor
R <- renyi(base,
hill = TRUE)
R## 0 0.25 0.5 1 2 4 8
## arroz_c 15 14.217651 13.557288 12.539539 11.288591 10.065200 8.997197
## arroz_e 10 9.035549 8.166152 6.787992 5.289308 4.359762 3.945224
## milho NA NaN NaN 1.000000 NaN NaN NaN
## ervilha 3 3.000000 3.000000 3.000000 3.000000 3.000000 3.000000
## feijao_preto 1 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000
## carioca_c 4 3.949291 3.897056 3.789291 3.571429 3.204120 2.844892
## carioca_e 3 2.829245 2.666667 2.381102 2.000000 1.712623 1.589444
## mac_paraf 1 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000
## mac_tubo NA NaN NaN 1.000000 NaN NaN NaN
## mac_espag 9 8.134869 7.371794 6.161171 4.745098 3.703867 3.172859
## 16 32 64 Inf
## arroz_c 8.202001 7.724922 7.481571 7.250
## arroz_e 3.771606 3.695214 3.659381 3.625
## milho NaN NaN NaN NaN
## ervilha 3.000000 3.000000 3.000000 3.000
## feijao_preto 1.000000 1.000000 1.000000 1.000
## carioca_c 2.657468 2.574997 2.536626 2.500
## carioca_e 1.541099 1.519748 1.509685 1.500
## mac_paraf 1.000000 1.000000 1.000000 1.000
## mac_tubo NaN NaN NaN NaN
## mac_espag 2.941837 2.841219 2.794514 2.750índice de margalef
Margalef <- round((riqueza_sp - 1)/log(abundancia), 2)
Margalef## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 3.45 2.67 0.00 1.82 0.00 1.86
## carioca_e mac_paraf mac_tubo mac_espag
## 0.80 NaN 0.00 2.11Note que, de acordo com a análise, a espécie mais abundante foi o arroz claro e a menos abundante foi o feijão preto.
índice de Menhinick
Menhinick <- round(riqueza_sp/sqrt(abundancia), 2)
Menhinick## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 1.97 1.86 NaN 1.73 0.41 1.79
## carioca_e mac_paraf mac_tubo mac_espag
## 0.87 1.00 NaN 1.36