Trabalho Relação Espécie-Área
Ana Beatriz de S. Farias
2024-08-10
##Pacotes que irão ser utilizados
library(knitr)## Warning: package 'knitr' was built under R version 4.3.3library(tidyr)## Warning: package 'tidyr' was built under R version 4.3.2###knitr - Apenas para visualização das tabelas em um formato mais amigável ### tidyr - Para fazer as manipulacoes nas tabelas no fim para analise
##ALterando o diretório para realizar a entrada de dados
getwd()## [1] "C:/Users/beatr/OneDrive/Área de Trabalho/Faculdade/R (2024)"dir()## [1] "Projeto R - Relação Espécie-Área" "Relação-Espécie-Área.html"
## [3] "Relação-Espécie-Área.Rmd" "Relação Espécie Área.Rmd"
## [5] "sar-areas AAALS.csv" "sar-areas.csv"
## [7] "sar-model-data.csv"setwd("C:/Users/beatr/OneDrive/Documentos/dados REA/dados_SAR")
dir()## character(0)##Entrada de dados
areas<-read.csv("sar-areas.csv",header=FALSE)##Entrando com os os parâmetros das equações que são dados no artigo de Dengler and Oldeland (2010)
parametros<-read.csv("sar-model-data.csv",header=FALSE)
colnames(parametros)<-c("modelos","b0","b1","b2")##Visualizando os parâmetros estabelecidos
kable(parametros)| modelos | b0 | b1 | b2 |
|---|---|---|---|
| Power | 20.81 | 0.1896 | NA |
| PowerQuadratic | 1.35 | 0.1524 | 8.1e-03 |
| Logarithmic | 14.36 | 21.1600 | NA |
| MichaelisMenten | 85.91 | 42.5700 | NA |
| Lomolino | 1082.45 | 1.5900 | 3.9e+08 |
##Criando funções para cada um dos modelos (que são 5 ao todo), que calculam a riqueza para cada uma das áreas que há
potencia<-function(b0,Areas,b1){b0*Areas^b1}
pot_quadrada<-function(b0,b1,Areas,b2){10^(b0+b1*log10(Areas)+b2*log10(Areas)^2)}
loga<-function(b0,Areas,b1){b0+b1*log10(Areas)}
MM<-function(b0,Areas,b1){b0*(Areas/(b1+Areas))}
Lomo<-function(b0,b1,b2,Areas){b0/(1+b1^log10(b2/Areas))}##Obtenção dos resultados - Utilizando as funções criadas, calcula-se as riquezas com base nos parâmetros e nas áreas dadas.
mod1<-potencia(parametros[1,"b0"],areas,parametros[1,"b1"])
mod2<-pot_quadrada(parametros[2,"b0"],parametros[2,"b1"],areas,parametros[2,"b2"])
mod3<-loga(parametros[3,"b0"],parametros[3,"b1"],areas)
mod4<-MM(parametros[4,"b0"],areas,parametros[4,"b1"])
mod5<-Lomo(parametros[5,"b0"],parametros[5,"b1"],parametros[5,"b2"],areas)###Organizando os resultados
mods<-cbind(mod1,mod2,mod3,mod4,mod5)
stdev<-apply(mods,1,sd)
media<-rowSums(mods)/5
mods<-cbind(areas,mods,media,stdev,stdev/media)
colnames(mods)<-c("Areas","Power","PowerQuadratic","Logarithmic","Michaelis-Menten","Lomolino","Media","Stdev","Stdev/media")###Visualizando os resultados
kable(mods)| Areas | Power | PowerQuadratic | Logarithmic | Michaelis-Menten | Lomolino | Media | Stdev | Stdev/media |
|---|---|---|---|---|---|---|---|---|
| 1.00 | 20.81000 | 22.38721 | 15.68552 | 1.971770 | 19.77805 | 16.12651 | 8.291809 | 0.5141726 |
| 5.20 | 28.44633 | 29.05838 | 21.25268 | 9.351727 | 27.36975 | 23.09578 | 8.287700 | 0.3588405 |
| 10.95 | 32.76008 | 32.89711 | 28.87440 | 17.576878 | 31.66880 | 28.75545 | 6.454702 | 0.2244688 |
| 152.30 | 53.96498 | 52.62999 | 216.23604 | 67.142675 | 52.73406 | 88.54155 | 71.643474 | 0.8091509 |
| 597.60 | 69.93258 | 68.47995 | 806.48816 | 80.197160 | 68.39243 | 218.69806 | 328.621413 | 1.5026261 |
| 820.00 | 74.25594 | 72.91834 | 1101.28284 | 81.670125 | 72.59037 | 280.54352 | 458.822122 | 1.6354757 |
| 989.80 | 76.95341 | 75.71906 | 1326.35540 | 82.367483 | 75.19974 | 327.31902 | 558.485578 | 1.7062424 |
| 1232.50 | 80.22048 | 79.14344 | 1648.05806 | 83.041774 | 78.34964 | 393.76268 | 701.174680 | 1.7807037 |
| 15061.00 | 128.94163 | 134.30311 | 19977.95141 | 85.667859 | 123.83319 | 4090.13944 | 8881.577508 | 2.1714608 |
##Plotando os resultados em gráficos
plot(mods$Areas,mods$PowerQuadratic,xlab="Áreas",ylab="Espécies")
points(mods$Areas,mods$Power,col="red")
points(mods$Areas,mods$Logarithmic,col="blue")
points(mods$Areas,mods$`Michaelis-Menten`,col="purple")
points(mods$Areas,mods$Lomolino,col="brown")
##Observando na escala log10, que “lineariza” as relações
plot(log10(mods$Areas),log10(mods$PowerQuadratic),xlab="Áreas",ylab="Espécies")
points(log10(mods$Areas),log10(mods$Power),col="red")
points(log10(mods$Areas),log10(mods$Logarithmic),col="blue")
points(log10(mods$Areas),log10(mods$`Michaelis-Menten`),col="purple")
points(log10(mods$Areas),log10(mods$Lomolino),col="brown")
##Fazendo um boxplot para ver um pouco da variação que os modelos geram
na previsão de riqueza das ilhas
long<-gather(mods[,2:6])
l<-cbind(long,areas)
kable(l)| key | value | V1 |
|---|---|---|
| Power | 20.810000 | 1.00 |
| Power | 28.446335 | 5.20 |
| Power | 32.760083 | 10.95 |
| Power | 53.964975 | 152.30 |
| Power | 69.932576 | 597.60 |
| Power | 74.255938 | 820.00 |
| Power | 76.953411 | 989.80 |
| Power | 80.220485 | 1232.50 |
| Power | 128.941632 | 15061.00 |
| PowerQuadratic | 22.387211 | 1.00 |
| PowerQuadratic | 29.058384 | 5.20 |
| PowerQuadratic | 32.897114 | 10.95 |
| PowerQuadratic | 52.629993 | 152.30 |
| PowerQuadratic | 68.479955 | 597.60 |
| PowerQuadratic | 72.918336 | 820.00 |
| PowerQuadratic | 75.719057 | 989.80 |
| PowerQuadratic | 79.143442 | 1232.50 |
| PowerQuadratic | 134.303109 | 15061.00 |
| Logarithmic | 15.685516 | 1.00 |
| Logarithmic | 21.252681 | 5.20 |
| Logarithmic | 28.874396 | 10.95 |
| Logarithmic | 216.236036 | 152.30 |
| Logarithmic | 806.488160 | 597.60 |
| Logarithmic | 1101.282844 | 820.00 |
| Logarithmic | 1326.355404 | 989.80 |
| Logarithmic | 1648.058055 | 1232.50 |
| Logarithmic | 19977.951406 | 15061.00 |
| Michaelis-Menten | 1.971770 | 1.00 |
| Michaelis-Menten | 9.351727 | 5.20 |
| Michaelis-Menten | 17.576878 | 10.95 |
| Michaelis-Menten | 67.142675 | 152.30 |
| Michaelis-Menten | 80.197160 | 597.60 |
| Michaelis-Menten | 81.670125 | 820.00 |
| Michaelis-Menten | 82.367483 | 989.80 |
| Michaelis-Menten | 83.041774 | 1232.50 |
| Michaelis-Menten | 85.667859 | 15061.00 |
| Lomolino | 19.778052 | 1.00 |
| Lomolino | 27.369748 | 5.20 |
| Lomolino | 31.668800 | 10.95 |
| Lomolino | 52.734060 | 152.30 |
| Lomolino | 68.392427 | 597.60 |
| Lomolino | 72.590374 | 820.00 |
| Lomolino | 75.199737 | 989.80 |
| Lomolino | 78.349642 | 1232.50 |
| Lomolino | 123.833194 | 15061.00 |
boxplot(value~V1, data=l,xlab="Tamanho das ilhas",ylab="Número de espécies")
##Perguntas
P1: Agora que avaliamos os modelos para as ilhas do exercício, vamos assumir que estamos pensando em amostrar outras 4 ilhas, cujos tamanhos são 20, 100, 1000 e 10000 ha. Como os modelos se comportam para ilhas com estes tamanhos? Onde vai haver a maior diferença entre os modelos? Como isso pode afetar a utilização destes modelos para a tomada de decisão, caso estejamos por exemplo, interessados em entender um determinado impacto nestas ilhas?
Gere figuras com estas novas ilhas inclusas e discuta os resultados
A partir dos resultados obtidos é possível realizar análises que buscam compreender a abundância de espécies afetadas e se a riqueza também seria afetada, além de orientar para possíveis medidas mitigadores do suposto impacto, levando em consideração a distribuição de espécies nas ilhas.
getwd()## [1] "C:/Users/beatr/OneDrive/Área de Trabalho/Faculdade/R (2024)"dir()## [1] "Projeto R - Relação Espécie-Área" "Relação-Espécie-Área.html"
## [3] "Relação-Espécie-Área.Rmd" "Relação-Espécie-Área_files"
## [5] "Relação Espécie Área.Rmd" "sar-areas AAALS.csv"
## [7] "sar-areas.csv" "sar-model-data.csv"areas1<-read.csv("sar-areas AAALS.csv",header=FALSE)mod1a<-potencia(parametros[1,"b0"],areas1,parametros[1,"b1"])
mod2a<-pot_quadrada(parametros[2,"b0"],parametros[2,"b1"],areas1,parametros[2,"b2"])
mod3a<-loga(parametros[3,"b0"],parametros[3,"b1"],areas1)
mod4a<-MM(parametros[4,"b0"],areas1,parametros[4,"b1"])
mod5a<-Lomo(parametros[5,"b0"],parametros[5,"b1"],parametros[5,"b2"],areas1)###Organizando os resultados
modsa<-cbind(mod1a,mod2a,mod3a,mod4a,mod5a)
stdev<-apply(modsa,1,sd)
media<-rowSums(modsa)/5
modsa<-cbind(areas1,modsa,media,stdev,stdev/media)
colnames(modsa)<-c("Areas","Power","PowerQuadratic","Logarithmic","Michaelis-Menten","Lomolino","Media","Stdev","Stdev/media")
kable(mods)| Areas | Power | PowerQuadratic | Logarithmic | Michaelis-Menten | Lomolino | Media | Stdev | Stdev/media |
|---|---|---|---|---|---|---|---|---|
| 1.00 | 20.81000 | 22.38721 | 15.68552 | 1.971770 | 19.77805 | 16.12651 | 8.291809 | 0.5141726 |
| 5.20 | 28.44633 | 29.05838 | 21.25268 | 9.351727 | 27.36975 | 23.09578 | 8.287700 | 0.3588405 |
| 10.95 | 32.76008 | 32.89711 | 28.87440 | 17.576878 | 31.66880 | 28.75545 | 6.454702 | 0.2244688 |
| 152.30 | 53.96498 | 52.62999 | 216.23604 | 67.142675 | 52.73406 | 88.54155 | 71.643474 | 0.8091509 |
| 597.60 | 69.93258 | 68.47995 | 806.48816 | 80.197160 | 68.39243 | 218.69806 | 328.621413 | 1.5026261 |
| 820.00 | 74.25594 | 72.91834 | 1101.28284 | 81.670125 | 72.59037 | 280.54352 | 458.822122 | 1.6354757 |
| 989.80 | 76.95341 | 75.71906 | 1326.35540 | 82.367483 | 75.19974 | 327.31902 | 558.485578 | 1.7062424 |
| 1232.50 | 80.22048 | 79.14344 | 1648.05806 | 83.041774 | 78.34964 | 393.76268 | 701.174680 | 1.7807037 |
| 15061.00 | 128.94163 | 134.30311 | 19977.95141 | 85.667859 | 123.83319 | 4090.13944 | 8881.577508 | 2.1714608 |
###Gráficos dos resultados
plot(modsa$Areas,modsa$PowerQuadratic,xlab="Areas",ylab="Especies")
points(modsa$Areas,modsa$Power,col="red")
points(modsa$Areas,modsa$Logarithmic,col="blue")
points(modsa$Areas,modsa$`Michaelis-Menten`,col="purple")
points(modsa$Areas,modsa$Lomolino,col="brown")
P2: Discuta alguns fatores ecológicos que podem afetar o número de espécies em uma ilha.
A teoria da biogeografia de ilhas postula que o número de espécies em uma ilha está relacionado ao tamanho dela e a sua distância do continente - ou de outras ilhas. Dessa forma, ilhas maiores tendem a apresentar maior riqueza de espécies se comparadas com ilhas menores, uma vez que o espaço mais amplo permite a exploração de diferentes nichos pelas espécies e diminui eventos de competição. Ilhas mais próximas do continente também possuem uma tendência a abrigarem um maior número de espécies, dado que a migração é mais viável em relação a uma ilha distante; ilhas distantes do continente são isoladas geograficamente, dificultando a migração de espécies de outras regiões, reduzindo a riqueza e promovendo a ocorrência de endemismos. Outros fatores que também podem influenciar a riqueza de espécies são as interações ecológicas (intra e interespecíficas), a disponibilidade de recursos, a ocorrência de eventos casuais, a diversidade de habitas e a variedade de nichos.