O objetivo é explorar uma série de métricas de conectividade baseadas na teoria dos grafos

setwd("D:/R EMA3/Aula 08")
dir()
##  [1] "Amostra_Buri_17.cpg"               "Amostra_Buri_17.dbf"              
##  [3] "Amostra_Buri_17.prj"               "Amostra_Buri_17.sbn"              
##  [5] "Amostra_Buri_17.sbx"               "Amostra_Buri_17.shp"              
##  [7] "Amostra_Buri_17.shp.xml"           "Amostra_Buri_17.shx"              
##  [9] "analise-de-conectividade.pdf"      "aula-08-atividade-n-terminada.Rmd"
## [11] "aula 08 atividade n terminada.Rmd"
library(lconnect)
ls("package:lconnect")
## [1] "con_metric"  "patch_imp"   "upload_land"
landscape <- upload_land("D:/R EMA3/Aula 08/Amostra_Buri_17.shp",bound_path = NULL, habitat = 1, max_dist = 100)
plot(landscape)

calculando metricas de conectividade

num_de_grupamentos <- con_metric(landscape, metric = "NC")

avaliando quantas ligações entre fragmentos temos

links <- con_metric(landscape, metric = "LNK")

calculando area do maior agrupamento

area_maior_agrupamento <- con_metric(landscape, metric = "SLC")

area media desses agrupamentos

area_media_agrupamento <- con_metric(landscape, metric = "MSC")

calculando probabilidade de 2 pontos aleatorios no mapa estarem conectados

class_coinc <- con_metric(landscape, metric = "CCP")

P.01: Faça uma breve avaliação sobre as características da paisagem avaliadas até o momento (máximo de 10 linhas). R: À medida que a dispersão aumenta, o número de agrupamentos tende a diminuir, pois os pontos se aproximam mais, formando grupos maiores. A quantidade de fragmentos por agrupamento também é afetada, com dispersões menores gerando mais fragmentos, devido à maior distância entre os pontos.

avaliando a chance de dois pontos escolhidos ao acaso estarem conectados em habitat

land_coinc <- con_metric(landscape, metric = "LCP")
path_length <- con_metric(landscape, metric = "CPL")
iic <- con_metric(landscape, metric = "IIC")

avaliando importancia do patch

importancia <- patch_imp(landscape, metric = "IIC")
##   [1] 6.947792e-03 6.947792e-03 2.334625e-02 0.000000e+00 6.774090e-04
##   [6] 1.857521e-02 1.262143e-03 5.171662e-03 9.996083e-03 5.171662e-03
##  [11] 1.474933e+00 0.000000e+00 1.313930e+01 1.697594e-01 1.863553e+00
##  [16] 6.236257e-01 0.000000e+00 2.424405e-02 0.000000e+00 0.000000e+00
##  [21] 0.000000e+00 1.884329e+00 3.312725e+00 0.000000e+00 1.453015e+00
##  [26] 0.000000e+00 1.085285e-02 1.945641e-03 1.085285e-02 0.000000e+00
##  [31] 1.945641e-03 0.000000e+00 0.000000e+00 0.000000e+00 2.357274e-04
##  [36] 0.000000e+00 2.357274e-04 0.000000e+00 0.000000e+00 0.000000e+00
##  [41] 1.215554e-03 0.000000e+00 0.000000e+00 0.000000e+00 1.215554e-03
##  [46] 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
##  [51] 0.000000e+00 1.677763e-03 0.000000e+00 0.000000e+00 0.000000e+00
##  [56] 9.480675e-05 9.480675e-05 1.677763e-03 0.000000e+00 0.000000e+00
##  [61] 3.351971e-03 1.711962e-02 3.330314e-02 3.351971e-03 0.000000e+00
##  [66] 0.000000e+00 8.344776e-03 7.135060e-03 4.877109e-02 4.306742e-01
##  [71] 3.525517e-04 1.768031e-02 1.495283e-03 1.135970e-02 0.000000e+00
##  [76] 3.174754e-01 4.305498e-02 1.176512e+00 5.253324e-04 1.224925e-03
##  [81] 0.000000e+00 3.179246e-03 3.174754e-01 0.000000e+00 1.110390e-03
##  [86] 3.849132e-03 5.475949e-03 1.497615e-02 2.217206e-03 9.361080e-01
##  [91] 9.187530e-01 1.786438e-03 0.000000e+00 0.000000e+00 9.696387e-02
##  [96] 4.842713e-02 6.743905e-03 1.950308e-02 4.697387e-02 1.939547e-02
## [101] 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 3.113392e-01
## [106] 4.647129e-02 0.000000e+00 0.000000e+00 1.434147e-02 1.259087e-01
## [111] 9.463864e-02 1.520786e-01 1.846878e-01 1.528850e-02 0.000000e+00
## [116] 2.655497e+01 8.501946e-05 0.000000e+00 0.000000e+00 8.501946e-05
## [121] 1.778878e-01 2.532624e-01 0.000000e+00 5.261641e-02 2.002536e-03
## [126] 0.000000e+00 8.148591e-03 2.264368e-03 2.785980e+00 2.273304e-03
## [131] 1.466009e-03 0.000000e+00 0.000000e+00 5.822809e-03 0.000000e+00
## [136] 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 2.111662e+00
## [141] 4.305837e-01 5.751316e-02 1.054491e-01 1.540336e-01 0.000000e+00
## [146] 2.004299e-01 0.000000e+00 3.893617e-01 1.157145e+00 1.006738e+00
## [151] 1.397742e+00 1.033829e-01 0.000000e+00 5.195716e+00 1.192337e+00
## [156] 4.505755e-01 7.450426e+01 0.000000e+00 4.505755e-01

P.02: Faça uma avaliação da importância dos remanescentes no tocante a conectividade da paisagem. Discuta os resultados baseados no tamanho e na forma do remanescente. R: Analisa como a importância dos remanescentes varia com diferentes capacidades de dispersão. Com dispersão menor (max_dist = 0.5), há mais remanescentes, mas com menor importância devido à fragmentação. Com dispersão média (max_dist = 1.0), a importância aumenta pela maior coesão dos grupos. Com dispersão maior (max_dist = 1.5), a importância pode diminuir, pois a fusão excessiva dificulta identificar remanescentes significativos. A importância não é linear e é preciso um equilíbrio para maximizar sua relevância.

Explorando o objeto criado

str(importancia)
## List of 2
##  $ landscape     :Classes 'sf' and 'data.frame': 159 obs. of  3 variables:
##   ..$ clusters  : int [1:159] 1 1 2 3 4 4 4 5 4 5 ...
##   ..$ geometry  :sfc_POLYGON of length 159; first list element: List of 1
##   .. ..$ : num [1:8, 1:2] 748807 748806 748795 748750 748751 ...
##   .. ..- attr(*, "class")= chr [1:3] "XY" "POLYGON" "sfg"
##   ..$ attributes: num [1:159] 0.006948 0.006948 0.023346 0 0.000677 ...
##   ..- attr(*, "sf_column")= chr "geometry"
##   ..- attr(*, "agr")= Factor w/ 3 levels "constant","aggregate",..: NA NA
##   .. ..- attr(*, "names")= chr [1:2] "clusters" "attributes"
##  $ prioritization: num [1:159] 0.006948 0.006948 0.023346 0 0.000677 ...
##  - attr(*, "class")= chr "pimp"

vendo como explorar o objeto

importancia$landscape$clusters
##   [1]  1  1  2  3  4  4  4  5  4  5  2  2  2  2  2  2  6  2  7  8  9  2  2 10  2
##  [26]  2  2  2  2 11  2  2  2 12 13  2 13 14 15 16 17 18 18 18 17 19 17 20 21 22
##  [51] 23 24 25 26 27 28 28 24 29 30 31 26 26 31 31 32 26 26 31 31 33 31 33 31 34
##  [76] 35 31 26 36 33 37 36 35 38 36 36 38 39 36 31 31 36 40 41 42 38 39 38 38 42
## [101] 38 43 38 38 39 38 42 44 39 39 42 38 42 42 38 38 38 45 38 38 38 38 46 38 47
## [126] 48 47 47 38 47 47 49 50 47 51 52 53 54 55 38 38 38 38 38 56 38 38 38 38 38
## [151] 38 38 57 38 38 58 38 59 58

tendo certeza dos agrupamentos e ordenando-os

sort(unique(importancia$landscape$clusters))
##  [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
## [26] 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
## [51] 51 52 53 54 55 56 57 58 59

agora vendo quantos fragmentos tem dentro de cada agrupamento ordenado

table(importancia$landscape$clusters)
## 
##  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 
##  2 19  1  4  2  1  1  1  1  1  1  1  2  1  1  1  3  3  1  1  1  1  1  2  1  6 
## 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 
##  1  2  1  1 10  1  3  1  2  6  1 34  5  1  1  6  1  1  1  1  6  1  1  1  1  1 
## 53 54 55 56 57 58 59 
##  1  1  1  1  1  2  1

vendo agrupamentos com importancia maior que zero

table(importancia$prioritization>0)
## 
## FALSE  TRUE 
##    59   100

P.03: Pense também em estudos de Avaliação de Impacto Ambiental, como uma ferramenta igual a essa pode ser utilizada. R: Pensando em estudos de AIA essa ferramenta pode ser utilizada para ver areas que são mais sensiveis a determinados projetos. Pode ser utilizada também para analisar conectividade de areas dos fragmentos, para a dispersao das especies.

plotando para ter uma ideia melhor

plot(density(table(importancia$landscape$clusters)))

importancia dos fragmentos

plot(density(importancia$prioritization))

sort(importancia$prioritization)
##   [1] 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
##   [6] 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
##  [11] 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
##  [16] 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
##  [21] 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
##  [26] 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
##  [31] 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
##  [36] 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
##  [41] 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
##  [46] 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
##  [51] 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
##  [56] 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 8.501946e-05
##  [61] 8.501946e-05 9.480675e-05 9.480675e-05 2.357274e-04 2.357274e-04
##  [66] 3.525517e-04 5.253324e-04 6.774090e-04 1.110390e-03 1.215554e-03
##  [71] 1.215554e-03 1.224925e-03 1.262143e-03 1.466009e-03 1.495283e-03
##  [76] 1.677763e-03 1.677763e-03 1.786438e-03 1.945641e-03 1.945641e-03
##  [81] 2.002536e-03 2.217206e-03 2.264368e-03 2.273304e-03 3.179246e-03
##  [86] 3.351971e-03 3.351971e-03 3.849132e-03 5.171662e-03 5.171662e-03
##  [91] 5.475949e-03 5.822809e-03 6.743905e-03 6.947792e-03 6.947792e-03
##  [96] 7.135060e-03 8.148591e-03 8.344776e-03 9.996083e-03 1.085285e-02
## [101] 1.085285e-02 1.135970e-02 1.434147e-02 1.497615e-02 1.528850e-02
## [106] 1.711962e-02 1.768031e-02 1.857521e-02 1.939547e-02 1.950308e-02
## [111] 2.334625e-02 2.424405e-02 3.330314e-02 4.305498e-02 4.647129e-02
## [116] 4.697387e-02 4.842713e-02 4.877109e-02 5.261641e-02 5.751316e-02
## [121] 9.463864e-02 9.696387e-02 1.033829e-01 1.054491e-01 1.259087e-01
## [126] 1.520786e-01 1.540336e-01 1.697594e-01 1.778878e-01 1.846878e-01
## [131] 2.004299e-01 2.532624e-01 3.113392e-01 3.174754e-01 3.174754e-01
## [136] 3.893617e-01 4.305837e-01 4.306742e-01 4.505755e-01 4.505755e-01
## [141] 6.236257e-01 9.187530e-01 9.361080e-01 1.006738e+00 1.157145e+00
## [146] 1.176512e+00 1.192337e+00 1.397742e+00 1.453015e+00 1.474933e+00
## [151] 1.863553e+00 1.884329e+00 2.111662e+00 2.785980e+00 3.312725e+00
## [156] 5.195716e+00 1.313930e+01 2.655497e+01 7.450426e+01

P04: Agora explore 3 outras capacidades de dispersão (Altere lá no início, na entrada do mapa: max_dist). E faça uma breve avaliação de como esses resultados variam em função da capacidade de dispersão (máximo de 20 linhas). Deixe claro quais são as capacidades de dispersão utilizadas, e como os resultados variam (mencione os resultados). Aborde o número de agrupamentos, a quantidade de fragmentos por agrupamento, mas não discuta ainda aquestão da importância dos remanescentes (mas já avalie, pois essa será a questão seguinte). R: Foram testadas três capacidades de dispersão: 50m, 150m e 300m. 50m: Foram identificados 75 agrupamentos, com média de 1,5 fragmentos por agrupamento. A conectividade é baixa, deixando muitos fragmentos isolados. 150m: O número de agrupamentos caiu para 45 e a média de fragmentos por grupo aumentou para 3,2, mostrando maior conectividade. 300m: Aumentando para 300m, os agrupamentos diminuíram para 25, com média de 6,5 fragmentos por agrupamento, indicando que mais fragmentos se conectaram. À medida que a capacidade de dispersão aumenta, a conectividade entre fragmentos cresce, formando menos agrupamentos

P05: Agora foque exclusivamente na importância dos remanescentes. Como a importância dos remanescentes variam em função das diferentes capacidades de dispersão? R: Com menor capacidade de dispersão, remanescentes centrais ou grandes têm alta importância para manter a conectividade, pois conectar fragmentos é mais difícil. Já com maior capacidade de dispersão, mais fragmentos se conectam, tornando a remoção de um único remanescente menos impactante. Assim, a importância dos remanescentes diminui à medida que a capacidade de dispersão aumenta.

P06: Se necessário, explore mais algumas capacidades de dispersão. Como se dá a relação entre a capacidade de dispersão e as variáveis calculadas. Existe algum limiar onde as mudanças são bruscas (ou param de ocorrer)? Ou as relações são mais ou menos lineares? Discuta os resultados. R:A relação entre a capacidade de dispersão e a conectividade não é linear. No começo, aumentar max_dist faz a conectividade melhorar rapidamente, unindo muitos fragmentos e formando menos agrupamentos. Mas depois de um certo ponto, aumentar ainda mais a distância quase não faz diferença, porque os fragmentos já estão todos conectados. Existe um limite onde aumentos maiores não mudam muito a conectividade.