RDA
Sandra Zavala
2026-01-24
Análisis de Redundancia (RDA)
El RDA es un método de ordenación restringida, que permite modelar la variación de una matriz explicativa (variables ambientales) sobre una matriz respuesta (especies). A diferencia de los modelos univariados, el RDA evalúa el efecto de los gradientes ambientales sobre la estructura y composición de toda una comunidad (Centro de Ciencias de la Biodiversidad de Quebec, 2023). Este análisis requiere de una ordenación de la matriz Y para obtener ejes que son combinaciones lineales de las variables explicativas.
Caso de Estudio: Comunidad de Líquenes en un Bosque Montano de Costa Rica
Se evaluó la comunidad de líquenes epifitos presentes en treinta puntos de muestreo de un bosque montano, distribuidos sistemáticamente a lo largo de un gradiente ambiental, para determinar su relación con los parámetros abióticos.
Matriz de Respuesta: Abundancia porcentual de 20 especies de líquenes.
Matriz Explicativa: 15 variables ambientales categorizadas en microclima, estructura del bosque, disponibilidad de luz y características del sustrato.
Se importaron los datos, y las filas de ambas matrices coinciden perfectamente por sitio.
library(readr)
Matriz_liquenes <- read_csv("matrices_practica_1/Matriz_liquenes.csv")
Matriz_amb_liq <- read_csv("matrices_practica_1/Matriz_amb_liq.csv")Matriz Ambiental( matriz explicativa)
head(Matriz_amb_liq)## # A tibble: 6 × 16
## Sitio Temp HumRel Radiacion Elevacion CobDosel Abertura NDVI BiomHerb
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 S1 18.3 72 105 1870 85 12 0.71 230
## 2 S2 17.8 74 110 1890 80 15 0.74 220
## 3 S3 18.5 70 120 1905 78 18 0.78 240
## 4 S4 19.1 68 125 1920 82 10 0.7 210
## 5 S5 17.6 75 130 1950 76 20 0.82 260
## 6 S6 18 71 118 1885 79 14 0.72 240
## # ℹ 7 more variables: DensArboles <dbl>, DensArbustos <dbl>, AreaBasal <dbl>,
## # Rugosidad <dbl>, DistAgua <dbl>, Ruido <dbl>, TempCorteza <dbl>Matriz de Especies de Líquenes( matriz respuesta)
head(Matriz_liquenes <- read_csv("matrices_practica_1/Matriz_liquenes.csv"))## # A tibble: 6 × 21
## Sitio Sp1 Sp2 Sp3 Sp4 Sp5 Sp6 Sp7 Sp8 Sp9 Sp10 Sp11 Sp12
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 S1 5 0 8 2 6 1 9 4 7 3 10 2
## 2 S2 3 1 7 3 5 0 8 3 6 2 9 3
## 3 S3 6 2 9 1 7 2 7 5 8 4 11 1
## 4 S4 2 1 6 2 4 1 8 4 7 3 8 2
## 5 S5 7 3 8 3 8 3 9 6 9 5 10 3
## 6 S6 8 2 9 4 7 2 7 5 8 4 12 2
## # ℹ 8 more variables: Sp13 <dbl>, Sp14 <dbl>, Sp15 <dbl>, Sp16 <dbl>,
## # Sp17 <dbl>, Sp18 <dbl>, Sp19 <dbl>, Sp20 <dbl>Estandarización de Datos
En este conjunto de datos, los datos ambientales presentan medidas heterogéneas, por lo tanto, según Centro de Ciencias de la Biodiversidad de Quebec (2023) deberán estandarizarse antes, para que cada variable tenga una media de cero y una varianza unitaria antes de realizar la ordenación. Evitando que las variables con magnitudes numéricas mayores formen un sesgo en el análisis. En este caso se utilizó la función decostand() del paquete vegan para estandarizar las variables ambientales.
Por otro lado, para resolver el problema de doble ceros (donde la ausencia compartida de una especie no necesariamente indica similitud ambiental), la matriz de la abundancia de especies de líquenes se transformó mediante la distancia de Hellinger. Esta transformación de datos consiste en calcular la raíz cuadrada de la abundancia relativa por sitio.
library(vegan)## Warning: package 'vegan' was built under R version 4.4.2library(dplyr)## Warning: package 'dplyr' was built under R version 4.4.2Matriz_liquenes <- Matriz_liquenes[,-1]
Matriz_amb_liq <- Matriz_amb_liq[,-1]
Matriz_liquenes_hell <- decostand(Matriz_liquenes, "total")
Matriz_liquenes_hell #Hellinger## Sp1 Sp2 Sp3 Sp4 Sp5 Sp6
## 1 0.05000000 0.000000000 0.08000000 0.020000000 0.06000000 0.010000000
## 2 0.03092784 0.010309278 0.07216495 0.030927835 0.05154639 0.000000000
## 3 0.06000000 0.020000000 0.09000000 0.010000000 0.07000000 0.020000000
## 4 0.02173913 0.010869565 0.06521739 0.021739130 0.04347826 0.010869565
## 5 0.05600000 0.024000000 0.06400000 0.024000000 0.06400000 0.024000000
## 6 0.06779661 0.016949153 0.07627119 0.033898305 0.05932203 0.016949153
## 7 0.04938272 0.000000000 0.08641975 0.012345679 0.06172840 0.000000000
## 8 0.03157895 0.010526316 0.08421053 0.021052632 0.06315789 0.010526316
## 9 0.04098361 0.016393443 0.07377049 0.024590164 0.06557377 0.016393443
## 10 0.05405405 0.027027027 0.06306306 0.009009009 0.06306306 0.009009009
## 11 0.07692308 0.010989011 0.06593407 0.021978022 0.05494505 0.000000000
## 12 0.04504505 0.000000000 0.06306306 0.027027027 0.05405405 0.018018018
## 13 0.03000000 0.020000000 0.08000000 0.010000000 0.07000000 0.010000000
## 14 0.03361345 0.008403361 0.07563025 0.016806723 0.06722689 0.025210084
## 15 0.04545455 0.027272727 0.05454545 0.036363636 0.05454545 0.018181818
## 16 0.06185567 0.020618557 0.07216495 0.030927835 0.05154639 0.010309278
## 17 0.06796117 0.029126214 0.07766990 0.009708738 0.06796117 0.000000000
## 18 0.03157895 0.010526316 0.07368421 0.021052632 0.05263158 0.021052632
## 19 0.04651163 0.000000000 0.06976744 0.011627907 0.06976744 0.011627907
## 20 0.04237288 0.016949153 0.06779661 0.025423729 0.05932203 0.016949153
## 21 0.02105263 0.000000000 0.09473684 0.021052632 0.08421053 0.010526316
## 22 0.02727273 0.018181818 0.06363636 0.027272727 0.05454545 0.018181818
## 23 0.04166667 0.010416667 0.08333333 0.020833333 0.05208333 0.000000000
## 24 0.05882353 0.000000000 0.06862745 0.009803922 0.06862745 0.019607843
## 25 0.05511811 0.007874016 0.07086614 0.023622047 0.05511811 0.023622047
## 26 0.04587156 0.018348624 0.07339450 0.036697248 0.05504587 0.018348624
## 27 0.04494382 0.011235955 0.07865169 0.022471910 0.05617978 0.011235955
## 28 0.03614458 0.000000000 0.07228916 0.012048193 0.04819277 0.000000000
## 29 0.04385965 0.008771930 0.07894737 0.026315789 0.06140351 0.008771930
## 30 0.03809524 0.019047619 0.07619048 0.019047619 0.05714286 0.019047619
## Sp7 Sp8 Sp9 Sp10 Sp11 Sp12
## 1 0.09000000 0.04000000 0.07000000 0.03000000 0.10000000 0.020000000
## 2 0.08247423 0.03092784 0.06185567 0.02061856 0.09278351 0.030927835
## 3 0.07000000 0.05000000 0.08000000 0.04000000 0.11000000 0.010000000
## 4 0.08695652 0.04347826 0.07608696 0.03260870 0.08695652 0.021739130
## 5 0.07200000 0.04800000 0.07200000 0.04000000 0.08000000 0.024000000
## 6 0.05932203 0.04237288 0.06779661 0.03389831 0.10169492 0.016949153
## 7 0.07407407 0.03703704 0.07407407 0.02469136 0.11111111 0.012345679
## 8 0.07368421 0.04210526 0.07368421 0.03157895 0.10526316 0.021052632
## 9 0.06557377 0.04098361 0.06557377 0.03278689 0.09016393 0.024590164
## 10 0.08108108 0.03603604 0.08108108 0.02702703 0.10810811 0.018018018
## 11 0.08791209 0.03296703 0.07692308 0.02197802 0.10989011 0.010989011
## 12 0.06306306 0.04504505 0.05405405 0.03603604 0.09909910 0.027027027
## 13 0.09000000 0.04000000 0.08000000 0.02000000 0.09000000 0.020000000
## 14 0.06722689 0.05042017 0.07563025 0.02521008 0.10084034 0.008403361
## 15 0.06363636 0.04545455 0.06363636 0.03636364 0.10000000 0.027272727
## 16 0.08247423 0.04123711 0.06185567 0.03092784 0.10309278 0.020618557
## 17 0.08737864 0.03883495 0.07766990 0.01941748 0.10679612 0.009708738
## 18 0.07368421 0.04210526 0.07368421 0.03157895 0.10526316 0.031578947
## 19 0.09302326 0.03488372 0.06976744 0.02325581 0.10465116 0.011627907
## 20 0.07627119 0.04237288 0.06779661 0.03389831 0.09322034 0.025423729
## 21 0.07368421 0.04210526 0.07368421 0.02105263 0.10526316 0.010526316
## 22 0.07272727 0.04545455 0.05454545 0.02727273 0.10909091 0.018181818
## 23 0.09375000 0.03125000 0.07291667 0.03125000 0.11458333 0.010416667
## 24 0.07843137 0.03921569 0.07843137 0.02941176 0.09803922 0.019607843
## 25 0.07086614 0.03937008 0.07086614 0.03149606 0.09448819 0.023622047
## 26 0.07339450 0.03669725 0.06422018 0.03669725 0.10091743 0.018348624
## 27 0.07865169 0.03370787 0.06741573 0.03370787 0.11235955 0.011235955
## 28 0.09638554 0.03614458 0.08433735 0.02409639 0.10843373 0.012048193
## 29 0.07894737 0.03508772 0.07017544 0.02631579 0.09649123 0.017543860
## 30 0.07619048 0.04761905 0.06666667 0.01904762 0.09523810 0.028571429
## Sp13 Sp14 Sp15 Sp16 Sp17 Sp18
## 1 0.05000000 0.08000000 0.010000000 0.09000000 0.04000000 0.07000000
## 2 0.06185567 0.07216495 0.020618557 0.08247423 0.05154639 0.08247423
## 3 0.04000000 0.09000000 0.010000000 0.07000000 0.03000000 0.06000000
## 4 0.05434783 0.08695652 0.021739130 0.09782609 0.04347826 0.07608696
## 5 0.04800000 0.05600000 0.024000000 0.06400000 0.04800000 0.07200000
## 6 0.05932203 0.07627119 0.016949153 0.05932203 0.04237288 0.06779661
## 7 0.04938272 0.09876543 0.012345679 0.09876543 0.03703704 0.07407407
## 8 0.05263158 0.07368421 0.021052632 0.07368421 0.04210526 0.07368421
## 9 0.05737705 0.07377049 0.024590164 0.07377049 0.04918033 0.07377049
## 10 0.05405405 0.07207207 0.009009009 0.07207207 0.04504505 0.07207207
## 11 0.04395604 0.07692308 0.021978022 0.07692308 0.04395604 0.07692308
## 12 0.04504505 0.08108108 0.027027027 0.08108108 0.05405405 0.08108108
## 13 0.06000000 0.08000000 0.010000000 0.07000000 0.05000000 0.08000000
## 14 0.05882353 0.07563025 0.016806723 0.06722689 0.05042017 0.07563025
## 15 0.04545455 0.07272727 0.027272727 0.08181818 0.04545455 0.06363636
## 16 0.04123711 0.09278351 0.020618557 0.08247423 0.04123711 0.06185567
## 17 0.05825243 0.07766990 0.009708738 0.06796117 0.02912621 0.07766990
## 18 0.05263158 0.07368421 0.021052632 0.07368421 0.04210526 0.07368421
## 19 0.04651163 0.09302326 0.011627907 0.09302326 0.03488372 0.06976744
## 20 0.05084746 0.07627119 0.025423729 0.07627119 0.04237288 0.06779661
## 21 0.05263158 0.08421053 0.021052632 0.08421053 0.04210526 0.07368421
## 22 0.05454545 0.08181818 0.027272727 0.08181818 0.04545455 0.07272727
## 23 0.05208333 0.07291667 0.010416667 0.07291667 0.04166667 0.07291667
## 24 0.03921569 0.07843137 0.019607843 0.07843137 0.04901961 0.07843137
## 25 0.05511811 0.07086614 0.023622047 0.07086614 0.04724409 0.07086614
## 26 0.05504587 0.07339450 0.018348624 0.07339450 0.04587156 0.06422018
## 27 0.05617978 0.07865169 0.011235955 0.07865169 0.04494382 0.07865169
## 28 0.04819277 0.09638554 0.012048193 0.09638554 0.03614458 0.07228916
## 29 0.06140351 0.07894737 0.017543860 0.07894737 0.04385965 0.07017544
## 30 0.05714286 0.07619048 0.028571429 0.07619048 0.03809524 0.06666667
## Sp19 Sp20
## 1 0.03000000 0.06000000
## 2 0.04123711 0.07216495
## 3 0.02000000 0.05000000
## 4 0.03260870 0.06521739
## 5 0.03200000 0.06400000
## 6 0.02542373 0.05932203
## 7 0.02469136 0.06172840
## 8 0.03157895 0.06315789
## 9 0.03278689 0.05737705
## 10 0.02702703 0.07207207
## 11 0.02197802 0.06593407
## 12 0.03603604 0.06306306
## 13 0.03000000 0.06000000
## 14 0.03361345 0.06722689
## 15 0.02727273 0.06363636
## 16 0.02061856 0.05154639
## 17 0.02912621 0.05825243
## 18 0.02105263 0.07368421
## 19 0.03488372 0.06976744
## 20 0.03389831 0.05932203
## 21 0.02105263 0.06315789
## 22 0.03636364 0.06363636
## 23 0.03125000 0.08333333
## 24 0.01960784 0.06862745
## 25 0.03149606 0.06299213
## 26 0.02752294 0.06422018
## 27 0.02247191 0.06741573
## 28 0.02409639 0.08433735
## 29 0.02631579 0.07017544
## 30 0.02857143 0.06666667Matriz_amb_liq_stand <- decostand(Matriz_amb_liq, "standardize")
Matriz_amb_liq_stand## Temp HumRel Radiacion Elevacion CobDosel Abertura
## 1 -0.18032129 0.48257859 -1.5017402 -1.34070961 1.55780461 -1.26764601
## 2 -1.30732935 1.41660166 -1.1670284 -0.76938449 0.32145175 -0.67343694
## 3 0.27048193 -0.45144448 -0.4976048 -0.34089065 -0.17308940 -0.07922788
## 4 1.62289160 -1.38546756 -0.1628931 0.08760318 0.81599289 -1.66378539
## 5 -1.75813257 1.88361319 0.1718187 0.94459086 -0.66763055 0.31691150
## 6 -0.85652612 0.01556705 -0.6314896 -0.91221577 0.07418117 -0.87150663
## 7 0.04508032 -0.91845602 0.8412423 -0.19805937 -0.42035998 0.71305088
## 8 1.39748999 -0.45144448 0.5065305 0.37326574 1.06326347 -0.47536725
## 9 -1.08192774 1.41660166 1.1759541 1.23025342 -0.91490112 1.10919026
## 10 -0.40572290 0.48257859 1.5106658 1.80157854 -1.16217170 1.50532964
## 11 -0.63112451 -0.45144448 -1.8364520 -1.62637217 1.55780461 -1.46571570
## 12 0.04508032 0.94959012 -0.8323166 -1.05504705 0.81599289 -0.87150663
## 13 0.72128516 -0.91845602 0.1718187 -0.62655321 -0.17308940 -0.07922788
## 14 1.84829321 -1.85247909 0.5065305 -0.05522809 0.32145175 0.31691150
## 15 -1.30732935 1.88361319 0.8412423 0.51609702 -0.66763055 0.71305088
## 16 -0.63112451 0.48257859 1.1759541 1.08742214 -1.16217170 1.10919026
## 17 -1.08192774 0.94959012 1.5106658 1.51591598 -1.40944227 1.50532964
## 18 -0.18032129 -0.45144448 -1.5017402 -1.19787833 1.55780461 -1.26764601
## 19 0.27048193 -0.91845602 -1.1670284 -0.82651700 0.81599289 -0.67343694
## 20 1.17208838 0.01556705 -0.4976048 -0.42658942 0.32145175 -0.27729756
## 21 -1.53273096 1.41660166 -0.1628931 0.08760318 -0.42035998 0.11884181
## 22 -0.85652612 0.48257859 0.1718187 0.60179579 -0.91490112 0.51498119
## 23 -0.40572290 -0.45144448 0.5065305 0.94459086 -1.16217170 0.91112057
## 24 0.49588355 -0.91845602 0.8412423 1.37308470 -1.40944227 1.30725995
## 25 1.17208838 0.48257859 1.1759541 1.80157854 -1.65671284 1.70339933
## 26 -0.18032129 -0.45144448 -1.8364520 -1.39784212 1.80507519 -1.66378539
## 27 0.27048193 0.01556705 -0.8323166 -0.99791454 1.06326347 -1.06957632
## 28 0.72128516 -0.91845602 0.1718187 -0.48372193 0.32145175 -0.07922788
## 29 1.39748999 -1.38546756 0.8412423 0.08760318 -0.17308940 0.51498119
## 30 0.94668677 -0.45144448 0.5065305 -0.19805937 0.07418117 0.11884181
## NDVI BiomHerb DensArboles DensArbustos AreaBasal Rugosidad
## 1 -1.26764129 -0.9980998 -0.9051471 -0.8664924 -0.95504820 -1.42178285
## 2 -0.80574770 -1.4082778 -1.3229072 -1.5163617 -1.64544449 -0.66907428
## 3 -0.18988959 -0.5879218 -0.4873869 -0.2166231 -0.26465191 -0.16726857
## 4 -1.42160582 -1.8184558 -1.7406674 -0.8664924 -1.99064263 -0.91997714
## 5 0.42596853 0.2324342 -0.0696267 0.4332462 0.08054623 0.33453714
## 6 -1.11367676 -0.5879218 -0.4873869 -0.8664924 -0.60985005 -0.41817143
## 7 0.88786212 0.6426122 0.3481335 -0.2166231 0.77094252 0.58544000
## 8 -0.95971223 -0.1777438 -0.9051471 -0.8664924 -0.95504820 -0.66907428
## 9 1.19579117 1.0527902 0.7658937 0.4332462 1.11614067 1.08724571
## 10 1.50372023 1.4629682 1.1836539 1.0831155 1.46133881 1.58905142
## 11 -1.42160582 -1.4082778 -1.3229072 -1.5163617 -0.95504820 -1.17087999
## 12 -0.80574770 -0.9980998 -0.9051471 -0.8664924 -0.60985005 -1.42178285
## 13 -0.03592506 -0.3828328 -0.0696267 -0.2166231 0.08054623 -0.41817143
## 14 0.27200400 0.2324342 0.3481335 0.4332462 0.42574438 0.08363429
## 15 0.73389759 0.6426122 0.7658937 1.0831155 0.77094252 0.83634285
## 16 1.04182665 1.0527902 1.1836539 0.4332462 1.11614067 1.33814857
## 17 1.34975570 1.4629682 1.6014140 1.7329848 1.80653695 1.83995428
## 18 -1.26764129 -0.9980998 -0.9051471 -0.8664924 -0.95504820 -1.42178285
## 19 -0.65178317 -0.5879218 -0.4873869 -0.2166231 -0.60985005 -0.91997714
## 20 -0.18988959 -0.1777438 -0.0696267 0.4332462 -0.26465191 -0.41817143
## 21 0.11803947 0.2324342 0.3481335 -0.2166231 0.08054623 -0.16726857
## 22 0.57993306 0.6426122 0.7658937 0.4332462 0.42574438 0.33453714
## 23 1.04182665 1.0527902 1.1836539 1.0831155 0.77094252 0.83634285
## 24 1.34975570 1.4629682 1.6014140 1.7329848 1.11614067 1.33814857
## 25 1.65768476 1.8731462 2.0191742 2.3828541 1.80653695 1.83995428
## 26 -1.57557035 -1.4082778 -1.3229072 -1.5163617 -1.30024634 -1.17087999
## 27 -0.95971223 -0.7930108 -0.9051471 -0.8664924 -0.95504820 -0.66907428
## 28 -0.03592506 -0.1777438 -0.0696267 -0.2166231 0.08054623 -0.16726857
## 29 0.42596853 0.4375232 0.3481335 0.4332462 0.42574438 0.58544000
## 30 0.11803947 0.0273452 -0.4873869 -0.2166231 -0.26465191 -0.41817143
## DistAgua Ruido TempCorteza
## 1 -1.5506597 1.11878521 -0.1457047
## 2 -0.8764598 0.76172610 0.4371142
## 3 -0.2022600 0.40466699 -1.0199331
## 4 -0.5393599 1.11878521 2.1855709
## 5 0.4719399 0.04760788 -1.6027520
## 6 -1.2135598 1.47584432 0.1457047
## 7 0.1348400 -0.30945123 -0.4371142
## 8 -0.8764598 0.76172610 2.7683899
## 9 0.8090398 -0.66651034 -1.3113426
## 10 1.1461398 -1.02356945 -0.7285236
## 11 -1.5506597 1.11878521 -0.4371142
## 12 -0.8764598 0.40466699 0.4371142
## 13 -0.2022600 0.04760788 -0.7285236
## 14 0.4719399 -0.30945123 2.4769804
## 15 0.8090398 -1.02356945 -0.1457047
## 16 1.1461398 -1.38062856 0.1457047
## 17 1.4832397 -1.73768767 -0.7285236
## 18 -1.5506597 1.11878521 -0.1457047
## 19 -0.8764598 0.76172610 0.1457047
## 20 -0.2022600 0.40466699 0.7285236
## 21 0.4719399 0.04760788 -0.4371142
## 22 0.8090398 -0.66651034 -0.7285236
## 23 1.1461398 -1.02356945 0.4371142
## 24 1.4832397 -1.73768767 -0.4371142
## 25 1.8203396 -2.09474677 -0.1457047
## 26 -1.2135598 1.47584432 -0.4371142
## 27 -0.8764598 0.76172610 0.4371142
## 28 -0.2022600 0.04760788 -0.7285236
## 29 0.4719399 -0.30945123 0.1457047
## 30 0.1348400 0.40466699 -0.1457047Tras estandarizar la matriz ambiental, las variables quedaron en un escala ajustada de varianza unitaria, eliminando el sesgo por unidades de medida. Asimismo, la transformación de Hellinger resultó en una matriz de comunidad con valores normalizados
Modelo
Se usó anova para ver el nivel de asociación entre una variable y otra.
modelo_rda<-rda(Matriz_liquenes_hell~., data=Matriz_amb_liq_stand)
r2adj<-RsquareAdj(modelo_rda)$adj.r.squared
anova.cca(modelo_rda, step= 1000)## Permutation test for rda under reduced model
## Permutation: free
## Number of permutations: 999
##
## Model: rda(formula = Matriz_liquenes_hell ~ Temp + HumRel + Radiacion + Elevacion + CobDosel + Abertura + NDVI + BiomHerb + DensArboles + DensArbustos + AreaBasal + Rugosidad + DistAgua + Ruido + TempCorteza, data = Matriz_amb_liq_stand)
## Df Variance F Pr(>F)
## Model 15 0.00067109 1.0255 0.455
## Residual 14 0.00061077Resulto en que el modelo no es estadísticamente significativo (F = [valor], p = 0.432). Esto indica que la matriz de las variables ambientales no explica una fracción importante de la variación en la composición de la comunidad de líquenes epífitos en estos sitios.
Afinación del modelo
Debido al alto número de variables explicativas en relación con el número de sitios de muestreo, se realizó una selección automática de variables mediante el procedimiento de ordiR2step.
mod.sel <- ordiR2step(rda(Matriz_liquenes_hell ~ 1, data=Matriz_amb_liq_stand), # Corre el modelo sin utilizar columnas de la ambiental
rda(Matriz_liquenes_hell ~ ., data=Matriz_amb_liq_stand), # Corre el modelo utilizando todas las columnas
direction = "both") # Va añadiendo parámetros uno por uno y mide la significancia del modelo en cada paso (forward regression). Luego, agarra todos los parámetros y los va quitando uno por uno (backward regression).## Step: R2.adj= 0
## Call: Matriz_liquenes_hell ~ 1
##
## R2.adjusted
## + HumRel 0.0372131522
## <All variables> 0.0130231810
## + AreaBasal 0.0051961406
## + TempCorteza 0.0016879330
## + Temp 0.0010094345
## <none> 0.0000000000
## + Rugosidad -0.0003531162
## + DensArbustos -0.0056694274
## + BiomHerb -0.0076732947
## + DensArboles -0.0085270793
## + Abertura -0.0092063597
## + CobDosel -0.0113869066
## + Elevacion -0.0113945506
## + NDVI -0.0140102544
## + Radiacion -0.0179338310
## + Ruido -0.0182783116
## + DistAgua -0.0183333021El análisis de selección indicó que, aunque variables como el: HumRel, AreaBasal y TempCorteza presentan una relación mínima con la comunidad, la capacidad explicativa global es extremadamente baja.
Selección de Variables y Modelo Final
Para identificar las variables ambientales significativas, se aplicó el procedimiento forward selection mediante la función ordistep().
set.seed(1234)
rda1<- rda(Matriz_liquenes_hell ~1, data=Matriz_amb_liq_stand)
rda2<- rda(Matriz_liquenes_hell ~., data=Matriz_amb_liq_stand)
ordistep(rda1, scop= formula(rda2), direction= "forward", pstep=1000)##
## Start: Matriz_liquenes_hell ~ 1
##
## Df AIC F Pr(>F)
## + HumRel 1 -198.99 2.1209 0.020 *
## + AreaBasal 1 -198.01 1.1515 0.245
## + TempCorteza 1 -197.90 1.0490 0.355
## + Temp 1 -197.88 1.0293 0.385
## + Rugosidad 1 -197.84 0.9898 0.420
## + DensArbustos 1 -197.68 0.8365 0.560
## + BiomHerb 1 -197.62 0.7792 0.640
## + DensArboles 1 -197.60 0.7548 0.660
## + Abertura 1 -197.58 0.7355 0.695
## + CobDosel 1 -197.51 0.6735 0.700
## + Elevacion 1 -197.51 0.6733 0.750
## + NDVI 1 -197.44 0.5993 0.810
## + Radiacion 1 -197.32 0.4891 0.895
## + Ruido 1 -197.31 0.4794 0.940
## + DistAgua 1 -197.31 0.4779 0.950
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Step: Matriz_liquenes_hell ~ HumRel
##
## Df AIC F Pr(>F)
## + TempCorteza 1 -198.63 1.5130 0.100
## + Temp 1 -198.65 1.5329 0.150
## + AreaBasal 1 -198.37 1.2736 0.235
## + Rugosidad 1 -198.11 1.0232 0.405
## + DensArbustos 1 -197.89 0.8241 0.570
## + DensArboles 1 -197.91 0.8446 0.580
## + BiomHerb 1 -197.91 0.8373 0.580
## + Abertura 1 -197.89 0.8223 0.625
## + NDVI 1 -197.75 0.6957 0.715
## + CobDosel 1 -197.74 0.6822 0.790
## + Elevacion 1 -197.61 0.5669 0.825
## + Ruido 1 -197.60 0.5533 0.850
## + Radiacion 1 -197.55 0.5079 0.895
## + DistAgua 1 -197.51 0.4706 0.900## Call: rda(formula = Matriz_liquenes_hell ~ HumRel, data =
## Matriz_amb_liq_stand)
##
## -- Model Summary --
##
## Inertia Proportion Rank
## Total 1.282e-03 1.000e+00
## Constrained 9.026e-05 7.041e-02 1
## Unconstrained 1.192e-03 9.296e-01 19
##
## Inertia is variance
##
## -- Eigenvalues --
##
## Eigenvalues for constrained axes:
## RDA1
## 9.026e-05
##
## Eigenvalues for unconstrained axes:
## PC1 PC2 PC3 PC4 PC5 PC6 PC7
## 0.00027355 0.00025831 0.00015498 0.00013120 0.00007835 0.00007145 0.00005446
## PC8
## 0.00003879
## (Showing 8 of 19 unconstrained eigenvalues)El análisis de redundancia (RDA) reveló que la Humedad Relativa es la única variable con un resultado significativo (p = 0.020). Sin embargo, su capacidad explicativa es reducida (r2adj = 0.037). La homogeneidad ambiental de los sitios de estudio permiten que procesos de dispersión dominen la estructura y distribución de la comunidad (Yao et al., 2023). Esto nos permite entender por qué, a pesar de la similitud física del bosque montano, existe una heterogeneidad en la distribución de especies que el modelo ambiental no logra “capturar”, lo que resulta en un poder explicativo reducido (Low-Décarie et al., 2014).
Visualización
plot(modelo_rda, type = "n", scaling = 2)
# Sitios
points(modelo_rda, display = "sites", pch = 21, bg = "gray90", col = "black")
# Especies
text(modelo_rda, display = "species", col = "blue", cex = 0.8)
# Variables ambientales
bp <- scores(modelo_rda, display = "bp", scaling = 2)
arrows(0, 0, bp[,1], bp[,2], col = "red", length = 0.1)
text(bp[,1], bp[,2], labels = rownames(bp), col = "red", pos = 4)
Referencias Bibliograficas
Centro de Ciencias de la Biodiversidad de Quebec. (2023, April 25). Chapter 4 Exploring the Doubs River Dataset | Workshop 10: Advanced Multivariate Analyses in R. https://r.qcbs.ca/workshop10/book-en/exploration.html#exploration
Low-Décarie, E., Chivers, C., & Granados, M. (2014). Rising complexity and falling explanatory power in ecology. Frontiers in Ecology and the Environment, 12(7), 412–418. Portico. https://doi.org/10.1890/130230
Yao, L., Jiang, B., Jiao, J., & Wu, C. (2023). Environmental filtering and dispersal limitations driving the beta diversity patterns at different scales of secondary evergreen broadleaved forests in the suburbs of Hangzhou. Plants, 12(17), 3057. https://doi.org/10.3390/plants12173057