# =========================================================
# ECOLOGÍA APLICADA — UNIDAD 2 (Ejercicio Integrador)
# Temas 1–3 (+ opcional Tema 4 Nutrientes)
# Autor: (Pedro Lozano) | Curso: Ecología Aplicada
# =========================================================
# ------------------------------------
# FASE 0. Paquetes (instalar y cargar)
# ------------------------------------
paquetes <- c("magrittr","tibble","dplyr","tidyr","ggplot2","vegan","igraph") # Vector con nombres de paquetes necesarios
instalar_si_falta <- function(p){ # Define función para instalar si falta un paquete
if(!requireNamespace(p, quietly = TRUE)) install.packages(p) # Si no está instalado, lo instala
} # Fin de función
invisible(lapply(paquetes, instalar_si_falta)) # Aplica la función a cada paquete (sin imprimir salida)
library(magrittr) # Carga magrittr (para %>% pipe)
library(tibble) # Carga tibble (tablas modernas)
library(dplyr) # Carga dplyr (manipulación de datos)
##
## Adjuntando el paquete: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(tidyr) # Carga tidyr (re-estructurar datos)
##
## Adjuntando el paquete: 'tidyr'
## The following object is masked from 'package:magrittr':
##
## extract
library(ggplot2) # Carga ggplot2 (gráficos)
library(vegan) # Carga vegan (diversidad, distancias, NMDS)
## Cargando paquete requerido: permute
library(igraph)
##
## Adjuntando el paquete: 'igraph'
## The following object is masked from 'package:vegan':
##
## diversity
## The following object is masked from 'package:permute':
##
## permute
## The following object is masked from 'package:tidyr':
##
## crossing
## The following objects are masked from 'package:dplyr':
##
## as_data_frame, groups, union
## The following object is masked from 'package:tibble':
##
## as_data_frame
## The following objects are masked from 'package:stats':
##
## decompose, spectrum
## The following object is masked from 'package:base':
##
## union
# -----------------------------
# FASE 1. Generar dataset simulado (abundancias por parcela)
# -----------------------------
etapas <- c("Pionera", "Intermedia", "Tardia", "Madura") # Define 4 etapas sucesionales (categorías)
parcelas <- expand.grid(Etapa = etapas, Parcela = 1:3) %>% # Crea combinaciones: 4 etapas x 3 parcelas
as_tibble() %>% #Convierte a tibble
mutate(ID = paste0(Etapa, "_P", Parcela)) # Crea un ID único por parcela (ej. Pionera_P1)
especies <- paste0("Sp", sprintf("%02d", 1:15)) # Crea nombres Sp01...Sp15 (15 especies)
dirichlet_probs <- function(alpha){ # Define función para generar probabilidades tipo Dirichlet
w <- rgamma(length(alpha), shape = alpha, rate = 1) # Genera pesos positivos con distribución gamma
w / sum(w) # Normaliza para que sumen 1 (probabilidades)
} # Fin de función
alpha_por_etapa <- list( # Lista con "alpha" por etapa (controla dominancia)
Pionera = c(6,6,5, 2,2, 1,1,1,1,1, 0.5,0.5,0.5,0.5,0.5), # Pionera: pocas especies dominan mucho
Intermedia = c(3,3,3, 3,3, 2,2,2,1.5,1.5, 1,1,1,1,1), # Intermedia: dominancia más equilibrada
Tardia = c(1.5,1.5,1.5, 2,2, 2.5,2.5,2.5,2,2, 2,1.8,1.8,1.6,1.6), # Tardía: muchas especies con peso medio
Madura = c(1.2,1.2,1.2, 1.5,1.5, 1.8,1.8,1.8,1.8,1.8, 2,2,2,2,2) # Madura: más equidad, varias especies importantes
)
simular_parcela <- function(etapa, total_ind = sample(90:150, 1)){ # Función que simula una parcela (conteos por especie)
alpha <- alpha_por_etapa[[etapa]] # Selecciona el alpha que corresponde a la etapa
p <- dirichlet_probs(alpha) # Genera probabilidades para las 15 especies (suman 1)
as.integer(rmultinom(1, size = total_ind, prob = p)) # Genera conteos multinomiales (enteros) según p
} # Fin de función
parcelas
## # A tibble: 12 × 3
## Etapa Parcela ID
## <fct> <int> <chr>
## 1 Pionera 1 Pionera_P1
## 2 Intermedia 1 Intermedia_P1
## 3 Tardia 1 Tardia_P1
## 4 Madura 1 Madura_P1
## 5 Pionera 2 Pionera_P2
## 6 Intermedia 2 Intermedia_P2
## 7 Tardia 2 Tardia_P2
## 8 Madura 2 Madura_P2
## 9 Pionera 3 Pionera_P3
## 10 Intermedia 3 Intermedia_P3
## 11 Tardia 3 Tardia_P3
## 12 Madura 3 Madura_P3
abund <- parcelas %>% # Toma la tabla parcelas (Etapa, Parcela, ID)
rowwise() %>% # Indica que operaciones se harán fila por fila
mutate(conteos = list(simular_parcela(Etapa))) %>% # Para cada fila, simula conteos de 15 especies
unnest_wider(conteos, names_sep = "_") %>% # Expande la lista a 15 columnas (conteos_1...conteos_15)
rename_with(~ especies, starts_with("conteos_")) %>% # Renombra esas columnas a Sp01...Sp15
ungroup() # Quita el modo fila-por-fila
head(abund)
## # A tibble: 6 × 18
## Etapa Parcela ID Sp01 Sp02 Sp03 Sp04 Sp05 Sp06 Sp07 Sp08 Sp09
## <fct> <int> <chr> <int> <int> <int> <int> <int> <int> <int> <int> <int>
## 1 Pionera 1 Pion… 23 23 18 13 10 13 9 12 11
## 2 Intermedia 1 Inte… 11 11 6 29 21 10 7 13 1
## 3 Tardia 1 Tard… 5 1 4 7 9 0 5 9 7
## 4 Madura 1 Madu… 5 0 1 2 20 2 6 21 22
## 5 Pionera 2 Pion… 22 18 45 4 17 20 0 6 12
## 6 Intermedia 2 Inte… 13 7 13 12 31 7 5 3 19
## # ℹ 6 more variables: Sp10 <int>, Sp11 <int>, Sp12 <int>, Sp13 <int>,
## # Sp14 <int>, Sp15 <int>
mat <- abund %>% select(all_of(especies)) %>% as.matrix() # Extrae solo especies y las convierte a matriz
rownames(mat) <- abund$ID # Pone como nombres de fila los ID de parcelas
head(mat)
## Sp01 Sp02 Sp03 Sp04 Sp05 Sp06 Sp07 Sp08 Sp09 Sp10 Sp11 Sp12 Sp13
## Pionera_P1 23 23 18 13 10 13 9 12 11 2 0 4 4
## Intermedia_P1 11 11 6 29 21 10 7 13 1 4 7 4 4
## Tardia_P1 5 1 4 7 9 0 5 9 7 3 16 7 14
## Madura_P1 5 0 1 2 20 2 6 21 22 8 8 16 1
## Pionera_P2 22 18 45 4 17 20 0 6 12 0 2 0 0
## Intermedia_P2 13 7 13 12 31 7 5 3 19 1 0 5 1
## Sp14 Sp15
## Pionera_P1 0 0
## Intermedia_P1 0 0
## Tardia_P1 8 0
## Madura_P1 6 10
## Pionera_P2 3 1
## Intermedia_P2 12 0
# ---------------------------------------------
# FASE 2. Tema 2: Diversidad alfa (por parcela)
# ---------------------------------------------
riqueza <- vegan::specnumber(mat) # Calcula riqueza S (número de especies con abundancia > 0)
head(riqueza)
## Pionera_P1 Intermedia_P1 Tardia_P1 Madura_P1 Pionera_P2
## 12 13 13 14 11
## Intermedia_P2
## 13
shannon <- vegan::diversity(mat, index = "shannon") # Calcula índice de Shannon H'
simpson <- vegan::diversity(mat, index = "simpson") # Calcula índice de Simpson (diversidad)
pielou <- shannon / log(pmax(riqueza, 1)) # Calcula equitatividad de Pielou (H'/ln(S))
res_alfa <- abund %>% # Parte del dataset con abundancias
select(ID, Etapa, Parcela) %>% # Se queda con variables de identificación
mutate(Riqueza = riqueza, # Agrega riqueza por parcela
Shannon = shannon, # Agrega Shannon por parcela
Simpson = simpson, # Agrega Simpson por parcela
Pielou = pielou) # Agrega Pielou por parcela
print(res_alfa) # Imprime tabla de diversidad alfa por parcela
## # A tibble: 12 × 7
## ID Etapa Parcela Riqueza Shannon Simpson Pielou
## <chr> <fct> <int> <int> <dbl> <dbl> <dbl>
## 1 Pionera_P1 Pionera 1 12 2.32 0.891 0.933
## 2 Intermedia_P1 Intermedia 1 13 2.31 0.879 0.901
## 3 Tardia_P1 Tardia 1 13 2.41 0.900 0.941
## 4 Madura_P1 Madura 1 14 2.31 0.883 0.877
## 5 Pionera_P2 Pionera 2 11 2.01 0.834 0.838
## 6 Intermedia_P2 Intermedia 2 13 2.26 0.873 0.881
## 7 Tardia_P2 Tardia 2 14 2.46 0.905 0.932
## 8 Madura_P2 Madura 2 15 2.43 0.896 0.899
## 9 Pionera_P3 Pionera 3 10 1.84 0.792 0.799
## 10 Intermedia_P3 Intermedia 3 15 2.56 0.917 0.944
## 11 Tardia_P3 Tardia 3 15 2.40 0.892 0.885
## 12 Madura_P3 Madura 3 15 2.44 0.894 0.900
res_etapa <- res_alfa %>% # Usa resultados por parcela
group_by(Etapa) %>% # Agrupa por etapa sucesional
summarise( # Resume con promedios y desviaciones estándar
Riqueza_prom = mean(Riqueza), Riqueza_sd = sd(Riqueza), # Media y sd de riqueza
Shannon_prom = mean(Shannon), Shannon_sd = sd(Shannon), # Media y sd de Shannon
Simpson_prom = mean(Simpson), Simpson_sd = sd(Simpson), # Media y sd de Simpson
Pielou_prom = mean(Pielou), Pielou_sd = sd(Pielou), # Media y sd de Pielou
.groups = "drop" # Quita agrupamiento para devolver tibble normal
)
print(res_etapa) # Imprime tabla resumen por etapa
## # A tibble: 4 × 9
## Etapa Riqueza_prom Riqueza_sd Shannon_prom Shannon_sd Simpson_prom Simpson_sd
## <fct> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Pione… 11 1 2.06 0.243 0.839 0.0494
## 2 Inter… 13.7 1.15 2.38 0.159 0.890 0.0235
## 3 Tardia 14 1 2.42 0.0326 0.899 0.00684
## 4 Madura 14.7 0.577 2.40 0.0703 0.891 0.00706
## # ℹ 2 more variables: Pielou_prom <dbl>, Pielou_sd <dbl>
ggplot(res_alfa, aes(x = Etapa, y = Shannon)) + # Inicia gráfico: etapa vs Shannon
geom_boxplot() + # Dibuja caja y bigotes (distribución)
geom_jitter(width = 0.12) + # Pone puntos con leve dispersión horizontal
theme_minimal() + # Estilo simple del gráfico
labs(title = "Diversidad (Shannon) por etapa de sucesión") # Título del gráfico
# 4. FASE 3 - Diversidad beta y NMDS
cat("\n==============================\n")
##
## ==============================
cat("FASE 3: Diversidad beta (Bray-Curtis) y NMDS\n")
## FASE 3: Diversidad beta (Bray-Curtis) y NMDS
cat("==============================\n")
## ==============================
d_bray <- vegan::vegdist(mat, method = "bray")
nmds <- vegan::metaMDS(mat, distance = "bray", k = 2, trymax = 100)
## Wisconsin double standardization
## Run 0 stress 0.1294137
## Run 1 stress 0.1240019
## ... New best solution
## ... Procrustes: rmse 0.05171268 max resid 0.1339301
## Run 2 stress 0.1240019
## ... New best solution
## ... Procrustes: rmse 0.0001240424 max resid 0.00020317
## ... Similar to previous best
## Run 3 stress 0.1240019
## ... New best solution
## ... Procrustes: rmse 1.408227e-05 max resid 2.372782e-05
## ... Similar to previous best
## Run 4 stress 0.1386074
## Run 5 stress 0.1240019
## ... Procrustes: rmse 2.225491e-05 max resid 3.737922e-05
## ... Similar to previous best
## Run 6 stress 0.13213
## Run 7 stress 0.1231476
## ... New best solution
## ... Procrustes: rmse 0.1466569 max resid 0.3289132
## Run 8 stress 0.1354226
## Run 9 stress 0.1240019
## Run 10 stress 0.1428861
## Run 11 stress 0.13213
## Run 12 stress 0.2970833
## Run 13 stress 0.1240019
## Run 14 stress 0.1339781
## Run 15 stress 0.1231476
## ... New best solution
## ... Procrustes: rmse 4.287248e-05 max resid 7.478074e-05
## ... Similar to previous best
## Run 16 stress 0.1386074
## Run 17 stress 0.1284137
## Run 18 stress 0.1235319
## ... Procrustes: rmse 0.02852132 max resid 0.06897155
## Run 19 stress 0.1240019
## Run 20 stress 0.1235319
## ... Procrustes: rmse 0.02851866 max resid 0.06895826
## *** Best solution repeated 1 times
cat("OK: NMDS ejecutado. Stress = ", round(nmds$stress, 3), "\n", sep = "")
## OK: NMDS ejecutado. Stress = 0.123
# Importante: usar SOLO "sites" para evitar el error de filas (parcelas vs especies)
scores_nmds <- as.data.frame(vegan::scores(nmds, display = "sites")) %>%
tibble::rownames_to_column("ID") %>%
left_join(res_alfa %>% select(ID, Etapa), by = "ID")
ggplot(scores_nmds, aes(x = NMDS1, y = NMDS2, shape = Etapa)) +
geom_point(size = 3) +
theme_minimal() +
labs(title = paste0("NMDS (Bray-Curtis) - stress = ", round(nmds$stress, 3)))
gamma_n <- sum(colSums(mat) > 0)
cat("OK: Diversidad gamma (especies presentes): ", gamma_n, "\n", sep = "")
## OK: Diversidad gamma (especies presentes): 15
cat("\nResumen FASE 3:\n")
##
## Resumen FASE 3:
cat("- Se calculo disimilitud Bray-Curtis.\n")
## - Se calculo disimilitud Bray-Curtis.
cat("- Se ejecuto NMDS 2D y se graficaron coordenadas de parcelas (sites).\n")
## - Se ejecuto NMDS 2D y se graficaron coordenadas de parcelas (sites).
cat("- Se calculo diversidad gamma.\n")
## - Se calculo diversidad gamma.
cat("Comandos clave: vegan::vegdist(), vegan::metaMDS(), vegan::scores(display='sites'), colSums().\n")
## Comandos clave: vegan::vegdist(), vegan::metaMDS(), vegan::scores(display='sites'), colSums().
cat("\n==============================\n")
##
## ==============================
cat("FASE 4: Curvas rango-abundancia\n")
## FASE 4: Curvas rango-abundancia
cat("==============================\n")
## ==============================
rank_df <- abund %>%
group_by(Etapa) %>%
summarise(across(all_of(especies), mean), .groups = "drop") %>%
pivot_longer(-Etapa, names_to = "Especie", values_to = "Abundancia") %>%
group_by(Etapa) %>%
arrange(desc(Abundancia), .by_group = TRUE) %>%
mutate(Rango = row_number())
ggplot(rank_df, aes(x = Rango, y = Abundancia)) +
geom_line() +
facet_wrap(~Etapa, scales = "free_y") +
theme_minimal() +
labs(title = "Curvas rango-abundancia por etapa")
cat("\nResumen FASE 4:\n")
##
## Resumen FASE 4:
cat("- Se promediaron abundancias por especie dentro de cada etapa.\n")
## - Se promediaron abundancias por especie dentro de cada etapa.
cat("- Se ordenaron especies por dominancia y se graficaron curvas.\n")
## - Se ordenaron especies por dominancia y se graficaron curvas.
cat("Comandos clave: summarise(across()), pivot_longer(), arrange(), row_number(), facet_wrap().\n")
## Comandos clave: summarise(across()), pivot_longer(), arrange(), row_number(), facet_wrap().
# 6. FASE 5 - Interacciones y red (didactica)
cat("\n==============================\n")
##
## ==============================
cat("FASE 5: Interacciones (red didactica)\n")
## FASE 5: Interacciones (red didactica)
cat("==============================\n")
## ==============================
tipos <- tibble(
Tipo = c("Mutualismo", "Comensalismo", "Competencia", "Depredacion", "Amensalismo", "Neutralismo"),
efecto_A = c(+1, +1, -1, +1, 0, 0),
efecto_B = c(+1, 0, -1, -1, -1, 0)
)
interacciones <- tibble(
A = sample(especies, 30, replace = TRUE),
B = sample(especies, 30, replace = TRUE),
Tipo = sample(tipos$Tipo, 30, replace = TRUE,
prob = c(0.15, 0.15, 0.25, 0.20, 0.10, 0.15))
) %>%
filter(A != B) %>%
left_join(tipos, by = "Tipo")
balance <- bind_rows(
interacciones %>% transmute(Especie = A, Efecto = efecto_A),
interacciones %>% transmute(Especie = B, Efecto = efecto_B)
) %>%
group_by(Especie) %>%
summarise(Balance_neto = sum(Efecto), n_interacciones = n(), .groups = "drop") %>%
arrange(desc(Balance_neto))
balance
## # A tibble: 15 × 3
## Especie Balance_neto n_interacciones
## <chr> <dbl> <int>
## 1 Sp03 1 4
## 2 Sp06 1 5
## 3 Sp07 1 3
## 4 Sp04 0 2
## 5 Sp05 0 6
## 6 Sp08 0 2
## 7 Sp10 0 2
## 8 Sp13 0 3
## 9 Sp15 0 5
## 10 Sp02 -1 6
## 11 Sp11 -1 2
## 12 Sp12 -1 4
## 13 Sp14 -1 2
## 14 Sp01 -2 4
## 15 Sp09 -4 6
g_int <- igraph::graph_from_data_frame(interacciones %>% select(A, B, Tipo), directed = TRUE)
plot(g_int, vertex.size = 16, vertex.label.cex = 0.7,
main = "Red de interacciones (didactica)")
cat("\nResumen FASE 5:\n")
##
## Resumen FASE 5:
cat("- Se simularon interacciones entre especies y se asignaron efectos.\n")
## - Se simularon interacciones entre especies y se asignaron efectos.
cat("- Se estimo balance neto por especie.\n")
## - Se estimo balance neto por especie.
cat("- Se construyo y grafico una red dirigida.\n")
## - Se construyo y grafico una red dirigida.
cat("Comandos clave: sample(), filter(), left_join(), bind_rows(), igraph::graph_from_data_frame().\n")
## Comandos clave: sample(), filter(), left_join(), bind_rows(), igraph::graph_from_data_frame().
cat("\n==============================\n")
##
## ==============================
cat("FASE 6: Niveles troficos y piramide de energia\n")
## FASE 6: Niveles troficos y piramide de energia
cat("==============================\n")
## ==============================
niveles <- tibble(
Especie = especies,
Nivel = case_when(
Especie %in% paste0("Sp", sprintf("%02d", 1:5)) ~ "Productores",
Especie %in% paste0("Sp", sprintf("%02d", 6:10)) ~ "Herbivoros",
Especie %in% paste0("Sp", sprintf("%02d", 11:14)) ~ "Carnivoros",
TRUE ~ "Apex"
)
)
biomasa_nivel <- abund %>%
select(ID, Etapa, all_of(especies)) %>%
pivot_longer(all_of(especies), names_to = "Especie", values_to = "Abund") %>%
left_join(niveles, by = "Especie") %>%
group_by(Etapa, ID, Nivel) %>%
summarise(Biomasa = sum(Abund), .groups = "drop") %>%
group_by(Etapa, Nivel) %>%
summarise(Biomasa_prom = mean(Biomasa), .groups = "drop")
E0 <- 10000
ef <- 0.10
orden <- c("Productores", "Herbivoros", "Carnivoros", "Apex")
energia_base <- tibble(
Nivel = orden,
Energia_teorica = E0 * ef^(match(Nivel, orden)-1)
)
energia <- biomasa_nivel %>%
left_join(energia_base, by = "Nivel") %>%
group_by(Etapa) %>%
mutate(prop_biomasa = Biomasa_prom / sum(Biomasa_prom),
Energia_asignada = Energia_teorica * prop_biomasa) %>%
ungroup()
ggplot(energia, aes(x = Nivel, y = Energia_asignada)) +
geom_col() +
facet_wrap(~Etapa) +
theme_minimal() +
labs(title = "Piramide de energia (modelo simple) por etapa",
y = "Energia asignada (unidades relativas)")
cat("\nResumen FASE 6:\n")
##
## Resumen FASE 6:
cat("- Se asignaron niveles troficos a especies.\n")
## - Se asignaron niveles troficos a especies.
cat("- Se calculo biomasa (proxy) por nivel y etapa.\n")
## - Se calculo biomasa (proxy) por nivel y etapa.
cat("- Se asigno energia por nivel (transferencia ~10%) y se grafico.\n")
## - Se asigno energia por nivel (transferencia ~10%) y se grafico.
cat("Comandos clave: case_when(), pivot_longer(), summarise(), mutate(), geom_col().\n")
## Comandos clave: case_when(), pivot_longer(), summarise(), mutate(), geom_col().