Indices_Biodiversidad
Oscar Ramírez-Alán
30 de mayo de 2016
Índices de diversidad Mediante R
Es importante tener en cuenta que los datos deben de subirse en R de tal manera que las especies sean las columnas y las filas los sitios.
read.csv("diversity.csv", h=T, sep=";")->datos
head(datos,3)## Sp1 Sp2 Sp3 Sp4 Sp5 Sp6 Sp7 Sp8 Sp9 Sp10 Sp11 Sp12 Sp13 Sp14 Sp15 Sp16
## 1 3 1 6 1 8 5 1 3 1 1 1 0 1 0 4 3
## 2 0 2 1 0 4 4 2 3 0 0 0 3 2 0 0 2
## 3 0 0 0 3 2 0 1 0 0 0 2 1 2 0 1 3
## Sp17 Sp18 Sp19 Sp20 Sp21 Sp22 Sp23 Sp24 Sp25 Sp26 Sp27 Sp28 Sp29
## 1 1 0 0 5 1 2 4 2 5 0 1 2 0
## 2 0 0 0 2 0 2 0 2 2 1 2 2 0
## 3 0 1 0 2 0 0 0 2 0 2 2 1 2#Cargar las siguientes extensiones
library (BiodiversityR) #cargar extensiones de Biodiversidad## Loading required package: tcltk## Loading required package: vegan## Loading required package: permute## Loading required package: lattice## This is vegan 2.3-0## Warning: replacing previous import by 'ggplot2::unit' when loading 'Hmisc'## Warning: replacing previous import by 'ggplot2::arrow' when loading 'Hmisc'## Warning: replacing previous import by 'scales::alpha' when loading 'Hmisc'## BiodiversityR 2.5-4: use function 'BiodiversityRGUI()' to launch the BiodiversityR Graphical User InterfaceBiodiversityRGUI() #cargar guia de Rcmdr con Biodiversidad## La interfaz R-Commander sólo funciona en sesiones interactivas##
## Attaching package: 'Rcmdr'## The following objects are masked from 'package:tcltk':
##
## tclvalue, tkfocus## Fuente: BiodiversityGUI.R#Observe que se cargan el Rcmdr con la entensión de Biodiversidad. Es importante cargar los datos tambien en el Rcmdr, si es que se va a trabajar directamente desde Rcmdr. Calculos de diversidad alpha
#Siempre es importante visualizar los datos para saber con que nos vamos a estar enfrentando antes del analisis.
specnumber(datos) #número de espececies por sitio (Riqueza)## [1] 23 16 15 13 13 13 16 18 17 20 15 14 22 17 4apply(datos,1,sum) #suma de las abundancias por sitio## [1] 62 36 27 23 23 23 26 33 27 41 32 33 59 41 6boxplot(datos, ylab="abundancia", xlab="especies") #límites son la desviación estándar, crados por Tukey
#Indice de Shannon
H<-diversity(datos, index="shannon") #base ln (logaritmo neperiano)
H## [1] 2.890612 2.707270 2.640947 2.449734 2.464508 2.401224 2.651462 2.545337
## [9] 2.731050 2.753802 2.496307 2.354274 2.824371 2.633004 1.329661#Interprete y discuta los resultados obtenidos con su compañero#Fisher alpha:
#cuantifica e involucra intrínsecamente la relación entre el número de individuos y el número de especies presentes, ha sido efectivamente empleado para estimar la riqueza de especies en áreas geográficas extensas usando muestras provenientes de áreas reducidas (Condit et al.199, Hubbell 2001).
fisher.alpha(datos, se=TRUE)## [1] 13.235938 11.036807 13.896533 12.380496 12.380496 12.380496 17.709824
## [8] 16.208421 19.687467 15.416194 11.005891 9.181668 12.719526 10.886951
## [15] 5.244605#Interprete y discuta los resultados obtenidos#Dominancia de Simpson
simp <- diversity(datos, "simpson") #Indice de simpson (Dominancia)
simp #simpson## [1] 0.9334027 0.9290123 0.9245542 0.9035917 0.9073724 0.8922495 0.9201183
## [8] 0.8833792 0.9272977 0.9196907 0.8925781 0.8815427 0.9261706 0.9149316
## [15] 0.7222222invsimp <- diversity(datos, "inv") #reciproco de Simpson (Dominancia)
invsimp #Aumenta cuando la comunidad es menos equitativa## [1] 15.015625 14.086957 13.254545 10.372549 10.795918 9.280702 12.518519
## [8] 8.574803 13.754717 12.451852 9.309091 8.441860 13.544747 11.755245
## [15] 3.600000# Interprete y discuta los resultados obtenidos#Relación entre H e invsimp
plot(invsimp,H,pch=21,bg=3,cex=1.9,main="Relación entre H y Invsimp para 15 parcelas")
grid() # pone grillas al grafico
identify(invsimp,H) #identifica los sitios
## integer(0)#Interprete y discuta los resultados obtenidos#Equitatividad (Equidad) de Pielou´s
J <- H/log(specnumber(datos)) # Pielou´s (valores>son equitativo, uniformes en las abundancias, valores< mayor dominancia, alta heterogeneidad).
J## [1] 0.9218999 0.9764411 0.9752208 0.9550808 0.9608407 0.9361684 0.9563129
## [8] 0.8806262 0.9639409 0.9192416 0.9218097 0.8920889 0.9137276 0.9293348
## [15] 0.9591479#Interprete y discuta los resultados obtenidosEstimadores de riqueza.
La ventajas de métodos no paramétricos esta que los estimadores tienen menor sesgo, y requieren de menor cantidad de muestras. Entre algunos estimadores Boostrap, Chao (1 Y 2), Jackknife (1y 2), ACE, ICE. Chao 1, Es un estimador del número de especies en una comunidad basado en el número de especies raras en la muestra, que están representadas solamente por un único individuo en esa muestra (“singletons”, y especies representadas por exactamente dos individuos en la muestra (número de “doubletons”) Chao 2, provee el estimador menos sesgado para muestras pequeñas. Utiliza también los “singletons” y “doubletons”. Jacknife 1 y 2 orden para sitios heterogeneos.
specpool(datos) #estimado del número de especies no observadas.## Species chao chao.se jack1 jack1.se jack2 boot boot.se n
## All 29 29 0 29 NA 29 29.03263 0.1891754 15estimateR(datos) #provee diferentes metodos de extrapolación de la riqueza por sitio.## [,1] [,2] [,3] [,4] [,5] [,6] [,7]
## S.obs 23.000000 16.0000000 15.000000 13.000000 13.000000 13.000000 16.000000
## S.chao1 34.250000 16.0909091 16.111111 15.500000 16.000000 17.200000 22.000000
## se.chao1 9.534404 0.3580097 1.572594 2.890590 3.407345 4.326028 5.378038
## S.ACE 32.271995 16.9411765 18.409091 17.588235 17.588235 21.260298 25.215502
## se.ACE 2.655665 1.3305510 2.089623 2.117737 2.047185 2.470680 2.505137
## [,8] [,9] [,10] [,11] [,12] [,13] [,14]
## S.obs 18.000000 17.000000 20.000000 15.000000 14.00000 22.000000 17.000000
## S.chao1 44.000000 21.500000 31.000000 16.111111 28.00000 28.000000 22.250000
## se.chao1 19.981225 4.100748 8.861078 1.572594 13.13800 5.380811 5.356051
## S.ACE 64.958438 25.500000 35.852222 20.135404 25.66080 31.291972 22.821324
## se.ACE 5.668454 2.567931 3.353283 2.627648 2.56004 2.808153 2.297291
## [,15]
## S.obs 4.0000000
## S.chao1 4.3333333
## se.chao1 0.9013549
## S.ACE 6.0000000
## se.ACE 1.1715546#Curvas de acumulación
#Existen diferentes metodos para estimar la riqueza.
saco<-specaccum(comm=datos,method="collector")
sae<-specaccum(datos, "exact")
sac<-specaccum(datos, "coleman")
sarf<-specaccum(datos, "rarefaction")
par(mfrow=c(2,2),cex=1.2) # particiona ventana grafica en 2x2
plot(saco,ci.type="line",ci.lty=2)
plot(sae,ci.type="line",ci.lty=2)
plot(sac,ci.type="line",ci.lty=2)
plot(sarf,ci.type="line",ci.lty=2)
par(mfrow=c(1,1))En muchas ocasiones asociamos nuestra diversidad a variables de hábitat o ambientales *covariables). Entonces formamos una matriz de datos que llamamos comunidad y otra matriz de datos ambientales. La matriz de comunidad es con la que hemos venido trabajando. Incluiremos entonces la matriz ambiental.
read.csv("diversity_covs.csv", h=T, sep=";")->datos_covs
head(datos_covs,3)## Temp Manejo Cobertura Uso Frutos Flores
## 1 20 SM 74 Forestal 100 65
## 2 21 SM 30 Forestal 53 70
## 3 21 SM 45 Forestal 28 81attach(datos_covs)#Calculamos riqueza de especies por tipo: "Uso". Puede ser cualquier otra variable categórica, como "Manejo".
pool <- specpool(datos, Uso)
pool## Species chao chao.se jack1 jack1.se jack2 boot
## Bosque 29 29.10714 0.3948811 29.85714 0.8571429 28.19048 29.84680
## Forestal 29 30.75000 3.3071891 30.75000 1.2374369 31.60714 29.95639
## boot.se n
## Bosque 1.083051 7
## Forestal 1.162032 8boxplot(specnumber(datos) ~ Manejo, col="gray", border="blue")
#Utilizando cantidad de especies observadas, podemos calcular la riqueza con métodos no paramétricos
pool <- poolaccum(datos)
pool## N S Chao Jackknife 1 Jackknife 2 Bootstrap
## 3 26.22 29.62859 32.57333 33.91667 29.45111
## 4 27.60 29.33104 32.07000 31.67667 30.15090
## 5 28.29 29.30821 31.24200 30.10350 30.17438
## 6 28.70 29.48538 30.70000 29.54800 30.09622
## 7 28.86 29.59728 30.09429 29.05738 29.83003
## 8 28.98 29.38768 29.75875 28.83196 29.68201
## 9 28.99 29.24644 29.44333 28.71708 29.47001
## 10 29.00 29.09225 29.21600 28.53333 29.32364
## 11 29.00 29.02652 29.08182 28.55900 29.21537
## 12 29.00 29.01146 29.02750 28.65098 29.15206
## 13 29.00 29.00000 29.00000 28.82160 29.09640
## 14 29.00 29.00000 29.00000 29.00000 29.05596
## 15 29.00 29.00000 29.00000 29.00000 29.03263summary(pool, display = "chao") #obtiene un resumen estadistico## $chao
## N Chao 2.5% 97.5% Std.Dev
## [1,] 3 29.62859 25.13971 37.07257 3.15526829
## [2,] 4 29.33104 25.10820 33.37116 2.09696997
## [3,] 5 29.30821 27.02714 31.69950 1.29169440
## [4,] 6 29.48538 28.09722 32.05625 1.00403136
## [5,] 7 29.59728 28.06786 35.38214 1.70817694
## [6,] 8 29.38768 29.00000 30.86484 0.77653209
## [7,] 9 29.24644 29.00000 30.89444 0.68684583
## [8,] 10 29.09225 29.00000 29.60000 0.31185934
## [9,] 11 29.02652 29.00000 29.45455 0.09713348
## [10,] 12 29.01146 29.00000 29.12031 0.06812992
## [11,] 13 29.00000 29.00000 29.00000 0.00000000
## [12,] 14 29.00000 29.00000 29.00000 0.00000000
## [13,] 15 29.00000 29.00000 29.00000 0.00000000
##
## attr(,"class")
## [1] "summary.poolaccum"plot(pool)
DIVERSIDAD BETA
Hay 24 opciones de cálculo para la diversidad beta, que han sido revisado por Koleff et al. (2003)
betadiver(datos,"w") #indices de whittaker, de defnine como: "la magnitud de cambio en la composición de las especies a lo largo de un gradiente ambiental o entre diferentes comunidades en un paisaje" (Whittaker, 1977). o indica esencialmente cuan diferentes son las especies entre las distintas unidades ambientales (Magurran, 1988).## 1 2 3 4 5 6 7
## 2 0.2820513
## 3 0.4210526 0.3548387
## 4 0.4444444 0.4482759 0.5000000
## 5 0.3888889 0.5172414 0.5000000 0.4615385
## 6 0.3888889 0.3103448 0.5000000 0.6153846 0.5384615
## 7 0.3333333 0.2500000 0.4838710 0.3793103 0.4482759 0.3103448
## 8 0.2682927 0.4705882 0.4545455 0.3548387 0.6129032 0.5483871 0.5294118
## 9 0.3500000 0.3333333 0.3750000 0.4666667 0.3333333 0.3333333 0.3333333
## 10 0.2093023 0.3333333 0.3714286 0.3333333 0.6363636 0.3939394 0.3888889
## 11 0.3684211 0.4193548 0.6000000 0.5714286 0.5000000 0.3571429 0.4193548
## 12 0.4594595 0.4000000 0.4482759 0.3333333 0.4814815 0.4814815 0.4000000
## 13 0.1555556 0.3684211 0.4594595 0.3714286 0.3714286 0.4285714 0.3684211
## 14 0.3000000 0.4545455 0.4375000 0.5333333 0.6000000 0.6000000 0.4545455
## 15 0.8518519 0.8000000 0.6842105 0.7647059 0.6470588 0.6470588 0.8000000
## 8 9 10 11 12 13 14
## 2
## 3
## 4
## 5
## 6
## 7
## 8
## 9 0.4857143
## 10 0.2631579 0.4594595
## 11 0.5151515 0.3750000 0.3714286
## 12 0.5000000 0.4193548 0.4117647 0.6551724
## 13 0.3500000 0.3333333 0.2857143 0.3513514 0.3333333
## 14 0.3142857 0.5882353 0.3513514 0.5000000 0.4838710 0.3333333
## 15 0.9090909 0.7142857 0.8333333 0.7894737 0.7777778 0.7692308 0.8095238betadiver(help=TRUE) #muestra las diferentes opciones de analisis.## 1 "w" = (b+c)/(2*a+b+c)
## 2 "-1" = (b+c)/(2*a+b+c)
## 3 "c" = (b+c)/2
## 4 "wb" = b+c
## 5 "r" = 2*b*c/((a+b+c)^2-2*b*c)
## 6 "I" = log(2*a+b+c) - 2*a*log(2)/(2*a+b+c) - ((a+b)*log(a+b) +
## (a+c)*log(a+c)) / (2*a+b+c)
## 7 "e" = exp(log(2*a+b+c) - 2*a*log(2)/(2*a+b+c) - ((a+b)*log(a+b) +
## (a+c)*log(a+c)) / (2*a+b+c))-1
## 8 "t" = (b+c)/(2*a+b+c)
## 9 "me" = (b+c)/(2*a+b+c)
## 10 "j" = a/(a+b+c)
## 11 "sor" = 2*a/(2*a+b+c)
## 12 "m" = (2*a+b+c)*(b+c)/(a+b+c)
## 13 "-2" = pmin(b,c)/(pmax(b,c)+a)
## 14 "co" = (a*c+a*b+2*b*c)/(2*(a+b)*(a+c))
## 15 "cc" = (b+c)/(a+b+c)
## 16 "g" = (b+c)/(a+b+c)
## 17 "-3" = pmin(b,c)/(a+b+c)
## 18 "l" = (b+c)/2
## 19 "19" = 2*(b*c+1)/((a+b+c)^2+(a+b+c))
## 20 "hk" = (b+c)/(2*a+b+c)
## 21 "rlb" = a/(a+c)
## 22 "sim" = pmin(b,c)/(pmin(b,c)+a)
## 23 "gl" = 2*abs(b-c)/(2*a+b+c)
## 24 "z" = (log(2)-log(2*a+b+c)+log(a+b+c))/log(2)#Corra diferentes análisis de diversidad beta #utilice estas dos bases de datos. Que tratan de dos comunidades diferentes. Ambas se evaluaron con los mismo métodos.
read.csv("insects_c1.csv", h=T, sep=";")->insect
head(insect)## sp1 sp2 sp3 sp4 sp5 sp6 sp7 sp8 sp9 sp10
## 1 1 0 0 1 1 1 1 0 0 0
## 2 0 1 0 1 0 0 1 0 0 1
## 3 1 1 0 0 0 0 0 0 1 1
## 4 0 0 1 1 1 1 1 0 1 0
## 5 0 1 1 0 0 0 1 0 0 0
## 6 1 0 0 1 0 0 1 1 0 0read.csv("insects_c2.csv", h=T, sep=";")->insect2
head(insect2)## sp1 sp2 sp3 sp4 sp5 sp6
## 1 0 0 1 0 1 0
## 2 1 0 0 0 0 0
## 3 0 1 0 0 0 0
## 4 0 0 1 0 1 0
## 5 0 0 0 0 1 0
## 6 1 1 1 0 0 0library(betapart)## Warning: package 'betapart' was built under R version 3.2.5core.site1<-betapart.core(insect)#Computes the basic quantities needed for computing the multiple-site beta diversity measures and pairwise dissimilarity matrices
ceram.dist.jac<-beta.pair(core.site1, index.family="jac")
ceram.dist.site1or<-beta.pair(core.site1, index.family="sor")
ceram.multi.jac<-beta.multi(core.site1, index.family="jac")
ceram.multi.sor<-beta.multi(core.site1, index.family="sor")# get betapart objects
core.site1 <- betapart.core(insect)#matriz de dismililaridad
core.site2 <- betapart.core(insect2)#matriz de dismililaridad
# multiple site measures
ceram.s.multi <- beta.multi(core.site1)#total de disimilaridad
ceram.n.multi <- beta.multi(core.site2)#total de disimilaridad
# sampling across equal sites
site1.samp <- beta.sample(core.site1,
sites=5, samples=100)##
|
| | 0%
|
|= | 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%
|
|=================== | 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%
|
|===================================== | 53%
|
|====================================== | 54%
|
|====================================== | 55%
|
|======================================= | 56%
|
|======================================== | 57%
|
|========================================= | 58%
|
|========================================= | 59%
|
|========================================== | 60%
|
|=========================================== | 61%
|
|=========================================== | 62%
|
|============================================ | 63%
|
|============================================= | 64%
|
|============================================== | 65%
|
|============================================== | 66%
|
|=============================================== | 67%
|
|================================================ | 68%
|
|================================================ | 69%
|
|================================================= | 70%
|
|================================================== | 71%
|
|================================================== | 72%
|
|=================================================== | 73%
|
|==================================================== | 74%
|
|==================================================== | 75%
|
|===================================================== | 76%
|
|====================================================== | 77%
|
|======================================================= | 78%
|
|======================================================= | 79%
|
|======================================================== | 80%
|
|========================================================= | 81%
|
|========================================================= | 82%
|
|========================================================== | 83%
|
|=========================================================== | 84%
|
|============================================================ | 85%
|
|============================================================ | 86%
|
|============================================================= | 87%
|
|============================================================== | 88%
|
|============================================================== | 89%
|
|=============================================================== | 90%
|
|================================================================ | 91%
|
|================================================================ | 92%
|
|================================================================= | 93%
|
|================================================================== | 94%
|
|================================================================== | 95%
|
|=================================================================== | 96%
|
|==================================================================== | 97%
|
|===================================================================== | 98%
|
|===================================================================== | 99%
|
|======================================================================| 100%site2.samp <- beta.sample(core.site2,
sites=5, samples=100)##
|
| | 0%
|
|= | 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%
|
|=================== | 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%
|
|===================================== | 53%
|
|====================================== | 54%
|
|====================================== | 55%
|
|======================================= | 56%
|
|======================================== | 57%
|
|========================================= | 58%
|
|========================================= | 59%
|
|========================================== | 60%
|
|=========================================== | 61%
|
|=========================================== | 62%
|
|============================================ | 63%
|
|============================================= | 64%
|
|============================================== | 65%
|
|============================================== | 66%
|
|=============================================== | 67%
|
|================================================ | 68%
|
|================================================ | 69%
|
|================================================= | 70%
|
|================================================== | 71%
|
|================================================== | 72%
|
|=================================================== | 73%
|
|==================================================== | 74%
|
|==================================================== | 75%
|
|===================================================== | 76%
|
|====================================================== | 77%
|
|======================================================= | 78%
|
|======================================================= | 79%
|
|======================================================== | 80%
|
|========================================================= | 81%
|
|========================================================= | 82%
|
|========================================================== | 83%
|
|=========================================================== | 84%
|
|============================================================ | 85%
|
|============================================================ | 86%
|
|============================================================= | 87%
|
|============================================================== | 88%
|
|============================================================== | 89%
|
|=============================================================== | 90%
|
|================================================================ | 91%
|
|================================================================ | 92%
|
|================================================================= | 93%
|
|================================================================== | 94%
|
|================================================================== | 95%
|
|=================================================================== | 96%
|
|==================================================================== | 97%
|
|===================================================================== | 98%
|
|===================================================================== | 99%
|
|======================================================================| 100%# plotting the distributions of components
dist.site1 <- site1.samp$sampled.values
dist.site2 <- site2.samp$sampled.valuesplot(density(site1.samp$sampled.values$beta.SOR),
xlim=c(0,1), ylim=c(0, 10), xlab='Beta
diversity', main='Beta', lwd=3)
lines(density(site2.samp$sampled.values$beta.SOR), col="blue",
lwd=3)#Sitio2***
#Dif. significativa
p.value.beta.SOR<-length(which(site1.samp$sampled.values$beta.SOR<
site2.samp$sampled.values$beta.SOR))/100
p.value.beta.SOR## [1] 0.93# Revisar que el p sea <0.05plot(density(site1.samp$sampled.values$beta.SIM),
xlim=c(0.4,1), ylim=c(0, 15), xlab='Beta
diversity', main='Beta', lwd=3)
lines(density(site2.samp$sampled.values$beta.SIM), col="blue",
lwd=3)#Sitio2***
#Dif. significativa
p.value.beta.SIM<-length(which(site1.samp$sampled.values$beta.SIM<
site2.samp$sampled.values$beta.SIM))/100
p.value.beta.SIM## [1] 0.87#Disimilitud
#Si dos comunidades no comparten espcies el valor siempre es cercano a 1.
#indices lo que tratan es de separar comunidades a lo largo de un gradiente, utilizando rangos de correlación
library(vegan)
library(MASS)
rankindex(scale(insect), insect2, c("euc","man","bray","jac","kul"))## euc man bray jac kul
## 0.5318398 0.5318398 0.2587742 0.2587742 0.2473810#Si dos sitios se parecen si distancia es cero
d<- vegdist(insect, "bray", binary = TRUE)
d## 1 2 3 4 5 6 7
## 2 0.5555556
## 3 0.7777778 0.5000000
## 4 0.2727273 0.6000000 0.8000000
## 5 0.7500000 0.4285714 0.7142857 0.5555556
## 6 0.3333333 0.5000000 0.7500000 0.6000000 0.7142857
## 7 1.0000000 0.6000000 0.6000000 1.0000000 1.0000000 1.0000000
## 8 0.4000000 0.5555556 0.5555556 0.2727273 0.5000000 0.7777778 1.0000000
## 9 0.5555556 0.7500000 0.2500000 0.6000000 1.0000000 0.7500000 0.6000000
## 8
## 2
## 3
## 4
## 5
## 6
## 7
## 8
## 9 0.5555556