Descrição de comunidades 2
Felipe Melo
28 de fevereiro de 2019
Aula prática 2 - Diversidades alfa, beta e gama
Vamos dar continuidade às técnicas de análise de cominidades
Os objetivos deste exercício são:
Entener diversiade alfa; beta e gama
Enteder e trabalar com índices de diersidade e similaridade diferentes
Continue o script que vocÊ começou no exercíco 1
Este script será de muita utilidade para as suas prórpias análises no final deste módulo e por toda a sua vida como biólogo
HORA DE APRENDER
Diversidade Alfa, Beta e Gama
Robert Harding Whittaker foi um ecólogo estadunidense com muitas contruições para a ciência ecológica. Aqui vamos entender sua calssificação da diversidade biológica em três tipos, alfa, beta e gama.
Diversidade alfa = é a diversidade média de espécies numa escala local ou num habitat contínuo, sem fronteiras. Em outras palavras, pode ser considerada a diversidade de espécies coletadas numa única localidade, amostra ou mancha e hábitat.
Diversidade beta = A diferença na composição entre pares de comunidades. Segundo Whittaker, é a razão entre Gama e Alfa. É um conceito amplo e pode ser acessado numericamente de diferentes formas.
Diversidade gama = Consite no número total de espécies numa paisagem, região ou extensão geográfica onde qualquer espécie presentes no conjunto regional tenha chance de ser encontrada.
Vamos criar um cenário hipotético onde estudar as três diversidades ajude a entender o que está acontecndo com a diversidade de espécies
O caso da Mata Atlântica do Nordeste
A Mata Atlântica do Nordeste do Brasil é um dos centros de endemismo deste bioma. Infelizmente é a porção mais ameaçada deste bioma devido ao longo histórico de uso de solo dessa região basicamente centrado na monocultura da cana-de-açúcar. Esta situação gerou paisgens tipicamente fragmetadas, com pequenos fragmentos imersos numa matriz de cana. 
Foi neste cenário que a bióloga Rhayedja Swellen realizou um estudo sobre como se estrutura a avifauna em paisagens fragmentadas. Sua monografia foi um sucesso, públicada na Science e ela ganhou muitos prêmios, dedicando um deles ao Prof. Felipe Melo da UFPE por tê-la feito gostar da ecologia e ensiná-lo a usar o R.
Rhayedja amostrou 10 fragmentos de floresta numa paisagem como a da foto acima. Anotou todas as espécies de aves e suas abundâncias. Graças à generosidade dela, tivemos acesso aos seus dados.
Vamos reproduzir as análises de Rhayedja
esp<-c(paste0("sp", 1:15)) # criei o vetor com as espécies, serão 15 para este exercício.
frags<-c(paste0("f", 1:10)) # criei o vetor com as espécies, serão 10 para este exercício.
usina<-matrix(sample(0:15, size = 10*15, replace = TRUE), nrow = 10, ncol = 15)# criei uma matriz com 10 linas (espécies) e 15 colunas (fragmentos)
colnames(usina)<-esp # atribui os nomes de linhas e colunas da matriz
rownames(usina)<-frags
usina # matriz criadas com abundÂncias aleatórias, cada um de vocês vai gerar resultados diferentes## sp1 sp2 sp3 sp4 sp5 sp6 sp7 sp8 sp9 sp10 sp11 sp12 sp13 sp14 sp15
## f1 1 2 14 2 8 9 6 12 12 7 14 5 4 8 6
## f2 5 12 7 6 5 13 0 0 1 9 6 2 5 4 8
## f3 1 10 0 13 11 9 10 1 5 15 4 10 13 2 8
## f4 4 9 12 7 8 11 5 10 5 7 3 15 7 8 6
## f5 5 7 7 14 4 0 12 5 2 15 5 14 0 15 5
## f6 6 4 3 15 15 7 4 11 5 9 6 1 2 6 8
## f7 5 4 10 9 15 9 4 3 8 1 0 12 2 13 3
## f8 12 14 1 4 4 2 10 15 14 10 3 11 1 3 5
## f9 1 3 0 8 15 3 2 12 10 8 15 1 11 2 1
## f10 2 0 0 9 7 0 3 8 7 1 13 12 8 15 4usina<-as.data.frame(usina)
usina[usina==3]<-0
usina[usina==4]<-0
usina[usina==13]<-0 # troquei valores iguais a 3 e 13 por zeor para aumentar as ausências e ficar mais realístico.
usina # agora é um data frame com espécies nas colunas e fragmentos nas linhas. ## sp1 sp2 sp3 sp4 sp5 sp6 sp7 sp8 sp9 sp10 sp11 sp12 sp13 sp14 sp15
## f1 1 2 14 2 8 9 6 12 12 7 14 5 0 8 6
## f2 5 12 7 6 5 0 0 0 1 9 6 2 5 0 8
## f3 1 10 0 0 11 9 10 1 5 15 0 10 0 2 8
## f4 0 9 12 7 8 11 5 10 5 7 0 15 7 8 6
## f5 5 7 7 14 0 0 12 5 2 15 5 14 0 15 5
## f6 6 0 0 15 15 7 0 11 5 9 6 1 2 6 8
## f7 5 0 10 9 15 9 0 0 8 1 0 12 2 0 0
## f8 12 14 1 0 0 2 10 15 14 10 0 11 1 0 5
## f9 1 0 0 8 15 0 2 12 10 8 15 1 11 2 1
## f10 2 0 0 9 7 0 0 8 7 1 0 12 8 15 0Descrevendo a comunidade
library(vegan)
specnumber(usina) # Me dá o número de espécies de cada um dos 10 fragmetnos amostrados## f1 f2 f3 f4 f5 f6 f7 f8 f9 f10
## 14 11 11 13 12 12 9 11 12 9list(diversity(usina, index = "shannon"), diversity(usina, index = "simpson")) # a LINHA [[1]] corresponde a Shannon e a linha [[2]] a Simpson## [[1]]
## f1 f2 f3 f4 f5 f6 f7 f8
## 2.469857 2.267234 2.188193 2.513231 2.344837 2.320360 2.022053 2.172874
## f9 f10
## 2.169385 2.029545
##
## [[2]]
## f1 f2 f3 f4 f5 f6 f7
## 0.9070844 0.8875115 0.8777513 0.9147107 0.8942684 0.8909552 0.8561793
## f8 f9 f10
## 0.8766759 0.8710114 0.8569628Gerando uma cruva de acumulação de espécies bem legal
library(ggplot2)
sp.ac<-specaccum(usina) # Note com quantas amostras já se tem as 15 espécies
sp.ac## Species Accumulation Curve
## Accumulation method: exact
## Call: specaccum(comm = usina)
##
##
## Sites 1.000000 2.000000 3.000000 4.000000 5.000000 6 7 8 9 10
## Richness 11.400000 14.022222 14.766667 14.957143 14.996032 15 15 15 15 15
## sd 1.496663 0.994233 0.489926 0.225848 0.062869 0 0 0 0 0sp.ac<-data.frame(sp.ac$sites,sp.ac$richness, sp.ac$sd)
sp.ac## sp.ac.sites sp.ac.richness sp.ac.sd
## 1 1 11.40000 1.49666295
## 2 2 14.02222 0.99423338
## 3 3 14.76667 0.48992589
## 4 4 14.95714 0.22584798
## 5 5 14.99603 0.06286897
## 6 6 15.00000 0.00000000
## 7 7 15.00000 0.00000000
## 8 8 15.00000 0.00000000
## 9 9 15.00000 0.00000000
## 10 10 15.00000 0.00000000names(sp.ac)<-c("frag","riq","dp") # mudando os nomes das colunas
ggplot(sp.ac, aes(frag, riq))+geom_line()+
geom_point()+labs(x="Número de framgentos", y="Núemro acumulado de espécie") # grafico gerado
Mas o programa gerou um desvio padrão “dp” resultado do processo de rarefação, dá pra plotar ele também
ggplot(sp.ac, aes(frag, riq))+geom_line()+
geom_point()+labs(x="Número de framgentos", y="Núemro acumulado de espécie")+
geom_ribbon(aes(ymin=(riq-dp), ymax=(riq+dp)), alpha= 0.1)+
theme_bw()
Notem que o desvio padrão chega a zero muito rápido, sugerido que não há mais imprecisão para encontrar o número de espécies depois de algumas amostras
Agora vamos explorar a diversidade beta dessa paisagem fragmentada
simi.bray<-vegdist(usina, method = "bray") # gerei uma matriz de dissimilaridade usando o método de Bray-Curtis que considera as abundâncias
simi.bray # veja amatriz## f1 f2 f3 f4 f5 f6 f7
## f2 0.5465116
## f3 0.4468085 0.5135135
## f4 0.2685185 0.4545455 0.3541667
## f5 0.4811321 0.4534884 0.4361702 0.3796296
## f6 0.3908629 0.4522293 0.4797688 0.4129353 0.4720812
## f7 0.5028249 0.5766423 0.5163399 0.4033149 0.5932203 0.4444444
## f8 0.4726368 0.5527950 0.3898305 0.4536585 0.4427861 0.5698925 0.6506024
## f9 0.3750000 0.5526316 0.6190476 0.4897959 0.6354167 0.3220339 0.5414013
## f10 0.5542857 0.6740741 0.6423841 0.3854749 0.4742857 0.4875000 0.4285714
## f8 f9
## f2
## f3
## f4
## f5
## f6
## f7
## f8
## f9 0.6022099
## f10 0.6341463 0.4451613#Explore os diferetnes métodos que a função oferece como "jaccard" e "euclid" e entenda um pouco de suas diferenças, vá adicionando abaixo# Agora vamos graficar os 10 fragmentos para ver como eles se distribuem no espaço da diversidade beta. Pàra isso é preciso "plotar' as especies num espaço bi-dimensional. Vamos usar a função metaMDS
simi.nmds<-metaMDS(usina, distance = "bray")## Wisconsin double standardization
## Run 0 stress 0.1280132
## Run 1 stress 0.1706883
## Run 2 stress 0.183861
## Run 3 stress 0.201141
## Run 4 stress 0.1185403
## ... New best solution
## ... Procrustes: rmse 0.06891023 max resid 0.1812765
## Run 5 stress 0.2232905
## Run 6 stress 0.1185403
## ... Procrustes: rmse 5.570907e-05 max resid 0.0001097026
## ... Similar to previous best
## Run 7 stress 0.1992178
## Run 8 stress 0.1323852
## Run 9 stress 0.1850302
## Run 10 stress 0.1185403
## ... New best solution
## ... Procrustes: rmse 4.037983e-05 max resid 8.425856e-05
## ... Similar to previous best
## Run 11 stress 0.1896561
## Run 12 stress 0.1457895
## Run 13 stress 0.1752519
## Run 14 stress 0.1320742
## Run 15 stress 0.2787393
## Run 16 stress 0.1706883
## Run 17 stress 0.1185404
## ... Procrustes: rmse 0.0001145382 max resid 0.0002482052
## ... Similar to previous best
## Run 18 stress 0.1752519
## Run 19 stress 0.1457888
## Run 20 stress 0.1992178
## *** Solution reacheddat.simi<-as.data.frame(simi.nmds$points) # extraí as coordenadas dos eixos x e y para plotar as comunidades
ggplot(dat.simi, aes(MDS1, MDS2))+geom_point(size=2)+
theme_bw()+geom_text(aes(label=rownames(dat.simi)),hjust=0, vjust=-1) # gráfico com as comunidades ordenadas segundo sua similaridade
Veja a distribuição dos pontos e compare com os valores da matriz de similaridade