Phillips, A., Rodrígue, S., Rojas, M.

Universidad Nacional de Costa Rica, Heredia, Costa Rica, Facultad de Ciencias Exactas y Naturales, Escuela de Ciencias Biologicas.

Objetivos:

Objetivo General

Evaluar la distribución poblacional (espacial y temporal) de las especies Orcinus orca, Globicephala macrorhynchus, Kogia breviceps y Peponocephala electra en Isla Guadalupe, México (IGM), Isla Revillagedo, México (IR), Isla del Coco, Costa Rica (IC), Isla Galápagos, Ecuador (IGE).

Objetivos Especificos

  1. Comparar la abundancia de cada especie según el sitio, la estación y el año.
  2. Diferenciar los hábitos de profundidad según el momento del día para cada especie
  3. Correlacionar tanto temperatura y abundancia como salinidad y abundancia para conocer el hábitat de las ballenas.

Metodología

Zona de estudio: En el 2018 y 2019 se evaluó por 2 años, la distribución poblacional y de tamaños de las especies en estación seca y lluviosa en 4 diferentes sitios de monitoreo en el Océano Pacífico: Isla Guadalupe, México (IGM); Isla Revillagigedo, México (IR); Isla del Coco, Costa Rica (IC); Isla Galápagos, Ecuador (IGE). En cada sitio se realizaron 10 transectos (A-J) de 30 KM cuadrados cada uno, de busqueda.

Diseño experimental: Se realizó un experimento para conocer la presencia de la especie Orcinus orca y Globicephala macrorhynchus, a 10m, 15m, 25m y 35m de profundidad por medio de marcas acústicas, tanto de día como de noche y se calculó su densidad promedio en diferentes profundidades según los conteos de las marcas.

Análisis estadístico: Primero se elaboraron tablas e histogramas de frecuencia de la abundancia de cada una de las especies. Mediante el modelo Binomial se determinó la probabilidad de encontrar mas de 3000 individuos de Orcinus orca en la estación lluviosa, la probabilidad de encontrar exactamente 3000 individuos de Globicephala macrorhynchus en la estación lluviosa, la probabilidad de encontrar al menos 400 individuos entre Kogia breviceps y Peponocephala electra en la estación seca. Se utilizó el modelo de distribución Normal para analizar los rangos de talla entre las especies. Se plantearon hipótesis sobre la existencia de una diferencia significativa en la abundancia de todas las especies entre el año 2018 y 2019, se realizó la misma prueba comparando la abundancia en la estación seca contra la estación lluviosa, ambas pruebas se realizaron mediante el Test de Wilcoxon al 95% de confianza. Se determinó la abundancia de las especies en cada año, después se realizó la prueba de Wilcoxon para comprobar la existencia de una diferencia significativa en la abundancia de Peponocephala electra de un año a otro, además, se efectuó una última prueba de Wilcoxon para comprobar la diferencia significativa de tallas entre las especies. Se utilizó la prueba de Chi^2 para averiguar las diferencias en la abundancia de cada una de las especies en cada sitio de monitoreo, luego se empleó la misma prueba para analizar si la disminución de Peponocephala electra está asociada a la estación lluviosa del año 2018 y 2019. Se emplearon modelos de regresión lineal para la abundancia y la salinidad de cada una de las especies de la misma manera se repitió el procedimiento para analizar la relación entre la temperatura y la abundancia de estas. finalmente se buscó una correlación entre la abundancia de las especies más grandes Orcinus orca y Globicephala macrorhynchus, Seguido se compararon las especies más pequeñas Kogia breviceps y Peponocephala electra, por último, la especie Orcinus orca y Peponocephala electra con el fin de descubrir si la abundancia de una especie afecta la abundancia de la otra. Adicionalmente se realizaron analisis de varianza para anlizar la diferenci en las tallas de los individuos de un año respecto al otro y de la misma manera se analizaron las densidades de organismos durante el día y durante la noche en función de la profundidad.

Resultados

library(lmtest)
library(car)
library(ggplot2)
library(PerformanceAnalytics)
library(outliers)
proyecbio<-read.table("Data/BD_Muestreo.txt",header = TRUE, dec = ".", sep ="\t" )
experimento<-read.table("Data/BD_Experimento.txt",header = TRUE, dec = ".", sep ="\t" )

Análisis de Varianza

str(experimento)
## 'data.frame':    80 obs. of  4 variables:
##  $ ESPECIE       : chr  "ORC_ORC" "ORC_ORC" "ORC_ORC" "ORC_ORC" ...
##  $ Profundidad.m.: int  10 10 10 10 10 10 10 10 10 10 ...
##  $ Densidad_dia  : num  5.85 6.38 5.93 6.3 6.18 ...
##  $ Densidad_noche: num  7.09 5.92 6.61 6.23 6.08 ...
Analisis de varianza de la densidad de organismos durante la noche en función de la profundidad
denoche<-experimento$Densidad_noche
profu<-experimento$Profundidad.m.
prof<-as.factor(profu)
length(denoche)
## [1] 80
length(profu)
## [1] 80
anoma<-aov(denoche~profu, data=experimento)
summary(anoma)
##             Df Sum Sq Mean Sq F value Pr(>F)
## profu        1    3.7   3.669   0.139   0.71
## Residuals   78 2052.4  26.313
shapiro.test(anoma$residuals) #asimetricos
## 
##  Shapiro-Wilk normality test
## 
## data:  anoma$residuals
## W = 0.77478, p-value = 9.887e-10
bali<-tapply(denoche,profu, data=experimento)# no son balanceados
library(outliers)
A<-as.factor(profu)
B<-denoche
cochran.test(B ~ A)#p-value = 0.6643 SI SON hOMOCEDASTICOS
## 
##  Cochran test for outlying variance
## 
## data:  B ~ A
## C = 0.31754, df = 20, k = 4, p-value = 0.6643
## alternative hypothesis: Group 15 has outlying variance
## sample estimates:
##       10       15       25       35 
## 33.80806 34.29982 18.76849 21.13979
PRONOCHE<-kruskal.test(denoche ~ profu, data =experimento)#p-value = 0.9093
boxplot(denoche ~ profu, xlab = "Profundidad (m)", ylab = "Densidad (org/Km2 )")

Figura 1. Para el análisis de la varianza, entre densidad (org/Km2) y laprofundidad, se evaluó la normalidad de los residuos (utilizando la Prueba de Shapiro) y la homocedasticidad (con la Prueba de Cochran), por lo tanto se escogió realizar el ANOVA no-paramétrico de Kruskal Wallis.

Analisis de varianza de la densidad de organismos durante el día en función de la profundidad
profu<-experimento$Profundidad.m.
prof<-as.factor(profu)

densdia<-experimento$Densidad_dia
profu<-experimento$Profundidad.m.

prodia<-aov(densdia~prof, data=experimento)
summary(prodia)
##             Df Sum Sq Mean Sq F value Pr(>F)
## prof         3   74.7   24.91   1.138  0.339
## Residuals   76 1663.2   21.89
shapiro.test(prodia$residuals)# no son normales
## 
##  Shapiro-Wilk normality test
## 
## data:  prodia$residuals
## W = 0.91215, p-value = 4.13e-05
balanc<-tapply(densdia, prof, length)# si son balanceados
fligner.test(sqrt(densdia)~ prof , data=experimento) # no hay forma de que de homocedastico
## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  sqrt(densdia) by prof
## Fligner-Killeen:med chi-squared = 50.792, df = 3, p-value = 5.417e-11

Al no lograr modificar la homocedasticidad de los no fue posible seguir un ANDEVA para los datos de densidad durante el día en función de la profundidad.

Analisis de varianza de las tallas en función del año de muestreo
TalAov<-as.numeric(proyecbio$Talla)
AmAov<-as.factor(proyecbio$Anio)

str(proyecbio)
## 'data.frame':    1920 obs. of  11 variables:
##  $ Anio       : int  2018 2018 2018 2018 2018 2018 2018 2018 2018 2018 ...
##  $ Estacion   : chr  "SECA" "SECA" "SECA" "SECA" ...
##  $ Sitio      : chr  "IGM" "IGM" "IGM" "IGM" ...
##  $ Transecto  : chr  "A" "A" "A" "B" ...
##  $ Area.KM2.  : int  30 30 30 30 30 30 30 30 30 30 ...
##  $ Especies   : chr  "PEP_ELE" "PEP_ELE" "PEP_ELE" "PEP_ELE" ...
##  $ Talla      : int  278 219 287 243 286 201 226 261 300 230 ...
##  $ Abundancia : int  9 19 38 17 6 1 7 1 17 30 ...
##  $ Temperatura: num  17.9 17.8 18.3 18.1 18.4 ...
##  $ Salinidad  : num  36.5 36.2 36.2 36 36 ...
##  $ Densidad   : num  0.3 0.633 1.267 0.567 0.2 ...
anovdta<-aov(TalAov~AmAov, data=proyecbio)
summary(anovdta)
##               Df   Sum Sq Mean Sq F value Pr(>F)
## AmAov          1     4663    4663   0.125  0.724
## Residuals   1918 71607003   37334
shapiro.test(anovdta$residuals)# es significatica W = 0.88947, p-value < 2.2e-16 asimetricos , se usa kruskall wallis
## 
##  Shapiro-Wilk normality test
## 
## data:  anovdta$residuals
## W = 0.88947, p-value < 2.2e-16
balan2<-tapply(TalAov,AmAov, length)#si son balanceados

# residuos asimetricos y datos balanceados
# prueba para ver homocedasticidad de los residuos

fligner.test(TalAov~AmAov) # si es homocedastico p-value = 0.5193
## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  TalAov by AmAov
## Fligner-Killeen:med chi-squared = 0.41535, df = 1, p-value = 0.5193
# ahora se usa kruskal walli son asimetricos datos balanceados y bonferroni

anovadenanio<-kruskal.test(TalAov~ AmAov, data = proyecbio)
summary(anovadenanio)
##           Length Class  Mode     
## statistic 1      -none- numeric  
## parameter 1      -none- numeric  
## p.value   1      -none- numeric  
## method    1      -none- character
## data.name 1      -none- character
boxplot(TalAov~ AmAov, data = proyecbio, ylab="Tallas",xlab="Año")

# no hay diferencia en las tallas de las poblaciones de un anio al otro 
#fer investigue ciclos de gestacion y madures de cada especie

Figura 2.Para el análisis de la varianza, entre densidad (org/Km2) y laprofundidad, se evaluó la normalidad de los residuos (utilizando la Prueba de Shapiro) y la homocedasticidad (con la Prueba de Fligner), por lo tanto se escogió realizar el ANOVA no-paramétrico de Kruskal Wallis.

Discución

El análisis de varianza de la primera imagen muestra un p-value> 0.05 dejando claro que no hay una diferencia entre la abundancia de las especies a distintas profundidades durante la noche, lo cual podría ser por la abilidad a que sea un grupo que presente actividad tanto diurna como nocturna, por lo que puede estar presente a cualquier profundidad deurante la noche

En O. orca se estima que el periodo de gestación es alrededor de 15 meses (Heyning & Dahlheim, 1988). En el caso de G. macrorhynchus las hembras tendrán crías entre cada 5 u 8 años, teniendo un promedio de 4 a 5 crías en toda su vida, las crías amamantaran durante un periodo de 2 a 5 años, Por lo general, una hembra dejará de reproducirse una vez que alcance los 40 años, aunque la esperanza de vida máxima supere los 60 años. (Pryor, K.; Norris, K.S.; Marsh, H.; Kasuya, T. 1991). El periodo de gestación en K. breviceps dura aproximadamente 11 meses, tiene una longitud media de 1,2 m al nacer y puede amamantar durante 1 año. (Bloodworth & Odell, 2008). La gestación aproximada en P. Electra es de un año, como en la mayoría de los delfines pequeños (Thomas A. Jefferson & Nélio B. Barros, 1997). Por lo que es natural no encontrar cambios drásticos en las tallas de un año respecto a siguiente, ya que como los autores citados expones, estas sonespecies con ciclos reproducrivos largos por lo que los individuos no tienen cambios drásticos en sucrecimiento de un año respecto al siguiente.

Referencias

Bloodworth, B. E., & Odell, D. K. (2008). Kogia breviceps (Cetacea: kogiidae). Mammalian Species, (819), 1-12. doi:10.1644/819.1

Heyning, J. E., & Dahlheim, M. E. (1988). Orcinus orca. Mammalian Species, (304), 1-9.

Pryor, K.; Norris, K.S.; Marsh, H.; Kasuya, T. (1991). Pryor, K.; Norris, K.S. (eds.). Changes in the role of a female pilot whale with age, in Dolphin societies. Berkeley (CA): University of California Press. pp. 281–286.

Thomas A. Jefferson, Nélio B. Barros, Peponocephala electra, Mammalian Species, Issue 553, 9 May 1997, Pages 1–6, https://doi.org/10.2307/3504200