CA & CCA _Aula 6
Débora Gênesis
12/12/2021
Análise Multivariada – Correlação/Correspondência Canônica (CCA) :
Associa dois ou mais conjuntos de dados no próprio processo de ordenação, onde é possível extrair estruturas de um conjunto de dados (variável resposta) que estão relacionadas a outros conjuntos de dados (variável explicativa) e/ou testar hipóteses estatísticas sobre a significância dessas relações.
De acordo com o exemplo dado na aula responda:
- Como vocês já sabem, a CCA é extremamente influenciada por espécies raras. Diante disso, vocês conseguem detectar algumas espécies raras na nossa matriz “spe”? Se sim, o que vocês devem fazer com isso para seguir a análise?
Sim. Existem espécies que possuem valores muito baixos de abundância observada, sendo encontrados em poucos locais. O ideal é que esses valores sejam retirados da matriz de dados antes que ela seja analisada. Já que diferente das análises de agrupamento, a CCA (análise de ordenamento das variáveis) não calcula uma matriz de distância, sendo considerado os valores das abundâncias pelo seu total de espécies amostradas. Isso faz com que espécies raras representem valores exagerados, podendo comprometer a análise.
- Agora que vocês resolveram essa questão, faça um CCA com a nova matriz “spe” e os dados ambientais. Plot esse resultado e discorra sobre o que foi encontrado.
Desenvolvendo um CCA da matriz de distâncias pelo método qui-quadrado de um conjunto de dados de composição de espécies de peixes “spe2” para entender qual a relação com o conjunto de dados de variáveis ambientais “env2”.
Carregando os dados:
load ("C:/Users/debor/OneDrive/Documentos/EcoNum/github/NEwR-2ed_code_data/NEwR2-Data/Doubs.RData")
spe # matriz de abundância de espécies de peixes## Cogo Satr Phph Babl Thth Teso Chna Pato Lele Sqce Baba Albi Gogo Eslu Pefl
## 1 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0
## 2 0 5 4 3 0 0 0 0 0 0 0 0 0 0 0
## 3 0 5 5 5 0 0 0 0 0 0 0 0 0 1 0
## 4 0 4 5 5 0 0 0 0 0 1 0 0 1 2 2
## 5 0 2 3 2 0 0 0 0 5 2 0 0 2 4 4
## 6 0 3 4 5 0 0 0 0 1 2 0 0 1 1 1
## 7 0 5 4 5 0 0 0 0 1 1 0 0 0 0 0
## 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## 9 0 0 1 3 0 0 0 0 0 5 0 0 0 0 0
## 10 0 1 4 4 0 0 0 0 2 2 0 0 1 0 0
## 11 1 3 4 1 1 0 0 0 0 1 0 0 0 0 0
## 12 2 5 4 4 2 0 0 0 0 1 0 0 0 0 0
## 13 2 5 5 2 3 2 0 0 0 0 0 0 0 0 0
## 14 3 5 5 4 4 3 0 0 0 1 1 0 1 1 0
## 15 3 4 4 5 2 4 0 0 3 3 2 0 2 0 0
## 16 2 3 3 5 0 5 0 4 5 2 2 1 2 1 1
## 17 1 2 4 4 1 2 1 4 3 2 3 4 1 1 2
## 18 1 1 3 3 1 1 1 3 2 3 3 3 2 1 3
## 19 0 0 3 5 0 1 2 3 2 1 2 2 4 1 1
## 20 0 0 1 2 0 0 2 2 2 3 4 3 4 2 2
## 21 0 0 1 1 0 0 2 2 2 2 4 2 5 3 3
## 22 0 0 0 1 0 0 3 2 3 4 5 1 5 3 4
## 23 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
## 24 0 0 0 0 0 0 1 0 0 2 0 0 1 0 0
## 25 0 0 0 0 0 0 0 0 1 1 0 0 2 1 0
## 26 0 0 0 1 0 0 1 0 1 2 2 1 3 2 1
## 27 0 0 0 1 0 0 1 1 2 3 4 1 4 4 1
## 28 0 0 0 1 0 0 1 1 2 4 3 1 4 3 2
## 29 0 1 1 1 1 1 2 2 3 4 5 3 5 5 4
## 30 0 0 0 0 0 0 1 2 3 3 3 5 5 4 5
## Rham Legi Scer Cyca Titi Abbr Icme Gyce Ruru Blbj Alal Anan
## 1 0 0 0 0 0 0 0 0 0 0 0 0
## 2 0 0 0 0 0 0 0 0 0 0 0 0
## 3 0 0 0 0 0 0 0 0 0 0 0 0
## 4 0 0 0 0 1 0 0 0 0 0 0 0
## 5 0 0 2 0 3 0 0 0 5 0 0 0
## 6 0 0 0 0 2 0 0 0 1 0 0 0
## 7 0 0 0 0 0 0 0 0 0 0 0 0
## 8 0 0 0 0 0 0 0 0 0 0 0 0
## 9 0 0 0 0 1 0 0 0 4 0 0 0
## 10 0 0 0 0 0 0 0 0 0 0 0 0
## 11 0 0 0 0 0 0 0 0 0 0 0 0
## 12 0 0 0 0 0 0 0 0 0 0 0 0
## 13 0 0 0 0 0 0 0 0 0 0 0 0
## 14 0 0 0 0 0 0 0 0 0 0 0 0
## 15 0 0 0 0 1 0 0 0 0 0 0 0
## 16 0 1 0 1 1 0 0 0 1 0 0 0
## 17 1 1 0 1 1 0 0 0 2 0 2 1
## 18 2 1 0 1 1 0 0 1 2 0 2 1
## 19 2 1 1 1 2 1 0 1 5 1 3 1
## 20 3 2 2 1 4 1 0 2 5 2 5 2
## 21 3 2 2 2 4 3 1 3 5 3 5 2
## 22 3 3 2 3 4 4 2 4 5 4 5 2
## 23 0 0 0 0 0 0 0 0 1 0 2 0
## 24 0 1 0 0 0 0 0 2 2 1 5 0
## 25 0 0 1 0 0 0 0 1 1 0 3 0
## 26 2 2 1 1 3 2 1 4 4 2 5 2
## 27 3 3 1 2 5 3 2 5 5 4 5 3
## 28 4 4 2 4 4 3 3 5 5 5 5 4
## 29 5 5 2 3 3 4 4 5 5 4 5 4
## 30 5 3 5 5 5 5 5 5 5 5 5 5env # matriz ambiental## dfs ele slo dis pH har pho nit amm oxy bod
## 1 0.3 934 48.0 0.84 7.9 45 0.01 0.20 0.00 12.2 2.7
## 2 2.2 932 3.0 1.00 8.0 40 0.02 0.20 0.10 10.3 1.9
## 3 10.2 914 3.7 1.80 8.3 52 0.05 0.22 0.05 10.5 3.5
## 4 18.5 854 3.2 2.53 8.0 72 0.10 0.21 0.00 11.0 1.3
## 5 21.5 849 2.3 2.64 8.1 84 0.38 0.52 0.20 8.0 6.2
## 6 32.4 846 3.2 2.86 7.9 60 0.20 0.15 0.00 10.2 5.3
## 7 36.8 841 6.6 4.00 8.1 88 0.07 0.15 0.00 11.1 2.2
## 8 49.1 792 2.5 1.30 8.1 94 0.20 0.41 0.12 7.0 8.1
## 9 70.5 752 1.2 4.80 8.0 90 0.30 0.82 0.12 7.2 5.2
## 10 99.0 617 9.9 10.00 7.7 82 0.06 0.75 0.01 10.0 4.3
## 11 123.4 483 4.1 19.90 8.1 96 0.30 1.60 0.00 11.5 2.7
## 12 132.4 477 1.6 20.00 7.9 86 0.04 0.50 0.00 12.2 3.0
## 13 143.6 450 2.1 21.10 8.1 98 0.06 0.52 0.00 12.4 2.4
## 14 152.2 434 1.2 21.20 8.3 98 0.27 1.23 0.00 12.3 3.8
## 15 164.5 415 0.5 23.00 8.6 86 0.40 1.00 0.00 11.7 2.1
## 16 185.9 375 2.0 16.10 8.0 88 0.20 2.00 0.05 10.3 2.7
## 17 198.5 349 0.5 24.30 8.0 92 0.20 2.50 0.20 10.2 4.6
## 18 211.0 333 0.8 25.00 8.0 90 0.50 2.20 0.20 10.3 2.8
## 19 224.6 310 0.5 25.90 8.1 84 0.60 2.20 0.15 10.6 3.3
## 20 247.7 286 0.8 26.80 8.0 86 0.30 3.00 0.30 10.3 2.8
## 21 282.1 262 1.0 27.20 7.9 85 0.20 2.20 0.10 9.0 4.1
## 22 294.0 254 1.4 27.90 8.1 88 0.20 1.62 0.07 9.1 4.8
## 23 304.3 246 1.2 28.80 8.1 97 2.60 3.50 1.15 6.3 16.4
## 24 314.7 241 0.3 29.76 8.0 99 1.40 2.50 0.60 5.2 12.3
## 25 327.8 231 0.5 38.70 7.9 100 4.22 6.20 1.80 4.1 16.7
## 26 356.9 214 0.5 39.10 7.9 94 1.43 3.00 0.30 6.2 8.9
## 27 373.2 206 1.2 39.60 8.1 90 0.58 3.00 0.26 7.2 6.3
## 28 394.7 195 0.3 43.20 8.3 100 0.74 4.00 0.30 8.1 4.5
## 29 422.0 183 0.6 67.70 7.8 110 0.45 1.62 0.10 9.0 4.2
## 30 453.0 172 0.2 69.00 8.2 109 0.65 1.60 0.10 8.2 4.4Organizando os dados para análise :
summary(spe) #Observando a matriz de dados, temos médias diferentes para cada uma das espécies, variando de 0,5 a 2## Cogo Satr Phph Babl Thth
## Min. :0.00 Min. :0.00 Min. :0.000 Min. :0.000 Min. :0.00
## 1st Qu.:0.00 1st Qu.:0.00 1st Qu.:0.000 1st Qu.:1.000 1st Qu.:0.00
## Median :0.00 Median :1.00 Median :3.000 Median :2.000 Median :0.00
## Mean :0.50 Mean :1.90 Mean :2.267 Mean :2.433 Mean :0.50
## 3rd Qu.:0.75 3rd Qu.:3.75 3rd Qu.:4.000 3rd Qu.:4.000 3rd Qu.:0.75
## Max. :3.00 Max. :5.00 Max. :5.000 Max. :5.000 Max. :4.00
## Teso Chna Pato Lele
## Min. :0.0000 Min. :0.0 Min. :0.0000 Min. :0.000
## 1st Qu.:0.0000 1st Qu.:0.0 1st Qu.:0.0000 1st Qu.:0.000
## Median :0.0000 Median :0.0 Median :0.0000 Median :1.000
## Mean :0.6333 Mean :0.6 Mean :0.8667 Mean :1.433
## 3rd Qu.:0.7500 3rd Qu.:1.0 3rd Qu.:2.0000 3rd Qu.:2.000
## Max. :5.0000 Max. :3.0 Max. :4.0000 Max. :5.000
## Sqce Baba Albi Gogo Eslu
## Min. :0.000 Min. :0.000 Min. :0.0 Min. :0.000 Min. :0.000
## 1st Qu.:1.000 1st Qu.:0.000 1st Qu.:0.0 1st Qu.:0.000 1st Qu.:0.000
## Median :2.000 Median :0.000 Median :0.0 Median :1.000 Median :1.000
## Mean :1.867 Mean :1.433 Mean :0.9 Mean :1.833 Mean :1.333
## 3rd Qu.:3.000 3rd Qu.:3.000 3rd Qu.:1.0 3rd Qu.:3.750 3rd Qu.:2.000
## Max. :5.000 Max. :5.000 Max. :5.0 Max. :5.000 Max. :5.000
## Pefl Rham Legi Scer Cyca
## Min. :0.0 Min. :0.0 Min. :0.0000 Min. :0.0 Min. :0.0000
## 1st Qu.:0.0 1st Qu.:0.0 1st Qu.:0.0000 1st Qu.:0.0 1st Qu.:0.0000
## Median :0.5 Median :0.0 Median :0.0000 Median :0.0 Median :0.0000
## Mean :1.2 Mean :1.1 Mean :0.9667 Mean :0.7 Mean :0.8333
## 3rd Qu.:2.0 3rd Qu.:2.0 3rd Qu.:1.7500 3rd Qu.:1.0 3rd Qu.:1.0000
## Max. :5.0 Max. :5.0 Max. :5.0000 Max. :5.0 Max. :5.0000
## Titi Abbr Icme Gyce Ruru
## Min. :0.0 Min. :0.0000 Min. :0.0 Min. :0.000 Min. :0.0
## 1st Qu.:0.0 1st Qu.:0.0000 1st Qu.:0.0 1st Qu.:0.000 1st Qu.:0.0
## Median :1.0 Median :0.0000 Median :0.0 Median :0.000 Median :1.0
## Mean :1.5 Mean :0.8667 Mean :0.6 Mean :1.267 Mean :2.1
## 3rd Qu.:3.0 3rd Qu.:1.0000 3rd Qu.:0.0 3rd Qu.:2.000 3rd Qu.:5.0
## Max. :5.0 Max. :5.0000 Max. :5.0 Max. :5.000 Max. :5.0
## Blbj Alal Anan
## Min. :0.000 Min. :0.0 Min. :0.00
## 1st Qu.:0.000 1st Qu.:0.0 1st Qu.:0.00
## Median :0.000 Median :0.0 Median :0.00
## Mean :1.033 Mean :1.9 Mean :0.90
## 3rd Qu.:1.750 3rd Qu.:5.0 3rd Qu.:1.75
## Max. :5.000 Max. :5.0 Max. :5.00spe2<- spe[,-c(1,5:8,12,18,19,21,22,27)] #Retirei as espécies que possuíam médias inferiores a 1A ideia aqui é que espécies com média inferior a 1 são pouco abundantes e consequentemente tidas como raras na amostragem. Eu considerei a espécie que possui o código Legi porque ela se aproxima de 1 estatisticamente.
Dando uma olhada como ficou :
summary(spe2)## Satr Phph Babl Lele Sqce
## Min. :0.00 Min. :0.000 Min. :0.000 Min. :0.000 Min. :0.000
## 1st Qu.:0.00 1st Qu.:0.000 1st Qu.:1.000 1st Qu.:0.000 1st Qu.:1.000
## Median :1.00 Median :3.000 Median :2.000 Median :1.000 Median :2.000
## Mean :1.90 Mean :2.267 Mean :2.433 Mean :1.433 Mean :1.867
## 3rd Qu.:3.75 3rd Qu.:4.000 3rd Qu.:4.000 3rd Qu.:2.000 3rd Qu.:3.000
## Max. :5.00 Max. :5.000 Max. :5.000 Max. :5.000 Max. :5.000
## Baba Gogo Eslu Pefl Rham
## Min. :0.000 Min. :0.000 Min. :0.000 Min. :0.0 Min. :0.0
## 1st Qu.:0.000 1st Qu.:0.000 1st Qu.:0.000 1st Qu.:0.0 1st Qu.:0.0
## Median :0.000 Median :1.000 Median :1.000 Median :0.5 Median :0.0
## Mean :1.433 Mean :1.833 Mean :1.333 Mean :1.2 Mean :1.1
## 3rd Qu.:3.000 3rd Qu.:3.750 3rd Qu.:2.000 3rd Qu.:2.0 3rd Qu.:2.0
## Max. :5.000 Max. :5.000 Max. :5.000 Max. :5.0 Max. :5.0
## Legi Titi Gyce Ruru Blbj
## Min. :0.0000 Min. :0.0 Min. :0.000 Min. :0.0 Min. :0.000
## 1st Qu.:0.0000 1st Qu.:0.0 1st Qu.:0.000 1st Qu.:0.0 1st Qu.:0.000
## Median :0.0000 Median :1.0 Median :0.000 Median :1.0 Median :0.000
## Mean :0.9667 Mean :1.5 Mean :1.267 Mean :2.1 Mean :1.033
## 3rd Qu.:1.7500 3rd Qu.:3.0 3rd Qu.:2.000 3rd Qu.:5.0 3rd Qu.:1.750
## Max. :5.0000 Max. :5.0 Max. :5.000 Max. :5.0 Max. :5.000
## Alal
## Min. :0.0
## 1st Qu.:0.0
## Median :0.0
## Mean :1.9
## 3rd Qu.:5.0
## Max. :5.0#Substituindo os zeros por 1
spe2 [spe2==0]<-1Agora que a matriz de espécies está pronta, organiza-se a matriz de dados ambientais:
env## dfs ele slo dis pH har pho nit amm oxy bod
## 1 0.3 934 48.0 0.84 7.9 45 0.01 0.20 0.00 12.2 2.7
## 2 2.2 932 3.0 1.00 8.0 40 0.02 0.20 0.10 10.3 1.9
## 3 10.2 914 3.7 1.80 8.3 52 0.05 0.22 0.05 10.5 3.5
## 4 18.5 854 3.2 2.53 8.0 72 0.10 0.21 0.00 11.0 1.3
## 5 21.5 849 2.3 2.64 8.1 84 0.38 0.52 0.20 8.0 6.2
## 6 32.4 846 3.2 2.86 7.9 60 0.20 0.15 0.00 10.2 5.3
## 7 36.8 841 6.6 4.00 8.1 88 0.07 0.15 0.00 11.1 2.2
## 8 49.1 792 2.5 1.30 8.1 94 0.20 0.41 0.12 7.0 8.1
## 9 70.5 752 1.2 4.80 8.0 90 0.30 0.82 0.12 7.2 5.2
## 10 99.0 617 9.9 10.00 7.7 82 0.06 0.75 0.01 10.0 4.3
## 11 123.4 483 4.1 19.90 8.1 96 0.30 1.60 0.00 11.5 2.7
## 12 132.4 477 1.6 20.00 7.9 86 0.04 0.50 0.00 12.2 3.0
## 13 143.6 450 2.1 21.10 8.1 98 0.06 0.52 0.00 12.4 2.4
## 14 152.2 434 1.2 21.20 8.3 98 0.27 1.23 0.00 12.3 3.8
## 15 164.5 415 0.5 23.00 8.6 86 0.40 1.00 0.00 11.7 2.1
## 16 185.9 375 2.0 16.10 8.0 88 0.20 2.00 0.05 10.3 2.7
## 17 198.5 349 0.5 24.30 8.0 92 0.20 2.50 0.20 10.2 4.6
## 18 211.0 333 0.8 25.00 8.0 90 0.50 2.20 0.20 10.3 2.8
## 19 224.6 310 0.5 25.90 8.1 84 0.60 2.20 0.15 10.6 3.3
## 20 247.7 286 0.8 26.80 8.0 86 0.30 3.00 0.30 10.3 2.8
## 21 282.1 262 1.0 27.20 7.9 85 0.20 2.20 0.10 9.0 4.1
## 22 294.0 254 1.4 27.90 8.1 88 0.20 1.62 0.07 9.1 4.8
## 23 304.3 246 1.2 28.80 8.1 97 2.60 3.50 1.15 6.3 16.4
## 24 314.7 241 0.3 29.76 8.0 99 1.40 2.50 0.60 5.2 12.3
## 25 327.8 231 0.5 38.70 7.9 100 4.22 6.20 1.80 4.1 16.7
## 26 356.9 214 0.5 39.10 7.9 94 1.43 3.00 0.30 6.2 8.9
## 27 373.2 206 1.2 39.60 8.1 90 0.58 3.00 0.26 7.2 6.3
## 28 394.7 195 0.3 43.20 8.3 100 0.74 4.00 0.30 8.1 4.5
## 29 422.0 183 0.6 67.70 7.8 110 0.45 1.62 0.10 9.0 4.2
## 30 453.0 172 0.2 69.00 8.2 109 0.65 1.60 0.10 8.2 4.4env2<- env[,-1] #Retirando a coluna "dfs" porque não é uma variável ambientalAgora que as matrizes de dados estão ajustadas, carrega-se os pacotes para a análise :
library(permute)
library(lattice)
library(vegan)## This is vegan 2.5-7Fazendo um CCA:
resultado.cca <- cca(spe2, env2)
resultado.cca## Call: cca(X = spe2, Y = env2)
##
## Inertia Proportion Rank
## Total 0.29120 1.00000
## Constrained 0.19749 0.67818 10
## Unconstrained 0.09371 0.32182 15
## Inertia is scaled Chi-square
##
## Eigenvalues for constrained axes:
## CCA1 CCA2 CCA3 CCA4 CCA5 CCA6 CCA7 CCA8 CCA9 CCA10
## 0.16422 0.01007 0.00923 0.00473 0.00396 0.00224 0.00156 0.00097 0.00034 0.00016
##
## Eigenvalues for unconstrained axes:
## CA1 CA2 CA3 CA4 CA5 CA6 CA7 CA8
## 0.026015 0.022823 0.014572 0.008066 0.005883 0.005333 0.003566 0.002035
## CA9 CA10 CA11 CA12 CA13 CA14 CA15
## 0.001833 0.001569 0.001319 0.000337 0.000309 0.000050 0.000003summary(resultado.cca)##
## Call:
## cca(X = spe2, Y = env2)
##
## Partitioning of scaled Chi-square:
## Inertia Proportion
## Total 0.29120 1.0000
## Constrained 0.19749 0.6782
## Unconstrained 0.09371 0.3218
##
## Eigenvalues, and their contribution to the scaled Chi-square
##
## Importance of components:
## CCA1 CCA2 CCA3 CCA4 CCA5 CCA6
## Eigenvalue 0.1642 0.01007 0.009231 0.004729 0.003962 0.002243
## Proportion Explained 0.5639 0.03458 0.031699 0.016239 0.013606 0.007704
## Cumulative Proportion 0.5639 0.59852 0.630220 0.646459 0.660065 0.667769
## CCA7 CCA8 CCA9 CCA10 CA1 CA2
## Eigenvalue 0.001560 0.0009731 0.0003353 0.0001647 0.02601 0.02282
## Proportion Explained 0.005356 0.0033417 0.0011516 0.0005656 0.08934 0.07838
## Cumulative Proportion 0.673125 0.6764664 0.6776180 0.6781836 0.76752 0.84590
## CA3 CA4 CA5 CA6 CA7 CA8
## Eigenvalue 0.01457 0.008066 0.005883 0.005333 0.003566 0.002035
## Proportion Explained 0.05004 0.027699 0.020204 0.018313 0.012246 0.006989
## Cumulative Proportion 0.89594 0.923636 0.943840 0.962153 0.974399 0.981387
## CA9 CA10 CA11 CA12 CA13 CA14
## Eigenvalue 0.001833 0.001569 0.001319 0.000337 0.000309 5.005e-05
## Proportion Explained 0.006293 0.005387 0.004531 0.001157 0.001061 1.719e-04
## Cumulative Proportion 0.987681 0.993068 0.997599 0.998756 0.999818 1.000e+00
## CA15
## Eigenvalue 3.090e-06
## Proportion Explained 1.061e-05
## Cumulative Proportion 1.000e+00
##
## Accumulated constrained eigenvalues
## Importance of components:
## CCA1 CCA2 CCA3 CCA4 CCA5 CCA6
## Eigenvalue 0.1642 0.01007 0.009231 0.004729 0.003962 0.002243
## Proportion Explained 0.8316 0.05098 0.046741 0.023944 0.020062 0.011359
## Cumulative Proportion 0.8316 0.88254 0.929277 0.953221 0.973283 0.984643
## CCA7 CCA8 CCA9 CCA10
## Eigenvalue 0.001560 0.0009731 0.0003353 0.0001647
## Proportion Explained 0.007898 0.0049274 0.0016981 0.0008340
## Cumulative Proportion 0.992541 0.9974680 0.9991660 1.0000000
##
## Scaling 2 for species and site scores
## * Species are scaled proportional to eigenvalues
## * Sites are unscaled: weighted dispersion equal on all dimensions
##
##
## Species scores
##
## CCA1 CCA2 CCA3 CCA4 CCA5 CCA6
## Satr -0.77536 0.145897 0.005769 0.019588 -0.06488 -0.097874
## Phph -0.72532 0.003041 -0.044061 -0.016669 0.02018 0.067485
## Babl -0.64285 -0.098651 -0.046027 -0.053692 0.05153 0.032702
## Lele -0.05689 -0.141664 0.064469 0.059899 -0.04077 -0.055329
## Sqce 0.10337 -0.157871 0.121125 -0.030098 -0.02333 -0.039046
## Baba 0.18950 -0.041182 -0.108789 0.157689 0.07134 -0.016122
## Gogo 0.24480 -0.015501 -0.115202 0.066349 0.03217 -0.003267
## Eslu 0.16681 0.064255 0.159719 -0.038078 -0.04111 0.052976
## Pefl 0.05378 0.004028 0.166353 0.110790 -0.09886 0.065204
## Rham 0.23726 0.122416 0.007073 0.076007 0.04242 0.046572
## Legi 0.20464 0.136556 0.027198 -0.008617 0.01033 0.040871
## Titi 0.23381 0.019309 -0.007990 -0.068438 0.05509 -0.047229
## Gyce 0.36679 0.120902 -0.002715 -0.111975 0.03921 -0.004854
## Ruru 0.26878 -0.130693 0.062067 -0.045459 0.04881 -0.006979
## Blbj 0.29062 0.126531 0.035128 -0.009633 0.04977 -0.046330
## Alal 0.39886 -0.034698 -0.199973 -0.054651 -0.14834 0.015172
##
##
## Site scores (weighted averages of species scores)
##
## CCA1 CCA2 CCA3 CCA4 CCA5 CCA6
## 1 -0.335629 2.28685 0.81661 1.08305 -1.76985 -4.74977
## 2 -1.462543 2.05815 -0.33375 -0.22019 -0.93256 -2.13405
## 3 -1.743195 1.14859 -0.82463 -1.13353 0.27838 0.21025
## 4 -1.473956 0.84318 0.40036 -0.70705 -0.38473 3.52407
## 5 0.002387 -2.20412 4.19104 0.89508 -1.58197 0.49614
## 6 -1.218391 -0.40307 -0.27073 -2.12356 1.60996 0.91128
## 7 -1.644174 1.17995 -0.67838 -1.04495 0.10002 -0.89614
## 8 0.212597 0.76147 0.84057 0.70064 0.05601 0.11020
## 9 0.120018 -4.36273 3.04547 -2.63193 1.61230 -1.92143
## 10 -0.887888 -1.91884 0.17819 -1.13026 1.62589 3.90314
## 11 -0.918646 2.00330 0.01804 0.42475 -0.78928 0.22629
## 12 -1.556852 1.60216 -0.51269 -0.64843 -0.39641 -1.49129
## 13 -1.482631 2.46214 -0.32523 0.09299 -1.24908 -1.51386
## 14 -1.662774 1.55401 -0.67049 -0.75497 -0.19306 -0.32188
## 15 -1.139392 -1.49245 -0.09359 0.86333 0.40144 -2.29211
## 16 -0.924022 -2.41968 0.06452 1.89381 0.30451 -2.95881
## 17 -0.634719 -2.25283 -0.27754 1.89148 -0.05512 1.41056
## 18 -0.076925 -2.11043 0.41859 3.35081 -0.16644 3.17178
## 19 -0.043937 -2.68335 -2.13762 -0.37480 2.69121 2.42315
## 20 0.871563 -1.15109 -1.13974 0.76842 0.51328 -0.63652
## 21 1.031298 0.09883 -0.67933 1.17491 0.22798 0.06872
## 22 1.020261 -0.11521 0.25444 1.53445 0.12299 -0.70840
## 23 0.342961 0.51396 -0.48324 -0.02041 -2.14971 0.50156
## 24 0.765930 -0.79358 -2.33284 -3.24682 -5.76279 0.26683
## 25 0.513147 0.19747 -2.22945 0.11194 -3.46661 0.72809
## 26 1.050444 0.58715 -1.51255 -2.90663 -0.29338 -0.40765
## 27 1.115239 0.94408 -0.38761 -1.68193 1.66862 -1.47156
## 28 1.107571 1.26314 0.26872 -1.27022 1.10563 -0.76296
## 29 1.054712 1.11404 0.92782 1.43582 0.14151 1.72325
## 30 1.065030 1.27308 1.08384 0.53219 -0.01547 0.73135
##
##
## Site constraints (linear combinations of constraining variables)
##
## CCA1 CCA2 CCA3 CCA4 CCA5 CCA6
## 1 -0.48191 2.65979 0.46676 0.732210 -1.40432 -4.219421
## 2 -1.09598 0.25347 -0.22945 -0.112260 0.42543 0.112349
## 3 -1.47431 1.30509 0.04320 -1.205720 0.36034 -0.844454
## 4 -1.46758 -0.71731 0.73642 0.052273 0.35156 0.733505
## 5 -0.53551 -0.79969 1.99954 -0.903086 -0.82878 -0.003474
## 6 -1.60746 1.06230 -0.76353 -2.180879 0.54753 1.049125
## 7 -1.46696 -0.44358 1.69207 0.239705 -0.27468 0.193730
## 8 -0.08870 -1.05841 2.49619 -1.566536 -1.00563 -0.384715
## 9 0.16287 -2.12577 2.29942 -0.770101 -0.31263 0.134755
## 10 -0.38562 -0.60211 0.28375 0.003851 -0.15607 0.588678
## 11 -1.12378 0.18643 -0.21744 -0.344967 0.82219 0.366397
## 12 -1.29371 0.20974 -0.73976 1.097963 -0.26094 1.087139
## 13 -1.27001 -0.17875 0.11625 1.693107 -0.64036 0.309399
## 14 -1.63548 1.00942 -0.66324 -0.274880 0.27919 -0.077329
## 15 -1.11985 0.20978 -0.48011 0.436840 0.03254 -1.820111
## 16 -0.14356 -1.41879 -0.49284 0.402451 0.74557 -0.116414
## 17 -0.10980 0.14208 -0.45467 0.357222 0.51942 0.345398
## 18 -0.09109 -1.10087 -0.51266 1.157210 0.22978 0.259453
## 19 -0.41372 -0.32209 -1.42787 0.177379 0.63732 -0.025952
## 20 0.32446 -0.63961 -0.60192 1.697559 0.47241 -0.028895
## 21 0.75733 -1.02987 -0.63579 0.436041 0.58227 -0.043570
## 22 0.63932 -0.77069 -0.33319 0.595140 -0.16236 -0.969207
## 23 0.03408 0.82151 -1.84911 -0.612074 -3.88642 -0.129641
## 24 1.40550 -0.98308 0.02559 -0.622105 -2.22203 -0.537862
## 25 0.64022 -0.32889 -2.07346 -0.435165 -3.78557 1.500982
## 26 0.94621 -0.16571 -1.29318 -2.799275 0.65592 0.710735
## 27 1.49635 0.01507 -0.12025 -0.456093 0.47903 -0.799502
## 28 1.09236 0.39737 0.07217 -0.653112 1.44381 -0.804359
## 29 0.92450 1.61687 0.73742 0.897396 0.08850 2.006918
## 30 1.17360 1.58823 1.14744 0.440279 -0.09569 0.190325
##
##
## Biplot scores for constraining variables
##
## CCA1 CCA2 CCA3 CCA4 CCA5 CCA6
## ele -0.7582 -0.07126 0.40569 -0.25498 -0.08360 -0.1375
## slo -0.2116 0.30965 0.13113 0.06511 -0.18824 -0.5311
## dis 0.7371 0.44717 -0.06523 0.21322 0.07444 0.2953
## pH -0.1521 0.12202 0.05601 -0.06340 0.13719 -0.5479
## har 0.5599 0.02884 0.10925 0.18162 -0.08559 0.3704
## pho 0.3711 0.02598 -0.40111 -0.29212 -0.62116 0.1812
## nit 0.6701 -0.09478 -0.51188 -0.05119 -0.07983 0.0395
## amm 0.3493 -0.08054 -0.38399 -0.17641 -0.66354 0.1294
## oxy -0.7380 0.15585 -0.05037 0.49054 0.37579 -0.1272
## bod 0.4091 -0.05125 -0.23880 -0.46855 -0.71246 0.1160Os primeiros resultados mostram apenas os valores referentes ao conjunto de dados “spe2”. Na sequência, “constrained” integra-se os resultados de “env2” nos valores apresentados para identificar o quanto a adição da matriz de “spe2” auxilia na interpretação do conjunto total de resultados da análise de correlação canônica.
plot(resultado.cca)
Comparação da CCA com CA + Envfit:
resultado.ca <-cca(spe2)
resultado.envfit<-envfit(resultado.ca, env2) #resultado de permutação de cada variável do env2
resultado.envfit##
## ***VECTORS
##
## CA1 CA2 r2 Pr(>r)
## ele -0.99292 -0.11881 0.5126 0.002 **
## slo -0.80551 0.59258 0.0595 0.544
## dis 0.95447 0.29829 0.5261 0.001 ***
## pH -0.93201 0.36244 0.0249 0.728
## har 0.99948 -0.03219 0.2759 0.022 *
## pho 0.93960 0.34227 0.1409 0.132
## nit 0.99642 0.08455 0.3994 0.003 **
## amm 0.97844 0.20651 0.1168 0.197
## oxy -0.99986 0.01657 0.4874 0.002 **
## bod 0.97359 0.22831 0.1614 0.087 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## Permutation: free
## Number of permutations: 999Comparação de Gráficos CCA com CA + Envfit :
par(mfrow=c(1,2))
plot(resultado.cca, main="CCA")
plot(resultado.ca, main="CA + Envfit")
plot(resultado.envfit)
Removendo as espécies com média menor que 1 (espécies raras) é possível observar no gráfico de CCA que a maioria das espécies se concentra no meio, mostrando que as variáveis ambientais não influenciam tanto uma ou outra espécie.
Olhando para CA + Envfit no entanto, tivemos exceções com Satr,Rhph e Babl, onde sua abundância foi influenciada fortemente pelo oxigênio e elevação.
Observando os locais de amostragem dessas espécies, pode-se concluir que são mais significativas para o Alto Rio (amostras entre 1-9), podendo então serem espécies características desses locais. Um padrão similar se apresenta para o Médio Rio (10-19), onde temos Sqce e Lele, por exemplo.
Ainda nesse gráfico vemos que para as espécies que mais se concentram em torno de zero os locais amostrados foram o do Baixo Rio (amostras entre 20-30), indicando que essa parte do rio é que sofre menor influência das variáveis ambientais. Pensando na questão do exercício anterior (Em qual setor do rio contruir uma hidroelétrica para ter o menor impacto ambiental?), essa parte do rio parece ser a mais adequada, já que aqui temos espécies abundantes que sofrem pouca influência de variáveis ambientais.
- Teste a significância global e de cada eixo gerado. Interprete o que você encontrou.
Fazendo teste ANOVA :
anova.cca(resultado.cca, step=1000) #step codifica o número de permutações## Permutation test for cca under reduced model
## Permutation: free
## Number of permutations: 999
##
## Model: cca(X = spe2, Y = env2)
## Df ChiSquare F Pr(>F)
## Model 10 0.197487 4.004 0.001 ***
## Residual 19 0.093713
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Os resultados do ANOVA (Pr(>F) = 0.001) mostram significância dos dados plotados no gráfico. Essa variância presente nos dois eixos explica a relação da abundância das espécies e as variáveis ambientais, onde podemos concluir que de acordo com o que foi discutido anteriormente, as espécies não sofrem influência significativa das variáveis ambientais.