Exercício 1: Introdução

A região a ser analisada encontra-se no semiário nordestino, corresponde ao bioma Caatinga em uma paisagem com áreas em processo de regeneração natural. Os organismos a serem analisados serão as comumidades de nematoides cuja composição taxonômica das famílias podem variar de acordo com o tempo de regeneração natural, temperatura, umidade e pH do solo assim como os indices pluviométricos da região, granulometria do solo e composição da vegetação. Para essa atividade cujos dados são ficticios, ultilisaremos para “brincar” com o R algumas ferramentas de analise de comunidades>

Iniciamos carregando os dados da tabelas com os valores de abundancia das famílias de nematoides em cada local de amostragem (que por algum motivo divino essa tabela não aparece aqui).

library(vegan)
## Warning: package 'vegan' was built under R version 4.1.2
## Carregando pacotes exigidos: permute
## Warning: package 'permute' was built under R version 4.1.2
## Carregando pacotes exigidos: lattice
## This is vegan 2.5-7
tabela<- read.table(file = "eco_num_.txt", header = TRUE)
library(vegan)
library(tidyverse)
## Warning: package 'tidyverse' was built under R version 4.1.2
## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --
## v ggplot2 3.3.5     v purrr   0.3.4
## v tibble  3.1.6     v dplyr   1.0.7
## v tidyr   1.2.0     v stringr 1.4.0
## v readr   2.1.2     v forcats 0.5.1
## Warning: package 'ggplot2' was built under R version 4.1.2
## Warning: package 'tibble' was built under R version 4.1.2
## Warning: package 'tidyr' was built under R version 4.1.2
## Warning: package 'readr' was built under R version 4.1.2
## Warning: package 'purrr' was built under R version 4.1.2
## Warning: package 'dplyr' was built under R version 4.1.2
## Warning: package 'stringr' was built under R version 4.1.2
## Warning: package 'forcats' was built under R version 4.1.2
## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()
library(forcats)
library(iNEXT)
## Warning: package 'iNEXT' was built under R version 4.1.2
comunidade<-read.table("eco_num_.txt", header=TRUE)
rownames(comunidade) <-paste0("Local", 1:nrow(comunidade))

Brincando com alguns índices dessa comunidade atraves do pacote vegan.

Riqueza <-specnumber(comunidade)
Riqueza
##  Local1  Local2  Local3  Local4  Local5  Local6  Local7  Local8  Local9 Local10 
##       6       6       6       6       6       6       6       6       6       6
Riqueza_total<-specnumber(colSums(comunidade))
Riqueza_total
## [1] 6

Diversidade de espécies

indices de shannon e simpson de cada local, usando a função “diversity” do vegan. Usamos esses indices para medir a riqueza e abundancia das familias observadas em cada local. É visto que os locais 4,9 e 10 tem uma maior diversidade.

Shannon<-diversity(comunidade, index = "shannon")
Shannon
##   Local1   Local2   Local3   Local4   Local5   Local6   Local7   Local8 
## 1.691434 1.715290 1.746197 1.774550 1.744471 1.712732 1.754105 1.736195 
##   Local9  Local10 
## 1.768133 1.779842

Observando Simpson. Através deles vemmos que os locais 4,9 e 10 tem uma maior riqueza.

Simpson<-diversity(comunidade, index = "simpson")
Simpson
##    Local1    Local2    Local3    Local4    Local5    Local6    Local7    Local8 
## 0.8000000 0.8064206 0.8178980 0.8276644 0.8177393 0.8050000 0.8203125 0.8144044 
##    Local9   Local10 
## 0.8253110 0.8293345

Somando abundâncias para obter a diversidade total :

Shannon_total<-diversity(colSums(comunidade), index="shannon")
Shannon_total
## [1] 1.766653
Simpson_total<-diversity(colSums(comunidade), index = "simpson")
Simpson_total
## [1] 0.8245323

Aplicando a equitabilidade. Essa métrica vai nos dizer a abundância relativa das diferentes espécies que compõem a riqueza de uma área, é derivado do índice de diversidade de Shannon e permite representar a uniformidade da distribuição dos indivíduos entre as espécies existentes. O seu valor apresenta uma amplitude de 0 (uniformidade mínima) a 1 (uniformidade máxima) Calculando : Divide o indice de shannon pelo log da riqueza

J<-Shannon/log(Riqueza)
J
##    Local1    Local2    Local3    Local4    Local5    Local6    Local7    Local8 
## 0.9440075 0.9573216 0.9745713 0.9903950 0.9736076 0.9558942 0.9789848 0.9689891 
##    Local9   Local10 
## 0.9868140 0.9933486

Equitabilidade total : Novamente as áreas 4,9 e 10 se sobressaem na uniformidade das cominidades

J_total<-Shannon_total/log(Riqueza_total)
J_total
## [1] 0.9859877

Série de Hill e perfil de diversidade: Tentei utilizar a série de Hill pois é uma métrica unificadora de Shannon e Simpson, mostra a riqueza de acordo com o peso das especies, quanto maiso próximo de zero maior a riqueza.

R<-renyi(comunidade, hill = TRUE)
R
##         0     0.25      0.5        1        2        4        8       16
## Local1  6 5.843000 5.695094 5.427260 5.000000 4.485395 4.098911 3.910486
## Local2  6 5.886620 5.774835 5.558287 5.165839 4.583452 4.019293 3.688613
## Local3  6 5.931047 5.863455 5.732762 5.491429 5.095864 4.608788 4.238084
## Local4  6 5.973759 5.947939 5.897624 5.802632 5.636149 5.388292 5.111943
## Local5  6 5.927159 5.856610 5.722872 5.486647 5.135033 4.766203 4.524544
## Local6  6 5.884491 5.769548 5.544090 5.128205 4.508429 3.932947 3.611540
## Local7  6 5.944416 5.888803 5.778276 5.565217 5.200335 4.743976 4.381486
## Local8  6 5.916408 5.834282 5.675708 5.388060 4.949204 4.478783 4.145875
## Local9  6 5.964674 5.929524 5.859905 5.724458 5.476099 5.099254 4.728257
## Local10 6 5.982101 5.964284 5.928918 5.859416 5.726504 5.493135 5.181568
##               32       64      Inf
## Local1  3.826818 3.787604 3.750000
## Local2  3.536905 3.466691 3.400000
## Local3  4.048059 3.959217 3.875000
## Local4  4.900713 4.782140 4.666667
## Local5  4.407499 4.352565 4.300000
## Local6  3.465339 3.397648 3.333333
## Local7  4.182909 4.088994 4.000000
## Local8  3.967119 3.881383 3.800000
## Local9  4.507041 4.400718 4.300000
## Local10 4.940206 4.816883 4.700000

Fazendo um gráfico de diversidade com os valores de Hill

g1 <- R %>%  
  rownames_to_column() %>% 
  pivot_longer(-rowname) %>% 
  mutate(name = factor(name, name[1:length(R)])) %>% 
  ggplot(aes(x = name, y = value, group = rowname,
             col = rowname)) +
  geom_point(size = 2) +
  geom_line(size = 1) +
  xlab("Parâmetro de ordem de diversidade (q)") +
  ylab("Diversidade") +
  labs(col = "Locais") +
  theme_bw() +
  theme(text = element_text(size = 16))
  
g1

Por fim os gráficos mostram que as áreas 4,9 e 10 tem um maior riqueza.