Ecologia de Paisagens
César Castilho
Descrição.
Esta página tem por objetivo disponibilizar as soluções dos exercícios do curso “Ecologia de Paisagens” ofertado pelo bacharelado em Ciências Biológicas do Centro de Biologia da UFPE, no segundo período de 2021.
Exercício 1.
O objetivo desse exercício é a criação de uma paisagem e o cálculo de áreas usando o pacote landscapemetrics.
A paisagem utilizada está classificada em três tipos de cobertura:
0 – Desmatamento. 1 – Floresta Madura. 2 – Floresta Secundária.
As medidas de distância e área estão em metros
Carregando a Imagem
# Caso necessário carregar os pacotes retire os comentários
# install.packages(c("landscapemetrics","raster", "sf", "here","grdal"))
library(landscapemetrics) ## Warning: package 'landscapemetrics' was built under R version 4.0.5library(raster) ## Warning: package 'raster' was built under R version 4.0.5## Loading required package: sp## Warning: package 'sp' was built under R version 4.0.5library(sf) ## Warning: package 'sf' was built under R version 4.0.5## Registered S3 methods overwritten by 'tibble':
## method from
## format.tbl pillar
## print.tbl pillar## Linking to GEOS 3.9.1, GDAL 3.2.1, PROJ 7.2.1; sf_use_s2() is TRUElibrary(here) ## Warning: package 'here' was built under R version 4.0.5## here() starts at C:/Users/casti/Documents/Trabalho/Biologia/Sexto Periodo/Ecologia de Paisagens/tarefasrm()
raster(here("dimensao_paisagem.tif")) -> paisagem_geral # Carrega o arquivo
st_read(here("pontos_dimensao_paisagem.shp"), quiet = TRUE) -> ponto_focal # Define Ponto focal
check_landscape(paisagem_geral) # Conferindo ## layer crs units class n_classes OK
## 1 1 projected m integer 3 vplot(paisagem_geral) # Plota a paisagem
plot(ponto_focal, col = "red", add = T) # Plota o ponto focal
Landscape
O pacote lanscape calcula várias propriedades da imagem. Seus comandos são sempre procedidos pelo sufixo _lsm.
Abaixo usamos a função sample_lsm . Essa função amostra uma determinada área em torno de um ponto escolhido, no nosso caso o ponto focal.
sample_lsm(landscape = paisagem_geral,
y = ponto_focal,
size = 3000,
level = 'class',
metric = 'area') -> buff_quad_3km
sample_lsm(landscape = paisagem_geral,
y = ponto_focal,
size = 3000,
shape = "circle",
level = 'class',
metric = 'area',) -> buff_circ_100mOberve que os outputs foram armazenados em buff_quad_3km e buff_circ_100m respectivamente. Primeiro interpretamos buff_quad_3km .
buff_quad_3km## # A tibble: 9 x 8
## layer level class id metric value plot_id percentage_inside
## <int> <chr> <int> <int> <chr> <dbl> <int> <dbl>
## 1 1 class 0 NA area_cv 249. 1 100
## 2 1 class 1 NA area_cv 430. 1 100
## 3 1 class 2 NA area_cv 156. 1 100
## 4 1 class 0 NA area_mn 50.8 1 100
## 5 1 class 1 NA area_mn 109. 1 100
## 6 1 class 2 NA area_mn 3.05 1 100
## 7 1 class 0 NA area_sd 127. 1 100
## 8 1 class 1 NA area_sd 470. 1 100
## 9 1 class 2 NA area_sd 4.76 1 100Assim, em um quadrado de lados 3000m, centrado no ponto focal temos:
| Cv=100*(Std/Mediana) | Média | Std | |
|---|---|---|---|
| Desmatamento | 249 | 50.8 | 127 |
| Floresta Madura | 430 | 109.0 | 470 |
| Floresta Secundária | 156 | 3.05 | 4.76 |
Agora interpretamos .
buff_circ_100m## # A tibble: 9 x 8
## layer level class id metric value plot_id percentage_inside
## <int> <chr> <int> <int> <chr> <dbl> <int> <dbl>
## 1 1 class 0 NA area_cv 227. 1 100.
## 2 1 class 1 NA area_cv 352. 1 100.
## 3 1 class 2 NA area_cv 154. 1 100.
## 4 1 class 0 NA area_mn 38.0 1 100.
## 5 1 class 1 NA area_mn 160. 1 100.
## 6 1 class 2 NA area_mn 2.84 1 100.
## 7 1 class 0 NA area_sd 86.3 1 100.
## 8 1 class 1 NA area_sd 561. 1 100.
## 9 1 class 2 NA area_sd 4.39 1 100.Assim, em um círculo de raio 100m, centrado no ponto focal temos:
| Cv=100*(Std/Mediana) | Mediana | Std | ||
|---|---|---|---|---|
| Desmatamento | 227 | 38.0 | 86.3 | |
| Floresta Madura | 352 | 160.0 | 561.0 | |
| Floresta Secundária | 154 | 2.8 | 4.39 |
OS resultados nos mostram que:
A floresta secundária encontra-se extremamente fragmentada em muitos pedaçoes pequenos.
Tanto as áreas desmatadas quanto a floresta madura possuem uma altíssima variação. De fato, o desvio padrão mostrou-se muito grande quando comparado as médias. Tal fato pode ser consequência do tamanho da área amostrada.
as.data.frame(buff_quad_3km)## layer level class id metric value plot_id percentage_inside
## 1 1 class 0 NA area_cv 249.315492 1 100
## 2 1 class 1 NA area_cv 429.570785 1 100
## 3 1 class 2 NA area_cv 156.048990 1 100
## 4 1 class 0 NA area_mn 50.840526 1 100
## 5 1 class 1 NA area_mn 109.321364 1 100
## 6 1 class 2 NA area_mn 3.052800 1 100
## 7 1 class 0 NA area_sd 126.753308 1 100
## 8 1 class 1 NA area_sd 469.612640 1 100
## 9 1 class 2 NA area_sd 4.763864 1 100Análise de Dados
Nesta seção investigamos a dependência do ceficiente de variação dos dados em função do tamanho da área amostrada. Para tanto usamos o seguinte script
v0 <-c(-1);
v1 <- c(-1);
v2 <- c(-1);
aa=seq(500,20000,by=500)
for (tamanho in aa) {
sample_lsm(landscape = paisagem_geral,
y = ponto_focal,
size = tamanho,
level = 'class',
metric = 'area') -> buff_quad_3km
aux <-buff_quad_3km$value[7]/buff_quad_3km$value[4]
v0 <- c(v0,aux)
aux1 <-buff_quad_3km$value[8]/buff_quad_3km$value[5]
v1 <- c(v1,aux1)
aux2 <-buff_quad_3km$value[9]/buff_quad_3km$value[6]
v2 <- c(v2,aux2)
}
v0=v0[v0!=-1]
v1=v1[v1!=-1]
v2=v2[v2!=-1]
plot(aa, v0, main="Quadrado",type="o", col="blue", pch="o", lty=1, ylim=c(0,20) )
points(aa, v1, col="red", pch="*")
lines(aa, v1, col="red",lty=2)
points(aa, v2, col="dark red",pch="+")
lines(aa, v2, col="dark red", lty=3)
legend(2500,20,legend=c("Desmatamento","Floresta Madura","Floresta Secundária"), col=c("blue","red","black"), pch=c("o","*","+"),lty=c(1,2,3), ncol=1)