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
## Warning: package 'permute' was built under R version 4.1.2
tabela<- read.table(file = "eco_num_.txt", header = TRUE)
library(vegan)
library(tidyverse)
library(forcats)
library(iNEXT)
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 vvimos 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 uma maior riqueza.

Exercício 2: Descrição de comunidades biológicas

Os dados ultilizados nesta atividade são os dados referente ao trabalho “Communities of molluscs, vascular plants and bryophytes on spring fens of West Carpathian” explloraremos de inícios a comunidade de moluscos.

library(vegan)
library(BiodiversityR)
data(moll)
moll <- read.delim ('https://raw.githubusercontent.com/zdealveindy/anadat-r/master/data/molluscs-fens.txt', row.names = 1)

env <- read.delim ('https://raw.githubusercontent.com/zdealveindy/anadat-r/master/data/env-fens.txt', row.names = 1)
dim(moll)
## [1] 43 57
specnumber(moll)
##    Baladi   Bukovec    Cudrak   Dubcova  Grigovci      Grun    HLplos    HLrosn 
##        19         9        10        14        13        20         3         3 
##  Hrncarky  HrubBrod   HuteDol  ChmelLou  ChmelStu    Chmura   Jasenka  Javoruvk 
##        23        13        25         8        16        16        20        27 
##  Kalabova   Klubina  Kralovec    Krocil      Lany   Machala   Machova   Mechnac 
##        26         9        24        12         9        12        23        13 
##   Milonov    NizKel   Obidova   Pisojov   PivoLou  Pivovari   Rajnoch   Semetin 
##        16        14         4         7         8        16         7        18 
##   Skanzen     Solan    Spanie  StudVrch     Tlsta  Trubiska U Pavliku   ValKlob 
##        12        12        23        20        18        28        15        21 
##   Vlarsky  VresStra   VrchPre 
##        20         4         5

Foi observado então que nos 43 pontos de coleta (que eram coletados 12 litros de solo) foram encontradas 57 espécies de molluscos,é posivel observar também a quantidade de espécies por cada área de coleta, Trubiska e Javoruvk por exemplo apresentam um maior número de especies dentre os demais pontos.

rowSums(moll)
##    Baladi   Bukovec    Cudrak   Dubcova  Grigovci      Grun    HLplos    HLrosn 
##      1094        52        49       131       103       789         7         8 
##  Hrncarky  HrubBrod   HuteDol  ChmelLou  ChmelStu    Chmura   Jasenka  Javoruvk 
##       253       117      1556        45       133       216       914       251 
##  Kalabova   Klubina  Kralovec    Krocil      Lany   Machala   Machova   Mechnac 
##       450        54       229       258        67       337       454       250 
##   Milonov    NizKel   Obidova   Pisojov   PivoLou  Pivovari   Rajnoch   Semetin 
##       192       553        11        67        54       249        24       980 
##   Skanzen     Solan    Spanie  StudVrch     Tlsta  Trubiska U Pavliku   ValKlob 
##        87       208      1138       597       328      1232        74      1490 
##   Vlarsky  VresStra   VrchPre 
##       413         4        16

Foi possível observar a quantidade de individuos coletados em cada plot, essa simple tabela pode mostrar por exemplo que algumas áreas apesar de muitas espécies diferentes podem ter poucos indiiduos em relação a áreas com mais individuos e poucas especies. Mas para uma melhor analise é possivel indicar ralmente quais possuem maior abundancia e riqueza através dos pacotes básicos do vegan.

colSums(moll)
## PlaPol CarMin CarTri VerPyg VerSub VerAnt VerAng VerMou VerPus ColEde CocLub 
##     29   3603   1681    984    577    904   1285    155      6    108   1041 
## CocLul PupMus PupPra AcaAcu ValCos ValPul TruCyl PunPyg AliBip MacTum MacVen 
##     58      3      8     46    121    387     10    715     14     56     39 
## VesTur SucPut SucObl OxyEle AegPur AegMin PerHam OxyCel OxyGla VitCon VitCry 
##     57    450    306    170    187     11    605      3      7     52     73 
## VitDia CecAci SemSem VitPel EucFul EucAld ZonNit DauBre DauRuf AriSil AriSub 
##     33      1      2     51    749      5    364     57     37      2      2 
## DerAgr DerLae DerPra PliLub PetUni PerBid TriHis MonInc MonVic EuoStr AriArb 
##      4      5      6     84     22    101    152     70     10      4     13 
## CepHor CepVin 
##      1      8

Aqui podemos ver a abundancia de cada espécies, Carychium minimum (CarMin) e Carychium tridentatum (CarTri) são as espécies mais abundantes do estudo.

Agora observaremos curva de acumulação de especies para o grupo dos moluscos estudados, usando ainda o pacote do vegan. As curvas de acumulação ou curva do coletor é capaz de nos informar se a quantidades de dados coletados foram o suficiente para indicar o tamnha mínimo da comunidade numa determinada área.

sp1<- specaccum(moll, "random" )
sp1
## Species Accumulation Curve
## Accumulation method: random, with 100 permutations
## Call: specaccum(comm = moll, method = "random") 
## 
##                                                                                
## Sites     1.00000  2.00000  3.0000  4.00000  5.00000  6.00000  7.00000  8.00000
## Richness 15.20000 22.35000 26.8100 30.21000 32.65000 34.87000 36.54000 38.16000
## sd        6.97325  6.21724  5.9978  5.99376  5.58384  5.26597  5.39064  5.21792
##                                                                        
## Sites     9.00000 10.00000 11.00000 12.00000 13.00000 14.00000 15.00000
## Richness 40.09000 41.37000 42.68000 44.11000 45.26000 46.42000 47.32000
## sd        4.70352  4.68321  4.68369  4.37138  4.04425  3.92397  3.90514
##                                                                        
## Sites    16.00000 17.00000 18.00000 19.00000 20.00000 21.00000 22.00000
## Richness 48.02000 48.69000 49.57000 50.33000 50.80000 51.34000 51.78000
## sd        3.64035  3.51819  3.33411  3.14002  3.06166  2.82921  2.65368
##                                                                               
## Sites    23.00000 24.00000 25.00000 26.00000 27.0000 28.00000 29.00000 30.0000
## Richness 52.02000 52.41000 52.75000 53.13000 53.4700 53.73000 54.01000 54.3500
## sd        2.52655  2.46632  2.37144  2.25476  2.0373  1.98405  1.94622  1.8661
##                                                                                
## Sites    31.0000 32.00000 33.00000 34.00000 35.00000 36.00000 37.00000 38.00000
## Richness 54.6100 54.79000 55.08000 55.29000 55.58000 55.73000 55.91000 56.14000
## sd        1.6508  1.55891  1.47491  1.45154  1.37201  1.22972  1.08334  0.89916
##                                                
## Sites    39.00000 40.00000 41.00000 42.00000 43
## Richness 56.32000 56.46000 56.65000 56.84000 57
## sd        0.77694  0.57595  0.47937  0.36845  0
plot(sp1, ci.type="poly", col="blue", lwd=2, ci.lty=0, ci.col="lightgrey")
boxplot(sp1, col="white", add=TRUE, pch="+")

O grafico de curva do coletor por estar estabilizado de acordo com a quantidade de sites, nos diz que esses dados coletados foram o sufuciente para nos dizer que a comunidade de molusco se aproxima de um tamanho real. Agora para descrever melhor essa comunidade no quesito detalhamento de abunância utilizaremos curvas de rank-abundância, onde as espécies são ordenadas em sequência, da mais abundante para a mais rara, ao longo da abcissa, com abundâncias absolutas ou relativas log-transformadas na ordenada.

library(RADanalysis)
## Warning: package 'RADanalysis' was built under R version 4.1.2
setwd("C:/Users/italo/OneDrive/Documentos/eco_numerica")
mollusca <- read.table("abundanciamoll.txt")
mod <- (rad.lognormal(mollusca))
plot (mod)

Exercício 3: Medidas de diversidade biológica

Neste exerício aplicaremos os indices de diversidade de Shanon e Simpson em uma base de dados retirados do próprio R.

library(devtools)
## Warning: package 'devtools' was built under R version 4.1.2
## Carregando pacotes exigidos: usethis
## Warning: package 'usethis' was built under R version 4.1.2
## 
## Attaching package: 'devtools'
## The following object is masked from 'package:permute':
## 
##     check
devtools::install_github("paternogbc/ecodados")
## WARNING: Rtools is required to build R packages, but is not currently installed.
## 
## Please download and install Rtools 4.0 from https://cran.r-project.org/bin/windows/Rtools/.
## Skipping install of 'ecodados' from a github remote, the SHA1 (929ffae7) has not changed since last install.
##   Use `force = TRUE` to force installation
library(ecodados)
## 
## Attaching package: 'ecodados'
## The following object is masked _by_ '.GlobalEnv':
## 
##     env
library(vegan)
library(ggplot2)
library(BiodiversityR)

#caregando os dados

composicao_especies <- ecodados::composicao_anuros_div_taxonomica
precipitacao        <- ecodados::precipitacao_div_taxonomica

O conjunto de dados apresentados mostra a distribuição das esécies em 10 comunidades diferentes junto com os dados das precipitações de cda comunidade. # Utilizando as curvas de rank-abundância

rank_com2 <- rankabundance(composicao_especies[2, composicao_especies[2,] > 0])
## Warning in qt(0.975, df = n - 1): NaNs produzidos
rankabunplot(rank_com2, scale = "logabun", specnames = c(1), 
             pch = 19, col = "darkorange")

rank_com3 <- rankabundance(composicao_especies[3, composicao_especies[3,] > 0])
## Warning in qt(0.975, df = n - 1): NaNs produzidos
rankabunplot(rank_com3, scale = "logabun", specnames = c(1), 
             pch = 19, col = "darkgreen")

rank_com4 <- rankabundance(composicao_especies[4, composicao_especies[4,] > 0])
## Warning in qt(0.975, df = n - 1): NaNs produzidos
rankabunplot(rank_com4, scale = "logabun", specnames = c(1), 
             pch = 19, col = "darkblue")

rank_com5 <- rankabundance(composicao_especies[5, composicao_especies[5,] > 0])
## Warning in qt(0.975, df = n - 1): NaNs produzidos
rankabunplot(rank_com5, scale = "logabun", specnames = c(1), 
             pch = 19, col = "darkred")

#Aplicando os índices de diversidade nas comunidades

riqueza_dados <- specnumber(composicao_especies)
riqueza_dados
##  Com_1  Com_2  Com_3  Com_4  Com_5  Com_6  Com_7  Com_8  Com_9 Com_10 
##     10     10      5      5      5      6      2      4      6      4
Shannon_dados <- diversity(composicao_especies, index = "shannon", MARGIN = 1)
Shannon_dados
##     Com_1     Com_2     Com_3     Com_4     Com_5     Com_6     Com_7     Com_8 
## 2.3025851 0.5002880 0.9580109 1.6068659 1.4861894 1.5607038 0.6931472 1.1058899 
##     Com_9    Com_10 
## 1.7140875 1.2636544
Simpson_dados <- diversity(composicao_especies, index = "simpson", MARGIN = 1)
Simpson_dados
##     Com_1     Com_2     Com_3     Com_4     Com_5     Com_6     Com_7     Com_8 
## 0.9000000 0.1710000 0.4814815 0.7989636 0.7587500 0.7674858 0.5000000 0.5850000 
##     Com_9    Com_10 
## 0.8088889 0.6942149
Shannon_total <- diversity(colSums(composicao_especies), index = "shannon")
Shannon_total
## [1] 2.164299
Simpson_total <- diversity(colSums(composicao_especies), index = "simpson")
Simpson_total
## [1] 0.8653032

Aplicando a Equitabilidade pielou

O indice de equitabilidade de pielou é derivado do índice de diversidade de Shannon e permite representar a uniformidade da distribuição dos indivíduos entre as espécies existentes (PIELOU, 1966). Seu valor apresenta uma amplitude de 0 (uniformidade mínima) a 1 (uniformidade máxi-ma

equi <- Shannon / log(Riqueza)
equi
##    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

Analisando a relação da comunidade com a precipitação.

prec_dados <- data.frame(precipitacao$prec, riqueza_dados,Shannon_dados, 
                        Simpson_dados,equi)
prec_dados
##        precipitacao.prec riqueza_dados Shannon_dados Simpson_dados      equi
## Com_1               3200            10     2.3025851     0.9000000 0.9440075
## Com_2               3112            10     0.5002880     0.1710000 0.9573216
## Com_3               2800             5     0.9580109     0.4814815 0.9745713
## Com_4               1800             5     1.6068659     0.7989636 0.9903950
## Com_5               2906             5     1.4861894     0.7587500 0.9736076
## Com_6               3005             6     1.5607038     0.7674858 0.9558942
## Com_7                930             2     0.6931472     0.5000000 0.9789848
## Com_8               1000             4     1.1058899     0.5850000 0.9689891
## Com_9               1300             6     1.7140875     0.8088889 0.9868140
## Com_10               987             4     1.2636544     0.6942149 0.9933486
colnames(prec_dados) <- c("Precipitacao", "Riqueza", "Shannon", "Simpson", "Equitabilidade")
prec_dados
##        Precipitacao Riqueza   Shannon   Simpson Equitabilidade
## Com_1          3200      10 2.3025851 0.9000000      0.9440075
## Com_2          3112      10 0.5002880 0.1710000      0.9573216
## Com_3          2800       5 0.9580109 0.4814815      0.9745713
## Com_4          1800       5 1.6068659 0.7989636      0.9903950
## Com_5          2906       5 1.4861894 0.7587500      0.9736076
## Com_6          3005       6 1.5607038 0.7674858      0.9558942
## Com_7           930       2 0.6931472 0.5000000      0.9789848
## Com_8          1000       4 1.1058899 0.5850000      0.9689891
## Com_9          1300       6 1.7140875 0.8088889      0.9868140
## Com_10          987       4 1.2636544 0.6942149      0.9933486
anova_shan <- lm(Shannon ~ Precipitacao, data = prec_dados)
anova(anova_shan)
## Analysis of Variance Table
## 
## Response: Shannon
##              Df  Sum Sq Mean Sq F value Pr(>F)
## Precipitacao  1 0.10989 0.10989  0.3627 0.5637
## Residuals     8 2.42366 0.30296
anova_simp <- lm(Simpson ~ Precipitacao, data = prec_dados)
anova (anova_simp)
## Analysis of Variance Table
## 
## Response: Simpson
##              Df  Sum Sq  Mean Sq F value Pr(>F)
## Precipitacao  1 0.00132 0.001325  0.0252 0.8778
## Residuals     8 0.42064 0.052580
anova_riq <- lm(Riqueza ~ Precipitacao, data = prec_dados)
anova(anova_riq)
## Analysis of Variance Table
## 
## Response: Riqueza
##              Df Sum Sq Mean Sq F value  Pr(>F)  
## Precipitacao  1 30.622 30.6224  8.9156 0.01744 *
## Residuals     8 27.478  3.4347                  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
anova_equi <- lm(Equitabilidade ~ Precipitacao, data = prec_dados)
anova(anova_equi)
## Analysis of Variance Table
## 
## Response: Equitabilidade
##              Df    Sum Sq    Mean Sq F value Pr(>F)  
## Precipitacao  1 0.0012169 0.00121694  8.6878 0.0185 *
## Residuals     8 0.0011206 0.00014007                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Exercício 4: Diversidade verdadeira

O índice de Hill é um cálculo cuja fórmula unifica outros índices de diversidade de Shannon e Simpson e fórmulas derivadas.

library(devtools)
library(ecodados)
library(vegan)
library(ggplot2)
library(BiodiversityR)
library(hillR)
## Warning: package 'hillR' was built under R version 4.1.3
composicao_especies <- ecodados::composicao_anuros_div_taxonomica
precipitacao        <- ecodados::precipitacao_div_taxonomica
hill_q_0 <- hillR::hill_taxa(moll, q  = 0)
hill_q_0
##    Baladi   Bukovec    Cudrak   Dubcova  Grigovci      Grun    HLplos    HLrosn 
##        19         9        10        14        13        20         3         3 
##  Hrncarky  HrubBrod   HuteDol  ChmelLou  ChmelStu    Chmura   Jasenka  Javoruvk 
##        23        13        25         8        16        16        20        27 
##  Kalabova   Klubina  Kralovec    Krocil      Lany   Machala   Machova   Mechnac 
##        26         9        24        12         9        12        23        13 
##   Milonov    NizKel   Obidova   Pisojov   PivoLou  Pivovari   Rajnoch   Semetin 
##        16        14         4         7         8        16         7        18 
##   Skanzen     Solan    Spanie  StudVrch     Tlsta  Trubiska U Pavliku   ValKlob 
##        12        12        23        20        18        28        15        21 
##   Vlarsky  VresStra   VrchPre 
##        20         4         5
hill_q_1 <- hillR::hill_taxa(moll, q  = 1)
hill_q_1
##    Baladi   Bukovec    Cudrak   Dubcova  Grigovci      Grun    HLplos    HLrosn 
##  7.143260  5.940757  7.375416  8.663178  8.836557 11.818495  2.600490  2.649351 
##  Hrncarky  HrubBrod   HuteDol  ChmelLou  ChmelStu    Chmura   Jasenka  Javoruvk 
##  6.330010  8.204216  8.155648  6.039829  5.805370  7.865815 11.424821 14.361361 
##  Kalabova   Klubina  Kralovec    Krocil      Lany   Machala   Machova   Mechnac 
## 14.915726  6.123555 11.590345  8.183111  5.185746  7.580978 10.661884  7.014454 
##   Milonov    NizKel   Obidova   Pisojov   PivoLou  Pivovari   Rajnoch   Semetin 
##  5.158927  7.323815  3.827122  5.647906  5.077726  6.069975  4.689955 11.681803 
##   Skanzen     Solan    Spanie  StudVrch     Tlsta  Trubiska U Pavliku   ValKlob 
##  7.215562  5.601488 11.950488  6.761065 10.316393  8.173482 10.674255  8.162188 
##   Vlarsky  VresStra   VrchPre 
## 13.503723  4.000000  3.190527
hill_q_2 <- hillR::hill_taxa(moll, q  = 2)
hill_q_2
##    Baladi   Bukovec    Cudrak   Dubcova  Grigovci      Grun    HLplos    HLrosn 
##  5.135974  4.710801  6.335092  6.170802  6.848935  9.418294  2.333333  2.461538 
##  Hrncarky  HrubBrod   HuteDol  ChmelLou  ChmelStu    Chmura   Jasenka  Javoruvk 
##  3.161407  6.219446  4.801650  4.951100  3.766021  5.707854  9.121039 10.333115 
##  Kalabova   Klubina  Kralovec    Krocil      Lany   Machala   Machova   Mechnac 
## 11.765048  4.909091  7.656738  6.472579  3.487956  6.167871  7.879654  5.402835 
##   Milonov    NizKel   Obidova   Pisojov   PivoLou  Pivovari   Rajnoch   Semetin 
##  2.884959  5.439989  3.666667  4.993326  3.719388  3.662414  3.692308  9.722616 
##   Skanzen     Solan    Spanie  StudVrch     Tlsta  Trubiska U Pavliku   ValKlob 
##  5.216402  4.032060  9.006746  4.668522  8.485881  5.085655  8.889610  4.639494 
##   Vlarsky  VresStra   VrchPre 
## 11.643730  4.000000  2.327273
res_hill <- data.frame(hill_q_0, hill_q_1, hill_q_2)
colnames(res_hill) <- c("q=0", "q=1", "q=2")
head(res_hill)
##          q=0       q=1      q=2
## Baladi    19  7.143260 5.135974
## Bukovec    9  5.940757 4.710801
## Cudrak    10  7.375416 6.335092
## Dubcova   14  8.663178 6.170802
## Grigovci  13  8.836557 6.848935
## Grun      20 11.818495 9.418294
library(entropart)
## Warning: package 'entropart' was built under R version 4.1.3
mc<- MetaCommunity (moll)
## Warning in FUN(newX[, i], ...): Zhang-Huang sample coverage cannot be estimated
## because one probability is over 1/2. Chao estimator is returned.
## Warning in FUN(newX[, i], ...): Zhang-Huang sample coverage cannot be estimated
## because one probability is over 1/2. Chao estimator is returned.

## Warning in FUN(newX[, i], ...): Zhang-Huang sample coverage cannot be estimated
## because one probability is over 1/2. Chao estimator is returned.

## Warning in FUN(newX[, i], ...): Zhang-Huang sample coverage cannot be estimated
## because one probability is over 1/2. Chao estimator is returned.

## Warning in FUN(newX[, i], ...): Zhang-Huang sample coverage cannot be estimated
## because one probability is over 1/2. Chao estimator is returned.

## Warning in FUN(newX[, i], ...): Zhang-Huang sample coverage cannot be estimated
## because one probability is over 1/2. Chao estimator is returned.
## Warning in FUN(newX[, i], ...): Sample coverage is 0, most bias corrections will
## return NaN.
## Warning in FUN(newX[, i], ...): Zhang-Huang sample coverage cannot be estimated
## because one probability is over 1/2. Chao estimator is returned.
## Warning in FUN(newX[, i], ...): Sample coverage is 0, most bias corrections will
## return NaN.
## Warning in FUN(newX[, i], ...): Zhang-Huang sample coverage cannot be estimated
## because one probability is over 1/2. Chao estimator is returned.

## Warning in FUN(newX[, i], ...): Zhang-Huang sample coverage cannot be estimated
## because one probability is over 1/2. Chao estimator is returned.

## Warning in FUN(newX[, i], ...): Zhang-Huang sample coverage cannot be estimated
## because one probability is over 1/2. Chao estimator is returned.

## Warning in FUN(newX[, i], ...): Zhang-Huang sample coverage cannot be estimated
## because one probability is over 1/2. Chao estimator is returned.
## Warning in FUN(newX[, i], ...): Sample coverage is 0, most bias corrections will
## return NaN.
plot(mc)

summary(DivPart(q=0, mc), Correction="None")
## HCDT diversity partitioning of order 0 of metaCommunity mc
## 
## Alpha diversity of communities: 
## PlaPol CarMin CarTri VerPyg VerSub VerAnt VerAng VerMou VerPus ColEde CocLub 
##      7     35     31     32     33     32     15      6      3     13     36 
## CocLul PupMus PupPra AcaAcu ValCos ValPul TruCyl PunPyg AliBip MacTum MacVen 
##      4      2      1      6     13     32      4     30      3      3      2 
## VesTur SucPut SucObl OxyEle AegPur AegMin PerHam OxyCel OxyGla VitCon VitCry 
##      2     29     12      9     17      5     32      2      4      8      8 
## VitDia CecAci SemSem VitPel EucFul EucAld ZonNit DauBre DauRuf AriSil AriSub 
##      6      1      1     17     33      1      9     13     11      1      2 
## DerAgr DerLae DerPra PliLub PetUni PerBid TriHis MonInc MonVic EuoStr AriArb 
##      3      3      2     13      2      5      2     22      4      3      5 
## CepHor CepVin 
##      1      4 
## Total alpha diversity of the communities: 
## [1] 11.14035
## Beta diversity of the communities: 
##     None 
## 3.859843 
## Gamma diversity of the metacommunity: 
## None 
##   43
summary(DivPart(q=1, mc), Correction="None")
## HCDT diversity partitioning of order 1 of metaCommunity mc
## 
## Alpha diversity of communities: 
##    PlaPol    CarMin    CarTri    VerPyg    VerSub    VerAnt    VerAng    VerMou 
##  5.279094 16.579841 12.631003 15.301876 14.624005 19.724971  9.334348  5.512841 
##    VerPus    ColEde    CocLub    CocLul    PupMus    PupPra    AcaAcu    ValCos 
##  2.749459  9.102995 20.639566  1.380795  1.889882  1.000000  4.121986  7.963352 
##    ValPul    TruCyl    PunPyg    AliBip    MacTum    MacVen    VesTur    SucPut 
## 20.577094  3.216463 16.827651  2.217347  1.944227  1.466620  1.948206 12.678030 
##    SucObl    OxyEle    AegPur    AegMin    PerHam    OxyCel    OxyGla    VitCon 
##  4.319488  6.231501 10.081696  3.922429 16.334704  1.889882  3.864313  5.058307 
##    VitCry    VitDia    CecAci    SemSem    VitPel    EucFul    EucAld    ZonNit 
##  3.921992  4.262229  1.000000  1.000000 12.686988 16.910298  1.000000  2.990222 
##    DauBre    DauRuf    AriSil    AriSub    DerAgr    DerLae    DerPra    PliLub 
##  9.557372  8.333814  1.000000  2.000000  2.828427  2.586409  2.000000  7.953035 
##    PetUni    PerBid    TriHis    MonInc    MonVic    EuoStr    AriArb    CepHor 
##  1.356131  2.674595  1.944164 15.582068  3.596115  2.828427  3.711482  1.000000 
##    CepVin 
##  3.746748 
## Total alpha diversity of the communities: 
## [1] 4.38349
## Beta diversity of the communities: 
##    None 
## 5.64667 
## Gamma diversity of the metacommunity: 
##     None 
## 24.75212
summary(DivPart(q=2, mc), Correction="None")
## HCDT diversity partitioning of order 2 of metaCommunity mc
## 
## Alpha diversity of communities: 
##    PlaPol    CarMin    CarTri    VerPyg    VerSub    VerAnt    VerAng    VerMou 
##  4.357513 11.627463  7.631272 10.810048 10.181626 15.671691  7.120817  5.233065 
##    VerPus    ColEde    CocLub    CocLul    PupMus    PupPra    AcaAcu    ValCos 
##  2.571429  7.317440 15.829173  1.151266  1.800000  1.000000  3.550336  5.560577 
##    ValPul    TruCyl    PunPyg    AliBip    MacTum    MacVen    VesTur    SucPut 
## 15.583082  2.777778 13.009263  1.814815  1.640167  1.287892  1.901112  7.941799 
##    SucObl    OxyEle    AegPur    AegMin    PerHam    OxyCel    OxyGla    VitCon 
##  2.791605  5.104203  8.003891  3.270270 10.857732  1.800000  3.769231  3.830028 
##    VitCry    VitDia    CecAci    SemSem    VitPel    EucFul    EucAld    ZonNit 
##  2.949087  3.501608  1.000000  1.000000 10.042471 12.274927  1.000000  2.263960 
##    DauBre    DauRuf    AriSil    AriSub    DerAgr    DerLae    DerPra    PliLub 
##  7.754177  6.949239  1.000000  2.000000  2.666667  2.272727  2.000000  5.812191 
##    PetUni    PerBid    TriHis    MonInc    MonVic    EuoStr    AriArb    CepHor 
##  1.198020  1.959094  1.893770 11.238532  3.333333  2.666667  3.072727  1.000000 
##    CepVin 
##  3.555556 
## Total alpha diversity of the communities: 
## [1] 2.65027
## Beta diversity of the communities: 
##     None 
## 7.341057 
## Gamma diversity of the metacommunity: 
##     None 
## 19.45579
autoplot(DivProfile(q.seq = seq(0, 2, 0.1),MC=mc, Correction = "None"))

alfa.est0<-DivEst(q = 0, mc, Simulations = 100, Correction = "None")
plot(alfa.est0)

alfa.est1<-DivEst(q = 1, mc, Simulations = 100, Correction = "None")
plot(alfa.est1)

alfa.est2<-DivEst(q = 2, mc, Simulations = 100, Correction = "None")
plot(alfa.est2)