Ecologia Numérica (módulo 2)
Italo Monteiro
2022-04-13
Coeficientes de associação
1º) A caatinga na região do Vale do Catimbau cujo clima predominante da região é o tropical semiárido, com temperaturas médias anuais variando entre 23°C em julho e 25°C em dezembro, podendo alcançar 45°C durante o dia. O período de maior pluviosidade (60 a 75% das chuvas) acontece nos meses de março/abril e junho/julho com precipitação média anual entre 300 a 500 mm. Entre setembro e janeiro ocorre o período mais seco, dentre os fatores que afetam esse ambiente destacam-se a variação de temperatura média e os índices anuais de pluviosidade. Em relação às espécies vegetais predominam as lenhosas arbustivas, cactáceas gramíneas, podem ser classificadas como hiperxerófilas, ou seja, adaptadas ao clima seco e semiárido, são também subcaducifólia, caracterizadas por regimes secos ou chuvoso. Pergunta: Em quais épocas do ano podem ser encontradas uma maior diversidade de organismos do solo (nematóide,fungos, bactérias)? Eles são mais afetados pela variação da temperatura ou pluviosidade? Esses mesmos organismos podem ser afetados pela predominância de alguma espécie vegetal?
2º) - Usando distância Euclidiana para elaborar a matriz
Estacao1=c(2,0,2,0)
Estacao2=c(5,1,5,3)
Estacao3=c(4,4,1,2)
Estacao4=c(3,3,2,2)
MAT=cbind(Estacao1, Estacao2, Estacao3, Estacao4)
rownames(MAT)=c("Especie1", "Especie2", "Especie3", "Especie4")dist(MAT, method = "euclidean", diag = TRUE, upper = FALSE, p = 2)## Especie1 Especie2 Especie3 Especie4
## Especie1 0.000000
## Especie2 4.472136 0.000000
## Especie3 3.162278 5.477226 0.000000
## Especie4 3.605551 3.000000 3.000000 0.000000Agora utilizaremos o índice de Bray-Curtis.
library(vegan)## Warning: package 'vegan' was built under R version 4.1.3## Carregando pacotes exigidos: permute## Warning: package 'permute' was built under R version 4.1.2## Carregando pacotes exigidos: lattice## This is vegan 2.5-7df<-data.frame(MAT)
vegdist(df, method = "bray", diag = TRUE, upper = FALSE, p = 2)## Especie1 Especie2 Especie3 Especie4
## Especie1 0.0000000
## Especie2 0.2727273 0.0000000
## Especie3 0.1666667 0.5555556 0.0000000
## Especie4 0.3333333 0.3333333 0.2941176 0.00000003º) Elaborando matriz com índice de Jaccard
Estacao1=c(1,1,1,0)
Estacao2=c(0,1,0,1)
Estacao3=c(0,1,1,1)
Estacao4=c(1,0,1,1)
MAT2=cbind(Estacao1, Estacao2, Estacao3, Estacao4)
rownames(MAT2)=c("Especie1", "Especie2", "Especie3", "Especie4")library(vegan)
df<-data.frame(MAT2)
vegdist(df, method = "jaccard", diag = TRUE, upper = FALSE, p = 2)## Especie1 Especie2 Especie3 Especie4
## Especie1 0.0000000
## Especie2 0.7500000 0.0000000
## Especie3 0.3333333 0.5000000 0.0000000
## Especie4 0.7500000 0.5000000 0.5000000 0.0000000Utilizando indice de sorensen
4º)
#O estudo mais adequado seria o de similiariadade quantitativa pois os dados remetem a ,medição de abundancia das especies em questão. 5º)
6º)
Exércicio 2: Análise de Cluster
#carregando pacotes necessários
library(vegan)#abrindo arquivos do exercício
dados<-read.table("tabcluster1.txt",header=T)
dados <-t(dados)
#Uniformaizando os dado com log
dadost<-log1p(dados)
#elaborando matriz de similaridade de Bray-curtis
matriz<-vegdist(dadost,upper=FALSE, "bray")
#criando um dendrograma
dendro<-hclust(matriz, method="complete")
plot(dendro)
## questão2
library(vegan)
library(dendextend)
library(factoextra)#carregando os dados
dadosq2 <- read.table("tabcluster2.txt")
#foi preciso uniformizar os dados
dadosq2 <- dadosq2[,-1]
#Agora usamo o coeficiente de associação de distância euclidiana
distancia <- vegdist(dadosq2, "euclidian")
#dendrograma dos dados
dendro2 <- hclust(distancia, method = "complete")
dp <- as.dendrogram(dendro2)
plot(dendro2)
#elaborando o MDS
kcluster<- kmeans(dadosq2,centers= 4, iter.max=2000, nstart=20000)
matriz<-vegdist(distancia,upper=FALSE, "bray")
mds<-cmdscale(matriz)
grupos<-levels(factor(kcluster$cluster))
ordiplot(mds, type = "text")## species scores not availableorditorp (mds, display = 'sites',cex=1.3)
cols <- c("grey", "brown", "black", "orange")
for(i in seq_along(grupos)){
points(mds[factor(kcluster$cluster) == grupos[i], ], col = cols[i], pch = 16)
}
for (i in unique (kcluster$cluster)) ordihull (mds, groups = kcluster$cluster, show.group = i, col = i, draw = 'polygon', label = F)
## Questão 3
#elaborando bray-curtis
#carregando e normalizando os dados
dadosq3 <- read.table("aulapi.txt")
dadosq3t<-log1p(dadosq3)
matriz<-vegdist(t(dadosq3t),upper=FALSE, "bray")
dendro3<-hclust(matriz, method="complete")
plot(dendro3, hang=-1,ann=FALSE, cex.axis=1.1,col=3)
title(ylab="Dissimilaridade", main="Bray-Curtis",xlab="Amostras",cex.lab=1.2)
#Elaborando distância euclidiana
matriz<-vegdist(t(dadosq3t),upper=FALSE, "euclidean")
dendro3b<-hclust(matriz, method="complete")
plot(dendro3b, hang=-1,ann=FALSE, cex.axis=1.1,col=3)
title(ylab="Dissimilaridade", main="Euclideana",xlab="Amostras",cex.lab=1.2)
Questão 4
#Elaborando primeiro o cluster
dados <- read.table("HaloduleAbiotico.txt",header=T)
praias <- dados$Praias
dados <- dados[,-14]
kcluster<- kmeans(dados,centers= 3, iter.max=1000, nstart=10000)
dadost<-log1p(dados)
matriz<-vegdist(dadost,upper=FALSE, "bray")
kcluster<- kmeans(dadost,centers= 3, iter.max=1000, nstart=10000)
mds<-cmdscale(matriz)
grupos<-levels(factor(praias))
ordiplot(mds, type = "text")## species scores not availablecols <- c("grey", "brown", "black", "orange")
for(i in seq_along(grupos)){
points(mds[factor(kcluster$cluster) == grupos[i], ], col = cols[i], pch = 16)
}
ordispider(mds, factor(kcluster$cluster), col="blue", label = TRUE)
ordihull(mds, factor(kcluster$cluster), lty = "dotted")
library(BBmisc)## Warning: package 'BBmisc' was built under R version 4.1.3##
## Attaching package: 'BBmisc'## The following object is masked from 'package:base':
##
## isFALSEdados <- read.table("HaloduleAbiotico.txt",header=T)
praias <- dados$Praias
dados <- dados[,-14]
dadosn<-normalize(dados, method = "standardize", range = c(0, 1), margin = 1L, on.constant = "quiet")
matriz<-dist(dadosn)
mds<- cmdscale(matriz,eig=TRUE, k=2)
um<- mds$points[,1]
dois<- mds$points[,2]
plot(um, dois, xlab="Coordenada 1", ylab="Coordenada 2", main="MDS Métrico",type="n")
text(um, dois, labels = row.names(dados), cex=1)
dados <- read.table("HaloduleAbiotico.txt",header=T)
praias <- dados$Praias
dados <- dados[,-14]
kcluster<- kmeans(dadost,centers= 3, iter.max=1000, nstart=10000)
dadost<-log1p(dados)
matriz<-vegdist(dadost,upper=FALSE, "euclidean")
kcluster<- kmeans(dadost,centers= 3, iter.max=1000, nstart=10000)
mds<-cmdscale(matriz)
grupos<-levels(factor(praias))
ordiplot(mds, type = "text")## species scores not availablecols <- c("mediumblue", "darkred", "darkgreen", "pink")
for(i in seq_along(grupos)){
points(mds[factor(kcluster$cluster) == grupos[i], ], col = cols[i], pch = 16)
}
ordispider(mds, factor(kcluster$cluster), col="blue", label = TRUE)
ordihull(mds, factor(kcluster$cluster), lty = "dotted")
## Questão 5
dadosq4 <- read.table("tabcluster3.txt",header=T)## Warning in read.table("tabcluster3.txt", header = T): incomplete final line
## found by readTableHeader on 'tabcluster3.txt'dadost <- log1p((dadosq4))
matriz<-vegdist((dadost),upper=FALSE, "bray")
d<-hclust(matriz, method="complete")
plot(d, hang=-1,ann=FALSE, cex.axis=1.1,col=3)
title(ylab="Dissimilaridade", main="Espécies",xlab="Amostras",cex.lab=1.2)
Questão 6
dados<-read.table("tabcluster4.txt",header=T)
dadost<-log1p(dados)
matriz<-vegdist(dadost,upper=FALSE, "bray")
d<-hclust(matriz, method="single")
e<-hclust(matriz, method="complete")
f<-hclust(matriz, method="average")
plot(d, hang=-1,ann=FALSE, cex.axis=1.1,col=1)
rect.hclust(d, h=0.45, border=2:4)
title(ylab="Dissimilaridade", main="Estações",xlab="Amostras",cex.lab=1.2)
Questão 7
dadosq7<-read.table("tabcluster7.txt",header=T)## Warning in read.table("tabcluster7.txt", header = T): incomplete final line
## found by readTableHeader on 'tabcluster7.txt'dadosq7 <-t(dadosq7)
dadost<-log1p(dadosq7)
matriz<-vegdist(dadost,upper=FALSE, "bray")
d<-hclust(matriz, method="single")
e<-hclust(matriz, method="complete")
f<-hclust(matriz, method="average")
g <-hclust(matriz, method="centroid")
plot(d, hang=-1,ann=FALSE, cex.axis=1.1,col=1)
rect.hclust(d, h=0.45, border=2:4)
title(ylab="Dissimilaridade", main="Simples",xlab="Amostras",cex.lab=1.2)
cutree(d, 3)## A B C D E F G H I J
## 1 1 2 2 2 2 2 2 3 3plot(e, hang=-1,ann=FALSE, cex.axis=1.1,col=1)
rect.hclust(e, h=0.8,border=2:5)
title(ylab="Dissimilaridade", main="Completo",xlab="Amostras",cex.lab=1.2)
cutree(d, 3)## A B C D E F G H I J
## 1 1 2 2 2 2 2 2 3 3plot(f, hang=-1,ann=FALSE, cex.axis=1.1,col=1)
rect.hclust(f, h=0.7,border=2:5)
title(ylab="Dissimilaridade", main="Média",xlab="Amostras",cex.lab=1.2)
cutree(d, 3)## A B C D E F G H I J
## 1 1 2 2 2 2 2 2 3 3plot(f, hang=-1,ann=FALSE, cex.axis=1.1,col=1)
rect.hclust(f, h=0.7,border=2:5)
title(ylab="Dissimilaridade", main="Centróide",xlab="Amostras",cex.lab=1.2)
Questão 8
dadosq8 <- read.table("tabcluster8.txt",header=T)
dadosq8 <-t(dadosq8)
matriz<-vegdist(dadost,upper=FALSE, "jaccard")
dendro8<-hclust(matriz, method="single")
plot(dendro8, hang=-1,ann=FALSE, cex.axis=1.1,col=1)
rect.hclust(d, h=0.62, border=2:4)
title(ylab="Dissimilaridade", main="Jaccard - Simples",xlab="Amostras",cex.lab=1.2)
Atividadae 3: Ordenação 1
Questão 1
#carregando pacotes e dados
library(BBmisc)
ordq1 <- read.table("ordtab1.txt" ,header = T)
ordq1<-ordq1[,-1]#normalizando dados para evitar grandes variações
ordq1n<-normalize(ordq1, method = "standardize", range = c(0, 1), margin = 1L, on.constant = "quiet")
acp = prcomp(ordq1n, scale. = TRUE)
acp$sdev## [1] 2.031187e+00 1.543575e+00 1.105814e+00 4.454508e-01 2.653392e-01
## [6] 2.235782e-16 0.000000e+00 0.000000e+00#plotando o gráfico
biplot(acp)
library(factoextra)
autovalores <- get_eigenvalue(acp)
fviz_eig(acp)
library(ggplot2)
scores = as.data.frame(acp$x)
ggplot(data = scores, aes(x = PC1, y = PC2, label = rownames(scores))) +
geom_hline(yintercept = 0, colour = "gray65") +
geom_vline(xintercept = 0, colour = "gray65") +
geom_text(colour = "red", alpha = 0.8, size = 4) +
ggtitle("ACP Comunidades ")
#modificando o gráfico
#tipo 1:
fviz_pca_ind(acp, col.ind = "cos2", gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),repel = TRUE) 
#tipo2
fviz_pca_var(acp, col.var = "contrib",
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
repel = TRUE) 
#tipo3:separando as variaveis e estações
fviz_pca_biplot(acp, repel = TRUE,col.var = "#2E9FDF", # Variables color
col.ind = "#696969")
#Elaborando a matriz
library(FactoMineR)## Warning: package 'FactoMineR' was built under R version 4.1.3acp = PCA(ordq1, graph = FALSE)
acp$eig## eigenvalue percentage of variance cumulative percentage of variance
## comp 1 4.125720e+00 5.157150e+01 51.57150
## comp 2 2.382625e+00 2.978281e+01 81.35431
## comp 3 1.222824e+00 1.528530e+01 96.63961
## comp 4 1.984264e-01 2.480330e+00 99.11994
## comp 5 7.040489e-02 8.800611e-01 100.00000
## comp 6 3.433232e-33 4.291540e-32 100.00000
## comp 7 2.087354e-66 2.609192e-65 100.00000
## comp 8 3.495537e-99 4.369421e-98 100.00000#correlação entre variaveis e PCA
acp$var$coord## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## X1A1 0.8669402 0.2090912 0.2665732 -0.35528167 0.08607687
## X1A2 -0.4256648 0.8279683 0.3588321 -0.01096585 -0.06631248
## X1A3 -0.4256648 0.8279683 0.3588321 -0.01096585 -0.06631248
## X1A4 -0.2362600 0.8325341 -0.4578377 0.08398011 0.18547293
## X2A1 0.5550005 -0.1628695 0.7765598 0.22533223 0.10783440
## X2A2 0.9394873 0.2876361 -0.1649050 0.06863816 -0.05219357
## X2A3 0.9394873 0.2876361 -0.1649050 0.06863816 -0.05219357
## X2A4 -0.9394873 -0.2876361 0.1649050 -0.06863816 0.05219357head(acp$ind$coord)## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## 1 -1.7845214 0.5863553 -0.4908950 0.06488756 0.1104389
## 2 -0.9893441 -0.7299776 1.7877018 0.71262193 -0.4868305
## 3 -1.7845214 0.5863553 -0.4908950 0.06488756 0.1104389
## 4 3.9576880 -1.9155468 -0.3189614 0.21639620 0.1371970
## 5 2.6724357 1.8673875 0.4583878 0.47814098 0.3144518
## 6 2.1146879 2.0827680 -0.9750782 -0.55442528 -0.5151129library(ade4)## Warning: package 'ade4' was built under R version 4.1.3##
## Attaching package: 'ade4'## The following object is masked from 'package:FactoMineR':
##
## reconstacp = dudi.pca(ordq1, nf = 5, scannf = FALSE)
acp$eig## [1] 4.12572000 2.38262508 1.22282361 0.19842642 0.07040489acp$c1## CS1 CS2 CS3 CS4 CS5
## X1A1 0.4268146 -0.1354590 -0.2410652 0.79757777 -0.3244032
## X1A2 -0.2095646 -0.5363964 -0.3244960 0.02461742 0.2499159
## X1A3 -0.2095646 -0.5363964 -0.3244960 0.02461742 0.2499159
## X1A4 -0.1163162 -0.5393543 0.4140279 -0.18852836 -0.6990031
## X2A1 0.2732395 0.1055144 -0.7022520 -0.50585209 -0.4064021
## X2A2 0.4625312 -0.1863441 0.1491255 -0.15408696 0.1967051
## X2A3 0.4625312 -0.1863441 0.1491255 -0.15408696 0.1967051
## X2A4 -0.4625312 0.1863441 -0.1491255 0.15408696 -0.1967051acp$co## Comp1 Comp2 Comp3 Comp4 Comp5
## X1A1 0.8669402 -0.2090912 -0.2665732 0.35528167 -0.08607687
## X1A2 -0.4256648 -0.8279683 -0.3588321 0.01096585 0.06631248
## X1A3 -0.4256648 -0.8279683 -0.3588321 0.01096585 0.06631248
## X1A4 -0.2362600 -0.8325341 0.4578377 -0.08398011 -0.18547293
## X2A1 0.5550005 0.1628695 -0.7765598 -0.22533223 -0.10783440
## X2A2 0.9394873 -0.2876361 0.1649050 -0.06863816 0.05219357
## X2A3 0.9394873 -0.2876361 0.1649050 -0.06863816 0.05219357
## X2A4 -0.9394873 0.2876361 -0.1649050 0.06863816 -0.05219357head(acp$li)## Axis1 Axis2 Axis3 Axis4 Axis5
## 1 -1.7845214 -0.5863553 0.4908950 -0.06488756 -0.1104389
## 2 -0.9893441 0.7299776 -1.7877018 -0.71262193 0.4868305
## 3 -1.7845214 -0.5863553 0.4908950 -0.06488756 -0.1104389
## 4 3.9576880 1.9155468 0.3189614 -0.21639620 -0.1371970
## 5 2.6724357 -1.8673875 -0.4583878 -0.47814098 -0.3144518
## 6 2.1146879 -2.0827680 0.9750782 0.55442528 0.5151129#gráfico de resultados
graf<-data.frame(acp$li)
plot(graf$Axis1,graf$Axis2,pch=16, xlab="Componente Principal1", ylab="Componente Principal2", cex.lab=1.5, cex.axis=1.2,cex=1.5, labels=TRUE)## Warning in plot.window(...): "labels" não é um parâmetro gráfico## Warning in plot.xy(xy, type, ...): "labels" não é um parâmetro gráfico## Warning in box(...): "labels" não é um parâmetro gráfico## Warning in title(...): "labels" não é um parâmetro gráfico
## Questão 2
Questão 3
ordq3 <- read.table("lnmb.txt",header=FALSE)
ordq3<-ordq3[,-1]library(BBmisc)
library(factoextra)
dadosn<-normalize(dados, method = "standardize", range = c(0, 1), margin = 1L, on.constant = "quiet")
acp = prcomp(dadosn, scale. = TRUE)
autovalores <- get_eigenvalue(acp)
fviz_eig(acp)
library(ggplot2)
fviz_pca_var(acp, col.var = "contrib",
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
repel = TRUE) 
fviz_pca_biplot(acp, repel = TRUE,col.var = "#2E9FDF",
col.ind = "#696969")