Aula 1: Bases de dados Ecológicos
Luiz Gustavo
28/08/2022
Exercício 1
Após a criação da base de dados, ela foi salva em formato CSV, como sugerido na atividade.
set.seed(999)
tibble(
spec = paste0("sp", 1:20),
local1 = sample(c(0:1), replace = T, size=20),
local2 = sample(c(0:1), replace = T, size=20),
local3 = sample(c(0:1), replace = T, size=20),
local4 = sample(c(0:1), replace = T, size=20),
local5 = sample(c(0:1), replace = T, size=20),
local6 = sample(c(0:1), replace = T, size=20),
local7 = sample(c(0:1), replace = T, size=20),
local8 = sample(c(0:1), replace = T, size=20)
) -> tabela
tabela<-data.frame(tabela, row.names = T)
write.csv(tabela, file = "exercicio1.csv", row.names = T, fileEncoding = "UTF-8")Abaixo está a base de dados:
## # A tibble: 20 x 9
## spec local1 local2 local3 local4 local5 local6 local7 local8
## <chr> <int> <int> <int> <int> <int> <int> <int> <int>
## 1 sp1 0 1 1 0 0 0 0 0
## 2 sp2 1 0 0 1 1 1 0 1
## 3 sp3 0 0 0 0 0 0 1 0
## 4 sp4 0 0 1 0 0 1 1 0
## 5 sp5 0 1 0 0 1 0 1 0
## 6 sp6 1 1 0 1 0 1 1 1
## 7 sp7 0 0 0 0 0 1 1 0
## 8 sp8 1 0 1 1 0 1 1 0
## 9 sp9 1 0 1 1 0 0 0 0
## 10 sp10 1 0 1 0 0 1 0 1
## 11 sp11 0 0 1 1 1 1 1 1
## 12 sp12 0 0 1 0 0 1 1 0
## 13 sp13 1 1 1 1 1 0 0 1
## 14 sp14 0 1 1 0 0 0 0 1
## 15 sp15 0 1 0 0 0 0 1 1
## 16 sp16 0 1 0 1 1 1 1 1
## 17 sp17 1 0 1 0 1 1 0 0
## 18 sp18 1 0 0 0 0 0 1 0
## 19 sp19 0 0 0 1 0 0 1 0
## 20 sp20 0 0 1 0 0 0 0 1Exercício 2
Aqui foi utilizada as várias formas mostradas na atividade de se realizar uma amostragem aleatória de abundâncias fictícias.
set.seed(999)
tibble(
spec = paste0("sp", 1:30),
local1 = sample(c(0:20), replace = T, size = 30),
local2 = floor(runif(30, min = 0, max = 20)),
local3 = sample(c(0:20), replace = T, size = 30),
local4 = floor(runif(30, min = 0, max = 20)),
local5 = sample(c(0:20), replace = T, size = 30),
local6 = sample.int(50, 30),
local7 = sample(c(0:50), replace = F, size = 30),
local8 = floor(runif(30, min = 0, max = 50)),
local9 = sample(c(0:50), replace = T, size = 30),
local10 = sample(c(0:50), replace = F, size = 30)
)## # A tibble: 30 x 11
## spec local1 local2 local3 local4 local5 local6 local7 local8 local9 local10
## <chr> <int> <dbl> <int> <dbl> <int> <int> <int> <dbl> <int> <int>
## 1 sp1 3 14 8 1 5 9 1 42 24 9
## 2 sp2 6 13 3 17 18 32 29 4 29 39
## 3 sp3 8 2 8 19 8 36 24 24 6 21
## 4 sp4 13 17 19 17 20 10 12 35 27 28
## 5 sp5 0 3 6 15 17 47 37 46 29 41
## 6 sp6 9 11 0 9 19 25 32 30 33 30
## 7 sp7 2 1 4 9 15 6 40 23 14 4
## 8 sp8 14 15 1 2 2 28 17 16 30 20
## 9 sp9 4 8 7 2 17 49 34 40 44 22
## 10 sp10 6 16 18 1 1 41 18 4 7 6
## # ... with 20 more rows
## # i Use `print(n = ...)` to see more rowsExercício 3
Nesse exercício vemos o resumo básico da base de dados criada.
set.seed(999)
base1<- tibble(
spec = paste0("sp", 1:10),
siteA = sample(c(0:10), replace = T, size = 10),
siteB = floor(runif(10, min = 0, max = 10)),
siteC = sample(c(0:20), replace = F, size = 10),
siteD = sample.int(20, 10)
)
summary(base1)## spec siteA siteB siteC
## Length:10 Min. : 0.00 Min. :0.00 Min. : 3.00
## Class :character 1st Qu.: 3.50 1st Qu.:1.00 1st Qu.: 7.25
## Mode :character Median : 6.00 Median :3.50 Median :10.00
## Mean : 5.80 Mean :4.20 Mean :11.10
## 3rd Qu.: 8.75 3rd Qu.:7.75 3rd Qu.:16.25
## Max. :10.00 Max. :9.00 Max. :20.00
## siteD
## Min. : 1.00
## 1st Qu.: 8.25
## Median :11.50
## Mean :10.90
## 3rd Qu.:15.75
## Max. :18.00Exercício 4
Os gráficos replicados são o histograma de distribuição de abundância das espécies e a localização dos postos através das coordenadas
library(ggplot2)
library(vegan)
load("C:/Users/luiz8/Desktop/Aula 1/NEwR-2ed_code_data/NEwR2-Data/Doubs.RData")
abundancia_esp<-data.frame(colSums(spe))
ggplot(data = abundancia_esp, aes(x = colSums.spe.)) +
geom_histogram(bins=30) +
labs(y = "Frequência", x = NULL)
postos<-c(1:30)
ggplot(data = spa, aes(x=X, y=Y)) +
geom_path(col='red') +
geom_text(aes(y = Y, label = postos)) +
geom_text(aes(x = 0, y = 50, label = "Foz"),col='blue') +
geom_text(aes(x = 80, y = 10, label = "Nascente"),col='blue') +
labs(y = "Coordenada Y", x = "Coordenada X")
abundancia_posto<-data.frame(rowSums(spe))
ggplot(data = env, aes(x=postos)) +
geom_col(aes(y=abundancia_posto$rowSums.spe., x=postos), col='grey') +
scale_y_continuous(
name = 'Abundância de espécies',
sec.axis = sec_axis(~./5, name = 'Demanda biológica de O2 e O2 dissolvido')) +
geom_step(aes(y=bod*5, col='Demanda biológica de O2')) +
geom_point(aes(y=bod*5, col='Demanda biológica de O2')) +
geom_step(aes(y=oxy*5, col='O2 dissolvido')) +
geom_point(aes(y=oxy*5, col='O2 dissolvido')) +
geom_text(aes(y=abundancia_posto$rowSums.spe.+2, label = postos), size = 2)
Uma pergunta que surgiu ao analizar os dados foi a possibilidade de existe algum padrão entre a relação de Oxigênio dissolvido e Demanda biológica de oxigênio com a abundância de espécies. Ao fazer o gráfico, concluí que é possível que essa relação exista, já que o posto 8 não possui espécies e tem mais DBO do que OD, e nos postos 23 a 25, onde também existe essa relação, a abundância de espécies é bastante reduzida. No posto 26, há um crescimento na abundância cocomitante com a redução da diferença entre DBP e OD.