Descrição de comunidade biológica
Iago Monteiro Da Costa Wäcker
2022-12-28
library(vegan)## Carregando pacotes exigidos: permute## Carregando pacotes exigidos: lattice## This is vegan 2.6-4library(tidyverse)## ── Attaching packages
## ───────────────────────────────────────
## tidyverse 1.3.2 ──## ✔ ggplot2 3.4.0 ✔ purrr 1.0.0
## ✔ tibble 3.1.8 ✔ dplyr 1.0.10
## ✔ tidyr 1.2.1 ✔ stringr 1.5.0
## ✔ readr 2.1.3 ✔ forcats 0.5.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()base <-read.csv("C:/Users/Patricia/Desktop/UFPE/periodo/Ecologia numerica/com_cul.csv", row.names = 1)
base ## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10 t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
## arroz_c 0 1 7 6 1 4 4 1 1 5 3 8 5 6 3 0 0 0 0 3
## arroz_e 1 0 0 1 0 0 8 4 0 3 0 1 8 1 1 0 0 0 1 0
## milho 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## ervilha 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0
## feijao_preto 0 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0
## carioca_c 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 1
## carioca_e 0 0 0 2 2 0 0 0 0 8 0 0 0 0 0 0 0 0 0 0
## mac_paraf 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
## mac_tubo 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## mac_espag 0 0 0 3 1 0 0 0 6 4 16 9 0 0 0 0 2 2 1 0base_q<-base[,1:10] # os numeros de 1 a 10 é para representar o metodo q (coluna)
base_t<-base[,11:20] # os numeros de 11 a 20 é para representar o metodo t (coluna)
base_q## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10
## arroz_c 0 1 7 6 1 4 4 1 1 5
## arroz_e 1 0 0 1 0 0 8 4 0 3
## milho 0 0 0 0 0 0 0 0 0 0
## ervilha 0 0 1 0 0 0 1 0 0 0
## feijao_preto 0 0 0 0 0 0 0 0 0 0
## carioca_c 0 0 1 1 0 0 0 0 0 0
## carioca_e 0 0 0 2 2 0 0 0 0 8
## mac_paraf 0 0 0 0 0 0 0 0 0 0
## mac_tubo 0 0 0 0 0 0 0 0 0 0
## mac_espag 0 0 0 3 1 0 0 0 6 4base_t## t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
## arroz_c 3 8 5 6 3 0 0 0 0 3
## arroz_e 0 1 8 1 1 0 0 0 1 0
## milho 0 0 0 0 0 0 0 0 0 0
## ervilha 0 0 1 0 0 0 0 0 0 0
## feijao_preto 0 0 6 0 0 0 0 0 0 0
## carioca_c 0 0 0 0 0 2 0 0 0 1
## carioca_e 0 0 0 0 0 0 0 0 0 0
## mac_paraf 0 0 0 0 0 0 1 0 0 0
## mac_tubo 0 0 0 0 0 0 0 0 0 0
## mac_espag 16 9 0 0 0 0 2 2 1 0#dim(base_q) #dimensão da matriz, coluna x especie
#colSums(base_t) #abudancia das amostras. soma de todas as especiesQual o número de espécies dos diferentes métodos?
Resposta: Foram obsevadas 6 especies quando retiradas de forma aleatoria e 7 esepcies retiradas com forma de tranceptos.
library(vegan)
specnumber(t(base_q)) #numero de especie do metodo q ## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10
## 1 1 3 5 3 1 3 2 2 4specnumber(t(base_t)) #numero de especie do metodo t ## t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
## 2 3 4 2 2 1 2 1 2 2base_q %>% # Aq2ui eu criei minha solição...
rownames_to_column("species") %>% # trouxe de volta o nomes das linhas para uma coluna
mutate(ab_spe=rowSums(base_q)) %>% # Criei uma coluna nova com as somas das abundâncias
filter(ab_spe > 0) %>% # filtrei para reter somente as somas maiores que zero
count() # contei## n
## 1 6base_t %>% # Aq2ui eu criei minha solição...
rownames_to_column("species") %>% # trouxe de volta o nomes das linhas para uma coluna
mutate(ab_spe=rowSums(base_t)) %>% # Criei uma coluna nova com as somas das abundâncias
filter(ab_spe > 0) %>% # filtrei para reter somente as somas maiores que zero
count() # contei## n
## 1 7Qual a distribuição das abundâncias das espécies?
Resposta: Foram plotados dois gráficos onde um ds gráficos foi feito por retirada de especies de forma aleatória e o outro gráfico de forma com transepto. O eixo x são das espécies e o eix y são da abudância das espécies.
base_q %>%
rownames_to_column("species") %>%
mutate(ab_spe=rowSums(base_q)) %>%
filter(ab_spe > 0) %>% #Até aqui usei o mesmo código de antes
arrange(desc(ab_spe)) %>% #em ordem decrescente mas não fixa quando for pro ggplot, aí temos que dar outro comando
mutate(species=factor(species, level = species)) %>% #agora ele fixou as ordens
ggplot(aes(x=species, y=ab_spe))+
geom_line(group = 1)+geom_point(size = 3)->graf_abund_q
graf_abund_q
base_t %>%
rownames_to_column("species") %>%
mutate(ab_spe=rowSums(base_t)) %>%
filter(ab_spe > 0) %>% #usado para números acima de 0
arrange(desc(ab_spe)) %>% #em ordem decrescente
mutate(species=factor(species, level = species)) %>% #agora ele fixou as ordens
ggplot(aes(x=species, y=ab_spe))+ #eixo y
geom_line(group = 1)+geom_point(size = 3)->graf_abund_t
graf_abund_t
library(cowplot)
plot_grid(graf_abund_q, graf_abund_t, labels = c("quadrados", "transectos"), ncol = 2)
### Será que as amostras atingiram o número real de espécies ? Resposta:
As amostras dos graficos abaixo não foram muito significativas pois não
obtivemos a resposta de um platô, pois o platô é que traz a confiaça do
resultado junto com os dados amostrados. É necessario mais amostras para
que os dados sejam mais confiantes. Apesar que nenhum dos dois seja
confiaveis, pois nenhum chegou a um nível de platô, porém o priemrio
gráfico chegu mais perto de um inicio de um platô deixando ele mais
confiante.
acum_q<-specaccum(t(base_q)) # existe uma função na library vegan que faz isso... ele cria as curvas para vizualizrmos
acum_t<-specaccum(t(base_t))
plot(acum_q, ci.type = "poly", col = "RED", lwd = 2, ci.lty = 0,
ci.col = "LIGHTGREEN", main = "quadrantes", xlab = "Número de amostras",
ylab = "Número de espécies")
plot(acum_t, ci.type = "poly", col = "BLACK", lwd = 2, ci.lty = 0,
ci.col = "LIGHTGREEN", main = "transectos", xlab = "Número de amostras",
ylab = "Número de espécies") # note que essa curva não parece assintotizada
specpool(base_q)# Esses são métodos de estimação de riqueza (chao, jack1, jack2, boot, etc... os .se são os valores do erro padrão)## Species chao chao.se jack1 jack1.se jack2 boot boot.se n
## All 10 12.025 3.089144 12.7 2.056696 13.67778 11.35255 1.588261 10specpool(base_t)# etimadores para transecto## Species chao chao.se jack1 jack1.se jack2 boot boot.se n
## All 10 10.3 0.7035624 11.8 1.272792 9.133333 11.3759 1.480355 10Quais estimadores formam mais fidedignos? Qual métodos obteve menos erro?
SHANNON PARA BASE Q
shannon<-diversity(base_q)
shannon ## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 1.9508816 1.3345930 0.0000000 0.6931472 0.0000000 0.6931472
## carioca_e mac_paraf mac_tubo mac_espag
## 0.8675632 0.0000000 0.0000000 1.2396594SHANNON PARA BASE T
shannon<-diversity(base_t)
shannon## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 1.7136049 1.0986123 0.0000000 0.0000000 0.0000000 0.6365142
## carioca_e mac_paraf mac_tubo mac_espag
## 0.0000000 0.0000000 0.0000000 1.1708964SIMPSON PARA BASE Q
simpson<-diversity(base_q, "simpson")
simpson## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 0.8377778 0.6851211 1.0000000 0.5000000 1.0000000 0.5000000
## carioca_e mac_paraf mac_tubo mac_espag
## 0.5000000 1.0000000 1.0000000 0.6836735SIMPSON PARA BASE T
simpson<-diversity(base_t, "simpson")
simpson## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 0.8061224 0.5277778 1.0000000 0.0000000 0.0000000 0.4444444
## carioca_e mac_paraf mac_tubo mac_espag
## 1.0000000 0.0000000 1.0000000 0.6155556