ECOLOGIA NUMÉRICA 2
Ewelyn Kailane Lopes da Silva
2022-12-28
Atividade 1 - DESCRIÇÃO DE COMUNIDADES BIOLÓGICAS
Nesta atividade 1, realizou-se um exercicío dinâmico com comunidades culinárias, onde foram utilizadaos grãos e massas para simulação da montagem de uma comundaidade biológica em uma ilha oceânica recém formada.Diante disso, dois grupos foram formados e suas tecnicas foram:
GRUPO 1: A técnica usada foi de aleatorização das amostras, sorteando quadrados aleatórios na ilha oceânica que correspondiam a 10% da área da ilha.
GRUPO 2: A técnica usada foi dois transectos localizados de maneira planejada para maximizar a captura da diverisdade da ilha.
DADOS
##PASSO 1)
echo=TRUEbase <-read.csv("C:/Users/ewely/Downloads/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 0#Na tabela acima, pode-se distinguir que as comunidades culinárias foram analisadas a partir de 10 espécies que estariam presentes na ilha oceânica, onde nesta tabela é evidente quantas espécies e a respectiva abundância de cada espécie na área escolhida analisada.
PASSO 2)
base_q<-base[,1:10]
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 4#A base “q” da tabela, foi relizada pelo grupo 1, onde a estratégia do mesmo apresentou em um total de 6 espécies apresentadas nos plots cobrindo 10% da ilha de forma aleatória.
dim(base_q)## [1] 10 10#Tabela formada por 10 linhas e 10 colunas.
nrow(base_q)## [1] 10#Obsevou-se o número de linha, respectivamente 10 linhas.
ncol(base_q)## [1] 10#Foi observada o número de colunas, respectivamente 10 colunas.
rowSums(base_q)## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 30 17 0 2 0 2
## carioca_e mac_paraf mac_tubo mac_espag
## 12 0 0 14#Foi somado os valores de todas as espécies em cada linha, ou seja, soma dos elementos de cada linha da matriz da base q. A partir disso, pode-se concluir a abundância de cada espécie em cada plot aleatório analisado.
colSums(base_q)## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10
## 1 1 9 13 4 4 13 5 7 20#Foi utilizado para obter a respectiva soma de todas as colunas da matriz.
base_t<-base[,11:20]
base_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#A base “T” da tabela, foi relizada pelo grupo 2, onde a estratégia usada foi dois transectos cobrindo 10% da ilha. É evidente que foram registradas 7 espécies com diferentes abundâncias entre si.
dim(base_t)## [1] 10 10#O mesmo padrão utilizado anteriormente é mantido na base_t, tabela formada por 10 linhas e 10 colunas.
nrow(base_t)## [1] 10#Obsevou-se o número de linha, respectivamente 10 linhas.
ncol(base_t)## [1] 10#Foi observada o número de colunas, respectivamente 10 colunas.
rowSums(base_t)## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 28 12 0 1 6 3
## carioca_e mac_paraf mac_tubo mac_espag
## 0 1 0 30#Foi somado os valores de todas as espécies em cada linha, ou seja, soma dos elementos de cada linha da matriz da base t. A partir disso, pode-se concluir a abundância de cada espécie nos dois transectos localizados de maneira planejada para maximizar a captura da diverisdade da ilha.
PASSO 3) Fazendo perguntas:
##Qual o número de espécies dos diferentes métodos?
library(cowplot)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()specnumber(t(base_q))## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10
## 1 1 3 5 3 1 3 2 2 4#Após a análise, pode-se constar o número total das espécies em cada plot analisado no método do grupo 1.
base_q %>%
rownames_to_column("species") %>%
mutate(ab_spe=rowSums(base_q)) %>%
filter(ab_spe > 0) %>%
count()## n
## 1 6#Após a análise, constou-se um total de 6 espécies na bse q.
specnumber(t(base_t))## t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
## 2 3 4 2 2 1 2 1 2 2#Após a análise, pode-se constar o número total das espécies nos dois transectos analisado no método do grupo 2.
base_t %>%
rownames_to_column("species") %>%
mutate(ab_spe=rowSums(base_t)) %>%
filter(ab_spe > 0) %>%
count()## n
## 1 7#Após a análise, constou-se um total de 7 espécies na base t.
Qual a distribuição das abundâncias das espécies?
base_q %>%
rownames_to_column("species") %>%
mutate(ab_spe=rowSums(base_q)) %>%
filter(ab_spe > 0) %>%
arrange(desc(ab_spe)) %>%
mutate(species=factor(species,level = species)) %>%
ggplot(aes(x=species, y=ab_spe))+
geom_line(group = 1)+geom_point(size = 3)->graf_abund_q
graf_abund_q
#Neste gráfico, é evidente que a abundância da espécie de “arroz claro” atingiu a maior distribuição se comparada as outras. Pode-se notar que interpratando o gráfico o pico de abundância se dar no arroz claro e decai aos poucos ao decorrer das outras espécies, a menor abundância se dar na espécie “ervilha” e “carioca_c”.Enquanto, as espécies que não foram encontradas, não obtiveram nenhum valor de abundância.
base_t %>%
rownames_to_column("species") %>%
mutate(ab_spe=rowSums(base_t)) %>%
filter(ab_spe > 0) %>%
arrange(desc(ab_spe)) %>%
mutate(species=factor(species, level = species)) %>%
ggplot(aes(x=species, y=ab_spe))+
geom_line(group = 1)+geom_point(size = 3)->graf_abund_t
graf_abund_t
#Neste gráfico de amostragem de transectos, pode-se notar que a espécie mais abundante foi “mac_espag” e logo depois foi a espécie “arroz_c”, o gráfico de transectos se torna mais acentuado do quer o anterior. Apresentando também uma espécie rara que so foi encontrada nesta amostragem “mac_paraf”.
plot_grid(graf_abund_q, graf_abund_t, labels = c("quadrados", "transectos"), ncol = 2)
#Comparando estes gráficos de “quadrados” e “transectos”, a amostragem aleatória em quadrados que representava 10% de uma ilha de 10km x 10km apresentou uma queda com alguns pontos constantes e não se apresenta linear,é possível notar que as espécies encontradas nos quadrantes tiveram mais abundâncias superiores a 10, “4” espécies acima de superiores a 10. Já no gráfico de transectos, é evidente um gráfico com uma queda de curva mais linearizado, possivelmente apresentando um possível padrão, apresentando mais espécies “4” tiveram abundâncias menores que 10, diferentemente do gráfico de quadrados.
Estimadores de Riqueza
##Será que as amostras atingiram o número real de espécies?
#Os dois métodos de amostragem não atingiram o número real de espécies, porém o que se estima é que a amostragem de transectos tenham apresentado e se aproximado mais do número real de espécies.
acum_q<-specaccum(t(base_q))
plot(acum_q, ci.type = "poly", col = "blue", lwd = 2, ci.lty = 0,
ci.col = "lightblue", main = "quadrantes", xlab = "Número de amostras",
ylab = "Número de espécies")
#Ao análisar o gráfico de curva de acumulação de espécies em quadrantes, pode-se constar que a riqueza de espécies aumenta com o tamanho da amostra e a isso pode causar diferenças na riqueza calculada, mas foi mantido o mesmo tamanho das amostras nos dois métodos.No gráfico acima, é perceptível que o aumento da riqueza das espécies está no ínicio do gráfico, ou seja nos primeiros plot aleatórios.Uma possível explicação para isso seja que nos plots de 6 em diante foram estimadas menos riquezas de espécies se comparadas com os plots anteriores, já que a determinação da localidade dos plots foi aleatório ocorreram localidades sem espécie alguma, resultando em uma diminuição de riqueza uniforme.
acum_t<-specaccum(t(base_t))
plot(acum_t, ci.type = "poly", col = "blue", lwd = 2, ci.lty = 0,
ci.col = "lightblue", main = "transectos", xlab = "Número de amostras",
ylab = "Número de espécies")
#Ao análisar o gráfico de curva de acumulação de espécies em transectos, é notável a diferença dos resultados se comparado com a de quadrantes, ou seja, a curva de acumulação deste gráfico se apresenta com uma acumulação uniforme do início ao fim, sendo um pouco mais estreita apenas no início, e no final apresenta uma diminuição drástica em formato de “>”, uma possível explicação se dar ao fato que o método de transectos foi colocado em pratica após a análise dos individuos do grupo da melhor área que apresentaria mais riqueza de espécie na região que apresentaria 10% da ilha em transectos, ou seja, um método eficiente, porém em uma atividade realista não seria possível analisar dessa maneira para saber em que localidades apresentariam mais riqueza, apenas estimar-se.
specpool(base_q)## 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 10#Após a análise, é possível constatar que o método de amostragem dos quadrados apresentou mais erros se comparado com o método de transectos que obteve menos, onde a riqueza observada foi de 12.025, tornando este valor menos aproximado da riqueza real.
specpool(base_t)## 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 10#Após a análise do resultado, é evidente que o método obteve menos erros e mais se aproximou do número real de espécies.
Quais estimadores forma mais fidedignos? Qual métodos obteve menos erro?
#A partir da análise dos resultados, é evidente que a amostra da base t foi mais fidedigna, pois foi a que mais se aproximou do número real de espécies que é 10, presentando assim, chao = 10.3. Onde esta função permite retornar um quadro de dados com entradas para a riqueza observada e retorna as estimativas e seus erros padrão.Sendo assim, o método que obteve menos erros.
##Para finalizar esse exercício,foi calculado os índices de diversidade de Shannon e Simpson para cada um dos métodos (base_q e base_t) e comentado os resultados de cada um.
shannon <-diversity(colSums(base_q), index = "shannon")
shannon## [1] 2.017347shannon <-diversity(colSums(base_t), index = "shannon")
shannon## [1] 1.92467#Após a análise da riqueza das amostras da base_q e base_t por meio dos calculos de índice de diversidade de shannon, medindo a riqueza e equitabilidade das espécies, a partir dos calculos o índice de shannon pode-se medir o grau de incerteza em prever a que espécie pertencerá um indivíduo escolhido, ao acaso, de uma amostra com S espécies e N indivíduos. Quanto menor o valor do índice de Shannon, menor o grau de incerteza.A partir disso,pode-se concluir que o resultado do índice da base_q se mostrou maior se comparado com o índice da base_t, resultando em um maior grau de incerteza quanto a amostragem da base_q, mas baseia-se na ideia de que uma maior diversidade corresponde a uma maior incerteza na escolha aleatória de uma espécie específica.
simpson <-diversity(colSums(base_q), index = "simpson")
simpson## [1] 0.8436499simpson <-diversity(colSums(base_t), index = "simpson")
simpson## [1] 0.8190825#Após a realização dos cálculos dos índices de diversidade de simpson da base_q e base_t, onde foi analisada em consideração a dominação, por exemplo mostrando a probabilidade de pegar “dois” individuos da mesma espécie na mesma amostra. A partir disso, é notável que a probabilidade se torna maior na amostragem da base_q se for feita a comparação do resultados apresentado acima com a base_q e base_t.