Atividade 1
Descrição de Comunidades Biológicas
Nesta atividade foi realizada uma simulação da sucessão primária (primeira colonização de um ambiente) em uma recém formada ilha oceânica, sendo esta comunidade biológica representada por grãos e massa de diferentes tipos (cada espécie possuia uma forma de distribuição diferente).
O estudo de descrição da comunidade biológica da ilha foi realizada por dois grupos, com métodos de amostragem distintos. O primeiro grupo usou a técnica de escolha aleatória das áreas de amostragem, enquanto o segundo grupo usou a tecnica das áreas de amostragem formarem dois transectos localizados de maneira planejada para contemplar os diversos ambientes da ilha.
A área total das áreas de amostragem (quadrados) correspondiam a 10% da área da ilha, de forma que cada uma das 10 dessas áreas correspondiam a 1% da área total da ilha.
Com base nos dados coletados, foi montado uma tabela (matriz) onde as espécies foram representadas nas linhas e as áreas de amostragem (amostras) foram organizadas nas colunas.
Tabela Completa
base<-read.csv("C:/Users/PICHAU/Documents/EcoNum/com_cul.csv", row.names = 1) #Caminho para acessar a tabela. Depois a primeira coluna foi transformada no nome das linhas/espécies.
base #Esse comando mostra a tabela.## 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 0Explorando a Base
As amostras de cada método foram separadas, posteriormente, para efetuar as análises para descrever a comunidade biológica de modo mais organizado. No final do estudo dos dados serão comparados os resultados de cada método.
Tabela do Método Quadrado (q)
base_q<-base[,1:10] #Separando os dados obtidos a partir do método q.
base_q #Esse comando mostra a tabela de 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 4Tabela do Método Transecto (t)
base_t<-base[,11:20] #Separando os dados obtidos a partir do método t.
base_t #Esse comando mostra a tabela de 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 0Dimensões da Tabela q
dim(base_q) #Dimensões da tabela q.## [1] 10 10Dimensões da Tabela t
dim(base_t) #Dimensões da tabela t.## [1] 10 10Número de Linhas da Tabela q
nrow(base_q) #Número de linhas da tabela q.## [1] 10Número de Linhas da Tabela t
nrow(base_t) #Número de linhas da tabela t.## [1] 10Número de Colunas da Tabela q
ncol(base_q) #Número de colunas da tabela q.## [1] 10Número de Colunas da Tabela t
ncol(base_t) #Número de colunas da tabela t.## [1] 10Abundância de Indivíduos de Cada Espécie no Método q
Foi obtida a partir da soma das linhas de cada espécie.
rowSums(base_q) #Abundância de indivíduos de cada espécie no método 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 14Abundância de Indivíduos de Cada Espécie no Método t
Foi obtida a partir da soma das linhas de cada espécie.
rowSums(base_t) #Abundância de indivíduos de cada espécie no método 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 30Abundância de Indivíduos de Cada Amostra no Método q
Foi obtida a partir da soma das colunas de cada amostra.
colSums(base_q) #Abundância de indivíduos em cada amostra do método q.## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10
## 1 1 9 13 4 4 13 5 7 20Abundância de Indivíduos de Cada Amostra no Método t
Foi obtida a partir da soma das colunas de cada amostra.
colSums(base_t) #Abundância de indivíduos em cada amostra do método t.## t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
## 19 18 20 7 4 2 3 2 2 4Qual o Número de Espécies dos Diferentes Métodos?
library(vegan) #Comando que permite utilizar funções de análise de dados voltadas a ecologia.
library(tidyverse) #Comando que permite utilizar funções que auxiliam na análise de dados.
library(cowplot) #Comando que permite utilizar funções de construção de gráficos.Frequência das Espécies no Método q
A frequência das espécies indica em quantas amostras a espécie foi registrada.
specnumber(base_q) #Frequência das espécies no método q.## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 9 5 0 2 0 2
## carioca_e mac_paraf mac_tubo mac_espag
## 3 0 0 4Frequência das Espécies no Método t
A frequência das espécies indica em quantas amostras a espécie foi registrada.
specnumber(base_t) #Frequência das espécies no método t.## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 6 5 0 1 1 2
## carioca_e mac_paraf mac_tubo mac_espag
## 0 1 0 5Abundância das Espécie em Cada Amostra no Método q
A abundância das espécies indica o número de espécies registradas em cada amostra.
specnumber(t(base_q)) #Abundância das espécies em cada amostra no método q.## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10
## 1 1 3 5 3 1 3 2 2 4Abundância das Espécie em Cada Amostra no Método t
A abundância das espécies indica o número de espécies registradas em cada amostra.
specnumber(t(base_t)) #Abundância das espécies em cada amostra no método t.## t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
## 2 3 4 2 2 1 2 1 2 2O método dos transectos (t) conseguiu registrar mais espécies que o método dos quadrados (q), contudo a diferença foi de apenas uma espécie. As número de espécies registradas foram, respectivamente, 7 e 6.
Número de Espécies no Método dos Quadrados (q)
base_q %>% #Este comando permite fazer uma série de comandos dentro de uma base enquanto mantém a organização.
rownames_to_column("Espécies") %>% #Os nomes das linhas voltaram a ser a primeira coluna.
mutate(Abundância_das_Espécies=rowSums(base_q)) %>% #Foi adicionado uma nova coluna para mostrar as somas das abundâncias.
filter(Abundância_das_Espécies > 0) %>% #Foi retirado as somas iguais a zero, visto que indica que não foi registrado espécie.
count() #Fazer a contagem.## n
## 1 6Número de Espécies no Método dos Transectos (t)
base_t %>% #Este comando permite fazer uma série de comandos dentro de uma base enquanto mantém a organização.
rownames_to_column("Espécies") %>% #Os nomes das linhas voltaram a ser a primeira coluna.
mutate(Abundância_das_Espécies=rowSums(base_t)) %>% #Foi adicionado uma nova coluna para mostrar as somas das abundâncias.
filter(Abundância_das_Espécies > 0) %>% #Foi retirado as somas iguais a zero, visto que indica que não foi registrado espécie.
count() #Fazer a contagem.## n
## 1 7Qual a Distribuição das Abundâncias das Espécies?
Método dos Quadrados (q)
No método q as espécies com maior abundância, em ordem decrescente, foram respectivamente, arroz_c, arroz_e, mac_espag, carioca_e, ervilha e carioca_c. O com maior abundância teve 30 indivíduos registrados, enquanto o menor teve apenas 2.
base_q %>% #Este comando permite fazer uma série de comandos dentro de uma base enquanto mantém a organização.
rownames_to_column("Espécies") %>% #Os nomes das linhas voltaram a ser a primeira coluna.
mutate(Abundância_das_Espécies=rowSums(base_q)) %>% #Foi adicionado uma nova coluna para mostrar as somas das abundâncias.
filter(Abundância_das_Espécies > 0) %>% #Foi retirado as somas iguais a zero, visto que indica que não foi registrado espécie.
arrange(desc(Abundância_das_Espécies)) %>% #Ordena de forma decrescente a abundância.
mutate(Espécies=factor(Espécies, level = Espécies)) %>% #Fixa a ordem para o ggplot.
ggplot(aes(x=Espécies, y=Abundância_das_Espécies))+ #Determinação do eixo x e do eixo y.
geom_line(group = 1)+geom_point(size = 3)->graf_abund_q
graf_abund_q #Mostra o gráfico de q.
Método dos Transectos (t)
No método t as espécies com maior abundância, em ordem decrescente, foram respectivamente, mac_espag, arroz_c, arroz_e, feijao_preto, carioca_c, ervilha e mac_paraf. O com maior abundância teve 30 indivíduos registrados, enquanto o menor teve apenas 1.
base_t %>% #Este comando permite fazer uma série de comandos dentro de uma base enquanto mantém a organização.
rownames_to_column("Espécies") %>% #Os nomes das linhas voltaram a ser a primeira coluna.
mutate(Abundância_das_Espécies=rowSums(base_t)) %>% #Foi adicionado uma nova coluna para mostrar as somas das abundâncias.
filter(Abundância_das_Espécies > 0) %>% #Foi retirado as somas iguais a zero, visto que indica que não foi registrado espécie.
arrange(desc(Abundância_das_Espécies)) %>% #Ordena de forma decrescente a abundância.
mutate(Espécies=factor(Espécies, level = Espécies)) %>% #Fixa a ordem para o ggplot.
ggplot(aes(x=Espécies, y=Abundância_das_Espécies))+ #Determinação do eixo x e do eixo y.
geom_line(group = 1)+geom_point(size = 3)->graf_abund_t
graf_abund_t #Mostra o gráfico de t.
Para melhor vizualização e comparação, a imagem abaixo apresenta os dois gráficos lado a lado.
plot_grid(graf_abund_q, graf_abund_t, labels = c("Quadrados", "Transectos"), ncol = 2) #Colocam as tabelas lado a lado para melhor comparação, além de nomear cada gráfico.
As Amostras Atingiram o Número Real de Espécies?
As amostras não atingiram o número real de espécies. Utilizando os gráficos abaixo é possível notar que no método dos quadrados (q) ele se aproxima mais do total de espécies, justamente por se aproximar do platô da curva. Enquanto no método dos transectos (t) não se aproxima tanto do total de espécies devido a estar na ascendente da curva.
acum_q<-specaccum(t(base_q)) #Criação das curvas.
plot(acum_q, ci.type = "poly", col = "blue", lwd = 2, ci.lty = 0, #Criação do gráfico.
ci.col = "lightblue", main = "Quadrantes", xlab = "Número de amostras", #Definindo a variável do eixo X.
ylab = "Número de espécies") #Definindo a variável do eixo y.
acum_t<-specaccum(t(base_t)) #Criação das curvas.
plot(acum_t, ci.type = "poly", col = "blue", lwd = 2, ci.lty = 0, #Criação do gráfico.
ci.col = "lightblue", main = "Transectos", xlab = "Número de Amostras", #Definindo a variável do eixo X.
ylab = "Número de Espécies") #Definindo a variável do eixo y.
Quais Estimadores Foram Mais Fidedignos?
Os estimadores indicam a abundância de espécies caso espaço amostral fosse maior.
chao- Foi muito acertivo na “base_t”, diferindo apenas 0.3 das 10 espécies. jack1- Se aproximou mais do real na “base_t”, diferindo 1.8 das totais 10 espécies. jack2- Foi mais acertivo na “base_t”, diferindo aproximadamente 0.87 das 10 espécies. boot- Se mostrou mais fidedigno a realidade na “base_q”, diferindo 1.35255 no total de 10 espécies. *n- indica o número de amostras.
specpool(base_q) #Etimação de riqueza do método 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 10specpool(base_t) #Etimação de riqueza do método 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 10Qual dos Métodos Obteve Menos Erro?
O método mais acertivo com base nos estimadores “chao”, “jack1”, “jack2” e “boot” foi o método de amostragem por transectos (t).
Índice de Diversidade de Shannon
No índice de Shannon, quanto mais alto o valor obtido maior será a diversidade e consequentemente terá distribuição mais uniforme (riqueza + abudância relativa). Este índice é mais influenciado pela riqueza das espécies, uma vez que concede maior peso para espécies raras.
O método dos quadrados apresentou maior índice de diversidade de Shannon quando comparado com o método dos transectos, os valores são, respectivamente, 2.017347 e 1.92467. Entretanto, este resultado pode ser consequência da distribuição assimétrica das espécies e abundância díspar.
Método dos Quadrados (q)
Shannon_total<-diversity(colSums(base_q), index = "shannon")
Shannon_total## [1] 2.017347Método dos Transectos (t)
Shannon_total<-diversity(colSums(base_t), index = "shannon")
Shannon_total## [1] 1.92467Índices de Diversidade de Simpson
No índice de Simpson, quanto mais alto o valor obtido maior será a diversidade e consequentemente terá distribuição mais uniforme (riqueza + abudância relativa). Este índice é mais influenciado pela abundância das espécies, visto que concede maior peso para espécies comuns. Indica qual é a chance de amostrar, dentro de uma comunidade, dois indivíduos de uma mesma espécies.
O método dos quadrados apresentou maior índice de diversidade de Simpson quando comparado com o método dos transectos os valores são, respectivamente, 0.8436499 e 0.8190825. Todavia, este resultado pode ser consequência da distribuição assimétrica das espécies e abundância díspar.
Método dos Quadrados (q)
Simpson<-diversity(colSums(base_q), index = "simpson")
Simpson## [1] 0.8436499Método dos Transectos (t)
Simpson<-diversity(colSums(base_t), index = "simpson")
Simpson## [1] 0.8190825Atividade 2
Descrição de Comunidades Biológicas 2ª Parte
Vamos analisar os dados da pesquisa da ilha de Barro Colorado, que visava estudar a dinâmica da vegetação da floresta tropical. Os dados no arquivo BCI contêm informações das árvores da ilha, enquanto BCI.env e BCI.soil contêm dados, respectivamente, de geologia (elevação, inclinação, precipitação…) e de variáveis químicas do solo (elementos presentes, pH…).
library (vegan) #Comando que permite utilizar funções de análise de dados voltadas a ecologia.library(BiodiversityR) #Comando que permite utilizar funções que auxiliam na análise de dados.Explorando a Base
data (BCI)
BCI.env <- read.delim ('C:/Users/PICHAU/Documents/EcoNum/bci.env.txt', row.names = 1)
BCI.soil <- read.delim ('C:/Users/PICHAU/Documents/EcoNum/bci.soil.txt')
BCI.env## UTM.EW UTM.NS elevation convex slope aspectEW aspectNS
## 1 625754 1011569 130.2525 -7.8725000 6.6948280 -0.89108252 -0.453841316
## 2 625754 1011669 136.8100 -10.7000000 5.0868422 -0.21903766 -0.975716405
## 3 625754 1011769 143.6775 -14.6675000 3.1047944 0.03051372 -0.999534348
## 4 625754 1011869 147.0075 -16.7575000 1.8728129 -0.86414183 -0.503248340
## 5 625754 1011969 144.3850 -12.4850000 5.1187247 -0.67148116 0.741021630
## 6 625854 1011569 136.8750 -9.6850000 2.9455318 -0.86532324 -0.501214210
## 7 625854 1011669 139.2450 0.2500000 3.1281253 -0.76696195 -0.641692584
## 8 625854 1011769 142.6425 0.1881250 2.8310056 0.40623791 -0.913767344
## 9 625854 1011869 145.8750 1.1296875 2.8756964 0.89684900 -0.442336821
## 10 625854 1011969 146.8500 -11.9400000 3.6070312 0.97247911 0.232990073
## 11 625954 1011569 138.5475 -5.9275000 4.6828731 0.06634526 -0.997796726
## 12 625954 1011669 141.7025 1.6921875 1.3443193 -0.83037939 0.557198416
## 13 625954 1011769 141.4525 -1.2059375 1.6267072 0.51769818 -0.855563319
## 14 625954 1011869 143.8650 -0.9268750 3.0098757 -0.09852747 -0.995134331
## 15 625954 1011969 148.0825 -11.7725000 3.1911315 -0.61468521 -0.788772525
## 16 626054 1011569 136.9950 -3.7250000 8.1498273 0.18645360 -0.982463767
## 17 626054 1011669 142.7950 2.2468750 1.2328608 -0.12752301 0.991835612
## 18 626054 1011769 141.5300 -1.9046875 0.6746578 -0.82595050 0.563742652
## 19 626054 1011869 143.6125 -1.6112500 3.0334809 0.19324151 -0.981151222
## 20 626054 1011969 148.2900 -12.7900000 3.2248613 0.53446100 -0.845193137
## 21 626154 1011569 136.3025 -1.6425000 9.5092296 -0.07254043 -0.997365473
## 22 626154 1011669 143.9100 1.6378125 1.5178770 -0.79608459 0.605185357
## 23 626154 1011769 143.9450 -1.8859375 2.6663678 -0.93742496 -0.348187379
## 24 626154 1011869 146.1950 -1.3618750 3.8745835 -0.89999003 -0.435910487
## 25 626154 1011969 148.4300 -15.6600000 3.1551052 -0.90674524 -0.421678861
## 26 626254 1011569 139.8500 -4.6900000 8.4977242 -0.40182169 -0.915717932
## 27 626254 1011669 147.4250 2.4171875 3.3517587 -0.94527357 -0.326278825
## 28 626254 1011769 149.3350 0.1465625 3.9684753 -0.95391047 -0.300091338
## 29 626254 1011869 151.8450 0.7715625 3.4537969 -0.87099631 -0.491289553
## 30 626254 1011969 153.4675 -16.2575000 4.0941636 -0.99905612 -0.043438195
## 31 626354 1011569 142.1500 -6.3300000 6.2828036 0.11641969 -0.993200108
## 32 626354 1011669 150.5550 2.7396875 3.6162685 -0.19803527 -0.980194895
## 33 626354 1011769 154.0150 1.7568750 1.7068298 -0.93770775 -0.347425062
## 34 626354 1011869 155.6175 1.4075000 1.8218061 -0.72879990 -0.684726738
## 35 626354 1011969 157.5825 -20.6525000 1.3623534 -0.63562954 -0.771994226
## 36 626454 1011569 141.8725 -4.7625000 8.4427104 -0.04988548 -0.998754945
## 37 626454 1011669 152.5125 6.3309375 4.2112577 -0.37363474 -0.927575916
## 38 626454 1011769 155.3625 4.6656250 1.5223193 0.07955920 0.996830143
## 39 626454 1011869 155.4125 2.8012500 1.7669638 0.91949390 -0.393104283
## 40 626454 1011969 156.6600 -18.3200000 2.0386916 0.92711022 -0.374788798
## 41 626554 1011569 135.6350 2.8250000 10.3727050 0.76564803 -0.643259738
## 42 626554 1011669 143.6675 3.8421875 11.8737929 0.97156717 -0.236764084
## 43 626554 1011769 146.1950 2.1687500 10.4681913 0.99999039 -0.004383192
## 44 626554 1011869 147.6000 1.8221875 7.6335651 0.97833206 -0.207041987
## 45 626554 1011969 147.8575 -8.3175000 8.5262290 0.98823960 0.152913376
## 46 626654 1011569 125.2175 13.2125000 4.9217355 0.88983586 -0.456280777
## 47 626654 1011669 129.0950 10.6550000 5.4517332 0.91536158 -0.402632819
## 48 626654 1011769 132.7125 7.1875000 5.3474854 0.93179398 -0.362987582
## 49 626654 1011869 135.8475 4.4125000 6.4017985 0.96516186 -0.261653573
## 50 626654 1011969 136.1750 4.5750000 5.7948705 0.97120609 0.238240896BCI.soil## x y Al B Ca Cu Fe K Mg
## 1 50 50 901.0908 0.79448 1680.0208 6.20312 135.28696 141.88128 279.1291
## 2 50 150 954.2488 0.66968 1503.3648 6.03148 141.80804 137.23932 280.4524
## 3 50 250 1114.1122 0.59516 1182.3114 6.79768 157.08784 98.69056 230.3973
## 4 50 350 1023.5793 0.56780 1558.0202 6.63400 153.17464 98.36412 228.9468
## 5 50 450 1001.8848 0.39876 1242.2508 6.44428 149.25092 94.07208 202.6820
## 6 150 50 1091.4672 0.73120 1441.9773 6.49552 173.86820 131.89280 276.5010
## 7 150 150 1183.8837 0.34012 1111.4430 5.55292 138.26784 117.12156 242.1834
## 8 150 250 1256.1447 0.32224 1029.2103 6.28208 147.15632 104.30808 184.5147
## 9 150 350 1122.3259 0.46360 1230.2712 7.17968 153.00336 110.24420 206.6087
## 10 150 450 1171.6015 0.31404 1126.8639 6.88668 132.56612 104.81508 172.3453
## 11 250 50 1013.5624 1.50976 1873.0745 7.48400 169.34240 174.48772 345.3183
## 12 250 150 1262.3526 0.48120 1189.9041 5.33012 159.76404 89.17376 206.3466
## 13 250 250 1357.9247 0.23540 1045.2174 4.62248 177.71660 98.93424 188.1626
## 14 250 350 1212.0214 0.44020 1236.2203 6.31780 167.26568 91.46908 198.4673
## 15 250 450 1224.3872 0.58436 1366.2008 8.60500 180.59228 127.33096 193.4852
## 16 350 50 958.6041 1.02476 1628.9744 7.39196 187.20824 166.63760 262.1374
## 17 350 150 1260.5981 0.68944 1314.7934 4.80024 141.08968 110.83156 269.0626
## 18 350 250 1280.1033 0.37996 909.3261 4.78156 191.02360 84.94960 205.3593
## 19 350 350 1304.1727 0.51880 1117.5724 5.77340 157.71204 130.36940 231.7253
## 20 350 450 1125.7407 0.59432 1271.2058 6.77700 165.65836 146.50684 199.9320
## 21 450 50 804.9620 1.17772 1947.9060 8.29748 187.65200 207.58808 316.0532
## 22 450 150 1157.2663 0.70176 1414.6026 5.48304 171.20196 138.90496 250.9801
## 23 450 250 1130.7224 0.34772 1121.9840 5.29832 204.55984 111.69532 223.8185
## 24 450 350 1055.4840 0.76788 1740.2999 6.49560 183.49752 154.91056 306.9667
## 25 450 450 943.2088 0.90908 1658.3516 7.03820 149.49928 190.32096 322.9448
## 26 550 50 644.7222 0.97880 1566.8018 6.24088 165.54480 149.67524 242.2473
## 27 550 150 848.1534 0.64652 1151.2299 5.13840 138.47796 131.41020 203.5124
## 28 550 250 638.7177 0.47056 1010.5889 3.72740 94.50952 100.97304 182.0278
## 29 550 350 1013.5558 0.93808 1379.6197 6.09004 143.43312 161.64440 269.9327
## 30 550 450 841.9146 0.78008 1318.3777 5.26196 145.11908 124.21560 257.4512
## 31 650 50 836.8036 1.32640 1873.1199 7.30100 160.57508 197.62396 259.6383
## 32 650 150 994.0596 1.26224 1836.4184 7.25440 150.13084 200.43848 305.0934
## 33 650 250 707.7167 0.77364 1186.6139 4.34448 117.07408 117.20788 186.6955
## 34 650 350 1064.6256 1.17532 1656.3648 7.45520 164.64424 159.99860 286.4056
## 35 650 450 1230.4947 1.38336 1643.1194 7.82752 183.79920 168.62984 270.8634
## 36 750 50 790.1534 1.46984 2288.0281 9.32800 198.43920 221.93992 375.7485
## 37 750 150 1119.7306 1.17560 1814.7733 8.05352 175.82200 207.74720 314.9025
## 38 750 250 1102.9625 1.43692 2026.0728 7.96676 187.93804 221.69932 321.2459
## 39 750 350 1164.9511 1.46856 2032.2939 7.94704 183.26968 215.24008 376.5321
## 40 750 450 1172.9498 1.23084 1805.0447 7.14824 189.99692 175.79060 297.1220
## 41 850 50 797.2259 1.99308 3114.3613 12.13564 246.92548 310.86508 582.5601
## 42 850 150 1033.7388 1.16824 2176.3146 9.97004 223.95776 236.06648 383.7002
## 43 850 250 1166.2359 1.17224 2154.3347 10.28108 273.39360 249.97808 328.6912
## 44 850 350 1053.4426 1.24832 2222.0407 9.00388 261.28372 251.34784 348.0416
## 45 850 450 872.3968 1.83836 2721.2012 8.45536 260.26808 264.50464 455.7394
## 46 950 50 791.1177 1.25436 3189.7200 7.04104 228.12284 256.95232 620.8935
## 47 950 150 853.5622 0.94416 2272.7515 7.10896 190.71560 189.50200 400.3700
## 48 950 250 787.2073 1.32144 2623.4932 10.38720 252.47976 290.58492 433.1598
## 49 950 350 612.2286 1.76808 2986.5023 10.95828 247.31548 306.73588 548.8605
## 50 950 450 569.5315 1.73740 2872.5805 8.21896 241.44388 295.57168 537.5199
## Mn P Zn N N.min. pH
## 1 266.9997 1.95248 2.96948 18.46500 -3.88544 4.32432
## 2 320.4786 2.24740 2.53208 21.59896 5.64388 4.37548
## 3 445.0708 1.95484 2.24672 20.24516 -4.06408 4.34700
## 4 407.7580 2.63444 2.44284 20.84232 7.89012 4.46112
## 5 250.5403 1.86356 2.13748 16.94500 8.53716 4.40128
## 6 477.3249 1.61612 2.63148 20.29812 4.38948 4.57252
## 7 300.6756 2.12696 2.15556 20.09600 8.33632 4.55972
## 8 204.2532 3.10668 2.07284 21.50216 -0.03472 4.41168
## 9 414.7284 1.99128 2.33068 21.43224 0.05456 4.53336
## 10 329.6930 1.68548 2.05104 18.28212 7.69104 4.55500
## 11 593.4441 2.26524 4.21016 17.66160 12.43908 4.71792
## 12 411.4410 3.04908 2.65716 16.41632 12.13188 4.29640
## 13 120.3541 5.08560 2.51296 17.53460 9.99180 4.12084
## 14 341.3418 2.64316 2.46420 19.22192 11.24440 4.12820
## 15 521.1689 1.70724 2.68512 18.41064 12.54100 4.15760
## 16 393.6943 2.07072 3.30712 18.04436 20.04908 4.50452
## 17 294.6730 4.10280 2.95548 18.92764 16.21112 4.46092
## 18 97.7732 4.93916 2.59364 16.59108 15.43316 4.05204
## 19 254.2865 3.85320 2.58732 20.43300 22.67264 4.24652
## 20 360.1285 2.01588 2.67460 20.99108 15.72420 4.33736
## 21 443.9581 1.75920 4.25764 30.09788 15.87932 4.77492
## 22 258.3372 4.01948 3.19204 27.83632 20.57952 4.67260
## 23 136.7116 4.76356 3.03268 23.78884 16.47284 4.29220
## 24 320.7670 3.02600 3.44568 31.06028 14.15144 4.69712
## 25 237.8575 2.95544 4.09124 32.75832 9.87668 4.74796
## 26 334.3206 1.51060 4.92072 33.83268 19.85712 4.96144
## 27 251.5363 2.90336 4.47264 30.03868 19.38572 4.97480
## 28 101.4256 2.07696 3.82540 30.91848 12.76032 4.84068
## 29 284.2103 4.04536 5.16404 36.89956 13.94100 4.75024
## 30 209.3292 2.41024 3.87976 36.74812 11.19868 4.75976
## 31 327.8550 2.00940 5.57804 33.18100 21.85324 5.00428
## 32 336.4792 4.90372 6.42960 28.85868 22.53260 5.15908
## 33 205.4515 3.11964 4.24540 30.78876 11.04200 5.05812
## 34 388.0369 5.21556 5.91652 36.53824 7.09476 5.05132
## 35 400.3702 3.80704 5.39516 32.63108 17.11192 4.85808
## 36 486.4034 2.91232 6.84324 41.64388 22.15292 4.93364
## 37 491.5143 3.40312 6.74040 38.92268 19.59704 4.93540
## 38 548.3310 6.19656 7.36012 39.04968 15.07688 4.88152
## 39 553.7187 6.25144 7.05788 31.66516 26.97056 4.93488
## 40 404.0450 5.62520 7.08976 30.54752 29.00896 4.77104
## 41 550.8899 2.57328 10.78212 38.13780 31.46776 4.89252
## 42 529.0872 1.36512 8.96552 30.39916 26.46048 4.82900
## 43 589.4242 2.18936 8.77904 32.19116 27.47740 4.82804
## 44 525.7541 2.31204 7.83100 25.22300 39.27656 4.94864
## 45 513.5218 3.17768 9.39208 25.70404 38.14724 5.02364
## 46 371.1350 1.51256 12.97524 21.79476 37.09404 4.68412
## 47 410.1818 1.20892 10.63096 14.89032 41.35176 4.52992
## 48 516.6594 0.99936 10.92440 18.82576 42.19536 4.87296
## 49 507.5793 0.84340 11.18948 22.64272 41.89168 5.00388
## 50 367.5458 1.66460 10.58664 22.40540 38.22128 5.02052Dimensões da Tabela
dim(BCI) ## [1] 50 225Quantas Espécies em Cada Amostra?
specnumber(BCI) ## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 93 84 90 94 101 85 82 88 90 94 87 84 93 98 93 93 93 89 109 100
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 99 91 99 95 105 91 99 85 86 97 77 88 86 92 83 92 88 82 84 80
## 41 42 43 44 45 46 47 48 49 50
## 102 87 86 81 81 86 102 91 91 93Quantos Indivíduos em Cada Amostra?
rowSums(BCI)## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 448 435 463 508 505 412 416 431 409 483 401 366 409 438 462 437 381 347 433 429
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 408 418 340 392 442 407 417 387 364 475 421 459 436 447 601 430 435 447 424 489
## 41 42 43 44 45 46 47 48 49 50
## 402 414 407 409 444 430 425 415 427 432Qual a Abundância de Cada Espécie?
sla<-head(colSums(BCI),n=21)
sla## Abarema.macradenia Vachellia.melanoceras Acalypha.diversifolia
## 1 3 2
## Acalypha.macrostachya Adelia.triloba Aegiphila.panamensis
## 1 92 23
## Alchornea.costaricensis Alchornea.latifolia Alibertia.edulis
## 156 1 1
## Allophylus.psilospermus Alseis.blackiana Amaioua.corymbosa
## 27 983 3
## Anacardium.excelsum Andira.inermis Annona.spraguei
## 22 28 27
## Apeiba.glabra Apeiba.tibourbou Aspidosperma.desmanthum
## 236 21 52
## Astrocaryum.standleyanum Astronium.graveolens Attalea.butyracea
## 201 39 33Curva de Acumulação de Espécies
A curva de acumulação de espécies permite identificar se o esforço amostral foi suficiente para registrar praticamente todas as espécies (para chegar no platô).
sp1<-specaccum(BCI, "random")
sp1## Species Accumulation Curve
## Accumulation method: random, with 100 permutations
## Call: specaccum(comm = BCI, method = "random")
##
##
## Sites 1.00000 2.00000 3.0000 4.00000 5.00000 6.00000 7.00000
## Richness 89.60000 121.01000 138.8000 150.70000 159.47000 166.32000 171.69000
## sd 6.10183 6.81427 7.2167 6.27565 5.58037 5.55392 5.13592
##
## Sites 8.00000 9.00000 10.00000 11.00000 12.00000 13.00000 14.0000
## Richness 176.36000 180.25000 183.11000 186.16000 188.97000 191.23000 192.9900
## sd 4.90623 4.78291 4.52355 4.52093 4.30516 4.27077 4.2888
##
## Sites 15.00000 16.00000 17.00000 18.00000 19.00000 20.00000 21.00000
## Richness 194.98000 196.64000 198.31000 199.87000 201.25000 202.44000 203.55000
## sd 4.07252 3.94538 4.01184 3.82352 3.64144 3.77745 3.76151
##
## Sites 22.00000 23.00000 24.00000 25.00000 26.0000 27.00000 28.0000
## Richness 204.65000 205.88000 207.09000 208.08000 209.1900 210.21000 211.0200
## sd 3.98577 3.78535 3.83523 3.72998 3.6451 3.53709 3.3844
##
## Sites 29.00000 30.000 31.00000 32.0000 33.00000 34.00000 35.00000
## Richness 211.83000 212.680 213.54000 214.4200 215.19000 215.95000 216.73000
## sd 3.22257 3.247 3.03655 2.9135 2.70314 2.57954 2.58533
##
## Sites 36.00000 37.00000 38.00000 39.00000 40.00000 41.0000 42.00000
## Richness 217.40000 217.97000 218.73000 219.40000 219.99000 220.5600 221.15000
## sd 2.50656 2.32446 2.18745 2.19273 2.12961 1.9505 1.81116
##
## Sites 43.00000 44.00000 45.00000 46.00000 47.00000 48.00000 49.00000
## Richness 221.78000 222.38000 223.01000 223.46000 223.93000 224.24000 224.62000
## sd 1.76143 1.63163 1.43192 1.25062 1.11242 0.90028 0.69311
##
## Sites 50
## Richness 225
## sd 0Gráfico
plot(sp1, ci.type="poly", col="blue", lwd=2, ci.lty=0, ci.col="lightblue")
boxplot(sp1, col="yellow", add=TRUE, pch="+")
library(vegan)Curvas de Rank-abunbdância
A curva de rank-abundância possibilita a identificar espécies dominantes e raras, respectivamente, as com maior e menor abundância.
mod <- rad.lognormal(BCI[5,])
mod##
## RAD model: Log-Normal
## Family: poisson
## No. of species: 101
## Total abundance: 505
##
## log.mu log.sigma Deviance AIC BIC
## 0.951926 1.165929 17.077549 317.656487 322.886728Gráfico de LogNormal
plot(mod)
Direfentes Modelos
mod2 <- radfit(BCI[1,])
mod2##
## RAD models, family poisson
## No. of species 93, total abundance 448
##
## par1 par2 par3 Deviance AIC BIC
## Null 39.5261 315.4362 315.4362
## Preemption 0.042797 21.8939 299.8041 302.3367
## Lognormal 1.0687 1.0186 25.1528 305.0629 310.1281
## Zipf 0.11033 -0.74705 61.0465 340.9567 346.0219
## Mandelbrot 100.52 -2.312 24.084 4.2271 286.1372 293.7350Gráficos de Varios Modelos
As linhas de tendência representam a análise da curva de rank-abundância por diferentes modelos de distribuição, cada qual considera que um parâmetro dispõe de maior relevância que outro.
plot(mod2)
Gráficos com o Pacote BiodiversityR
Os gráficos abaixo apresentam curvas de rank-abundância dos diferentes métodos de amostragem.
data(dune)
data("dune.env")
bio<-rankabuncomp(dune, dune.env, factor='Management', return.data=TRUE, specnames=c(1:2), legend=FALSE)
bio## Grouping species labelit rank abundance proportion plower pupper accumfreq
## 1 BF Lolipere TRUE 1 18 15.4 3.6 27.2 15.4
## 2 BF Trifrepe TRUE 2 14 12.0 6.6 17.3 27.4
## 3 BF Scorautu FALSE 3 13 11.1 0.7 21.5 38.5
## 4 BF Poaprat FALSE 4 12 10.3 6.3 14.2 48.7
## 5 BF Poatriv FALSE 5 11 9.4 -9.9 28.7 58.1
## 6 BF Bromhord FALSE 6 8 6.8 -5.2 18.9 65.0
## 7 BF Achimill FALSE 7 7 6.0 -5.0 17.0 70.9
## 8 BF Planlanc FALSE 8 6 5.1 -6.9 17.1 76.1
## 9 BF Bracruta FALSE 9 6 5.1 -9.3 19.5 81.2
## 10 BF Bellpere FALSE 10 5 4.3 -4.0 12.5 85.5
## 11 BF Anthodor FALSE 11 4 3.4 -10.6 17.4 88.9
## 12 BF Elymrepe FALSE 12 4 3.4 -10.8 17.6 92.3
## 13 BF Vicilath FALSE 13 3 2.6 -4.6 9.8 94.9
## 14 BF Alopgeni FALSE 14 2 1.7 -5.4 8.8 96.6
## 15 BF Hyporadi FALSE 15 2 1.7 -6.3 9.7 98.3
## 16 BF Sagiproc FALSE 16 2 1.7 -6.3 9.7 100.0
## 17 HF Poatriv TRUE 1 24 11.3 8.4 14.1 11.3
## 18 HF Lolipere TRUE 2 20 9.4 3.7 15.1 20.7
## 19 HF Poaprat FALSE 3 17 8.0 4.9 11.1 28.6
## 20 HF Rumeacet FALSE 4 16 7.5 1.1 13.9 36.2
## 21 HF Planlanc FALSE 5 15 7.0 -0.7 14.7 43.2
## 22 HF Scorautu FALSE 6 14 6.6 5.2 8.0 49.8
## 23 HF Trifrepe FALSE 7 14 6.6 3.3 9.8 56.3
## 24 HF Bracruta FALSE 8 14 6.6 1.9 11.2 62.9
## 25 HF Elymrepe FALSE 9 10 4.7 -3.6 13.0 67.6
## 26 HF Anthodor FALSE 10 9 4.2 -0.8 9.2 71.8
## 27 HF Trifprat FALSE 11 9 4.2 -1.4 9.9 76.1
## 28 HF Alopgeni FALSE 12 8 3.8 -3.1 10.6 79.8
## 29 HF Juncarti FALSE 13 8 3.8 -2.8 10.3 83.6
## 30 HF Agrostol FALSE 14 7 3.3 -2.6 9.1 86.9
## 31 HF Achimill FALSE 15 6 2.8 -0.3 5.9 89.7
## 32 HF Juncbufo FALSE 16 6 2.8 -2.5 8.1 92.5
## 33 HF Eleopalu FALSE 17 4 1.9 -3.4 7.2 94.4
## 34 HF Sagiproc FALSE 18 4 1.9 -1.4 5.2 96.2
## 35 HF Bromhord FALSE 19 4 1.9 -1.4 5.1 98.1
## 36 HF Bellpere FALSE 20 2 0.9 -1.7 3.5 99.1
## 37 HF Ranuflam FALSE 21 2 0.9 -1.7 3.6 100.0
## 38 NM Scorautu TRUE 1 19 12.6 6.0 19.2 12.6
## 39 NM Bracruta TRUE 2 17 11.3 2.6 19.9 23.8
## 40 NM Agrostol FALSE 3 13 8.6 -1.2 18.4 32.5
## 41 NM Eleopalu FALSE 4 13 8.6 -1.4 18.6 41.1
## 42 NM Salirepe FALSE 5 11 7.3 -0.2 14.8 48.3
## 43 NM Trifrepe FALSE 6 11 7.3 -2.0 16.6 55.6
## 44 NM Anthodor FALSE 7 8 5.3 -3.8 14.4 60.9
## 45 NM Ranuflam FALSE 8 8 5.3 -1.2 11.8 66.2
## 46 NM Hyporadi FALSE 9 7 4.6 -3.8 13.1 70.9
## 47 NM Juncarti FALSE 10 7 4.6 -2.7 12.0 75.5
## 48 NM Callcusp FALSE 11 7 4.6 -2.8 12.1 80.1
## 49 NM Airaprae FALSE 12 5 3.3 -2.4 9.0 83.4
## 50 NM Planlanc FALSE 13 5 3.3 -2.6 9.2 86.8
## 51 NM Poaprat FALSE 14 4 2.6 -2.5 7.8 89.4
## 52 NM Comapalu FALSE 15 4 2.6 -1.8 7.1 92.1
## 53 NM Sagiproc FALSE 16 3 2.0 -2.9 6.9 94.0
## 54 NM Achimill FALSE 17 2 1.3 -2.4 5.0 95.4
## 55 NM Bellpere FALSE 18 2 1.3 -2.0 4.7 96.7
## 56 NM Empenigr FALSE 19 2 1.3 -1.9 4.6 98.0
## 57 NM Lolipere FALSE 20 2 1.3 -2.0 4.7 99.3
## 58 NM Vicilath FALSE 21 1 0.7 -1.0 2.3 100.0
## 59 SF Agrostol TRUE 1 28 13.7 7.8 19.7 13.7
## 60 SF Poatriv TRUE 2 28 13.7 6.3 21.1 27.5
## 61 SF Alopgeni FALSE 3 26 12.7 4.5 21.0 40.2
## 62 SF Lolipere FALSE 4 18 8.8 -2.1 19.8 49.0
## 63 SF Poaprat FALSE 5 15 7.4 0.5 14.2 56.4
## 64 SF Elymrepe FALSE 6 12 5.9 -1.0 12.8 62.3
## 65 SF Bracruta FALSE 7 12 5.9 0.8 10.9 68.1
## 66 SF Sagiproc FALSE 8 11 5.4 -0.8 11.5 73.5
## 67 SF Eleopalu FALSE 9 8 3.9 -6.3 14.1 77.5
## 68 SF Scorautu FALSE 10 8 3.9 1.4 6.4 81.4
## 69 SF Trifrepe FALSE 11 8 3.9 0.5 7.3 85.3
## 70 SF Juncbufo FALSE 12 7 3.4 -2.3 9.2 88.7
## 71 SF Bellpere FALSE 13 4 2.0 -0.9 4.8 90.7
## 72 SF Ranuflam FALSE 14 4 2.0 -1.3 5.2 92.6
## 73 SF Juncarti FALSE 15 3 1.5 -2.4 5.3 94.1
## 74 SF Callcusp FALSE 16 3 1.5 -2.4 5.3 95.6
## 75 SF Bromhord FALSE 17 3 1.5 -2.1 5.0 97.1
## 76 SF Rumeacet FALSE 18 2 1.0 -1.5 3.5 98.0
## 77 SF Cirsarve FALSE 19 2 1.0 -1.4 3.3 99.0
## 78 SF Achimill FALSE 20 1 0.5 -0.9 1.9 99.5
## 79 SF Chenalbu FALSE 21 1 0.5 -0.8 1.8 100.0
## logabun rankfreq
## 1 1.3 6.2
## 2 1.1 12.5
## 3 1.1 18.8
## 4 1.1 25.0
## 5 1.0 31.2
## 6 0.9 37.5
## 7 0.8 43.8
## 8 0.8 50.0
## 9 0.8 56.2
## 10 0.7 62.5
## 11 0.6 68.8
## 12 0.6 75.0
## 13 0.5 81.2
## 14 0.3 87.5
## 15 0.3 93.8
## 16 0.3 100.0
## 17 1.4 4.8
## 18 1.3 9.5
## 19 1.2 14.3
## 20 1.2 19.0
## 21 1.2 23.8
## 22 1.1 28.6
## 23 1.1 33.3
## 24 1.1 38.1
## 25 1.0 42.9
## 26 1.0 47.6
## 27 1.0 52.4
## 28 0.9 57.1
## 29 0.9 61.9
## 30 0.8 66.7
## 31 0.8 71.4
## 32 0.8 76.2
## 33 0.6 81.0
## 34 0.6 85.7
## 35 0.6 90.5
## 36 0.3 95.2
## 37 0.3 100.0
## 38 1.3 4.8
## 39 1.2 9.5
## 40 1.1 14.3
## 41 1.1 19.0
## 42 1.0 23.8
## 43 1.0 28.6
## 44 0.9 33.3
## 45 0.9 38.1
## 46 0.8 42.9
## 47 0.8 47.6
## 48 0.8 52.4
## 49 0.7 57.1
## 50 0.7 61.9
## 51 0.6 66.7
## 52 0.6 71.4
## 53 0.5 76.2
## 54 0.3 81.0
## 55 0.3 85.7
## 56 0.3 90.5
## 57 0.3 95.2
## 58 0.0 100.0
## 59 1.4 4.8
## 60 1.4 9.5
## 61 1.4 14.3
## 62 1.3 19.0
## 63 1.2 23.8
## 64 1.1 28.6
## 65 1.1 33.3
## 66 1.0 38.1
## 67 0.9 42.9
## 68 0.9 47.6
## 69 0.9 52.4
## 70 0.8 57.1
## 71 0.6 61.9
## 72 0.6 66.7
## 73 0.5 71.4
## 74 0.5 76.2
## 75 0.5 81.0
## 76 0.3 85.7
## 77 0.3 90.5
## 78 0.0 95.2
## 79 0.0 100.0Gráficos com ggplot
library(ggplot2)
library(ggrepel)plotgg1 <- ggplot(data=bio, aes(x = rank, y = abundance)) +
scale_x_continuous(expand=c(0, 1), sec.axis = dup_axis(labels=NULL, name=NULL)) +
scale_y_continuous(expand=c(0, 1), sec.axis = dup_axis(labels=NULL, name=NULL)) +
geom_line(aes(colour=Grouping), size=1) +
geom_point(aes(colour=Grouping, shape=Grouping), size=5, alpha=0.7) +
geom_text_repel(data=subset(bio, labelit == TRUE),
aes(colour=Grouping, label=species),
angle=45, nudge_x=1, nudge_y=1, show.legend=FALSE) +
scale_color_brewer(palette = "Set1") +
labs(x = "rank", y = "abundance", colour = "Management", shape = "Management")## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.plotgg1## Warning: ggrepel: Repulsion works correctly only for rotation angles multiple of
## 90 degrees
RA.data <- rankabuncomp(dune, y=dune.env, factor='Management',
return.data=TRUE, specnames=c(1:10), legend=FALSE)
View(RA.data)plotgg2 <- ggplot(data=RA.data, aes(x = rank, y = abundance)) +
scale_x_continuous(expand=c(0, 1), sec.axis = dup_axis(labels=NULL, name=NULL)) +
scale_y_continuous(expand=c(0, 1), sec.axis = dup_axis(labels=NULL, name=NULL)) +
geom_line(aes(colour=Grouping), size=1) +
geom_point(aes(colour=Grouping), size=5, alpha=0.7) +
geom_text_repel(data=subset(RA.data, labelit == TRUE),
aes(label=species),
angle=45, nudge_x=1, nudge_y=1, show.legend=FALSE) +
scale_color_brewer(palette = "Set1") +
facet_wrap(~ Grouping) +
labs(x = "rank", y = "abundance", colour = "Management")
plotgg2## Warning: ggrepel: Repulsion works correctly only for rotation angles multiple of 90 degrees
## ggrepel: Repulsion works correctly only for rotation angles multiple of 90 degrees
## ggrepel: Repulsion works correctly only for rotation angles multiple of 90 degrees
## ggrepel: Repulsion works correctly only for rotation angles multiple of 90 degrees
Descrição de Comunidades Culinárias 2ª Parte
library (vegan) #Comando que permite utilizar funções de análise de dados voltadas a ecologia.library(BiodiversityR) #Comando que permite utilizar funções que auxiliam na análise de dados.Tabela
base<-read.csv("C:/Users/PICHAU/Documents/EcoNum/com_cul.csv", row.names = 1) #Caminho para acessar a tabela. Depois a primeira coluna foi transformada no nome das linhas/espécies.
base #Esse comando mostra a tabela.## 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 0Tabela do Método Quadrado (q)
base_q<-base[,1:10] #Separando os dados obtidos a partir do método q.
base_q #Esse comando mostra a tabela de 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 4dim(base_q) ## [1] 10 10Quantas Espécies em Cada Amostra do Método q?
specnumber(base_q) ## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 9 5 0 2 0 2
## carioca_e mac_paraf mac_tubo mac_espag
## 3 0 0 4Quantos Indivíduos em Cada Amostra do Método q?
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 14Qual a Abundância de Cada Espécie do Método q?
colSums(base_q)## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10
## 1 1 9 13 4 4 13 5 7 20Tabela do Método Transecto (t)
base_t<-base[,11:20] #Separando os dados obtidos a partir do método t.
base_t #Esse comando mostra a tabela de 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 0Dimensões da Tabela do Método t
dim(base_t) ## [1] 10 10Quantas Espécies em Cada Amostra do Método t?
specnumber(base_t) ## arroz_c arroz_e milho ervilha feijao_preto carioca_c
## 6 5 0 1 1 2
## carioca_e mac_paraf mac_tubo mac_espag
## 0 1 0 5Quantos Indivíduos em Cada Amostra do Método t?
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 30Qual a Abundância de Cada Espécie do Método t?
colSums(base_t)## t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
## 19 18 20 7 4 2 3 2 2 4Curva de Acumulação de Espécies
A curva de acumulação de espécies permite identificar se o esforço amostral foi suficiente para registrar praticamente todas as espécies (para chegar no platô). Em ambos os métodos não foi possível atingir o platô, logo não conseguiram amostar todas as espécies da ilha.
Método q
spc1<-specaccum(base_q, "random")
spc1## Species Accumulation Curve
## Accumulation method: random, with 100 permutations
## Call: specaccum(comm = base_q, method = "random")
##
##
## Sites 1.0000000 2.000000 3.000000 4.0000000 5.0000000 6.0000000 7.0000000
## Richness 2.4600000 4.350000 5.650000 7.1500000 7.8700000 8.3400000 8.8800000
## sd 2.8653979 3.046359 2.808267 2.1242943 1.8458526 1.5905021 1.3278676
##
## Sites 8.000000 9.0000000 10
## Richness 9.340000 9.6900000 10
## sd 0.934415 0.6620293 0plot(spc1, ci.type="poly", col="blue", lwd=2, ci.lty=0, ci.col="lightblue")
boxplot(spc1, col="yellow", add=TRUE, pch="+")
Método t
spc2<-specaccum(base_t, "random")
spc2## Species Accumulation Curve
## Accumulation method: random, with 100 permutations
## Call: specaccum(comm = base_t, method = "random")
##
##
## Sites 1.0000000 2.000000 3.0000000 4.0000000 5.000000 6.000000 7.0000000
## Richness 2.6400000 4.310000 5.7300000 6.9200000 7.900000 8.590000 9.0900000
## sd 2.2675578 2.517394 2.3734857 2.1958639 1.702642 1.450148 1.1728839
##
## Sites 8.0000000 9.0000000 10
## Richness 9.6000000 9.8500000 10
## sd 0.6816498 0.3588703 0plot(spc2, ci.type="poly", col="blue", lwd=2, ci.lty=0, ci.col="lightblue")
boxplot(spc1, col="yellow", add=TRUE, pch="+")
library(vegan)Curvas de Rank-abunbdância
A curva de rank-abundância possibilita a identificar espécies dominantes e raras, respectivamente, as com maior e menor abundância. Sob este prisma, podemos constatar que há uma espécie muito abundante e cerca de metade são espécies com baixíssimas abundância em ambos os métodos. Tal característica corresponde ao modelo de rank-abundância, uma vez que são poucas espécies dominantes e muitas espécies raras.
Método q
modc <- rad.lognormal(base_q[1,])
modc##
## RAD model: Log-Normal
## Family: poisson
## No. of species: 9
## Total abundance: 30
##
## log.mu log.sigma Deviance AIC BIC
## 0.98510067 0.76152350 2.42545824 31.90253757 32.29698672Gráfico de LogNormal
plot(modc)
Direfentes Modelos
modc2 <- radfit(base_q[1,]) #Comando que ajusta os modelos de distribuição.
modc2##
## RAD models, family poisson
## No. of species 9, total abundance 30
##
## par1 par2 par3 Deviance AIC BIC
## Null 2.94948 28.42655 28.42655
## Preemption 0.248851 1.89475 29.37183 29.56906
## Lognormal 0.985101 0.761524 2.42546 31.90254 32.29699
## Zipf 0.293451 -0.799675 3.92920 33.40628 33.80073
## Mandelbrot Inf -2.94752e+06 1.07273e+07 1.69219 33.16927 33.76094Gráficos de Varios Modelos
As linhas de tendência representam a análise da curva de rank-abundância por diferentes modelos de distribuição, cada qual considera que um parâmetro dispõe de maior relevância que outro.
plot(modc2)
Método t
modc1 <- rad.lognormal(base_t[1,])
modc1##
## RAD model: Log-Normal
## Family: poisson
## No. of species: 6
## Total abundance: 28
##
## log.mu log.sigma Deviance AIC BIC
## 1.46807882 0.45788666 0.42385791 24.47552782 24.05904676Gráfico de LogNormal
plot(modc1)
Direfentes Modelos
As linhas de tendência representam a análise da curva de rank-abundância por diferentes modelos de distribuição, cada qual considera que um parâmetro dispõe de maior relevância que outro.
modc3 <- radfit(base_t[1,])
modc3##
## RAD models, family poisson
## No. of species 6, total abundance 28
##
## par1 par2 par3 Deviance AIC BIC
## Null 5.764348 25.816017 25.816017
## Preemption 0.260556 1.593537 23.645207 23.436967
## Lognormal 1.46808 0.457887 0.423858 24.475528 24.059047
## Zipf 0.298747 -0.595461 0.294246 24.345916 23.929435
## Mandelbrot 0.924975 -1.09784 1.88078 0.232612 26.284282 25.659560Gráficos de Varios Modelos
As linhas de tendência representam a análise da curva de rank-abundância por diferentes modelos de distribuição, cada qual considera que um parâmetro dispõe de maior relevância que outro.
plot(modc3)
Gráficos alternativos
Dispersão
O método dos quadrantes apresenta distribuição mais uniforme em comparação ao método dos transectos, indicando uma abndância mais bem distribuida.
colSums(base_q)## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10
## 1 1 9 13 4 4 13 5 7 20colSums(base_t)## t1 t2 t3 t4 t5 t6 t7 t8 t9 t10
## 19 18 20 7 4 2 3 2 2 4par(mfrow=c(1,2))
plot(colSums(base_q), ci.type="poly", col="lightgreen", lwd=2, ci.lty=0, ci.col="lightgreen", main = "Abundância dos quadrantes", xlab = "Amostras", ylab = "Abundância")## Warning in plot.window(...): "ci.type" não é um parâmetro gráfico## Warning in plot.window(...): "ci.lty" não é um parâmetro gráfico## Warning in plot.window(...): "ci.col" não é um parâmetro gráfico## Warning in plot.xy(xy, type, ...): "ci.type" não é um parâmetro gráfico## Warning in plot.xy(xy, type, ...): "ci.lty" não é um parâmetro gráfico## Warning in plot.xy(xy, type, ...): "ci.col" não é um parâmetro gráfico## Warning in axis(side = side, at = at, labels = labels, ...): "ci.type" não é um
## parâmetro gráfico## Warning in axis(side = side, at = at, labels = labels, ...): "ci.lty" não é um
## parâmetro gráfico## Warning in axis(side = side, at = at, labels = labels, ...): "ci.col" não é um
## parâmetro gráfico## Warning in axis(side = side, at = at, labels = labels, ...): "ci.type" não é um
## parâmetro gráfico## Warning in axis(side = side, at = at, labels = labels, ...): "ci.lty" não é um
## parâmetro gráfico## Warning in axis(side = side, at = at, labels = labels, ...): "ci.col" não é um
## parâmetro gráfico## Warning in box(...): "ci.type" não é um parâmetro gráfico## Warning in box(...): "ci.lty" não é um parâmetro gráfico## Warning in box(...): "ci.col" não é um parâmetro gráfico## Warning in title(...): "ci.type" não é um parâmetro gráfico## Warning in title(...): "ci.lty" não é um parâmetro gráfico## Warning in title(...): "ci.col" não é um parâmetro gráficoplot(colSums(base_t), ci.type="poly", col="lightblue", lwd=2, ci.lty=0, ci.col="lightgreen", main = "Abundância dos transectos", xlab = "Amostras", ylab = "Abundância")## Warning in plot.window(...): "ci.type" não é um parâmetro gráfico## Warning in plot.window(...): "ci.lty" não é um parâmetro gráfico## Warning in plot.window(...): "ci.col" não é um parâmetro gráfico## Warning in plot.xy(xy, type, ...): "ci.type" não é um parâmetro gráfico## Warning in plot.xy(xy, type, ...): "ci.lty" não é um parâmetro gráfico## Warning in plot.xy(xy, type, ...): "ci.col" não é um parâmetro gráfico## Warning in axis(side = side, at = at, labels = labels, ...): "ci.type" não é um
## parâmetro gráfico## Warning in axis(side = side, at = at, labels = labels, ...): "ci.lty" não é um
## parâmetro gráfico## Warning in axis(side = side, at = at, labels = labels, ...): "ci.col" não é um
## parâmetro gráfico## Warning in axis(side = side, at = at, labels = labels, ...): "ci.type" não é um
## parâmetro gráfico## Warning in axis(side = side, at = at, labels = labels, ...): "ci.lty" não é um
## parâmetro gráfico## Warning in axis(side = side, at = at, labels = labels, ...): "ci.col" não é um
## parâmetro gráfico## Warning in box(...): "ci.type" não é um parâmetro gráfico## Warning in box(...): "ci.lty" não é um parâmetro gráfico## Warning in box(...): "ci.col" não é um parâmetro gráfico## Warning in title(...): "ci.type" não é um parâmetro gráfico## Warning in title(...): "ci.lty" não é um parâmetro gráfico## Warning in title(...): "ci.col" não é um parâmetro gráfico
Curva de Rarefação
rare <- specaccum(base_q, method = "rarefaction")
rare1 <- specaccum(base_t, method = "rarefaction")par(mfrow=c(1,2))
plot(rare, ci.type="poly", col="lightgreen", lwd=2, ci.lty=0, main = "Rarefação dos quadrantes", xlab = "Número de Amostras", ylab = "Número de Espécies")
plot(rare1, ci.type="poly", col="lightblue", lwd=2, ci.lty=0, main = "Rarefação dos transectos", xlab = "Número de Amostras", ylab = "Número de Espécies")
Medidas de Diversidade
As comunidades biológicas são uma rica fonte de dados, devido as suas estruturas complexas. Todavia, a descrição destas comunidades, frequentemente, se baseia na riqueza e na abundância das espécies. Essas informações podem diferir de acordo com o método de amostragem, amostra e/ou com a comunidade, sendo a variação analisada para determinar se é ou não significativa. Nesta atividade será utilizado abundância, riqueza e índices de diversidade.
library(ecodados) #Comando que permite utilizar funções que auxiliam na análise de dados voltadas a ecologia.library(devtools) #Comando que permite utilizar funções que auxiliam na análise de dados.
library (vegan) #Comando que permite utilizar funções de análise de dados voltadas a ecologia.
library(ggplot2) #Comando que permite utilizar funções que auxiliam na visualização dos dados na forma de gráficos.
library(BiodiversityR) #Comando que permite utilizar funções que auxiliam na análise de dados.## Dados
composicao_especies <- ecodados::composicao_anuros_div_taxonomica
precipitacao <- ecodados::precipitacao_div_taxonomicaExplorando a Base
composicao_especies #Visualizar a tabela.## sp1 sp2 sp3 sp4 sp5 sp6 sp7 sp8 sp9 sp10
## Com_1 10 10 10 10 10 10 10 10 10 10
## Com_2 91 1 1 1 1 1 1 1 1 1
## Com_3 1 3 6 25 1 0 0 0 0 0
## Com_4 0 0 0 0 0 15 15 18 17 16
## Com_5 0 9 0 6 0 11 0 2 12 0
## Com_6 3 0 5 0 12 1 0 13 12 0
## Com_7 0 0 2 0 0 0 2 0 0 0
## Com_8 12 0 0 0 0 3 0 3 2 0
## Com_9 2 1 0 2 0 3 3 4 0 0
## Com_10 0 4 1 0 4 0 0 2 0 0Dimensões da Tabela
dim(composicao_especies)## [1] 10 10Número de Linhas da Tabela
nrow(composicao_especies)## [1] 10Número de Colunas da Tabela
ncol(composicao_especies)## [1] 10Abundância de Indivíduos de Cada Espécie
Foi obtida a partir da soma das linhas de cada espécie.
rowSums(composicao_especies) ## Com_1 Com_2 Com_3 Com_4 Com_5 Com_6 Com_7 Com_8 Com_9 Com_10
## 100 100 36 81 40 46 4 20 15 11Abundância de Indivíduos de Cada Amostra
Foi obtida a partir da soma das colunas de cada amostra.
colSums(composicao_especies)## sp1 sp2 sp3 sp4 sp5 sp6 sp7 sp8 sp9 sp10
## 119 28 25 44 28 44 31 53 54 27Curvas de Rank-abundância das Comunidades
Vamos analisar a diferença de abundância entre as espécies e ranquear as espécies em cada comunidade.
Comunidade 1
rank_com1 <- rankabundance(composicao_especies[1, composicao_especies[1,] > 0]) #Escolhendo a parte da tabela para fazer o gráfico da comunidade 1.## Warning in qt(0.975, df = n - 1): NaNs produzidosrankabunplot(rank_com1, scale = "logabun", specnames = c(1),
pch = 19, col = "darkorange") #Criando o gráfico de rank abundância da comunidade 1.
Comunidade 2
rank_com2 <- rankabundance(composicao_especies[2, composicao_especies[2,] > 0]) ## Warning in qt(0.975, df = n - 1): NaNs produzidosrankabunplot(rank_com2, scale = "logabun", specnames = c(1),
pch = 19, col = "darkorange")
Comunidade 3
rank_com3 <- rankabundance(composicao_especies[3, composicao_especies[3,] > 0]) ## Warning in qt(0.975, df = n - 1): NaNs produzidosrankabunplot(rank_com3, scale = "logabun", specnames = c(1),
pch = 19, col = "darkorange")
Comunidade 4
rank_com4 <- rankabundance(composicao_especies[4, composicao_especies[4,] > 0]) ## Warning in qt(0.975, df = n - 1): NaNs produzidosrankabunplot(rank_com4, scale = "logabun", specnames = c(1),
pch = 19, col = "darkorange")
Comunidade 5
rank_com5 <- rankabundance(composicao_especies[5, composicao_especies[5,] > 0]) ## Warning in qt(0.975, df = n - 1): NaNs produzidosrankabunplot(rank_com5, scale = "logabun", specnames = c(1),
pch = 19, col = "darkorange")
Comunidade 6
rank_com6 <- rankabundance(composicao_especies[6, composicao_especies[6,] > 0]) ## Warning in qt(0.975, df = n - 1): NaNs produzidosrankabunplot(rank_com6, scale = "logabun", specnames = c(1),
pch = 19, col = "darkorange")
Comunidade 7
rank_com7 <- rankabundance(composicao_especies[7, composicao_especies[7,] > 0]) ## Warning in qt(0.975, df = n - 1): NaNs produzidosrankabunplot(rank_com7, scale = "logabun", specnames = c(1),
pch = 19, col = "darkorange")
Comunidade 8
rank_com8 <- rankabundance(composicao_especies[8, composicao_especies[8,] > 0]) ## Warning in qt(0.975, df = n - 1): NaNs produzidosrankabunplot(rank_com8, scale = "logabun", specnames = c(1),
pch = 19, col = "darkorange")
Comunidade 9
rank_com9 <- rankabundance(composicao_especies[9, composicao_especies[9,] > 0]) ## Warning in qt(0.975, df = n - 1): NaNs produzidosrankabunplot(rank_com9, scale = "logabun", specnames = c(1),
pch = 19, col = "darkorange")
Comunidade 10
rank_com10 <- rankabundance(composicao_especies[10, composicao_especies[10,] > 0]) ## Warning in qt(0.975, df = n - 1): NaNs produzidosrankabunplot(rank_com10, scale = "logabun", specnames = c(1),
pch = 19, col = "darkorange")
Calculo de Índices de Diversidade de Espécies.
Os índices de diversidade variam de acordo com a importância concedida a cada parâmetro. Serão utilizados alguns índices para analizar as comunidades selecionadas.
Riqueza
riqueza_res <- specnumber(composicao_especies)
riqueza_res## 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 4plot(riqueza_res)
Shannon
shannon_res <- diversity(composicao_especies, index = "shannon", MARGIN = 1)
shannon_res## Com_1 Com_2 Com_3 Com_4 Com_5 Com_6 Com_7
## 2.30258509 0.50028804 0.95801090 1.60686589 1.48618945 1.56070384 0.69314718
## Com_8 Com_9 Com_10
## 1.10588988 1.71408754 1.26365443plot(shannon_res)
Simpson
simpson_res <- diversity(composicao_especies, index = "simpson", MARGIN = 1)
simpson_res## Com_1 Com_2 Com_3 Com_4 Com_5 Com_6 Com_7
## 0.90000000 0.17100000 0.48148148 0.79896357 0.75875000 0.76748582 0.50000000
## Com_8 Com_9 Com_10
## 0.58500000 0.80888889 0.69421488plot(simpson_res)
Relação dos Índices com a Precipitação
Vamos avaliar a relação dos índices de diversidade das comunidades com a precipitação.
precipitacao## prec
## Com_1 3200
## Com_2 3112
## Com_3 2800
## Com_4 1800
## Com_5 2906
## Com_6 3005
## Com_7 930
## Com_8 1000
## Com_9 1300
## Com_10 987Shannon
dados_div <- data.frame(precipitacao$prec, riqueza_res,shannon_res,
simpson_res) ## Juntando todos os dados em uma única base.
colnames(dados_div) <- c("Precipitacao", "Riqueza", "Shannon", "Simpson") ## Renomeando as colunas.
anova_shan <- lm(Shannon ~ Precipitacao, data = dados_div)
anova(anova_shan) #Teste anova shannon.## Analysis of Variance Table
##
## Response: Shannon
## Df Sum Sq Mean Sq F value Pr(>F)
## Precipitacao 1 0.109892 0.109892 0.36273 0.56367
## Residuals 8 2.423655 0.302957Simpson
anova_simp <- lm(Simpson ~ Precipitacao, data = dados_div)
anova(anova_simp) #Teste anova simpson.## Analysis of Variance Table
##
## Response: Simpson
## Df Sum Sq Mean Sq F value Pr(>F)
## Precipitacao 1 0.001325 0.0013248 0.0252 0.87781
## Residuals 8 0.420643 0.0525804Riqueza
anova_riq <- lm(Riqueza ~ Precipitacao, data = dados_div)
anova(anova_riq) #Teste anova riqueza.## Analysis of Variance Table
##
## Response: Riqueza
## Df Sum Sq Mean Sq F value Pr(>F)
## Precipitacao 1 30.6224 30.6224 8.91561 0.017443 *
## Residuals 8 27.4776 3.4347
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Gráficos da Relação Índices de Diversidade com a Precipitação
Shannon
par(mfrow=c(2,2))
plot(anova_shan)
Simpson
par(mfrow=c(2,2))
plot(anova_simp)
Riqueza
par(mfrow=c(2,2))
plot(anova_riq)
Exercício Extra
Rarefação (Cap. 10)
library(iNEXT)
library(devtools)
library(ecodados)
library(ggplot2)
library(vegan)
library(nlme)##
## Attaching package: 'nlme'## The following object is masked from 'package:dplyr':
##
## collapselibrary(dplyr)
library(piecewiseSEM)##
## This is piecewiseSEM version 2.1.0.
##
##
## Questions or bugs can be addressed to <LefcheckJ@si.edu>.ex1 <- ecodados::Cap10_exercicio1
ex1## Fragmento Pasto Borda Cana
## sp1 5 0 6 0
## sp2 4 5 1 0
## sp3 4 0 3 0
## sp4 1 25 5 20
## sp5 6 0 12 12
## sp6 1 0 5 0
## sp7 0 4 3 100
## sp8 5 0 4 0
## sp9 14 0 1 0
## sp10 8 20 12 0
## sp11 5 0 11 0
## sp12 3 1 3 0
## sp13 1 0 15 0
## sp14 1 1 2 0
## sp15 1 2 15 15
## sp16 7 0 3 0
## sp17 25 2 5 5Exercício 1
Número de Indivíduos de Cada Ambiente
colSums(ex1)## Fragmento Pasto Borda Cana
## 91 60 106 152Rarefação
É possível afirmar que as comunidades de borda e de fragmento são mais ricas que o de cana (não há sobreposição). Não é possível comparar com segurança as comunidades de fragmento e borda, igualmente as de cana e pasto.
res_ex1 <- iNEXT(ex1, q = 0,
datatype = "abundance", endpoint = 300)ggiNEXT(res_ex1, type = 1) +
geom_vline(xintercept = 60, lty = 2) +
scale_linetype_discrete(labels = c("Interpolado", "Extrapolado")) +
scale_colour_manual(values = c("darkblue", "darkmagenta", "red4", "black")) +
scale_fill_manual(values = c("darkblue", "darkmagenta", "red4", "black")) +
labs(x = "Número de indivíduos", y = " Riqueza de espécies") +
theme_bw(base_size = 16)## Scale for colour is already present.
## Adding another scale for colour, which will replace the existing scale.
## Scale for fill is already present.
## Adding another scale for fill, which will replace the existing scale.
Exercício 2
ex2 <- ecodados::Cap10_exercicio2
head(ex2)## Fragmento Pasto Borda Cana
## amostras 10 14 10 9
## sp1 5 0 2 0
## sp2 1 5 1 0
## sp3 4 0 3 0
## sp4 1 14 5 1
## sp5 6 0 3 1Rarefação
É possível afirmar que as comunidades de borda e de fragmento são maiores que o de pasto (não há sobreposição). Não é possível comparar com segurança as comunidades de fragmento e borda, igualmente as de cana e pasto.
res_ex2 <- iNEXT(ex2, q = 0,
datatype = "incidence_freq", endpoint = 30)ggiNEXT(res_ex2, type = 1) +
geom_vline(xintercept = 9, lty = 2) +
scale_linetype_discrete(labels = c("Interpolado", "Extrapolado")) +
scale_colour_manual(values = c("darkblue", "darkmagenta", "red4", "black")) +
scale_fill_manual(values = c("darkblue", "darkmagenta", "red4", "black")) +
labs(x = "Número de amostras", y = " Riqueza de espécies") +
theme_bw(base_size = 16)## Scale for colour is already present.
## Adding another scale for colour, which will replace the existing scale.
## Scale for fill is already present.
## Adding another scale for fill, which will replace the existing scale.
Exercício 3
Rarefação com a Cobertura de Abundância
É possível afirmar que as comunidades de borda e de fragmento são mais ricas que o de cana (não há sobreposição). Não é possível comparar com segurança as comunidades de fragmento e borda, igualmente as de cana e pasto.
res_ex1 <- iNEXT(ex1, q = 0,
datatype = "abundance", endpoint = 300)ggiNEXT(res_ex1, type = 3) +
scale_linetype_discrete(labels = c("Interpolado", "Extrapolado")) +
scale_colour_manual(values = c("darkblue", "darkmagenta", "red4", "black")) +
scale_fill_manual(values = c("darkblue", "darkmagenta", "red4", "black")) +
labs(x = "Representatividade da abundância", y = "Riqueza de espécies") +
theme_bw(base_size = 16)## Scale for colour is already present.
## Adding another scale for colour, which will replace the existing scale.
## Scale for fill is already present.
## Adding another scale for fill, which will replace the existing scale.
Rarefação com a Cobertura das Amostras
É possível afirmar que as comunidades de borda e de fragmento são maiores que o de pasto (não há sobreposição). Não é possível comparar com segurança as comunidades de fragmento e borda, igualmente as de cana e pasto.
res_ex2 <- iNEXT(ex2, q = 0,
datatype = "incidence_freq", endpoint = 30)ggiNEXT(res_ex2, type = 3) +
scale_linetype_discrete(labels = c("Interpolado", "Extrapolado")) +
scale_colour_manual(values = c("darkblue", "darkmagenta", "red4", "black")) +
scale_fill_manual(values = c("darkblue", "darkmagenta", "red4", "black")) +
labs(x = "Representatividade das amostras", y = "Riqueza de espécies") +
theme_bw(base_size = 16)## Scale for colour is already present.
## Adding another scale for colour, which will replace the existing scale.
## Scale for fill is already present.
## Adding another scale for fill, which will replace the existing scale.
Estimadores de Riqueza (Cap. 11)
Exercício 1
exe1 <- ecodados::Cap11_exercicio1Estimadores de Abundância
Os estimadores Chao 1 e ACE indicam a possibilidade de haver mais espécies a serem encontradas, caso o esforço amostral fosse maior. O estimador ACE não aponta tendência ao platô, enquanto o Chao 1 mostra certa tendência ao platô. Faz-se necessário aumentar o esforço amostral.
est_abun <- estaccumR(exe1, permutations = 100)resultados_abun <- summary(est_abun
, display = c("S", "chao", "ace"))
res_abun <- cbind(resultados_abun$chao[, 1:4], resultados_abun$ace[, 2:4],
resultados_abun$S[, 2:4])
res_abun <- as.data.frame(res_abun)
colnames(res_abun) <- c("Amostras", "Chao", "C_inferior", "C_superior",
"ace", "A_inferior", "A_superior",
"Riqueza", "R_inferior", "R_superior")
ggplot(res_abun, aes(y = Riqueza, x = Amostras)) +
geom_point(aes(y = Chao, x = Amostras + 0.1), size = 4,
color = "darkorange", alpha = 1) +
geom_point(aes(y = ace, x = Amostras + 0.2), size = 4,
color = "cyan4", alpha = 1) +
geom_point(aes(y = Riqueza, x = Amostras), size = 4,
color = "black", alpha = 1) +
geom_point(y = 150, x = 1, size = 4, color = "darkorange", alpha = 1) +
geom_point(y = 135, x = 1, size = 4, color = "cyan4", alpha = 1) +
geom_point(y = 120, x = 1, size = 4, color = "black", alpha = 1) +
geom_label(y = 150, x = 4.4, label = "Chao 1", size = 5) +
geom_label(y = 135, x = 3.9, label = "ACE", size = 5) +
geom_label(y = 120, x = 7.3, label = "Riqueza observada", size = 5) +
geom_line(aes(y = Chao, x = Amostras), color = "darkorange") +
geom_line(aes(y = ace, x = Amostras), color = "cyan4") +
geom_line(aes(y = Riqueza, x = Amostras), color = "black") +
geom_linerange(aes(ymin = C_inferior, ymax = C_superior,
x = Amostras + 0.1), color = "darkorange") +
geom_linerange(aes(ymin = A_inferior, ymax = A_superior,
x = Amostras + 0.2), color = "cyan4") +
geom_linerange(aes(ymin = R_inferior, ymax = R_superior,
x = Amostras), color = "black") +
scale_x_continuous(limits = c(1, 31), breaks = seq(1, 31, 1)) +
labs (x = "Número de amostras", y = "Riqueza de espécies de besouros") +
theme_bw(base_size = 12) +
theme(panel.grid.major = element_blank(), panel.grid.minor = element_blank())
Exercício 2
Estimadores de Incidência
Os estimadores Jackknife 1 e Booststrap indicam a possibilidade de haver mais espécies a serem encontradas, caso o esforço amostral fosse maior, não apontando tendência ao platô. Faz-se necessário aumentar o esforço amostral.
est_inc <- poolaccum(exe1, permutations = 100)resultados_inc <- summary(est_inc
, display = c("S", "jack1", "boot"))
res_inc <- cbind(resultados_inc$jack1[, 1:4], resultados_inc$boot[, 2:4],
resultados_inc$S[, 2:4])
res_inc <- as.data.frame(res_inc)
colnames(res_inc) <- c("Amostras", "jack1", "j_inferior", "j_superior",
"boot", "B_inferior", "B_superior",
"Riqueza", "R_inferior", "R_superior")
ggplot(res_inc, aes(y = Riqueza, x = Amostras)) +
geom_point(aes(y = jack1, x = Amostras + 0.1), size = 4,
color = "darkorange", alpha = 1) +
geom_point(aes(y = boot, x = Amostras + 0.2), size = 4,
color = "cyan4", alpha = 1) +
geom_point(aes(y = Riqueza, x = Amostras), size = 4,
color = "black", alpha = 1) +
geom_point(y = 70, x = 1, size = 4, color = "darkorange", alpha = 1) +
geom_point(y = 65, x = 1, size = 4, color = "cyan4", alpha = 1) +
geom_point(y = 60, x = 1, size = 4, color = "black", alpha = 1) +
geom_label(y = 70, x = 4.9, label = "Jackknife 1", size = 5) +
geom_label(y = 65, x = 4.6, label = "Bootstrap", size = 5) +
geom_label(y = 60, x = 6.7, label = "Riqueza observada", size = 5) +
geom_line(aes(y = jack1, x = Amostras), color = "darkorange") +
geom_line(aes(y = boot, x = Amostras), color = "cyan4") +
geom_line(aes(y = Riqueza, x = Amostras), color = "black") +
geom_linerange(aes(ymin = j_inferior, ymax = j_superior,
x = Amostras + 0.1), color = "darkorange") +
geom_linerange(aes(ymin = B_inferior, ymax = B_superior,
x = Amostras + 0.2), color = "cyan4") +
geom_linerange(aes(ymin = R_inferior, ymax = R_superior,
x = Amostras), color = "black") +
scale_x_continuous(limits = c(1, 31), breaks = seq(1, 31, 1)) +
labs (x = "Número de amostras", y = "Riqueza de espécies de besouros") +
theme_bw(base_size = 12) +
theme(panel.grid.major = element_blank(), panel.grid.minor = element_blank())