Ilha de Barro Colorado

Preparando e analizando dados - Parte 1

Upload de dados e pacotes

Contexto

Barro Colorado é uma pequena ilha formada após o represamento do rio Chagres para a construção do Canal do Panamá em 1913, originando o atual lago Gatún. O Canal do Panamá é um estreito que liga o Oceano Atlântico ao Pacífico, sendo de extrema importância, principalmente aos países americanos, por ser uma zona favorável à passagem de embarcações comerciais. A atividade constou em analisar dados de 50 amostras coletadas na ilha ao longo de muitos anos, sendo cada amostra equivalente a 1 hectare de território, das quais foram reunidos três tipos diferentes de dados:

  • BCI: Esta base de dados contém informações sobre todas as espécies de árvores com Diâmetro a Altura do Peito (DAP) maior que 10 cm contidas dentro de cada um dos 50 ha amostrados. pH, Al, B, Ca, Cu, Fe, K, Mg, Mn, P, Zn, N e N(min).

  • BCI.env: Aqui estão um conjunto de variáveis ambientais aferidas no momento da coleta dos dados ‘BCI’, as quais são: UTM.EW, UTM.NS, aspectEW, aspectNS, elevation, convex e slope.

  • BCI.soil: Aqui foram coletadas amostras de solo (nos mesmos locais de coleta dos dados ‘BCI’) e feitas análises químicas dos mesmos. As variáveis presentes dizem respeito aos componentes químicos do solo

Para dar início à atividade, foi necessária a instalação do Rtools, uma extensão do R para ser usada no Windows, servindo como um conjunto ou compilado de pacotes que podem ser usados pelo RStudio. Após isso, intalei o pacote ‘vegan’ pelo comando install.packages("vegan"). Este pacote contem várias funções muito importantes para o estudo de comunidades em ecologia. Junto a este também instalei o ‘tidyverse’ pela função install.packages("tidyverse"), para que eupossa rodar a função pipe %>%. Instalei o pacote ‘cowplot’ pelo comando install.packages("cowplot"), ‘ggplot’ pelo comando install.packages("ggplot2") e o ‘ggrepel’ pelo comando install.packages("ggrepel"), para que os gráficos necessários sejam construídos. Outro pacote foi o ‘kableExtra’, que instalei usando o install.packages("kableExtra"), que usei apenas modificar o layout das tabelas.

## Warning in !is.null(rmarkdown::metadata$output) && rmarkdown::metadata$output
## %in% : 'length(x) = 2 > 1' in coercion to 'logical(1)'

Dados de variáveis ambientais

  • Reunião dos dados ‘BCI.env’.
UTM.EW UTM.NS elevation convex slope aspectEW aspectNS
625754 1011569 130.2525 -7.8725000 6.6948280 -0.8910825 -0.4538413
625754 1011669 136.8100 -10.7000000 5.0868422 -0.2190377 -0.9757164
625754 1011769 143.6775 -14.6675000 3.1047944 0.0305137 -0.9995343
625754 1011869 147.0075 -16.7575000 1.8728129 -0.8641418 -0.5032483
625754 1011969 144.3850 -12.4850000 5.1187247 -0.6714812 0.7410216
625854 1011569 136.8750 -9.6850000 2.9455318 -0.8653232 -0.5012142
625854 1011669 139.2450 0.2500000 3.1281253 -0.7669619 -0.6416926
625854 1011769 142.6425 0.1881250 2.8310056 0.4062379 -0.9137673
625854 1011869 145.8750 1.1296875 2.8756964 0.8968490 -0.4423368
625854 1011969 146.8500 -11.9400000 3.6070312 0.9724791 0.2329901
625954 1011569 138.5475 -5.9275000 4.6828731 0.0663453 -0.9977967
625954 1011669 141.7025 1.6921875 1.3443193 -0.8303794 0.5571984
625954 1011769 141.4525 -1.2059375 1.6267072 0.5176982 -0.8555633
625954 1011869 143.8650 -0.9268750 3.0098757 -0.0985275 -0.9951343
625954 1011969 148.0825 -11.7725000 3.1911315 -0.6146852 -0.7887725
626054 1011569 136.9950 -3.7250000 8.1498273 0.1864536 -0.9824638
626054 1011669 142.7950 2.2468750 1.2328608 -0.1275230 0.9918356
626054 1011769 141.5300 -1.9046875 0.6746578 -0.8259505 0.5637427
626054 1011869 143.6125 -1.6112500 3.0334809 0.1932415 -0.9811512
626054 1011969 148.2900 -12.7900000 3.2248613 0.5344610 -0.8451931
626154 1011569 136.3025 -1.6425000 9.5092296 -0.0725404 -0.9973655
626154 1011669 143.9100 1.6378125 1.5178770 -0.7960846 0.6051854
626154 1011769 143.9450 -1.8859375 2.6663678 -0.9374250 -0.3481874
626154 1011869 146.1950 -1.3618750 3.8745835 -0.8999900 -0.4359105
626154 1011969 148.4300 -15.6600000 3.1551052 -0.9067452 -0.4216789
626254 1011569 139.8500 -4.6900000 8.4977242 -0.4018217 -0.9157179
626254 1011669 147.4250 2.4171875 3.3517587 -0.9452736 -0.3262788
626254 1011769 149.3350 0.1465625 3.9684753 -0.9539105 -0.3000913
626254 1011869 151.8450 0.7715625 3.4537969 -0.8709963 -0.4912896
626254 1011969 153.4675 -16.2575000 4.0941636 -0.9990561 -0.0434382
626354 1011569 142.1500 -6.3300000 6.2828036 0.1164197 -0.9932001
626354 1011669 150.5550 2.7396875 3.6162685 -0.1980353 -0.9801949
626354 1011769 154.0150 1.7568750 1.7068298 -0.9377078 -0.3474251
626354 1011869 155.6175 1.4075000 1.8218061 -0.7287999 -0.6847267
626354 1011969 157.5825 -20.6525000 1.3623534 -0.6356295 -0.7719942
626454 1011569 141.8725 -4.7625000 8.4427104 -0.0498855 -0.9987549
626454 1011669 152.5125 6.3309375 4.2112577 -0.3736347 -0.9275759
626454 1011769 155.3625 4.6656250 1.5223193 0.0795592 0.9968301
626454 1011869 155.4125 2.8012500 1.7669638 0.9194939 -0.3931043
626454 1011969 156.6600 -18.3200000 2.0386916 0.9271102 -0.3747888
626554 1011569 135.6350 2.8250000 10.3727050 0.7656480 -0.6432597
626554 1011669 143.6675 3.8421875 11.8737929 0.9715672 -0.2367641
626554 1011769 146.1950 2.1687500 10.4681913 0.9999904 -0.0043832
626554 1011869 147.6000 1.8221875 7.6335651 0.9783321 -0.2070420
626554 1011969 147.8575 -8.3175000 8.5262290 0.9882396 0.1529134
626654 1011569 125.2175 13.2125000 4.9217355 0.8898359 -0.4562808
626654 1011669 129.0950 10.6550000 5.4517332 0.9153616 -0.4026328
626654 1011769 132.7125 7.1875000 5.3474854 0.9317940 -0.3629876
626654 1011869 135.8475 4.4125000 6.4017985 0.9651619 -0.2616536
626654 1011969 136.1750 4.5750000 5.7948705 0.9712061 0.2382409

Dados de solo

  • Dados da base ‘BCI.soil’.
x y Al B Ca Cu Fe K Mg Mn P Zn N N.min. pH
50 50 901.0908 0.79448 1680.0208 6.20312 135.28696 141.88128 279.1291 266.9997 1.95248 2.96948 18.46500 -3.88544 4.32432
50 150 954.2488 0.66968 1503.3648 6.03148 141.80804 137.23932 280.4524 320.4786 2.24740 2.53208 21.59896 5.64388 4.37548
50 250 1114.1122 0.59516 1182.3114 6.79768 157.08784 98.69056 230.3973 445.0708 1.95484 2.24672 20.24516 -4.06408 4.34700
50 350 1023.5793 0.56780 1558.0202 6.63400 153.17464 98.36412 228.9468 407.7580 2.63444 2.44284 20.84232 7.89012 4.46112
50 450 1001.8848 0.39876 1242.2508 6.44428 149.25092 94.07208 202.6820 250.5403 1.86356 2.13748 16.94500 8.53716 4.40128
150 50 1091.4672 0.73120 1441.9773 6.49552 173.86820 131.89280 276.5010 477.3249 1.61612 2.63148 20.29812 4.38948 4.57252
150 150 1183.8837 0.34012 1111.4430 5.55292 138.26784 117.12156 242.1834 300.6756 2.12696 2.15556 20.09600 8.33632 4.55972
150 250 1256.1447 0.32224 1029.2103 6.28208 147.15632 104.30808 184.5147 204.2532 3.10668 2.07284 21.50216 -0.03472 4.41168
150 350 1122.3259 0.46360 1230.2712 7.17968 153.00336 110.24420 206.6087 414.7284 1.99128 2.33068 21.43224 0.05456 4.53336
150 450 1171.6015 0.31404 1126.8639 6.88668 132.56612 104.81508 172.3453 329.6930 1.68548 2.05104 18.28212 7.69104 4.55500
250 50 1013.5624 1.50976 1873.0745 7.48400 169.34240 174.48772 345.3183 593.4441 2.26524 4.21016 17.66160 12.43908 4.71792
250 150 1262.3526 0.48120 1189.9041 5.33012 159.76404 89.17376 206.3466 411.4410 3.04908 2.65716 16.41632 12.13188 4.29640
250 250 1357.9247 0.23540 1045.2174 4.62248 177.71660 98.93424 188.1626 120.3541 5.08560 2.51296 17.53460 9.99180 4.12084
250 350 1212.0214 0.44020 1236.2203 6.31780 167.26568 91.46908 198.4673 341.3418 2.64316 2.46420 19.22192 11.24440 4.12820
250 450 1224.3872 0.58436 1366.2008 8.60500 180.59228 127.33096 193.4852 521.1689 1.70724 2.68512 18.41064 12.54100 4.15760
350 50 958.6041 1.02476 1628.9744 7.39196 187.20824 166.63760 262.1374 393.6943 2.07072 3.30712 18.04436 20.04908 4.50452
350 150 1260.5981 0.68944 1314.7934 4.80024 141.08968 110.83156 269.0626 294.6730 4.10280 2.95548 18.92764 16.21112 4.46092
350 250 1280.1033 0.37996 909.3261 4.78156 191.02360 84.94960 205.3593 97.7732 4.93916 2.59364 16.59108 15.43316 4.05204
350 350 1304.1727 0.51880 1117.5724 5.77340 157.71204 130.36940 231.7253 254.2865 3.85320 2.58732 20.43300 22.67264 4.24652
350 450 1125.7407 0.59432 1271.2058 6.77700 165.65836 146.50684 199.9320 360.1285 2.01588 2.67460 20.99108 15.72420 4.33736
450 50 804.9620 1.17772 1947.9060 8.29748 187.65200 207.58808 316.0532 443.9581 1.75920 4.25764 30.09788 15.87932 4.77492
450 150 1157.2663 0.70176 1414.6026 5.48304 171.20196 138.90496 250.9801 258.3372 4.01948 3.19204 27.83632 20.57952 4.67260
450 250 1130.7224 0.34772 1121.9840 5.29832 204.55984 111.69532 223.8185 136.7116 4.76356 3.03268 23.78884 16.47284 4.29220
450 350 1055.4840 0.76788 1740.2999 6.49560 183.49752 154.91056 306.9667 320.7670 3.02600 3.44568 31.06028 14.15144 4.69712
450 450 943.2088 0.90908 1658.3516 7.03820 149.49928 190.32096 322.9448 237.8575 2.95544 4.09124 32.75832 9.87668 4.74796
550 50 644.7222 0.97880 1566.8018 6.24088 165.54480 149.67524 242.2473 334.3206 1.51060 4.92072 33.83268 19.85712 4.96144
550 150 848.1534 0.64652 1151.2299 5.13840 138.47796 131.41020 203.5124 251.5363 2.90336 4.47264 30.03868 19.38572 4.97480
550 250 638.7177 0.47056 1010.5889 3.72740 94.50952 100.97304 182.0278 101.4256 2.07696 3.82540 30.91848 12.76032 4.84068
550 350 1013.5558 0.93808 1379.6197 6.09004 143.43312 161.64440 269.9327 284.2103 4.04536 5.16404 36.89956 13.94100 4.75024
550 450 841.9146 0.78008 1318.3777 5.26196 145.11908 124.21560 257.4512 209.3292 2.41024 3.87976 36.74812 11.19868 4.75976
650 50 836.8036 1.32640 1873.1199 7.30100 160.57508 197.62396 259.6383 327.8550 2.00940 5.57804 33.18100 21.85324 5.00428
650 150 994.0596 1.26224 1836.4184 7.25440 150.13084 200.43848 305.0934 336.4792 4.90372 6.42960 28.85868 22.53260 5.15908
650 250 707.7167 0.77364 1186.6139 4.34448 117.07408 117.20788 186.6955 205.4515 3.11964 4.24540 30.78876 11.04200 5.05812
650 350 1064.6256 1.17532 1656.3648 7.45520 164.64424 159.99860 286.4056 388.0369 5.21556 5.91652 36.53824 7.09476 5.05132
650 450 1230.4947 1.38336 1643.1194 7.82752 183.79920 168.62984 270.8634 400.3702 3.80704 5.39516 32.63108 17.11192 4.85808
750 50 790.1534 1.46984 2288.0281 9.32800 198.43920 221.93992 375.7485 486.4034 2.91232 6.84324 41.64388 22.15292 4.93364
750 150 1119.7306 1.17560 1814.7733 8.05352 175.82200 207.74720 314.9025 491.5143 3.40312 6.74040 38.92268 19.59704 4.93540
750 250 1102.9625 1.43692 2026.0728 7.96676 187.93804 221.69932 321.2459 548.3310 6.19656 7.36012 39.04968 15.07688 4.88152
750 350 1164.9511 1.46856 2032.2939 7.94704 183.26968 215.24008 376.5321 553.7187 6.25144 7.05788 31.66516 26.97056 4.93488
750 450 1172.9498 1.23084 1805.0447 7.14824 189.99692 175.79060 297.1220 404.0450 5.62520 7.08976 30.54752 29.00896 4.77104
850 50 797.2259 1.99308 3114.3613 12.13564 246.92548 310.86508 582.5601 550.8899 2.57328 10.78212 38.13780 31.46776 4.89252
850 150 1033.7388 1.16824 2176.3146 9.97004 223.95776 236.06648 383.7002 529.0872 1.36512 8.96552 30.39916 26.46048 4.82900
850 250 1166.2359 1.17224 2154.3347 10.28108 273.39360 249.97808 328.6912 589.4242 2.18936 8.77904 32.19116 27.47740 4.82804
850 350 1053.4426 1.24832 2222.0407 9.00388 261.28372 251.34784 348.0416 525.7541 2.31204 7.83100 25.22300 39.27656 4.94864
850 450 872.3968 1.83836 2721.2012 8.45536 260.26808 264.50464 455.7394 513.5218 3.17768 9.39208 25.70404 38.14724 5.02364
950 50 791.1177 1.25436 3189.7200 7.04104 228.12284 256.95232 620.8935 371.1350 1.51256 12.97524 21.79476 37.09404 4.68412
950 150 853.5622 0.94416 2272.7515 7.10896 190.71560 189.50200 400.3700 410.1818 1.20892 10.63096 14.89032 41.35176 4.52992
950 250 787.2073 1.32144 2623.4932 10.38720 252.47976 290.58492 433.1598 516.6594 0.99936 10.92440 18.82576 42.19536 4.87296
950 350 612.2286 1.76808 2986.5023 10.95828 247.31548 306.73588 548.8605 507.5793 0.84340 11.18948 22.64272 41.89168 5.00388
950 450 569.5315 1.73740 2872.5805 8.21896 241.44388 295.57168 537.5199 367.5458 1.66460 10.58664 22.40540 38.22128 5.02052

Dados de árvores

  • Base de dados nomeada como ‘BCI’.
Abarema.macradenia Vachellia.melanoceras Acalypha.diversifolia Acalypha.macrostachya Adelia.triloba Aegiphila.panamensis Alchornea.costaricensis Alchornea.latifolia Alibertia.edulis Allophylus.psilospermus Alseis.blackiana Amaioua.corymbosa Anacardium.excelsum Andira.inermis Annona.spraguei Apeiba.glabra Apeiba.tibourbou Aspidosperma.desmanthum Astrocaryum.standleyanum Astronium.graveolens Attalea.butyracea Banara.guianensis Beilschmiedia.pendula Brosimum.alicastrum Brosimum.guianense Calophyllum.longifolium Casearia.aculeata Casearia.arborea Casearia.commersoniana Casearia.guianensis Casearia.sylvestris Cassipourea.guianensis Cavanillesia.platanifolia Cecropia.insignis Cecropia.obtusifolia Cedrela.odorata Ceiba.pentandra Celtis.schippii Cespedesia.spathulata Chamguava.schippii Chimarrhis.parviflora Maclura.tinctoria Chrysochlamys.eclipes Chrysophyllum.argenteum Chrysophyllum.cainito Coccoloba.coronata Coccoloba.manzinellensis Colubrina.glandulosa Cordia.alliodora Cordia.bicolor Cordia.lasiocalyx Coussarea.curvigemma Croton.billbergianus Cupania.cinerea Cupania.latifolia Cupania.rufescens Cupania.seemannii Dendropanax.arboreus Desmopsis.panamensis Diospyros.artanthifolia Dipteryx.oleifera Drypetes.standleyi Elaeis.oleifera Enterolobium.schomburgkii Erythrina.costaricensis Erythroxylum.macrophyllum Eugenia.florida Eugenia.galalonensis Eugenia.nesiotica Eugenia.oerstediana Faramea.occidentalis Ficus.colubrinae Ficus.costaricana Ficus.insipida Ficus.maxima Ficus.obtusifolia Ficus.popenoei Ficus.tonduzii Ficus.trigonata Ficus.yoponensis Garcinia.intermedia Garcinia.madruno Genipa.americana Guapira.myrtiflora Guarea.fuzzy Guarea.grandifolia Guarea.guidonia Guatteria.dumetorum Guazuma.ulmifolia Guettarda.foliacea Gustavia.superba Hampea.appendiculata Hasseltia.floribunda Heisteria.acuminata Heisteria.concinna Hirtella.americana Hirtella.triandra Hura.crepitans Hieronyma.alchorneoides Inga.acuminata Inga.cocleensis Inga.goldmanii Inga.laurina Inga.semialata Inga.nobilis Inga.oerstediana Inga.pezizifera Inga.punctata Inga.ruiziana Inga.sapindoides Inga.spectabilis Inga.umbellifera Jacaranda.copaia Lacistema.aggregatum Lacmellea.panamensis Laetia.procera Laetia.thamnia Lafoensia.punicifolia Licania.hypoleuca Licania.platypus Lindackeria.laurina Lonchocarpus.heptaphyllus Luehea.seemannii Macrocnemum.roseum Maquira.guianensis.costaricana Margaritaria.nobilis Marila.laxiflora Maytenus.schippii Miconia.affinis Miconia.argentea Miconia.elata Miconia.hondurensis Mosannona.garwoodii Myrcia.gatunensis Myrospermum.frutescens Nectandra.cissiflora Nectandra.lineata Nectandra.purpurea Ochroma.pyramidale Ocotea.cernua Ocotea.oblonga Ocotea.puberula Ocotea.whitei Oenocarpus.mapora Ormosia.amazonica Ormosia.coccinea Ormosia.macrocalyx Pachira.quinata Pachira.sessilis Perebea.xanthochyma Cinnamomum.triplinerve Picramnia.latifolia Piper.reticulatum Platymiscium.pinnatum Platypodium.elegans Posoqueria.latifolia Poulsenia.armata Pourouma.bicolor Pouteria.fossicola Pouteria.reticulata Pouteria.stipitata Prioria.copaifera Protium.costaricense Protium.panamense Protium.tenuifolium Pseudobombax.septenatum Psidium.friedrichsthalianum Psychotria.grandis Pterocarpus.rohrii Quararibea.asterolepis Quassia.amara Randia.armata Sapium.broadleaf Sapium.glandulosum Schizolobium.parahyba Senna.dariensis Simarouba.amara Siparuna.guianensis Siparuna.pauciflora Sloanea.terniflora Socratea.exorrhiza Solanum.hayesii Sorocea.affinis Spachea.membranacea Spondias.mombin Spondias.radlkoferi Sterculia.apetala Swartzia.simplex.var.grandiflora Swartzia.simplex.continentalis Symphonia.globulifera Handroanthus.guayacan Tabebuia.rosea Tabernaemontana.arborea Tachigali.versicolor Talisia.nervosa Talisia.princeps Terminalia.amazonia Terminalia.oblonga Tetragastris.panamensis Tetrathylacium.johansenii Theobroma.cacao Thevetia.ahouai Tocoyena.pittieri Trattinnickia.aspera Trema.micrantha Trichanthera.gigantea Trichilia.pallida Trichilia.tuberculata Trichospermum.galeottii Triplaris.cumingiana Trophis.caucana Trophis.racemosa Turpinia.occidentalis Unonopsis.pittieri Virola.multiflora Virola.sebifera Virola.surinamensis Vismia.baccifera Vochysia.ferruginea Xylopia.macrantha Zanthoxylum.ekmanii Zanthoxylum.juniperinum Zanthoxylum.panamense Zanthoxylum.setulosum Zuelania.guidonia
0 0 0 0 0 0 2 0 0 0 25 0 0 0 1 13 2 0 0 6 0 0 4 5 0 0 0 1 0 0 2 2 0 12 0 0 0 0 0 0 0 0 0 4 0 0 0 0 2 12 8 0 2 0 0 0 2 0 0 1 1 2 0 0 0 0 0 0 0 3 14 0 0 0 1 0 0 0 0 1 0 4 0 3 1 0 2 6 0 1 10 0 5 0 4 0 21 0 0 0 2 0 0 0 0 0 0 3 0 2 0 0 6 1 1 0 0 0 0 0 0 7 1 0 4 0 1 2 0 2 0 0 1 1 0 0 0 1 1 0 0 0 1 22 0 0 0 0 0 0 0 0 0 3 2 0 24 5 0 5 0 13 5 2 11 0 0 0 1 11 0 3 0 0 0 0 14 3 0 1 15 0 1 0 1 2 1 3 1 0 1 1 9 6 0 1 1 0 5 0 1 0 0 3 0 0 0 18 0 0 2 1 0 1 0 17 4 0 0 1 3 0 2 0 0
0 0 0 0 0 0 1 0 0 0 26 0 0 0 0 12 0 0 2 0 1 0 5 2 0 2 0 1 0 0 1 0 0 5 0 0 1 0 0 0 0 0 0 1 0 0 0 0 3 14 6 0 2 0 0 0 2 3 0 1 1 1 0 0 0 1 1 0 0 2 36 1 0 0 0 0 0 0 0 0 1 0 0 1 1 0 6 16 0 5 5 0 9 0 5 0 14 0 2 0 4 0 0 0 0 0 0 0 0 0 2 0 10 0 0 1 1 0 0 0 0 7 0 0 3 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 21 0 0 0 0 0 1 0 0 0 3 1 1 16 3 0 7 0 12 4 0 8 0 0 0 0 12 0 2 0 0 0 0 6 2 0 0 22 0 1 0 1 0 2 3 4 1 0 2 5 1 0 0 0 0 7 0 1 0 1 1 0 0 1 27 0 0 0 1 1 5 0 12 3 0 0 0 4 0 2 0 0
0 0 0 0 0 0 2 0 0 0 18 0 0 0 1 6 1 0 1 1 0 0 7 4 0 0 0 3 1 0 0 1 0 7 0 0 1 0 0 0 0 0 0 2 0 0 0 0 3 35 6 0 0 0 0 0 1 6 4 1 3 2 0 0 0 0 0 0 1 5 39 0 0 0 0 0 0 1 0 0 1 0 1 0 0 0 2 6 0 1 0 1 4 0 4 0 5 0 0 0 4 1 0 2 1 0 0 0 0 3 0 0 9 0 0 1 1 0 0 0 0 3 0 0 7 0 0 0 0 1 0 0 0 0 0 2 0 0 0 1 1 0 2 14 0 0 0 0 0 0 1 1 0 5 3 0 28 0 0 3 1 12 1 2 3 0 0 0 0 15 0 1 0 1 0 0 16 1 1 2 31 0 1 0 0 3 0 0 2 1 1 1 6 3 0 0 0 0 10 0 0 0 0 1 0 0 0 28 0 0 0 0 1 12 0 11 2 0 0 0 8 1 2 0 0
0 0 0 0 3 0 18 0 0 0 23 0 0 0 0 3 1 1 5 3 0 0 5 3 0 2 0 2 0 0 0 1 0 17 0 0 0 2 0 0 0 0 0 2 0 1 0 0 7 23 11 1 11 0 1 0 0 0 0 1 0 0 0 0 0 0 7 0 0 1 39 0 0 0 0 0 0 2 0 0 3 0 0 1 1 0 5 3 1 2 1 0 11 0 6 0 4 0 0 0 6 0 0 4 3 0 0 0 0 2 1 1 2 1 2 0 0 0 0 0 0 9 0 0 7 0 0 1 1 0 0 0 0 0 0 2 0 0 0 1 2 2 3 23 0 0 0 0 0 0 0 0 0 1 0 0 15 0 0 6 0 5 3 3 9 0 0 0 2 14 0 4 0 0 0 0 8 2 0 2 9 0 1 0 1 3 0 1 2 1 0 2 10 3 0 0 0 0 10 0 0 0 0 0 2 0 1 35 0 0 0 1 4 3 0 16 2 0 0 0 13 1 5 0 1
0 0 0 0 1 1 3 0 0 1 16 0 0 1 0 4 0 1 6 0 0 0 8 2 0 1 0 4 1 0 0 3 0 21 1 0 1 2 0 0 0 0 0 6 0 2 0 0 1 13 7 0 6 0 0 0 3 5 0 0 0 0 0 0 0 0 2 0 0 5 22 0 0 0 0 0 0 1 0 0 2 1 0 1 3 0 3 9 0 1 3 0 9 1 4 0 6 0 0 0 0 2 1 0 1 0 0 0 0 5 0 0 3 1 2 1 0 0 1 0 0 2 1 0 10 1 0 0 0 1 0 0 1 0 0 2 0 0 0 0 0 0 16 17 0 0 0 0 0 1 1 0 2 1 0 0 25 1 0 5 0 3 7 2 3 0 0 0 1 9 0 2 0 2 0 0 7 0 3 3 55 1 0 0 1 5 0 1 1 2 0 3 16 0 0 0 1 0 7 0 1 0 0 2 1 0 0 15 0 0 2 0 2 4 0 31 6 0 0 0 3 0 5 0 0
0 0 0 0 0 0 2 1 0 0 14 0 0 1 0 10 0 1 2 1 1 0 6 2 0 2 0 1 0 0 3 4 0 4 0 0 0 0 0 0 0 0 0 2 0 0 0 0 1 7 6 2 0 0 0 0 0 2 0 0 0 0 0 0 3 0 0 0 0 2 16 0 0 0 0 0 0 0 0 1 1 0 0 7 0 0 4 7 0 0 1 0 2 1 8 0 6 2 0 0 0 1 0 0 0 0 0 0 0 0 0 0 7 2 1 0 0 0 0 0 0 1 1 0 4 0 0 1 0 0 0 0 1 0 2 0 0 1 0 0 0 1 3 19 0 0 0 0 0 0 0 0 0 1 2 0 15 0 0 4 0 26 1 1 2 0 0 0 1 3 0 9 0 0 1 0 7 1 0 2 44 0 1 0 0 0 1 9 5 0 1 0 11 1 0 0 1 0 17 0 0 0 0 0 0 0 0 31 0 1 0 0 1 3 2 19 1 0 0 0 1 0 3 0 2
0 0 0 0 0 1 0 0 0 0 18 0 0 0 0 5 0 0 2 2 1 0 5 6 0 2 0 2 0 0 1 4 0 0 0 0 0 1 0 0 0 0 0 3 1 0 0 0 2 5 6 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 5 2 38 0 0 0 0 0 1 0 0 1 2 0 1 3 0 0 4 8 0 0 8 0 7 0 2 0 7 1 0 0 1 0 0 0 2 0 0 0 0 0 0 0 4 1 3 0 0 0 0 1 1 4 2 0 3 0 0 2 0 1 0 0 1 0 0 1 0 0 0 1 0 0 0 20 0 0 0 1 0 0 2 0 0 6 3 0 8 0 0 4 0 18 0 0 6 0 0 0 2 21 0 14 0 0 0 0 13 1 0 1 23 0 0 0 0 5 1 9 7 0 0 1 9 2 0 0 0 0 8 0 0 0 0 0 0 0 1 27 0 0 0 1 0 3 0 8 1 0 0 0 2 0 0 0 0
0 0 0 0 0 0 2 0 0 0 14 0 1 0 1 4 1 0 0 2 0 0 9 4 0 2 1 3 0 0 0 0 0 7 2 0 1 0 0 0 0 0 0 2 0 1 2 0 0 10 3 0 4 0 0 0 2 6 0 0 2 0 0 0 0 1 1 1 4 3 41 0 0 0 0 0 0 0 0 0 2 0 0 1 2 1 0 6 0 4 4 0 6 0 5 0 14 1 0 0 6 1 0 4 2 0 0 0 0 1 0 2 8 0 2 1 2 0 1 0 0 2 0 0 4 0 0 0 1 4 0 0 0 0 0 2 0 0 3 0 0 2 1 20 0 0 0 0 0 0 0 1 0 0 3 0 13 1 0 4 0 5 0 3 7 0 0 0 2 7 0 4 0 0 0 0 14 0 0 2 22 0 0 0 1 0 0 5 0 1 0 0 8 0 0 0 0 0 9 0 0 0 0 2 0 0 0 36 0 0 0 0 1 2 0 19 1 0 0 0 4 0 2 0 0
0 0 0 0 5 0 2 0 0 0 16 0 0 1 1 5 0 0 2 0 0 0 11 3 0 2 0 9 1 0 1 2 0 2 0 0 0 0 0 0 0 0 0 4 0 2 0 0 0 7 0 1 2 0 0 0 2 1 0 0 1 0 0 0 1 1 1 0 3 3 33 0 0 0 0 0 0 0 0 0 1 0 1 1 0 0 1 2 0 1 4 2 3 0 1 0 8 0 1 0 4 1 0 1 2 0 0 0 0 1 0 2 5 0 0 0 1 0 0 0 2 2 1 0 7 0 0 0 0 0 0 0 0 1 0 3 0 0 0 1 0 0 1 18 0 0 0 0 0 8 1 0 0 2 1 0 5 1 0 3 0 1 4 0 4 0 0 0 1 4 0 4 0 0 0 0 12 0 1 1 17 0 0 0 0 1 0 5 0 1 0 0 12 3 0 0 0 0 5 0 0 0 0 2 0 0 0 65 0 0 0 0 1 5 0 16 1 0 0 0 13 1 4 0 0
1 0 0 0 0 1 2 0 0 0 14 0 0 0 0 5 0 1 1 0 0 0 14 6 0 0 0 7 0 0 1 1 0 16 2 0 1 0 0 0 0 0 0 2 0 1 0 0 2 13 4 1 0 0 0 0 0 3 1 1 2 0 0 0 0 1 3 0 0 3 42 0 0 0 0 0 0 0 0 0 0 1 1 1 3 0 5 2 0 3 4 1 4 0 5 0 7 0 0 0 5 2 0 1 3 0 0 0 0 0 0 1 12 2 0 0 1 0 1 0 2 4 0 0 3 0 0 1 1 0 0 0 1 0 0 5 0 0 0 0 1 2 3 20 0 0 0 0 0 6 0 0 0 0 0 0 24 0 0 0 1 2 4 1 6 0 0 0 0 18 0 1 0 0 0 0 17 0 1 2 12 2 1 0 2 1 0 0 0 0 0 0 10 1 0 0 0 0 6 0 0 0 0 1 0 0 0 46 0 1 0 2 1 9 1 17 2 0 0 4 7 10 4 0 0
0 0 0 0 0 0 10 0 0 0 14 0 1 1 0 2 0 0 3 0 0 0 1 5 0 0 0 2 0 0 0 0 0 3 0 0 2 0 0 0 0 0 0 2 0 0 0 0 3 10 5 0 1 0 0 0 2 2 0 1 0 3 0 0 1 0 1 0 0 6 17 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 5 3 0 1 2 0 5 0 5 0 12 0 0 0 0 1 0 2 0 0 0 0 0 0 1 0 7 0 0 1 1 0 0 1 0 2 4 0 6 0 0 1 0 0 0 0 0 0 0 3 0 0 0 0 3 1 3 17 0 0 0 0 0 0 0 1 1 0 1 0 22 1 0 5 1 26 2 0 4 0 0 0 2 25 0 7 0 0 0 0 7 1 0 1 5 0 1 0 0 1 0 10 5 0 0 0 4 4 0 0 0 0 10 0 0 0 0 0 1 0 2 41 0 1 2 0 1 4 0 6 4 0 0 1 1 0 1 0 0
0 0 0 0 1 1 3 0 0 2 19 0 0 0 0 4 0 0 1 0 0 0 2 4 0 0 0 1 0 0 1 2 0 2 1 0 0 1 0 0 0 0 0 1 0 0 0 0 0 2 3 3 2 0 0 0 1 2 0 0 0 2 0 0 0 1 1 1 2 1 38 0 0 0 0 0 1 1 0 0 3 0 0 3 1 0 3 2 0 0 3 1 0 0 12 0 6 2 0 0 0 0 1 1 0 0 0 0 0 2 0 0 2 0 1 1 0 0 0 0 1 3 1 0 3 0 0 0 0 0 0 0 0 0 0 0 1 0 0 2 0 0 0 19 0 0 1 0 0 0 1 0 0 0 2 0 8 0 0 4 0 21 0 0 5 0 0 0 2 11 0 2 0 0 0 0 9 0 0 1 8 0 0 0 1 0 0 13 13 1 0 0 6 2 0 0 0 0 10 0 0 0 1 0 1 0 1 46 0 3 0 0 1 0 1 6 2 0 2 0 0 0 0 0 0
0 0 0 0 1 1 1 0 1 1 8 0 0 0 3 1 1 0 12 0 4 0 0 2 0 0 1 0 0 0 1 9 0 1 1 0 2 0 0 0 1 0 0 4 0 1 1 0 2 0 4 4 12 0 0 1 2 5 0 0 0 0 6 0 0 0 2 0 2 11 39 0 0 1 0 0 0 0 0 0 3 0 1 2 0 0 4 0 2 2 10 0 1 0 4 0 11 1 1 0 2 1 1 0 0 0 0 0 0 0 0 0 3 0 1 0 3 0 1 0 3 4 4 0 2 0 0 0 0 5 0 0 0 0 0 0 0 0 0 5 0 3 0 17 0 0 0 0 0 0 0 1 0 2 2 0 0 0 0 5 0 7 0 0 4 0 1 0 2 1 0 15 0 0 0 0 2 0 0 1 0 0 0 0 10 1 3 2 2 0 2 6 12 3 1 0 5 0 6 0 0 0 0 0 0 0 8 35 0 13 0 0 0 0 0 0 0 0 3 1 5 2 0 0 0
0 0 0 0 0 0 4 0 0 0 17 0 0 1 4 5 1 1 5 0 4 0 3 4 0 4 0 4 0 0 0 3 0 11 1 0 0 0 0 0 0 0 0 2 2 0 0 0 1 11 7 0 11 0 0 0 0 2 0 0 1 0 0 0 1 0 1 0 3 1 31 0 0 0 0 1 0 0 0 0 1 0 1 0 0 0 3 7 1 0 4 0 4 1 0 0 13 0 2 0 3 1 0 1 0 0 0 0 0 4 2 0 12 0 2 1 3 1 0 0 4 3 1 0 0 0 0 0 1 3 0 1 0 1 0 1 0 0 0 1 1 0 1 22 0 0 0 0 0 2 1 1 0 2 1 0 13 0 0 5 1 3 3 4 5 0 0 0 2 10 0 3 0 0 0 0 4 0 0 1 6 0 0 0 1 0 0 3 3 0 1 0 22 0 0 0 2 0 5 0 0 0 0 0 0 0 1 33 0 7 0 1 0 3 0 17 1 0 1 0 12 3 1 0 0
0 0 0 0 2 0 2 0 0 0 15 0 0 0 2 8 0 0 0 0 0 0 9 3 0 0 0 6 0 0 0 0 0 24 0 1 2 1 0 0 0 0 0 1 1 1 0 0 1 21 3 0 1 0 0 0 4 5 0 0 1 0 0 0 1 1 0 0 2 4 31 0 0 0 0 0 0 2 0 0 0 1 0 1 2 2 0 16 1 4 4 0 20 0 3 0 4 0 0 0 2 2 0 8 5 0 0 0 0 1 1 1 23 1 1 0 2 0 1 0 0 2 0 0 4 0 0 0 0 0 0 1 0 0 0 0 0 0 1 2 1 3 1 11 0 0 0 0 0 1 0 0 0 1 2 0 16 0 0 4 0 0 4 0 4 0 0 0 2 8 0 2 0 0 0 0 6 0 2 0 7 1 1 0 0 2 0 1 0 2 1 0 8 5 0 0 0 0 3 0 0 0 0 1 0 0 6 33 0 0 0 0 5 11 0 16 4 0 0 3 5 6 2 0 0
0 0 0 0 2 0 2 0 0 3 25 0 0 0 0 5 0 0 5 0 1 0 4 4 0 1 0 1 0 0 2 1 0 2 0 0 1 2 1 0 0 0 1 2 0 1 0 0 1 11 10 1 3 0 2 0 0 3 0 0 0 2 0 0 1 0 0 0 0 7 27 0 0 0 0 0 0 1 0 0 1 0 2 2 2 0 7 5 1 0 10 0 7 0 2 0 4 3 0 7 0 0 0 6 0 0 0 0 0 0 0 0 6 1 0 0 0 0 0 0 0 2 4 0 4 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 2 15 0 0 0 0 0 0 1 0 0 1 1 0 32 0 0 3 1 18 1 0 2 0 0 0 1 25 0 3 0 0 0 0 8 1 0 0 1 2 0 0 0 2 0 5 5 1 0 1 11 2 0 0 0 3 6 0 1 0 0 1 0 0 3 25 0 2 0 2 2 1 1 24 5 0 0 1 2 1 0 0 0
0 0 0 0 0 1 2 0 0 2 31 0 0 0 1 1 0 1 1 2 0 0 2 5 0 0 1 0 0 1 0 0 0 3 0 0 2 1 0 0 0 0 0 1 0 0 0 0 0 7 3 4 0 0 0 2 3 2 0 1 0 3 0 0 0 0 2 0 2 3 42 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 2 3 0 1 7 0 1 0 13 0 4 0 0 2 2 1 0 0 1 0 0 0 0 1 1 0 4 2 1 1 1 0 0 0 2 5 1 0 2 0 0 0 1 3 0 0 2 0 0 1 0 0 0 0 0 0 0 31 0 0 0 0 0 0 0 0 1 2 0 1 2 0 0 5 6 25 1 1 2 0 0 0 1 9 0 5 0 0 0 0 2 0 0 1 0 0 0 0 1 0 1 6 4 0 1 1 3 1 0 0 0 0 13 0 0 0 0 3 0 0 2 36 0 3 1 0 0 0 0 5 0 0 1 2 1 0 1 0 1
0 0 0 0 1 1 0 0 0 0 7 0 2 0 2 1 1 0 6 0 2 0 0 0 0 4 0 0 0 0 1 6 0 0 0 0 0 0 0 2 0 1 0 0 2 0 2 0 2 2 3 6 4 0 0 1 0 2 0 0 0 1 9 0 0 0 2 0 2 4 35 0 1 0 0 0 0 0 0 0 2 0 1 0 0 0 2 0 1 2 3 0 2 0 8 0 12 0 2 0 1 2 0 1 1 0 0 0 3 1 0 0 3 0 3 2 0 0 0 0 5 3 5 0 0 0 0 1 0 4 0 0 1 0 0 0 1 0 0 1 0 0 0 24 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 17 1 5 0 0 1 0 0 0 3 0 0 10 0 1 0 0 2 1 0 0 0 0 0 0 3 3 2 9 2 0 0 0 10 3 0 0 2 0 11 2 0 0 0 0 0 0 5 23 0 6 0 2 0 0 0 0 2 0 2 1 0 2 1 0 1
0 0 0 0 0 1 1 0 0 1 13 0 0 2 1 13 1 0 2 0 0 0 2 4 0 1 0 4 0 0 1 2 0 8 3 0 0 1 0 0 0 0 0 0 1 0 0 0 5 8 4 3 1 1 0 0 1 3 1 0 1 1 1 1 0 0 2 1 1 6 42 0 0 0 0 0 0 0 0 0 3 0 0 3 0 0 2 3 1 1 6 0 3 0 7 0 24 0 1 0 2 0 1 0 0 0 0 0 0 3 1 1 7 1 4 1 3 4 2 0 3 1 4 0 1 0 0 1 0 0 1 2 0 1 0 0 0 0 0 2 0 1 1 24 0 1 0 0 0 0 0 0 0 2 1 0 4 0 0 10 5 5 0 2 5 0 0 0 1 2 0 2 0 1 0 0 6 0 1 1 3 0 1 0 0 0 1 6 4 0 0 0 9 2 0 0 0 0 9 0 0 0 0 3 1 0 1 44 0 1 0 3 0 4 0 12 1 0 0 1 3 1 3 0 0
0 0 0 0 0 2 2 0 0 0 10 0 0 0 2 6 1 0 0 0 0 0 1 0 0 2 0 6 0 0 1 3 0 11 0 0 1 3 0 0 0 0 0 2 0 2 0 0 0 17 4 0 0 0 1 0 2 1 0 0 2 0 0 0 1 1 1 0 0 2 21 0 1 0 0 0 0 3 0 0 0 1 0 1 1 1 5 7 2 4 4 0 6 0 1 0 12 0 3 0 2 3 0 9 2 0 0 1 0 1 1 0 10 1 1 0 2 0 1 0 2 1 0 0 2 0 0 1 1 10 0 1 1 0 0 2 1 0 0 1 0 2 5 19 0 0 0 0 0 1 0 1 0 0 1 0 15 0 0 1 2 0 7 0 9 0 0 0 3 15 0 3 0 0 0 0 8 0 0 0 6 0 0 1 0 3 0 2 0 0 0 1 13 3 0 0 1 0 4 0 0 0 0 0 0 0 10 33 1 0 0 0 5 10 0 15 4 0 0 1 4 2 1 0 0
0 0 0 0 0 1 2 0 0 1 12 0 2 0 0 2 0 2 3 1 1 0 2 2 0 2 1 0 0 0 0 1 0 2 4 0 2 2 0 0 0 0 0 2 0 1 0 0 0 5 11 0 1 0 0 0 2 3 0 0 0 7 0 0 0 0 1 1 1 2 17 0 0 0 0 0 0 0 0 0 1 0 0 3 3 0 7 10 0 0 6 0 3 1 1 0 17 0 1 0 0 0 1 1 1 1 0 1 1 1 0 0 8 0 1 1 0 0 0 1 0 2 4 0 5 0 0 1 0 0 0 0 0 0 0 1 1 0 0 0 2 0 12 11 0 0 0 0 0 0 0 0 0 0 0 0 44 0 1 1 0 14 2 1 7 1 0 0 0 12 0 1 0 0 0 0 4 0 0 1 5 1 0 0 0 1 0 2 1 2 0 2 4 1 0 0 0 1 4 0 0 0 1 1 0 0 0 23 0 2 1 0 1 6 2 15 10 0 0 15 7 2 0 0 0
0 0 0 0 1 0 4 0 0 4 22 0 0 1 0 7 0 0 8 2 1 0 0 8 0 1 1 0 0 0 2 2 0 1 0 0 2 1 0 0 0 0 0 0 1 1 1 1 0 4 5 11 0 0 0 0 0 0 0 2 0 4 0 0 0 2 1 0 1 2 58 0 0 0 1 1 0 0 0 0 3 0 0 3 0 1 4 5 0 0 9 0 5 0 9 0 6 2 1 1 3 2 0 2 0 0 0 0 0 2 0 0 6 1 0 0 0 0 1 0 2 1 2 0 2 0 0 0 0 0 0 2 1 0 0 0 0 0 0 0 1 0 0 24 0 0 0 0 0 0 1 1 0 0 0 0 5 0 0 2 1 17 0 2 4 0 0 0 0 11 0 11 0 0 1 0 5 0 0 0 0 0 0 0 0 1 0 6 4 0 2 0 10 1 0 0 0 1 9 0 0 0 0 0 0 0 1 42 0 1 1 0 1 1 0 7 1 0 0 0 1 1 1 0 0
0 0 0 0 0 0 1 0 0 0 5 0 2 1 0 3 0 0 17 0 1 1 0 2 0 1 0 1 0 0 1 6 0 2 3 0 2 1 0 0 0 0 0 1 2 1 0 0 0 2 10 2 2 0 0 0 1 1 1 0 0 0 5 0 1 1 2 0 1 2 26 0 1 1 0 0 0 0 0 0 2 1 0 1 2 0 6 2 1 0 3 0 6 0 5 0 10 5 5 0 1 6 0 0 0 0 0 0 0 0 0 0 4 0 2 0 1 0 0 1 2 4 6 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 22 0 0 0 0 0 0 1 0 0 1 1 3 1 0 0 6 0 1 0 2 3 1 0 2 4 6 0 1 0 0 0 0 1 0 0 0 1 1 1 0 2 2 1 2 4 0 0 4 5 1 0 0 6 0 11 2 0 1 0 0 1 0 1 23 0 11 0 1 0 1 0 9 1 0 0 0 0 0 0 0 0
0 0 0 0 2 1 0 0 0 1 14 0 1 2 0 6 0 0 7 0 1 0 16 4 0 2 0 1 0 0 2 1 0 3 0 0 1 4 0 1 0 0 0 2 1 0 0 0 0 3 4 1 0 0 0 0 1 3 0 0 0 0 0 0 3 0 1 0 0 2 24 0 0 0 0 2 0 0 0 0 1 0 0 7 0 0 8 5 1 3 4 1 5 0 7 1 15 0 0 0 0 1 0 2 1 0 0 0 0 4 0 0 2 0 0 0 2 0 0 0 6 2 0 0 5 0 0 0 0 6 0 0 0 0 1 0 1 0 0 1 0 1 2 24 0 0 0 0 0 0 2 0 0 2 0 0 6 0 1 4 0 4 0 1 7 1 0 0 0 12 0 4 0 1 0 0 3 0 1 0 5 0 1 0 0 1 0 4 3 1 1 0 9 3 0 0 1 0 15 0 1 0 0 1 0 1 2 38 0 1 0 1 2 3 0 12 1 0 0 0 0 0 0 0 0
0 0 0 0 0 1 2 0 0 0 20 0 1 0 0 6 0 3 13 0 2 0 5 5 0 1 1 3 0 0 1 2 1 10 1 0 1 0 0 0 0 0 0 1 2 1 0 0 0 3 4 0 1 0 0 0 1 10 0 0 0 2 0 0 0 1 2 1 0 6 35 0 0 0 0 0 0 1 0 1 3 1 0 2 1 0 6 2 2 3 14 1 3 0 3 0 26 0 2 0 0 0 0 1 0 0 0 0 0 2 0 0 5 2 1 0 1 0 1 0 2 2 2 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 14 0 0 0 0 0 0 1 1 0 3 1 1 4 0 0 9 0 1 6 4 7 0 0 0 1 22 0 4 0 1 0 0 10 0 0 0 5 0 0 7 0 2 0 2 1 1 0 0 6 3 0 0 2 2 7 0 1 0 0 0 1 1 6 26 0 3 0 2 0 3 0 12 4 0 0 0 4 3 1 0 0
0 0 0 0 0 0 3 0 0 0 7 0 0 2 0 4 1 0 4 2 2 0 3 3 0 0 0 1 0 0 1 2 3 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 1 8 0 1 0 0 0 0 0 0 0 1 8 0 0 1 0 1 1 0 1 31 0 0 0 0 0 0 0 0 0 2 0 1 2 1 0 6 13 0 0 8 0 7 1 4 0 24 4 1 2 0 1 0 2 2 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 2 1 1 7 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 15 6 0 0 0 0 0 0 0 6 1 1 2 0 22 0 0 3 0 11 4 0 6 0 1 0 2 20 0 3 0 1 0 0 5 0 0 1 3 0 0 0 0 0 1 5 2 0 0 2 4 4 0 1 0 5 6 0 0 0 0 0 0 0 1 15 0 2 1 1 0 4 1 20 12 0 0 15 1 1 0 0 0
0 0 0 0 1 4 3 0 0 3 17 0 0 0 0 2 0 0 5 0 1 0 1 5 0 1 2 0 0 0 1 0 1 3 0 0 2 0 0 0 0 0 0 1 1 0 0 0 0 3 9 2 0 0 1 0 2 0 0 0 1 7 0 0 0 1 1 0 2 3 51 0 0 0 0 0 0 0 0 0 2 1 0 4 1 0 12 3 2 0 3 0 1 0 1 0 8 2 0 0 0 2 0 1 2 0 0 1 0 1 0 0 3 1 1 0 1 0 0 0 2 0 3 1 3 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 3 0 1 11 0 0 1 0 0 0 0 3 1 0 1 1 9 0 0 2 1 11 2 1 4 1 0 0 1 20 0 10 0 2 0 0 16 0 0 0 0 1 2 0 0 0 0 6 4 0 2 0 12 2 0 0 0 10 11 1 0 0 0 1 0 0 3 20 0 3 0 1 7 0 0 12 1 0 0 8 4 1 2 0 0
0 2 0 1 0 1 2 0 0 0 16 0 2 1 0 6 0 2 4 1 0 0 3 4 0 1 0 2 0 0 0 3 1 3 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 4 4 2 0 0 0 0 0 0 0 0 3 2 0 0 0 0 0 0 1 5 58 0 0 0 0 0 0 0 0 0 4 0 0 2 2 0 8 3 1 1 8 0 3 0 4 0 9 2 2 1 0 2 0 2 1 0 0 0 0 4 0 0 3 1 0 0 0 0 0 0 1 0 3 0 2 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 10 0 0 0 0 0 0 0 0 0 4 2 0 1 0 0 2 0 4 3 1 2 1 0 0 2 24 0 5 0 0 0 0 7 0 0 1 0 0 1 0 0 0 1 8 1 0 6 1 5 8 0 1 0 0 13 0 0 0 0 1 1 0 0 43 0 0 0 0 1 0 0 18 1 0 0 0 0 0 0 0 1
0 0 0 0 1 0 1 0 0 0 15 0 0 1 0 5 0 2 1 1 0 0 11 2 0 1 0 0 0 0 0 3 0 5 1 0 3 0 0 0 0 0 0 3 1 0 0 0 2 3 5 0 1 0 0 0 2 2 0 0 1 4 0 0 0 0 5 1 0 1 54 0 0 0 0 0 0 0 0 0 1 0 1 2 3 1 3 5 1 0 6 1 1 0 5 0 7 5 1 0 0 0 0 1 0 1 0 0 0 0 0 0 3 1 1 0 0 0 1 0 2 3 1 0 2 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 1 0 16 1 0 0 0 0 0 0 0 0 0 0 0 2 0 0 2 1 14 1 1 6 0 0 0 1 14 0 6 0 0 0 0 3 0 0 1 0 0 1 0 0 2 0 6 4 0 1 0 2 2 0 0 1 0 8 0 1 0 0 0 0 0 0 47 0 0 0 0 3 5 0 9 1 0 0 0 2 0 0 0 0
0 0 0 0 14 2 6 0 0 0 36 0 0 2 0 5 1 0 1 1 0 0 4 5 0 0 1 0 0 0 5 3 1 14 1 0 1 1 0 0 0 0 0 1 0 0 2 0 2 5 0 2 2 0 0 0 1 3 0 0 2 3 0 1 0 1 3 0 0 5 61 0 0 0 0 0 0 0 0 0 1 0 0 2 2 0 2 1 2 6 23 0 10 0 0 0 3 1 0 0 0 1 1 1 1 0 0 0 0 2 1 0 3 0 2 0 0 0 0 0 1 7 5 0 2 0 0 0 0 8 0 0 0 0 0 0 0 0 0 1 1 0 0 12 0 0 0 0 9 0 0 0 0 0 1 0 8 0 0 3 1 9 4 2 9 1 0 0 3 13 0 4 0 0 0 0 8 0 1 1 0 0 0 0 1 1 1 3 0 0 4 3 21 1 0 0 0 0 5 1 0 0 0 0 0 0 4 33 0 0 0 2 1 1 1 8 3 0 0 0 1 0 3 0 0
0 0 0 0 5 0 4 0 0 0 11 0 0 0 0 5 0 0 3 1 2 0 2 2 0 4 0 1 0 0 0 0 1 3 0 1 0 0 0 0 0 0 0 0 0 1 0 0 2 0 6 0 0 0 0 0 0 0 0 1 0 15 0 0 0 0 0 0 0 3 30 0 0 0 1 0 0 1 0 0 0 0 0 2 0 0 9 10 0 1 2 0 2 0 6 0 14 3 1 0 0 0 0 1 0 0 0 0 0 2 0 1 0 0 0 0 0 0 0 0 0 3 2 0 4 0 1 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 29 7 0 0 0 0 0 0 0 2 0 0 0 0 24 0 0 3 0 3 3 0 9 0 0 0 1 25 0 7 0 0 0 0 5 0 1 2 8 0 2 0 0 1 0 0 1 0 0 2 1 5 0 0 1 8 5 0 0 0 0 0 0 0 1 33 0 1 0 1 0 3 5 20 6 0 0 23 0 1 1 0 0
0 1 0 0 7 0 6 0 0 0 21 0 0 0 0 4 0 1 4 0 0 0 5 8 0 0 1 0 0 0 4 1 1 4 0 0 1 1 0 0 0 0 0 1 0 0 0 0 0 3 7 0 0 0 0 0 1 0 0 0 1 6 0 0 0 0 1 0 1 2 60 0 0 0 0 0 0 0 0 0 3 0 0 0 2 0 11 11 0 2 8 0 7 0 6 0 8 7 0 0 0 1 0 1 2 0 0 0 0 2 0 0 3 1 0 0 0 0 0 0 2 1 3 3 3 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 2 0 4 5 0 0 0 0 0 0 0 2 0 2 1 0 2 0 0 4 0 1 2 1 3 0 0 0 6 21 0 20 0 0 0 0 5 0 0 2 0 1 1 0 0 1 2 4 3 0 0 1 4 1 0 0 0 2 4 0 1 0 0 0 0 0 8 50 0 13 0 2 0 4 0 18 4 0 0 4 4 0 2 0 0
0 0 0 0 3 1 3 0 0 1 24 0 0 2 0 8 1 3 10 1 0 0 2 3 0 0 0 0 0 0 0 0 1 6 1 0 1 1 0 0 0 0 0 2 1 2 0 0 0 3 11 0 0 0 0 0 0 1 1 0 1 2 0 0 0 0 1 0 1 5 53 0 0 0 0 1 0 0 0 0 0 0 0 4 1 1 27 3 0 0 6 0 4 0 5 0 9 2 0 0 0 2 0 0 0 0 0 0 0 1 0 1 6 2 1 0 0 0 0 0 0 1 4 0 3 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 2 10 0 0 1 0 0 0 0 0 0 0 0 0 4 0 0 3 1 5 1 0 8 0 1 0 1 22 0 16 0 1 0 0 2 0 0 2 0 0 0 0 0 0 0 13 4 0 0 5 2 1 0 0 0 0 1 0 0 0 1 0 0 0 1 37 0 11 0 1 2 5 0 16 3 0 0 8 3 0 1 0 0
0 0 1 0 3 0 5 0 0 0 42 0 0 1 0 3 1 3 3 7 0 0 5 5 0 0 7 8 0 0 1 1 1 2 1 0 0 1 0 0 0 0 0 1 2 0 1 0 2 0 5 0 0 0 1 0 0 2 1 0 0 1 0 0 0 0 4 0 3 7 49 0 0 0 0 0 0 0 1 0 4 1 0 2 5 0 16 1 5 3 25 0 1 0 4 0 4 5 0 0 0 1 0 0 2 0 0 1 0 3 0 0 2 0 1 0 0 0 0 0 0 1 3 2 3 0 0 0 1 3 0 0 0 0 0 0 0 0 0 2 0 0 0 9 0 1 0 0 0 0 0 2 1 2 0 0 1 0 0 3 0 14 5 3 8 0 0 0 1 17 0 11 0 1 0 0 2 0 0 1 0 0 0 0 0 1 0 14 2 0 0 0 5 0 0 0 0 0 2 1 0 0 0 0 0 0 2 31 0 11 0 0 1 1 0 7 1 0 0 1 0 0 3 0 0
0 0 0 0 6 0 8 0 0 0 93 0 0 0 0 5 1 0 3 1 0 0 1 1 0 1 0 3 0 0 3 0 1 2 0 0 1 0 0 0 0 0 0 1 0 0 1 0 0 3 4 1 1 0 0 0 1 0 0 0 0 1 0 0 0 1 1 0 0 6 37 0 0 0 0 0 0 0 0 1 2 0 0 1 0 0 3 0 5 7 247 0 7 0 2 0 1 0 3 0 0 0 0 1 0 0 0 1 0 2 0 1 3 1 1 0 0 0 1 0 2 2 6 6 1 0 0 0 0 3 0 0 0 0 0 0 0 0 0 1 1 0 0 4 0 1 0 0 0 0 1 1 0 1 1 0 0 0 0 4 0 7 1 0 1 2 0 0 2 11 0 5 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 4 1 0 1 0 2 1 0 0 2 0 1 0 0 0 0 0 0 0 1 30 0 1 0 0 0 0 0 11 0 0 0 0 0 0 1 0 0
0 0 0 0 1 0 3 0 0 0 8 0 0 0 1 3 0 3 2 0 0 0 1 3 0 0 1 5 0 0 2 0 0 6 0 0 1 0 0 0 0 0 0 3 0 1 1 0 0 9 10 0 0 0 1 0 1 0 1 0 1 39 0 0 1 0 2 0 2 0 32 0 1 0 0 0 0 1 0 0 0 0 1 2 2 0 10 8 2 2 1 1 1 1 4 0 24 2 1 0 0 2 0 3 0 0 0 0 0 2 0 1 3 1 1 0 1 0 0 0 0 4 2 0 5 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 2 0 11 24 0 0 0 0 0 1 1 2 1 0 1 0 14 0 0 3 1 0 3 0 3 0 0 0 0 11 0 2 0 0 0 0 9 0 0 3 1 1 0 0 0 3 0 0 3 0 0 2 1 1 0 0 0 0 5 0 0 0 0 4 0 0 0 28 0 0 0 0 2 9 2 14 5 0 0 20 2 1 0 0 0
0 0 0 0 2 0 4 0 0 0 19 0 0 0 0 4 0 1 2 0 0 0 2 4 0 1 1 1 0 0 1 2 0 10 0 0 1 0 0 0 0 0 0 2 0 0 0 0 6 2 13 0 2 0 1 0 0 1 1 0 0 13 0 0 1 1 2 0 0 4 65 0 0 0 0 0 0 1 0 0 1 0 0 1 2 1 24 5 0 0 1 1 3 0 6 0 7 3 3 3 0 2 0 2 0 0 0 0 0 3 0 0 2 0 0 0 0 0 0 0 0 2 2 2 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 8 15 0 0 0 0 0 0 0 2 0 2 0 0 6 0 0 2 0 1 4 0 8 0 0 0 3 14 1 2 0 0 0 0 6 0 1 3 0 0 0 0 0 1 1 8 3 0 0 1 0 1 0 0 0 0 9 0 0 0 0 1 0 0 4 33 0 3 0 0 5 8 2 14 4 1 0 1 5 0 4 0 0
0 0 0 0 6 0 2 0 0 1 25 0 0 0 1 1 0 3 1 0 1 0 5 8 0 1 0 2 0 0 0 2 1 6 0 0 1 1 0 0 0 0 0 0 0 0 0 0 2 3 8 0 2 0 0 0 0 1 0 1 0 12 0 0 0 0 3 0 1 10 80 0 1 0 0 0 0 1 0 0 2 0 0 5 2 0 12 3 0 2 11 0 2 0 15 0 3 2 1 0 0 0 0 3 1 0 0 0 0 1 0 0 1 0 3 0 0 0 0 0 0 0 2 0 3 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 2 0 0 11 0 0 0 0 0 0 0 1 0 1 0 0 1 0 0 4 0 5 1 0 10 0 0 0 2 20 0 8 0 0 0 0 3 0 0 4 2 0 0 0 0 0 0 10 2 0 0 1 4 1 0 0 0 0 1 0 0 0 0 0 0 0 1 59 0 6 0 0 0 2 0 11 0 0 0 1 2 1 1 0 0
0 0 0 0 9 0 3 0 0 1 38 0 0 0 0 3 0 5 1 2 0 0 9 5 0 0 0 2 0 0 3 0 1 4 0 0 0 1 0 0 0 0 0 2 0 0 0 0 0 1 8 0 0 0 0 0 1 0 1 0 0 2 0 0 0 0 4 0 2 4 43 0 2 0 0 0 0 0 0 0 6 0 1 3 1 1 9 1 2 2 22 0 2 0 12 0 3 2 0 0 0 0 0 4 1 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 1 1 2 0 1 0 0 0 1 1 0 0 0 0 0 0 2 0 0 1 1 0 0 4 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 4 0 6 3 1 10 0 0 0 2 20 0 5 0 0 0 0 1 0 0 1 0 0 0 0 0 1 0 5 3 1 0 4 3 2 0 0 0 0 2 0 0 0 0 0 3 0 0 79 0 4 0 0 2 0 0 7 2 0 0 0 1 1 1 0 0
0 0 1 0 7 0 3 0 0 1 65 0 2 0 0 7 0 3 3 1 0 0 5 5 0 1 1 4 0 0 2 0 1 2 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 2 3 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 1 2 2 3 41 0 0 1 0 0 0 0 0 0 6 0 0 4 2 0 6 4 0 3 63 1 3 0 3 0 7 3 1 0 0 1 0 7 1 0 3 0 0 1 0 0 1 0 1 0 0 0 0 0 0 3 1 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 2 0 0 0 0 0 0 0 0 0 0 2 0 2 0 0 5 0 1 2 0 7 0 0 0 0 22 0 7 0 0 0 0 4 0 1 1 0 0 0 0 0 2 0 1 3 0 0 2 2 0 0 0 1 0 1 0 0 0 0 1 0 0 2 97 0 5 0 1 1 0 0 11 1 0 0 0 0 0 0 0 0
0 0 0 0 0 1 11 0 0 0 13 0 2 1 0 2 0 0 3 0 1 0 7 6 0 0 1 1 0 0 2 2 0 7 0 0 1 1 0 0 0 0 1 3 0 0 1 0 1 6 12 0 6 0 3 0 1 1 0 0 0 21 0 0 0 0 1 0 0 7 22 0 0 0 1 1 0 0 0 0 0 0 2 1 0 0 18 5 1 1 6 0 1 1 6 0 31 2 2 1 0 1 0 3 2 0 0 1 0 2 1 0 3 0 1 0 0 0 1 1 2 1 2 1 2 0 0 2 0 1 0 0 0 0 0 1 0 0 0 3 2 0 2 11 0 0 0 0 0 0 1 5 0 0 0 1 11 0 0 3 0 0 0 1 6 0 0 0 2 11 0 3 0 0 0 1 1 0 0 1 0 0 0 0 0 3 1 0 0 2 0 1 1 3 0 0 0 0 7 0 1 1 0 0 0 0 0 19 0 1 0 0 2 4 2 12 7 0 0 9 3 0 1 1 0
0 0 0 0 0 0 0 0 0 0 13 0 0 1 0 5 1 2 13 0 1 0 4 4 0 1 1 1 0 0 2 2 0 2 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 9 12 0 3 0 0 0 1 0 0 0 0 14 0 0 1 0 2 0 0 8 25 0 0 0 0 0 0 2 1 0 0 0 0 1 1 0 8 7 0 2 4 1 4 0 4 0 18 3 1 2 0 0 0 7 3 0 0 0 0 3 1 0 3 3 1 0 0 0 0 0 0 1 2 0 4 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 1 0 7 19 0 0 0 0 0 0 0 1 0 2 0 0 26 0 0 4 0 1 3 2 12 0 0 0 3 19 0 1 0 0 0 0 4 0 0 7 3 0 0 0 0 1 1 3 1 1 0 1 2 1 0 0 0 0 7 0 0 0 0 0 1 0 0 15 0 0 0 0 0 5 3 12 5 0 0 14 4 0 1 0 1
0 0 0 0 0 1 3 0 0 0 8 0 0 2 0 2 0 3 1 0 0 0 10 2 0 0 0 0 0 0 0 2 1 2 0 0 0 1 0 0 0 0 0 0 2 0 0 0 1 2 12 0 0 0 0 0 0 1 0 0 2 17 0 0 2 0 3 0 3 4 15 0 0 0 0 0 0 2 1 0 2 0 0 1 1 0 16 5 1 1 1 0 6 0 10 0 23 1 0 3 0 0 0 0 6 0 2 0 0 1 0 0 2 0 1 0 0 0 0 0 1 2 1 1 4 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 1 0 7 11 0 0 0 0 0 0 0 0 0 1 0 0 55 0 0 4 0 1 1 0 6 0 1 0 1 12 0 2 1 0 0 0 0 0 1 2 7 0 1 0 0 1 1 8 0 0 2 0 0 2 0 0 0 0 6 0 1 0 0 0 0 0 0 36 0 1 4 1 0 5 0 14 8 0 0 2 1 0 0 0 0
0 0 0 0 4 0 4 0 0 0 13 0 0 0 0 7 0 2 6 0 0 0 21 2 0 2 1 1 0 0 1 0 0 0 1 0 0 1 0 0 0 0 0 1 0 0 0 0 0 3 20 0 0 0 0 0 0 0 1 0 1 8 0 0 4 0 2 0 0 3 15 0 0 0 0 0 1 0 1 0 4 0 0 0 3 0 8 6 0 2 17 0 6 0 6 0 18 6 0 0 0 1 0 1 2 0 5 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 1 0 5 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 1 0 5 10 0 1 0 0 0 0 0 1 0 1 1 0 55 0 0 2 0 1 3 2 8 0 0 0 1 23 0 1 1 0 0 0 0 0 0 1 5 0 0 0 0 0 0 3 2 0 1 2 1 0 0 0 0 0 4 0 0 0 0 0 1 0 0 26 0 6 1 0 0 3 0 10 1 0 0 1 2 0 0 0 0
0 0 0 0 0 0 0 0 0 0 10 0 0 0 0 1 0 0 1 0 1 0 42 2 0 3 0 0 0 0 0 3 0 5 0 0 0 3 0 0 0 0 0 2 1 0 0 0 0 1 8 0 1 0 0 0 0 2 0 0 2 7 0 0 1 0 1 0 1 2 10 0 0 0 0 0 0 0 0 0 0 0 1 2 7 0 11 1 0 0 2 1 1 0 18 0 26 7 0 0 0 0 0 3 2 0 3 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1 0 0 7 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 1 1 13 8 0 0 0 0 0 0 0 1 0 2 0 1 57 1 0 2 1 0 1 3 11 0 0 0 1 32 0 1 1 0 0 0 3 0 0 5 9 0 1 0 0 0 1 1 1 2 0 1 2 2 0 0 0 0 9 0 0 0 0 0 0 0 0 26 0 5 4 0 0 4 0 13 7 0 0 0 2 1 0 0 0
0 0 0 0 0 0 0 0 0 0 29 2 0 0 3 0 3 1 6 1 1 0 0 5 0 2 0 2 0 1 3 1 0 1 0 0 2 0 0 0 0 0 0 1 1 0 0 0 6 7 17 5 0 0 1 0 1 0 0 3 1 33 0 0 0 0 4 0 1 0 22 0 0 0 0 0 0 0 0 0 8 0 1 2 2 0 4 1 0 1 11 0 0 0 15 4 22 5 0 0 2 1 3 1 2 0 0 0 0 1 0 0 7 0 2 0 0 0 0 0 7 2 0 0 0 0 0 0 0 3 0 0 1 0 3 0 0 1 0 0 0 0 0 36 0 0 0 0 0 0 0 2 0 2 0 3 0 0 0 4 3 3 0 0 18 0 0 0 3 3 3 4 0 1 0 0 3 0 0 2 0 0 0 0 0 1 2 0 0 0 1 3 2 1 0 0 0 0 20 0 0 0 0 7 0 0 0 16 0 1 0 0 0 0 0 0 0 0 2 3 1 1 1 0 0
0 0 0 0 2 0 1 0 0 1 17 0 0 0 1 8 1 2 5 0 0 0 1 1 1 0 0 1 0 0 0 2 2 2 0 0 0 2 0 0 0 0 0 5 1 0 1 0 1 3 13 1 3 0 0 0 1 0 0 2 0 12 0 0 0 0 4 1 1 2 27 0 0 0 0 1 0 0 0 1 3 0 1 2 0 0 10 0 0 4 11 0 1 0 6 0 33 7 2 3 0 1 1 1 3 0 3 0 0 1 0 1 13 1 2 0 0 0 0 1 3 3 1 2 1 0 0 0 0 3 0 0 1 0 0 0 0 0 0 0 1 0 1 28 0 0 0 0 0 0 0 0 0 1 2 0 4 0 0 7 1 1 1 1 27 0 0 0 1 7 0 2 0 0 0 0 4 0 0 4 0 0 3 0 0 0 1 0 1 1 0 3 1 1 0 0 0 0 25 0 0 0 0 1 0 0 1 16 0 3 0 2 0 0 0 11 1 0 1 1 2 1 0 0 1
0 0 0 0 1 0 3 0 0 1 12 0 3 1 2 2 0 2 7 0 2 0 1 6 0 2 0 2 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 3 14 1 6 0 0 0 0 0 0 0 0 11 0 0 0 1 1 0 1 1 15 0 0 0 0 0 0 1 0 0 0 0 0 4 1 0 13 2 1 3 4 0 2 0 3 0 41 7 0 1 0 1 0 4 3 0 0 0 0 3 0 0 1 0 2 0 0 0 0 2 0 1 1 1 4 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 4 15 0 0 0 0 0 0 0 4 1 0 0 3 23 0 0 5 0 2 1 0 26 0 0 0 2 21 0 4 0 1 0 0 0 0 0 3 0 0 2 0 1 2 0 4 2 0 0 5 8 0 0 0 0 2 8 0 0 0 0 1 0 0 0 19 0 6 3 2 0 0 1 7 5 0 0 1 5 0 1 0 2
0 0 0 0 0 0 6 0 0 1 6 1 1 2 0 4 0 1 4 0 1 0 11 4 0 2 0 0 0 0 1 0 0 0 1 0 0 1 1 0 0 0 0 2 0 1 0 0 0 2 7 0 2 0 0 0 0 1 0 0 0 5 0 0 2 1 0 0 2 1 11 0 0 0 0 0 0 1 0 0 0 0 1 1 1 0 20 7 1 1 15 0 7 0 8 0 43 1 1 0 0 1 0 3 2 0 1 0 0 2 0 0 3 0 0 0 0 0 1 2 1 0 1 0 5 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 8 4 0 0 0 0 0 0 0 1 0 0 0 0 39 0 0 2 1 0 2 0 22 0 0 0 3 25 0 0 0 1 0 0 4 0 0 2 2 0 3 0 1 1 0 2 1 1 0 2 2 2 0 0 1 9 4 0 0 0 0 0 0 0 1 26 0 4 8 0 0 2 0 6 16 0 0 0 1 0 1 0 0
0 0 0 0 1 0 2 0 0 1 9 0 2 1 0 3 1 2 4 0 0 0 17 4 0 0 0 1 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 2 1 0 0 0 1 2 11 0 1 0 0 0 1 1 0 0 1 12 0 0 0 1 0 2 1 2 7 0 0 0 0 0 0 1 1 0 4 0 3 0 2 0 14 4 0 2 10 0 16 0 11 0 27 2 0 0 0 0 0 0 4 0 3 1 1 2 0 0 1 0 0 0 0 0 0 0 1 2 0 1 2 0 8 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 9 12 0 0 0 0 0 0 0 1 0 0 0 0 43 0 0 1 0 0 5 0 23 0 0 0 2 14 0 2 0 1 0 0 3 0 1 5 4 0 0 0 1 1 0 1 1 3 1 1 7 2 0 0 0 0 8 0 2 0 1 1 1 0 0 18 0 4 3 0 1 4 1 14 7 0 0 0 0 0 2 0 0

Análise de dados

Dimensão

Constata-se que a matriz possui 50 linhas, correspondentes às amostras de 1 ha, e 225 colunas< correspondentes às espécies, respoctivamente.

## [1]  50 225


Riqueza por amostra

Destaco também o número de espécies por cada amostra.

##   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  93

Indivíduos por amostra

A soma das linhas resulta na soma da abundância de indivíduos presentes em cada amostra.

##   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 
## 402 414 407 409 444 430 425 415 427 432

Abundância por espécie

Somei as colunas com o objetivo de obter o número de indivíduos para cada uma das 225 espécies. Mostrei apenas alguns resultados dado o avantajado da matriz de dados.

##        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                        33 
##         Banara.guianensis     Beilschmiedia.pendula       Brosimum.alicastrum 
##                         1                       294                       188 
##        Brosimum.guianense   Calophyllum.longifolium         Casearia.aculeata 
##                         1                        55                        23 
##          Casearia.arborea    Casearia.commersoniana       Casearia.guianensis 
##                       100                         3                         2 
##       Casearia.sylvestris    Cassipourea.guianensis Cavanillesia.platanifolia 
##                        54                        87                        19 
##         Cecropia.insignis      Cecropia.obtusifolia           Cedrela.odorata 
##                       264                        25                         2 
##           Ceiba.pentandra           Celtis.schippii     Cespedesia.spathulata 
##                        39                        38                         2 
##        Chamguava.schippii 
##                         3


Análise da comunidade - Parte 1

Curva de acumulação

Encontrei a curva de acumulação de espécies pela função specaccum.

## $call
## specaccum(comm = BCI, method = "random")
## 
## $method
## [1] "random"
## 
## $sites
##  [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
## [26] 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
## 
## $richness
##  [1]  91.83 122.67 138.84 149.99 158.03 165.33 170.58 175.00 178.82 181.81
## [11] 184.57 187.45 189.82 192.14 194.29 196.29 198.01 199.71 201.29 202.48
## [21] 203.74 204.81 205.72 206.94 207.95 209.05 210.18 211.05 211.90 212.55
## [31] 213.36 214.14 215.03 215.74 216.62 217.24 217.93 218.45 219.05 219.77
## [41] 220.35 220.87 221.51 222.09 222.53 222.99 223.47 223.96 224.39 225.00
## 
## $sd
##  [1] 7.5999136 7.3540410 6.1129437 6.0075626 5.5912179 5.1855569 5.2304084
##  [8] 5.3200592 4.8186926 4.4465286 4.4817362 4.4774970 4.2172805 4.1682300
## [15] 4.0559098 4.1737395 4.2151602 3.9216957 3.7099239 3.7671627 3.6669972
## [22] 3.8394418 3.8404545 3.6840360 3.6442150 3.4971128 3.2733389 3.1054693
## [29] 3.1478709 3.0430414 2.9730099 2.9198727 2.8478416 2.7103244 2.6658332
## [36] 2.7233372 2.5712277 2.4344954 2.3799457 2.0392859 1.9141947 1.8730141
## [43] 1.8829109 1.8968075 1.7778378 1.5985789 1.3291981 1.0817121 0.8515583
## [50] 0.0000000

E plotei a curva de acumulação de espécies. Observando a curva é possível supor que os dados coletados foram capazes de descrever a comunidade total, já que a mesma apresenta um evidente platô.

Curvas de Rank-abundância

Gráfico 1

Aqui eu construí a curva de Rank-abundância, a qual ordena os dados das espécies por ordem decrescente de abundância, ou seja, da mais abundante para a mais rara, em uma comunidade. Para tal, foi usada a função rad.lognormal, que ajusta os dados a um modelo log normal, já que esses dados podem ser distribuídos em uma curva normal quando são expostos ao logaritmo, além de apresentar ocorrência de muitos valores baixos e poucos valores altos (modelo de distribuição assimétrica). Abaixo fiz os gráficos de 5 linhas da base de dados total, para tentar prever o comportamento distributivo de toda a base. Observando os gráficos, fica muito clara a diferença de abundância, pois a quantidade de espécies que possuem baixa abundância é muito maior do que as possuidoras de grande abundância.

Linha 1

Linha 2

Linha 3

Linha 4

Linha 5

Gráfico 2

Outra curva de Rank-abundância, mas desta vez utilizando a função radfit que ajusta alguns modelos de distribuição, tais como log normal, Preemption, Zipf e Mandelbrot, os quais apresentam linhas de tendência distintas entre si. Abaixo eu plotei os gráficos das 5 primeiras linhas da base de dados, objetivando tentar prever o comportamento distributivo de todos os dados.

Linha 1

Linha 2

Linha 3

Linha 4

Linha 5

Gráfico 3

Foi exibido o conjunto de dados ‘dune’ e ‘dune.env’ em uma tabela. Posteriormente foi feito o plot da base contendo 79 espécies distribuídas entre 4 tipos de gestão (management) em um rank de abundância decrescente.

Grouping species labelit rank abundance proportion plower pupper accumfreq logabun rankfreq
BF Lolipere TRUE 1 18 15.4 3.6 27.2 15.4 1.3 6.2
BF Trifrepe TRUE 2 14 12.0 6.6 17.3 27.4 1.1 12.5
BF Scorautu FALSE 3 13 11.1 0.7 21.5 38.5 1.1 18.8
BF Poaprat FALSE 4 12 10.3 6.3 14.2 48.7 1.1 25.0
BF Poatriv FALSE 5 11 9.4 -9.9 28.7 58.1 1.0 31.2
BF Bromhord FALSE 6 8 6.8 -5.2 18.9 65.0 0.9 37.5
BF Achimill FALSE 7 7 6.0 -5.0 17.0 70.9 0.8 43.8
BF Planlanc FALSE 8 6 5.1 -6.9 17.1 76.1 0.8 50.0
BF Bracruta FALSE 9 6 5.1 -9.3 19.5 81.2 0.8 56.2
BF Bellpere FALSE 10 5 4.3 -4.0 12.5 85.5 0.7 62.5
BF Anthodor FALSE 11 4 3.4 -10.6 17.4 88.9 0.6 68.8
BF Elymrepe FALSE 12 4 3.4 -10.8 17.6 92.3 0.6 75.0
BF Vicilath FALSE 13 3 2.6 -4.6 9.8 94.9 0.5 81.2
BF Alopgeni FALSE 14 2 1.7 -5.4 8.8 96.6 0.3 87.5
BF Hyporadi FALSE 15 2 1.7 -6.3 9.7 98.3 0.3 93.8
BF Sagiproc FALSE 16 2 1.7 -6.3 9.7 100.0 0.3 100.0
HF Poatriv TRUE 1 24 11.3 8.4 14.1 11.3 1.4 4.8
HF Lolipere TRUE 2 20 9.4 3.7 15.1 20.7 1.3 9.5
HF Poaprat FALSE 3 17 8.0 4.9 11.1 28.6 1.2 14.3
HF Rumeacet FALSE 4 16 7.5 1.1 13.9 36.2 1.2 19.0
HF Planlanc FALSE 5 15 7.0 -0.7 14.7 43.2 1.2 23.8
HF Scorautu FALSE 6 14 6.6 5.2 8.0 49.8 1.1 28.6
HF Trifrepe FALSE 7 14 6.6 3.3 9.8 56.3 1.1 33.3
HF Bracruta FALSE 8 14 6.6 1.9 11.2 62.9 1.1 38.1
HF Elymrepe FALSE 9 10 4.7 -3.6 13.0 67.6 1.0 42.9
HF Anthodor FALSE 10 9 4.2 -0.8 9.2 71.8 1.0 47.6
HF Trifprat FALSE 11 9 4.2 -1.4 9.9 76.1 1.0 52.4
HF Alopgeni FALSE 12 8 3.8 -3.1 10.6 79.8 0.9 57.1
HF Juncarti FALSE 13 8 3.8 -2.8 10.3 83.6 0.9 61.9
HF Agrostol FALSE 14 7 3.3 -2.6 9.1 86.9 0.8 66.7
HF Achimill FALSE 15 6 2.8 -0.3 5.9 89.7 0.8 71.4
HF Juncbufo FALSE 16 6 2.8 -2.5 8.1 92.5 0.8 76.2
HF Eleopalu FALSE 17 4 1.9 -3.4 7.2 94.4 0.6 81.0
HF Sagiproc FALSE 18 4 1.9 -1.4 5.2 96.2 0.6 85.7
HF Bromhord FALSE 19 4 1.9 -1.4 5.1 98.1 0.6 90.5
HF Bellpere FALSE 20 2 0.9 -1.7 3.5 99.1 0.3 95.2
HF Ranuflam FALSE 21 2 0.9 -1.7 3.6 100.0 0.3 100.0
NM Scorautu TRUE 1 19 12.6 6.0 19.2 12.6 1.3 4.8
NM Bracruta TRUE 2 17 11.3 2.6 19.9 23.8 1.2 9.5
NM Agrostol FALSE 3 13 8.6 -1.2 18.4 32.5 1.1 14.3
NM Eleopalu FALSE 4 13 8.6 -1.4 18.6 41.1 1.1 19.0
NM Salirepe FALSE 5 11 7.3 -0.2 14.8 48.3 1.0 23.8
NM Trifrepe FALSE 6 11 7.3 -2.0 16.6 55.6 1.0 28.6
NM Anthodor FALSE 7 8 5.3 -3.8 14.4 60.9 0.9 33.3
NM Ranuflam FALSE 8 8 5.3 -1.2 11.8 66.2 0.9 38.1
NM Hyporadi FALSE 9 7 4.6 -3.8 13.1 70.9 0.8 42.9
NM Juncarti FALSE 10 7 4.6 -2.7 12.0 75.5 0.8 47.6
NM Callcusp FALSE 11 7 4.6 -2.8 12.1 80.1 0.8 52.4
NM Airaprae FALSE 12 5 3.3 -2.4 9.0 83.4 0.7 57.1
NM Planlanc FALSE 13 5 3.3 -2.6 9.2 86.8 0.7 61.9
NM Poaprat FALSE 14 4 2.6 -2.5 7.8 89.4 0.6 66.7
NM Comapalu FALSE 15 4 2.6 -1.8 7.1 92.1 0.6 71.4
NM Sagiproc FALSE 16 3 2.0 -2.9 6.9 94.0 0.5 76.2
NM Achimill FALSE 17 2 1.3 -2.4 5.0 95.4 0.3 81.0
NM Bellpere FALSE 18 2 1.3 -2.0 4.7 96.7 0.3 85.7
NM Empenigr FALSE 19 2 1.3 -1.9 4.6 98.0 0.3 90.5
NM Lolipere FALSE 20 2 1.3 -2.0 4.7 99.3 0.3 95.2
NM Vicilath FALSE 21 1 0.7 -1.0 2.3 100.0 0.0 100.0
SF Agrostol TRUE 1 28 13.7 7.8 19.7 13.7 1.4 4.8
SF Poatriv TRUE 2 28 13.7 6.3 21.1 27.5 1.4 9.5
SF Alopgeni FALSE 3 26 12.7 4.5 21.0 40.2 1.4 14.3
SF Lolipere FALSE 4 18 8.8 -2.1 19.8 49.0 1.3 19.0
SF Poaprat FALSE 5 15 7.4 0.5 14.2 56.4 1.2 23.8
SF Elymrepe FALSE 6 12 5.9 -1.0 12.8 62.3 1.1 28.6
SF Bracruta FALSE 7 12 5.9 0.8 10.9 68.1 1.1 33.3
SF Sagiproc FALSE 8 11 5.4 -0.8 11.5 73.5 1.0 38.1
SF Eleopalu FALSE 9 8 3.9 -6.3 14.1 77.5 0.9 42.9
SF Scorautu FALSE 10 8 3.9 1.4 6.4 81.4 0.9 47.6
SF Trifrepe FALSE 11 8 3.9 0.5 7.3 85.3 0.9 52.4
SF Juncbufo FALSE 12 7 3.4 -2.3 9.2 88.7 0.8 57.1
SF Bellpere FALSE 13 4 2.0 -0.9 4.8 90.7 0.6 61.9
SF Ranuflam FALSE 14 4 2.0 -1.3 5.2 92.6 0.6 66.7
SF Juncarti FALSE 15 3 1.5 -2.4 5.3 94.1 0.5 71.4
SF Callcusp FALSE 16 3 1.5 -2.4 5.3 95.6 0.5 76.2
SF Bromhord FALSE 17 3 1.5 -2.1 5.0 97.1 0.5 81.0
SF Rumeacet FALSE 18 2 1.0 -1.5 3.5 98.0 0.3 85.7
SF Cirsarve FALSE 19 2 1.0 -1.4 3.3 99.0 0.3 90.5
SF Achimill FALSE 20 1 0.5 -0.9 1.9 99.5 0.0 95.2
SF Chenalbu FALSE 21 1 0.5 -0.8 1.8 100.0 0.0 100.0

Gráfico 4

Fiz novamente o plot da base ‘dune’ e ‘dune.env’, mas utilizando o pacote ‘ggplot’.

## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## i Please use `linewidth` instead.
## Warning: ggrepel: Repulsion works correctly only for rotation angles multiple of
## 90 degrees

Gráfico 5

Aqui eu peguei a mesma base de dados usada para o gráfico 3, entretanto a usei para separar os 4 tipos de ‘management’ em um único gráfico, objetivando melhorar a visualização e análise dos dados.

## 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

Preparando e analizando dados - Parte 2

Upload de dados e pacotes

Contexto

Com o fim de responder as questões propostas para a atividade, trago agora os dados da atividade de comunidade culinária feita em sala.

Instalei o pacote ‘vegan’ pelo comando install.packages("vegan"). Este pacote contem várias funções muito importantes para o estudo de comunidades em ecologia. Junto a este também instalei o ‘tidyverse’ pela função install.packages("tidyverse"), para que eupossa rodar a função pipe %>%. Instalei o pacote ‘cowplot’ pelo comando install.packages("cowplot"), ‘ggplot’ pelo comando install.packages("ggplot2") e o ‘ggrepel’ pelo comando install.packages("ggrepel"), para que os gráficos necessários sejam construídos. Outro pacote foi o ‘kableExtra’, que instalei usando o install.packages("kableExtra"), que usei apenas modificar o layout das tabelas.

Abrindo o banco de dados

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

Separando os dados

Separei os dados de acordo com o método de amostragem.

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
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

Análise de dados

Agora faço uma análise breve desses dados:

Dimensão

Amostragem aleatória

O resultado mostra que a matriz de dados de base_q possui 10 linhas e 10 colunas.

## [1] 10 10

Amostragem por transecto

O resultado mostra que a matriz de dados de base_t possui 10 linhas e 10 colunas.

## [1] 10 10

Riqueza por amostra

Número de espécies por cada amostra.

Amostragem aleatória

##  q1  q2  q3  q4  q5  q6  q7  q8  q9 q10 
##   1   1   3   5   3   1   3   2   2   4

Amostragem por transecto

##  t1  t2  t3  t4  t5  t6  t7  t8  t9 t10 
##   2   3   4   2   2   1   2   1   2   2

Indivíduos por amostra

Diz o número de indivíduos por amostra.

Amostragem aleatória

##  q1  q2  q3  q4  q5  q6  q7  q8  q9 q10 
##   1   1   9  13   4   4  13   5   7  20

Amostragem por transecto

##  t1  t2  t3  t4  t5  t6  t7  t8  t9 t10 
##  19  18  20   7   4   2   3   2   2   4

Abundância por espécie

Diz o número de indivíduos por espécie.

Amostragem aleatória

##      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

Amostragem por transecto

##      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

Análise da comunidade - Parte 2

Curva de acumulação

Amostragem aleatória

Encontrei a curva de acumulação de espécies de ‘base_q’ pela função specaccum.

E plotei a curva de acumulação de espécies de ‘base_q’. Observando a curva é possível supor que os dados coletados provavelmente não foram capazes de descrever a comunidade total, já que a mesma não apresenta platô, mas uma aparente ascendente.

Amostragem por transecto

Encontrei a curva de acumulação de espécies de ‘base_q’ pela função specaccum.

Também plotei a curva de acumulação de espécies de ‘base_q’. Observando a curva é possível supor que os dados coletados não foram capazes de descrever a comunidade total, já que a mesma não apresenta platô, mas uma clara ascendente. Portanto, ambas as curvas não foram precisas e eficientes em representar a comunidade original da ilha hipotética.

Curvas de Rank-abundância

Outra curva de Rank-abundância, mas desta vez utilizando a função radfit que ajusta alguns modelos de distribuição, tais como log normal, Preemption, Zipf e Mandelbrot, os quais apresentam linhas de tendência distintas entre si. Abaixo eu plotei os gráficos das 5 primeiras linhas da base de dados, objetivando tentar prever o comportamento distributivo de todos os dados. Abaixo fiz os gráficos de todas as linhas da base de dados. Observando os gráficos,

Amostragem aleatória

Amostra 1

Amostra 2

Amostra 3

Amostra 4

Amostra 5

Amostra 6

Amostra 7

## Warning: glm.fit: algoritmo não convergiu

## Warning: glm.fit: algoritmo não convergiu

## Warning: glm.fit: algoritmo não convergiu

## Warning: glm.fit: algoritmo não convergiu

Amostra 8

Amostra 9

Amostra 10

Amostragem por transecto

Amostra 1

Amostra 2

## Warning: glm.fit: algoritmo não convergiu

## Warning: glm.fit: algoritmo não convergiu

## Warning: glm.fit: algoritmo não convergiu

## Warning: glm.fit: algoritmo não convergiu

## Warning: glm.fit: algoritmo não convergiu

Amostra 3

Amostra 4

Amostra 5

Amostra 6

Amostra 7

Amostra 8

Amostra 9

Amostra 10

Resultados - métodos alternativos

Para concluir, tentei reproduzir resultados semelhantes aos anteriores, mas sem a utilização ou instalação de nenhum pacote, assim como foi perdido pelo exercício.

Comparação de abundância

A seguir exponho um outro método de análise de abundância das duas amostragens, pretendendo destacar possíveis diferenças visíveis com a verificação do gráfico.

Observando os gráficos de distribuição é possível constatar a diferença na distribuição das abundâncias, já que a amostragem por quadrantes apresentou uma distribuição dos pontos mais regular e uniforme se comparado aos transectos, que mostraram vários pontos acumulados na base, alguns poucos no topo, e nenhum no centro do gráfico.

## 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
## 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

Como especificado, não utilizei pacotes extra Rstudio, então usei o comando plot() para plotar outro gráfico

Amostragem aleatória

Plotei a curva de rarefação da base de dados de amostragem por quadrantes ‘base_q’. Observa-se uma significativa semelhança entre as duas curvas, indicando valores de distribuição das espécies próximos.

Amostragem por transectos

Plotei a curva de rarefação dos dados da amostragem por transectos ‘base_t’. Observa-se uma significativa semelhança entre as duas curvas, indicando valores de distribuição das espécies próximos.