Medidas de diversidade


Desafios da mensuração da diversidade

Vimos que as comunidades biológicas são estruturas complexas, com muitas informações. Para descrever uma comunidades biológica usamos com frequência duas dessas infromações:

  1. Riqueza
  2. Abundância específica (de cada espécie)

A riqueza em si é uma medida de diversidade. Ela informa quantas espécies há numa comunidade mas despreza suas abundâncias.

Compare as comunidades abaixo

Perceba que os valores de riqueza são exatamente iguais para cada comunidade 4 espécies.

Mas, há uma desbalanço tremendo de abundâncias. A árvore-amarela responde por 25% da abundância da comunidade A enquanto que responde por 75% dos indivíduos da comunidade B.

A importância das curvas de rank-abundância

Se você graficar suas comunidades com uma curva de SAD (species abundance distribution) que é equivalente a uma de rank-abundância, vai perceber que o padrão de distribuição das abundâncias é bem diferente.

Comunidade A

tibble(
  spec= c("amarela", "verde","laranja","verdão"),
  siteA = (rep(3,4)),
  siteB = c(9,1,1,1),
)->comm_ex
comm_ex
## # A tibble: 4 × 3
##   spec    siteA siteB
##   <chr>   <dbl> <dbl>
## 1 amarela     3     9
## 2 verde       3     1
## 3 laranja     3     1
## 4 verdão      3     1

Gráfico site A

ggplot(comm_ex, aes(spec, siteA, group=1))+geom_point()+geom_line()

Gráfico site B

ggplot(comm_ex, aes(spec, siteB, group=1))+geom_point()+geom_line()

Índices de diversidade

Riqueza

specnumber(comm_ex$siteA)
## [1] 4
specnumber(comm_ex$siteB)
## [1] 4

Índice de Shannon

diversity(comm_ex$siteA) 
## [1] 1.386294
diversity(comm_ex$siteB)
## [1] 0.8369882

ìndice de Simpson

diversity(comm_ex$siteA, index = "simpson") 
## [1] 0.75
diversity(comm_ex$siteB, index = "simpson") 
## [1] 0.4166667

Agora dê uma lida sobre os índices de diversidade biológica clássicos e tente diferenciar pelo menos esses dois acima.

Species diversity Indexes

Qual índice de diversidade usar?

Exercício

  1. Use a base de dados ‘composicao_especies’ que pode baixar usando os coomandos abaixo
## Pacotes
library(devtools)
## Carregando pacotes exigidos: usethis

## 
## Attaching package: 'devtools'

## The following object is masked from 'package:permute':
## 
##     check
library(ecodados) # para instalar isso é preciso o comado #devtools::install_github("paternogbc/ecodados")
library (vegan)
library(ggplot2)
library(BiodiversityR)
## Carregando pacotes exigidos: tcltk

## BiodiversityR 2.14-4: Use command BiodiversityRGUI() to launch the Graphical User Interface; 
## to see changes use BiodiversityRGUI(changeLog=TRUE, backward.compatibility.messages=TRUE)
## Dados
composicao_especies <- ecodados::composicao_anuros_div_taxonomica
precipitacao        <- ecodados::precipitacao_div_taxonomica
  1. Explore as bases de dados “composicao_especies”

  2. Faça algumas curvas de rank-abundância como essa abaixo

rank_com2 <- rankabundance(composicao_especies[2, composicao_especies[2,] > 0]) # Note que fiz apenas para uma comunidade, a comm 2; Faça para mais de uma repetindo várias vezes esse comando e dando nomes distintos aos objetos
## Warning in qt(0.975, df = n - 1): NaNs produzidos
rankabunplot(rank_com2, scale = "logabun", specnames = c(1), 
             pch = 19, col = "darkorange")# para fazer vários gráficos, basta repetir os comandos
  1. Calcule índices de diversidade de espécies. Todos os que conhecer e quiser e comente os mesmos.
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      4
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     Com_8 
## 2.3025851 0.5002880 0.9580109 1.6068659 1.4861894 1.5607038 0.6931472 1.1058899 
##     Com_9    Com_10 
## 1.7140875 1.2636544
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     Com_8 
## 0.9000000 0.1710000 0.4814815 0.7989636 0.7587500 0.7674858 0.5000000 0.5850000 
##     Com_9    Com_10 
## 0.8088889 0.6942149
  1. Teste a relação dos índices 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  987
## Juntando todos os dados em um único data frame
dados_div <- data.frame(precipitacao$prec, riqueza_res,shannon_res, 
                        simpson_res)

## Renomeando as colunas
colnames(dados_div) <- c("Precipitacao", "Riqueza", "Shannon", "Simpson")

## ANOVA
anova_shan <- lm(Shannon ~ Precipitacao, data = dados_div)
anova(anova_shan)
## Analysis of Variance Table
## 
## Response: Shannon
##              Df  Sum Sq Mean Sq F value Pr(>F)
## Precipitacao  1 0.10989 0.10989  0.3627 0.5637
## Residuals     8 2.42366 0.30296
  1. Faça um plot para cada relação!