ndices de biodiversidad Clase 6: ndices

de biodiversidad en R-project
http://statisticalecology-ec.blogspot.com/2012/08/indicesdebiodiversidadR.html
Continuando con este breve curso sobre bioestadstica en R (Clase 1, Clase 2, Clase 3, Clase 4y Clase 5), en esta oportunidad intentaremos abordar el problema de los ndices de biodiversidad utilizando R. Comenzaremos con al unos conceptos previos.

Qu queremos decir por biodiversidad?

La biodiversidad o diversidad biolgica se define como la variabilidad entre los organismos vivientes de todas las fuentes, incluyendo, entre otros, los organismos terrestres, marinos y de otros ecosistemas acuticos, as como los complejos ecolgicos de los que forman parte; esto incluye diversidad dentro de las especies, entre especies y de ecosistemas ( !"#, $%%&'( "l t)rmino comprende, por tanto, diferentes escalas biolgicas* desde la variabilidad en el contenido gen)tico de los individuos y las poblaciones, el conjunto de especies que integran grupos funcionales y comunidades completas, +asta el conjunto de comunidades de un paisaje o regin (,olbrig, $%%$; -alffter y ".curra, $%%&; -ey/ood, $%%0; !"#, $%%&; -arper y -a/1s/ort+, $%%0'( 2uente* http://entomologia.rediris.es/sea/manytes/metodos.pdf

!s decir, e"isten distintas escalas de diversidad#

Diversidad a escala gentica. Diversidad de especies# la diversidad alfa es la ri$ueza de especies de una comunidad particular a la $ue consideramos %omo &nea.

Diversidad a nivel de comunidades# la diversidad beta es el rado de cambio o reemplazo en la composici'n de especies entre di(erentes comunidades en un paisa)e, y la diversidad gamma es la ri$ueza de especies del con)unto de comunidades $ue inte ran un paisa)e, resultante tanto de las diversidades al(a como de las diversidades beta (*%itta+er, 1,-2).

Diversidad de especies.
.a diversidad alfa tiene dos componentes (undamentales# riqueza especfica# n/mero de especies $ue tiene un ecosistema

estructura (equitabilidad)# mide la distribuci'n de la abundancia de las especies, es decir, c'mo de uni(orme es un ecosistema.

Cmo podemos traducir un concepto intuitivo en algo que podamos medir?

0uente# %ttp#11entomolo ia.rediris.es1sea1manytes1metodos.pd(

Mtodos paramtricos: ndices

.a medida de ocurrencia 2accard o Coe(iciente de comunidad es una medida muy simple e intuitiva (3%i 1,,34 5a urran 2664). .a medida de 3orenson o ndice de 7ice, Cze+ano8s+i or Coincidencem %ace m9s &n(asis a las especies presentes compartidas m9s $ue a las no compartidas, y su c9lculo es relativamente simple e intuitivo (*olda 1,:14 ;ub<le+ 1,:2). =tros dos ndices similares sue se utilizan ocasionalmente son las medidas de =c%iai y >ulczyns+i. 3in embar o, se eli en las medidas de 2accard o 3oreson por$ue son las m9s utilizadas actualmente. !l ndice de 3impson intenta solucionar uno de los problemas m9s tpicos, el de di(erentes tama?os muestrales entre localidades. Comprar sitios con intensidades desi uales puede enerar visiones ses adas. @eniendo esto en cuenta, 3impson (1,A6) desarroll' una medida para tama?os muestrales distintos. 3u ('rmula reescala el valor por el n/mero de especies del /ltimo sitio muestreo, por lo $ue una submuestra tendr9 similitud con la muestra ori inal. Bor tanto, este ndice es utilizado con datos altamente variables en intensidad de muestreo, por e)emplo los datos de ('siles. .a medida de CrayDCurtis es posiblemente la m9s utilizada, debido a su ran relaci'n con las distancias ecol' icas ba)o condiciones variadas (Cray and Curtis 1,5-4 0ait% etal. 1,:-4 5inc%in 1,:-4 Clar+e 1,,3). !sta medida es e$uivalente a la de 3oreson, cuando la utilizamos como medida de similitud con datos de ocurrencia. E pesar de ser menos conocido, el ndice de 5osisitaD;orn es recomendable debido a su relativa independencia del tama?o muestral y diversidad (*olda 1,:14 5a urran 2664). !"isten muc%as variantes de este ndice.

Mtodos no paramtricos

de rare!accin.

Fno de los m&todos tpicos para solucionar los problemas de muestreo desi ual en intensidad, es el ndice de rareza (o tambi&n conocido con el peculiar nombre de Grare(acci'nG o interpolaci'n de los datos4 3anders 1,A:). .os ndices de rareza permiten comparar entre distintas comunidades donde cada una es GenrarecidaG a un n/mero i ual de e)emplares muestreados (;ec+ et al. 1,-54 0oote 1,,24 Col8ell and Coddin ton 1,,4).

.os ndices de rareza interpolan nuevos datos, mientras $ue los estimadores no param&tricos de especies e"trapolan los datos para encontrar el GverdaderoG n/mero de especies (Col8ell and Coddin ton 1,,4). .os estimadores no param&tricos utilizan el n/mero de especies raras para encontrar la manera de calcular $u& tan probable es $ue %ayan m9s especies sin encontrar en la muestra. Bor e)emplo, el estimador de C%ao (C%ao 1,:44 Col8ell and Coddin ton 1,,4) calcula la diversidad de especies verdadera estimada de la muestra mediante los datos de abundancia. !n caso de $ue no contemos con datos de abundancia sino de ocurrencia, podremos utilizer el estimator C%ao 2 (C%ao 1,:-4 Col8ell and Coddin ton 1,,4), $ue estima la diversidad de las especies a partir de los datos de ocurrencia de m/ltiples muestras. =tro estimador es el de 2ac++ni(e (Curn%am H =verton, 1,-:, 1,-,) ori inalmente utilizados para dates de capture y recaptura. 7entro del pa$uete (ossil e"iste un m&todo de rare(acci'n conocido como la curva de Coleman(Coleman 1,:14 Coleman et al. 1,:2), $ue se desarrolla como un m&todo de remuestreo m9s $ue mediante una ('rmula de rareza. Bor /ltimo est9 el estimator de ri$ueza boostrap (3mit% H van Celle, 1,:4).

"plicacin en #: paquetes !ossil

vegan

######################################################################### ## # Anlisis de datos con R # # 2012 # # Msc. Rosana Ferrero # # http://statisticalecology.blogspot.com/ # ######################################################################### ## ######################################################################### ## # 6. A !"#$#$ %& '#(%#)&R$#%A% # # libreras fossil y vegan ######################################################################### ##

######################################################################### ## ############ con la librer*a +ossil ################# ############ 1. Manip,laci-n de los datos ############ 2. ######################################################################### ## library(fossil) data(fdata.list) head(fdata.list) ############ 1. Manip,laci-n de los datos #las +,nciones estimadoras de especies p,eden agr,parse en 2 categor*as: las .,e ,san los datos de oc,rrencia y a.,ellas .,e ,san los datos de ab,ndancia. #matri/ de oc,rrencias ocurrencias=create.matrix(fdata.list,tax.name="species",locality="localit y") #toma la lista de las especies y s, oc,rrencias0 y las con1ierte en ,na matri/ de especies 2+ilas3 y localidades 2col,mnas3. #matri/ de ab,ndancia abundancias=create.matrix(fdata.list,tax.name="species",locality="localit y", abund=TRUE,abund.col="abundance") #crea ,na matri/ de ab,ndancias0 se trata de la misma +,nci-n anterior pero ahora incl,ye la opci-n ab,nd45R6& y el arg,mento ab,nd.col .,e corresponde a la col,mna de los 1alores de ab,ndancia. #para este e7emplo0 el res,ltado es el mismo .,e data2+daa.mat3 #matri/ de coordenadas coordenadas=create.lats(fdata.list,loc="locality",long="longitude", lat="latitude") #e8trae las coordenadas de los sitios0 eliminando a.,ellas entradas .,e se repiten. #"a +,nci-n dino.dist23 toma ,na matri8 de oc,rrencia de especies 1s. localidad 2o gr,pos3 y de1,el1e ,na matri/ de distancia pareadas. ##matri/ de distancia entre c,al.,ier n9mero de localidades #ecol.dist280 method 4 sorenson0 type 4 :dis:3 #dino.dist280 method 4 sorenson0 type 4 :dis:3

data(fdata.mat) ecol.dist(fdata.mat) ecol.dist(fdata.mat,simpson,"sim")

#grfico data(fdata.mat) fdata.dist=dino.dist(fdata.mat) fdata.mst=dino.mst(fdata.dist) data(fdata.lats) library(maps) map("state") mstlines(fdata.mst,coordinates(fdata.lats)) points(coordinates(fdata.lats),pch= !,col=""hite",cex=#) points(coordinates(fdata.lats),pch= ,cex=#) text(coordinates(fdata.lats),labels=LETTERS$ % &')

############ 2. ;ndices de distancia/similit,d/di1ersidad beta #<oe++icient ame Form,lae Alternate ame F,nction <all #=accard a/2a>b>c3 <oe++icient o+ <omm,nity 7accard23 #$orenson 2a/22a>b>c3 %ice0 </e?ano@s?i0 <oincidence #nde sorenson23 #$impson a/2a>min2b0c33 A simpson23 #'ra,nA'lan.,et a/2a>ma82b0c33 A bra,n.blan.,et23 #(chiai a/s.rtB2a>b32a>c3C <oe++icient o+ <loseness ochiai23 #D,lc/yns?i Ea/2a>b3>a/2a>c3F/2 A ?,lc/yns?i23 #otros: braun.blan(uet(x, y) bray.curtis(x, y) euclidean(x,y) )ulc*yns)i(x,y) +accard(x, y) manhattan(x, y) morisita.horn(x, y) ochiai(x, y) simpson(x, y)

sorenson(x, y) #5odas las +,nciones de similit,d se ,tili/an de la misma manera. "as +,nciones necesitan dos arg,mentos .,e representen las dos m,estras. &s importante .,e las oc,rrencias de especies estGn colocadas de misma manera para cada sitio0 y .,e cada especie a,sente se represente por el cero. sample,=c( , ,-, , , , ) sample.=c(-, , ,-,-, , ) sorenson(sample,,sample.) ##<onteo de especies de 2 locali/aciones di+erentes. a = c( ,-,/,#,0,-,-,1) b = c(&, ,#,-,-, ,-,!) bray.curtis(a,b) +accard(a,b) simpson(a,b) sorenson(a,b) morisita.horn(a,b)

##### H. MGtodos con m,estras comple7as 2incompletas3 o pe.,eIas: aleatori/aci-n0 rem,estreo0 boostrap. data(fdata.mat) head(fdata.mat) #es n,estra matri/ de :ab,ndancias: chao (fdata.mat) +ac) (fdata.mat)

## con aleatori/aci-n #spp.est23. "a +,nci-n tiene 1arias opciones: el n9mero de aleatori/aciones y si ,tili/ar o no datos de ab,ndancias. <alc,la la c,r1a de rare/a de <hao0 <o1erage &stimators y =ac?ni+e0 as* como las des1iaciones estndar para todas las estimaciones. Jor de+ecto la +,nci-n corre 10 aleatori/aciones de los datos0 sin embargo si .,eremos me7ores estimaciones tendremos .,e a,mentar dicho n9mero. e r,n. #e7emplo con datos de ab,ndancia data(fdata.mat) spp.est(fdata.mat, abund = TRUE, counter = FALSE) #e7emplo con datos de oc,rrencia data(fdata.mat)

spp.est(fdata.mat, abund = FALSE, counter = FALSE)

## los estimators de <haoA=accard y <haoA$orenson como estimadores de las especies c,ando tenemos datos incompletos #chao.sorenson280 y3 chao.7accard280 y3 #se deben datos dos 1ectores separados0 con las especies disp,estas con el mismo orden0 desde el rea A a la '. $i la especie est presente en ,no de los sitios pero no en el otro0 debe ser identi+icada en ambos sitioK en el sitio donde no se encontr- se codi+icar con ,n cero. &species .,e no estGn presentes en ning,no de los dos sitios sern ignoradas. ##conteo de especies en 2 locali/aciones di+erentes a = c( ,-,/,#,0,-,-,1) b = c(&, ,#,-,-, ,-,!) chao.sorenson(a,b) chao.+accard(a,b) ## MGtodo de 'ootstrap en estimadores de ri.,e/a de especies0 para datos de ab,ndancia o para datos de presenciaAa,sencia. ## 1ector m,estra a=c(-,0, , ,&,-,-, ,-,-,2,/0) bootstrap(a,samples=/0) ## +ormato matricial a=matrix(c(-,0, , ,&,-,-, ,-,-,2,/0),/,#) bootstrap(a) bootstrap(a,,FALSE) ## matri/ de presenciaAa,sencia a=matrix(c(-, , , , ,-,-, ,-,-, , ),/,#) bootstrap(a,,FALSE) ## mati/ de ab,ndancia bootstrap(fdata.mat,,TRUE,samples= ---)

######################################################################### ## ############## con la librer*a 1egan ################### ######################################################################### ##

#3amos a utili*ar unos datos clsicos de la diversidad de rboles de .arro 4olorado. 5os datos consisten de 0- parcelas (filas) de hectrea donde se reali*a el conteo de los rboles en cada parcela y la identificaci6n de su especie (columnas). 7e incluyeron todos los rboles con dimetros por encima de -cm. 7e encontraron &&0 especies.
library(ve an) data(CCI) # Barro Colorado Island tree data # 50 1- a plots! counts of ""5 spp#

3ie"(.48) #para ver los datos fix(.48) ### Ri.,e/a espec*+ica: *ndices cts= c(&-, &,0,#,&, , ,-,-,-) # co,nts +or 10 spp #1. $in ,tili/ar 1egan sum(cts9-) #1% s,ms a logical 1ector: 5410F40 #2. 6tili/ando 1egan specnumber(.48) # +,nci-n para encontrar el n9mero de especies0 traba7a con matrices specnumber(cts) # error specnumber(matrix(cts,nrow= )) #%i1ersidad: otras mGtricas. F,nci-n di1ersity23 diversity(.48, index="shannon") # $hannonALiener0 M diversity(.48, index="simpson") # $impson0 1A% diversity(.48, index="invsimpson") # #n1erse $impson0 1/% fisher.alpha(.48) # parameter alpha o+ the logAseries 3egan no tiene ndices de e(uitatividad o igualdad, peru podemos calcular el ms com:n de ellos, el ndice de ;ielou% < = =>? log(7) de una manera sencilla < @A =?log(specnumber(.48)) # Rare+acci-n: # min in '<# data is HN0 bci.#/- = rarefy(.48, sample=#/-, se=FALSE) plot(bci.#/-) #<,r1as de rare+acci-n. #O 'ased on rare+ying to many di++erent s,bsample si/es. #O rare+y23 can only ta?e a single 1al,e +or sample. #O <an call it lots o+ times0 and collect the data: tedio,sP #O #n $ession N0 @eOll ma?e o,r o@n +,nction to do this.

$ambin e%isten las !unciones:

specaccum # pecies accumulation renyiaccum! tsallisaccum #diversity accumulation "isher"it! preston"it! rad"it # pecies abundance models specpool# estimateR # $%trapolated species richness beta diver! betadisper #&ndices o" betadiversity ta%ondive #'a%onomic diversity treedive #one option o" "unctional diversity (ull models and nestedness )oecosimu *ith support "unctions+ 'echnical and advanced "unctions li,e dissimilarity indices )vegdist# designdist+ and their e%tensions )step across+

Bibliografa y material para profundizar: http://entomologia.rediris.es/sea/manytes/metodos.pd" http://duncan-g."iles.*ordpress.com/2008/02/clasediversidad1.pd" http://***.um.es/docencia/geobotanica/"icheros/practica2.pd" http://pro".usb.ve/e,lein/labeco2/biblio/$structura.20de.20las .20comunidades.pd" http://palaeo-electronica.org/2011/1/208/208.pd" http://cran.r-pro-ect.org/*eb/pac,ages/vegan/vignettes/diversityvegan.pd" http://***.bio.ut,.edu/"esin/msa2001/sno*beam2.pd"