Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
http://statisticalecology-
ec.blogspot.com.co/2012/08/indicesdebiodiversidadR.ht
ml
Clase 6: ndices de biodiversidad en R-project
ndices de biodiversidad
Continuando con este breve curso sobre bioestadstica en R (Clase 1, Clase 2, Clase 3, Clase
4 y Clase 5), en esta oportunidad intentaremos abordar el problema de los ndices de biodiversidad
utilizando R. Comenzaremos con algunos 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 (UNEP, 1992). El
trmino comprende, por tanto, diferentes escalas biolgicas: desde la variabilidad en el
contenido gentico de los individuos y las poblaciones, el conjunto de especies que integran
grupos funcionales y comunidades completas, hasta el conjunto de comunidades de un paisaje
o regin (Solbrig, 1991; Halffter y Ezcurra, 1992; Heywood, 1994; UNEP, 1992; Harper y
Hawksworth, 1994).
Fuente: http://entomologia.rediris.es/sea/manytes/metodos.pdf
Diversidad de especies.
La diversidad alfa tiene dos componentes fundamentales:
riqueza especfica: nmero de especies que tiene un ecosistema
estructura (equitabilidad): mide la distribucin de la abundancia de las especies, es decir,
cmo de uniforme es un ecosistema.
Fuente: http://entomologia.rediris.es/sea/manytes/metodos.pdf
Los ndices de rareza interpolan nuevos datos, mientras que los estimadores no paramtricos de
especies extrapolan los datos para encontrar el "verdadero" nmero de especies (Colwell and
Coddington 1994).
Los estimadores no paramtricos utilizan el nmero de especies raras para encontrar la manera de
calcular qu tan probable es que hayan ms especies sin encontrar en la muestra.
Por ejemplo, el estimador de Chao (Chao 1984; Colwell and Coddington 1994) calcula la diversidad
de especies verdadera estimada de la muestra mediante los datos de abundancia. En caso de que
no contemos con datos de abundancia sino de ocurrencia, podremos utilizer el estimator Chao 2
(Chao 1987; Colwell and Coddington 1994), que estima la diversidad de las especies a partir de los
datos de ocurrencia de mltiples muestras.
Otro estimador es el de Jackknife (Burnham & Overton, 1978, 1979) originalmente utilizados para
dates de capture y recaptura.
Dentro del paquete fossil existe un mtodo de rarefaccin conocido como la curva de
Coleman(Coleman 1981; Coleman et al. 1982), que se desarrolla como un mtodo de remuestreo
ms que mediante una frmula de rareza.
Por ltimo est el estimator de riqueza boostrap (Smith & van Belle, 1984).
#########################################################################
##
# 6. ANLISIS DE BIODIVERSIDAD #
# libreras fossil y vegan
#########################################################################
##
#########################################################################
##
############ con la librera fossil
#################
############ 1. Manipulacin de los datos
############ 2.
#########################################################################
##
library(fossil)
data(fdata.list)
head(fdata.list)
#matriz de ocurrencias
ocurrencias=create.matrix(fdata.list,tax.name="species",locality="localit
y")
#toma la lista de las especies y su ocurrencias, y las convierte en una
matriz de especies (filas) y localidades (columnas).
#matriz de abundancia
abundancias=create.matrix(fdata.list,tax.name="species",locality="localit
y", abund=TRUE,abund.col="abundance")
#crea una matriz de abundancias, se trata de la misma funcin anterior
pero ahora incluye la opcin abund=TRUE y el argumento abund.col que
corresponde a la columna de los valores de abundancia.
#para este ejemplo, el resultado es el mismo que data(fdaa.mat)
#matriz de coordenadas
coordenadas=create.lats(fdata.list,loc="locality",long="longitude",
lat="latitude")
#extrae las coordenadas de los sitios, eliminando aquellas entradas que
se repiten.
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=16,col="white",cex=3)
points(coordinates(fdata.lats),pch=1,cex=3)
text(coordinates(fdata.lats),labels=LETTERS[1:12])
#otros:
braun.blanquet(x, y)
bray.curtis(x, y)
euclidean(x,y)
kulczynski(x,y)
jaccard(x, y)
manhattan(x, y)
morisita.horn(x, y)
ochiai(x, y)
simpson(x, y)
sorenson(x, y)
## con aleatorizacin
#spp.est(). La funcin tiene varias opciones: el nmero de
aleatorizaciones y si utilizar o no datos de abundancias. Calcula la
curva de rareza de Chao, Coverage Estimators y Jacknife, as como las
desviaciones estndar para todas las estimaciones. Por defecto la funcin
corre 10 aleatorizaciones de los datos, sin embargo si queremos mejores
estimaciones tendremos que aumentar dicho nmero.
e run.
## vector muestra
a=c(0,5,1,1,2,0,0,1,0,0,8,45)
bootstrap(a,samples=45)
## formato matricial
a=matrix(c(0,5,1,1,2,0,0,1,0,0,8,45),4,3)
bootstrap(a)
bootstrap(a,,FALSE)
## matriz de presencia-ausencia
a=matrix(c(0,1,1,1,1,0,0,1,0,0,1,1),4,3)
bootstrap(a,,FALSE)
## matiz de abundancia
bootstrap(fdata.mat,,TRUE,samples=1000)
#########################################################################
##
############## con la librera vegan ###################
#########################################################################
##
J <- H/log(specnumber(BCI))
# Rarefaccin:
# min N in BCI data is 340
bci.340 = rarefy(BCI, sample=340, se=FALSE)
plot(bci.340)
#Curvas de rarefaccin.
#? Based on rarefying to many different subsample sizes.
#? rarefy() can only take a single value for sample.
#? Can call it lots of times, and collect the data: tedious!
#? In Session 4, we?ll make our own function to do this.