Gabriel Rodrigues

Example Page 1

Sun, 05 May 2019 00:00:00 +0100

In this tutorial, I’ll share my top 10 tips for getting started with Academic:

Tip 1

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Duis posuere tellus ac convallis placerat. Proin tincidunt magna sed ex sollicitudin condimentum. Sed ac faucibus dolor, scelerisque sollicitudin nisi. Cras purus urna, suscipit quis sapien eu, pulvinar tempor diam. Quisque risus orci, mollis id ante sit amet, gravida egestas nisl. Sed ac tempus magna. Proin in dui enim. Donec condimentum, sem id dapibus fringilla, tellus enim condimentum arcu, nec volutpat est felis vel metus. Vestibulum sit amet erat at nulla eleifend gravida.

Nullam vel molestie justo. Curabitur vitae efficitur leo. In hac habitasse platea dictumst. Sed pulvinar mauris dui, eget varius purus congue ac. Nulla euismod, lorem vel elementum dapibus, nunc justo porta mi, sed tempus est est vel tellus. Nam et enim eleifend, laoreet sem sit amet, elementum sem. Morbi ut leo congue, maximus velit ut, finibus arcu. In et libero cursus, rutrum risus non, molestie leo. Nullam congue quam et volutpat malesuada. Sed risus tortor, pulvinar et dictum nec, sodales non mi. Phasellus lacinia commodo laoreet. Nam mollis, erat in feugiat consectetur, purus eros egestas tellus, in auctor urna odio at nibh. Mauris imperdiet nisi ac magna convallis, at rhoncus ligula cursus.

Cras aliquam rhoncus ipsum, in hendrerit nunc mattis vitae. Duis vitae efficitur metus, ac tempus leo. Cras nec fringilla lacus. Quisque sit amet risus at ipsum pharetra commodo. Sed aliquam mauris at consequat eleifend. Praesent porta, augue sed viverra bibendum, neque ante euismod ante, in vehicula justo lorem ac eros. Suspendisse augue libero, venenatis eget tincidunt ut, malesuada at lorem. Donec vitae bibendum arcu. Aenean maximus nulla non pretium iaculis. Quisque imperdiet, nulla in pulvinar aliquet, velit quam ultrices quam, sit amet fringilla leo sem vel nunc. Mauris in lacinia lacus.

Suspendisse a tincidunt lacus. Curabitur at urna sagittis, dictum ante sit amet, euismod magna. Sed rutrum massa id tortor commodo, vitae elementum turpis tempus. Lorem ipsum dolor sit amet, consectetur adipiscing elit. Aenean purus turpis, venenatis a ullamcorper nec, tincidunt et massa. Integer posuere quam rutrum arcu vehicula imperdiet. Mauris ullamcorper quam vitae purus congue, quis euismod magna eleifend. Vestibulum semper vel augue eget tincidunt. Fusce eget justo sodales, dapibus odio eu, ultrices lorem. Duis condimentum lorem id eros commodo, in facilisis mauris scelerisque. Morbi sed auctor leo. Nullam volutpat a lacus quis pharetra. Nulla congue rutrum magna a ornare.

Aliquam in turpis accumsan, malesuada nibh ut, hendrerit justo. Cum sociis natoque penatibus et magnis dis parturient montes, nascetur ridiculus mus. Quisque sed erat nec justo posuere suscipit. Donec ut efficitur arcu, in malesuada neque. Nunc dignissim nisl massa, id vulputate nunc pretium nec. Quisque eget urna in risus suscipit ultricies. Pellentesque odio odio, tincidunt in eleifend sed, posuere a diam. Nam gravida nisl convallis semper elementum. Morbi vitae felis faucibus, vulputate orci placerat, aliquet nisi. Aliquam erat volutpat. Maecenas sagittis pulvinar purus, sed porta quam laoreet at.

Tip 2

Example Page 2

Sun, 05 May 2019 00:00:00 +0100

Here are some more tips for getting started with Academic:

Tip 3

Tip 4

Example Talk

Sat, 01 Jun 2030 13:00:00 +0000

Click on the Slides button above to view the built-in slides feature.

Slides can be added in a few ways:

Create slides using Academic’s Slides feature and link using slides parameter in the front matter of the talk file
Upload an existing slide deck to static/ and link using url_slides parameter in the front matter of the talk file
Embed your slides (e.g. Google Slides) or presentation video on this page using shortcodes.

Further talk details can easily be added to this page using Markdown and $\rm \LaTeX$ math code.

SDM para prever a distribuição da Lontra neotropical

Fri, 30 Apr 2021 00:00:00 +0000

Cada vez mais dados sobre a distribuição de espécies estão sendo compilados e disponibilizados gratuitamente em diversas plataformas (GBIF, iNaturalist, CITES). Ao mesmo tempo, dados climáticos cada vez mais precisos são gerados e disponibilizados. Isso traz enormes possibilidades para testar e comparar a área de ocorrência de espécies de interesse para diversos propósitos. O conjunto de ferramentas conhecido como Species Distribution Modeling (SDM) combinam dados de ocorrência (variável resposta) com parâmetros ambientais (variáveis preditoras), geralmente são utilizados para prever a distribuição de espécies em cenários atuais e/ou futuros. Para mais detalhes sobre essa abordagem sugiro a leitura de (N. Barve et al. 2011). Dito isto, proponho de mostrar de forma breve e superficial a ulização de um "SDM" para prever a área de ocorrência da lontra neotropical (Lontra longicaudis) utilizando dados climáticos. Ressalto que esse contéudo tem caratér exclusivamente didático e não deve ser tratado como informação de valor cientifico.

Lontra neotropical

Alguns estudos já utilizaram dessa abordagem para testar hipóteses sobre a área de ocorrência (Rheingantz, Menezes, and Thoisy 2014) (citar) e sobre a história evolutiva (Hernández-Romero et al. 2018) da lontra netropical. O que tornara o trabalho mais facil pois iremos selecionar as váriáveis ambientais que explicam a ocorrência das lontras.

Lontra longicaudis © Cláudio Dias Timm

Passo-a-passo SDM

Coletando dados

Os dados de ocorrência de Lontra longicaudis foram compilados da plataforma Global Biodiversity Information Facility (GBIF) e estão diposineis no seguinte link: https://doi.org/10.15468/dl.jfvbtt

Pacotes utilizados

#Carregar pacotes
library("sp")
library("raster")
library("maptools")
library("rgdal")
library("dismo")
library("tidyverse")
library("sf")

#Criando diretórios
dir.create(path = "data")
dir.create(path = "output")

Carregando dados

obs.data<- read.csv(file = "occurrence_lontra.csv", sep = ";")
obs.data <- obs.data[!is.na(obs.data$decimalLatitude), ] #remover NAs do data.frame
obs.data<- obs.data %>% 
  filter(decimalLongitude < -20) %>% 
  filter(decimalLatitude > -65)

Obtendo dados climáticos

Utilizaremos a base de dados do bioclim, no entanto, selecionaremos somente as váriaveis climáticas que tenham valor biológico/ecológico (citar trabalho). Bioclim consiste em um conjunto de 19 variáveis climáticas medidas mensalmente e são bastante utilizadas para modelos de distribuição de espécies. Para mais informações acesse: https://www.worldclim.org/data/bioclim.html

bioclim.data <- getData(name = "worldclim",
                        var = "bio",
                        res = 5,
                        path = "",
                        lon = max.lon,
                        lat = max.lat)
bioclim.data2<- bioclim.data[[c("bio1","bio2","bio4","bio5","bio7","bio12","bio14","bio15","bio18","bio19")]] #selecionando o subconjunto de variáveis

Determinar coodernadas geográficas para o modelo

max.lat <- ceiling(max(obs.data$decimalLatitude))
min.lat <- floor(min(obs.data$decimalLatitude))
max.lon <- ceiling(max(obs.data$decimalLongitude))
min.lon <- floor(min(obs.data$decimalLongitude))
coords <- extent(x = c(min.lon, max.lon, min.lat, max.lat))

Construindo o modelo

Utilizaremos o algoritimo bioclim para modelar a distribuição das espécies em relação as variáveis climáticas. O algoritimo compara a similaridade dos valores climáticos de locais em que a espécie a ser modelada ocorre (dados treino) e com outros locais em que a espécie não foi amostrada. Gerando um valor de probabilidade da ocorrência da espécie em determinada área.

bioclim.data1 <- crop(x = bioclim.data2, y = coords) #juntar coordenadas com dados climáticos
obs.data <- obs.data[, c("decimalLongitude", "decimalLatitude")] 
model1 <- bioclim(x = bioclim.data2, p = obs.data) #modelo construido com o algoritimo bioclim
predict.presence1 <- dismo::predict(object = model1, 
                                    x = bioclim.data1, 
                                    ext = coords) #Prever a presença baseado no modelo

Visualizando o modelo

# Mapa base
data(wrld_simpl)
plot(wrld_simpl, 
     xlim = c(min.lon, max.lon),
     ylim = c(min.lat, max.lat),
     axes = TRUE, 
     col = "grey95")

# Adicionar probabilidades do modelo
plot(predict.presence1, add = TRUE,xlim = c(min.lon, max.lon),
     ylim = c(min.lat, max.lat))

# Adicionar pontos observados
points(obs.data$decimalLongitude, obs.data$decimalLatitude, col = "olivedrab", pch = 20, cex = 0.75)
plot(wrld_simpl, add = TRUE, border = "grey5")
box()

O mapa mostra a probabilidade da distribuição da lontra neotropical.

Validando o modelo

É necessário avaliar o modelo em relação ao seu poder de predição. Para isso o conjunto de dados será separado em "dados treino", representado 20% dos dados e "dados teste", representando 80%. Para isso utilizaremos a função kfold do pacote dismo para atribuir a cada observação um grupo aleatório.

testing.group <- 1
group.presence <- kfold(x = obs.data, k = 5) 
table(group.presence)

## group.presence
##   1   2   3   4   5 
## 279 279 280 279 279

presence.train <- obs.data[group.presence != testing.group, ]
count(presence.train)

##      n
## 1 1117

presence.test <- obs.data[group.presence == testing.group, ]
count(presence.test)

##     n
## 1 279

Construindo o modelo e testando

# Construir modelo com dados treino
model2 <- bioclim(x = bioclim.data2, p = presence.train)

# Prever a presença do modelo
predict.presence2 <- dismo::predict(object = model2, 
                                    x = bioclim.data2, 
                                    ext = coords)

# Usar dados teste para avaliar o modelo 
bc.eval1 <- evaluate(p = presence.test,   # Dados teste
                     a = presence.train, # Dados treino
                     model = model2,    # Modelo avaliado
                     x = bioclim.data2)    # variáveis climáticas

bc.threshold1 <- threshold(x = bc.eval1, stat = "spec_sens")

Representação visual do modelo

#MAP
world_map <- map_data("world")
raster<- as.data.frame(predict.presence2, xy=T) %>% drop_na()
raster2<- raster %>% filter(raster$layer > bc.threshold1 )

g1<- ggplot() +
  geom_raster(data = raster2, aes(x = x, y = y, fill = layer)) +scale_fill_gradient(low="yellow",high = "darkgreen")+ theme_classic() +
  geom_polygon(data = world_map,aes(x = long, y = lat, group = group), fill = NA, col = "black") + 
  coord_sf(xlim = c(min.lon, max.lon), ylim = c(min.lat, max.lat), expand = FALSE) +xlab("Longitude")+ ylab("Latitude") +
  geom_point(aes(x=obs.data$decimalLongitude, y = obs.data$decimalLatitude))
g1

Como podemos notar a abrangência da distribuição da lontra neotropical aumentou muito com a utilização desse modelo preditivo. Vale ressaltar que esse tipo de modelagem só levou em conta dados climáticos. Provavelmente outros fatores como: (1) barreiras geográficas intransponíveis, (2) presença de predadores/competidores e (3) disturbios antrópicos influenciam a distribuição e ocorrência desse animal.

Temos então um panorama inicial de como utlizar essa abordagem para prever a ocorrência de uma espécie.

Qualquer dúvida, correção ou sugestão pode ser encaminhada para gfellipe5@gmail.com

Obrigado.

Referências

Barve, Narayani, Vijay Barve, Alberto Jiménez-Valverde, Andrés Lira-Noriega, Sean P Maher, A Townsend Peterson, Jorge Soberón, and Fabricio Villalobos. 2011. “The Crucial Role of the Accessible Area in Ecological Niche Modeling and Species Distribution Modeling.” Ecological Modelling 222 (11). Elsevier: 1810–9.

Hernández-Romero, Pablo C, Carla Gutiérrez-Rodríguez, Carolina Valdespino, and David A Prieto-Torres. 2018. “The Role of Geographical and Ecological Factors on Population Divergence of the Neotropical Otter Lontra Longicaudis (Carnivora, Mustelidae).” Evolutionary Biology 45 (1). Springer: 37–55.

Rheingantz, Marcelo Lopes, Jorge Fernando Saraiva de Menezes, and Benoit de Thoisy. 2014. “Defining Neotropical Otter Lontra Longicaudis Distribution, Conservation Priorities and Ecological Frontiers.” Tropical Conservation Science 7 (2). SAGE Publications Sage CA: Los Angeles, CA: 214–29.

Resource partitioning and adequacy among ontogenetic groups in a hermit crab and gastropod shell network

Thu, 07 Jan 2021 00:00:00 +0000

Comparando a maturidade sexual morfológica

Fri, 07 Aug 2020 17:30:21 -0300

Maturidade Sexual

A maturidade sexual pode ser entendida como a transição de um organismo do estado jovem (inapto a se reproduzir) para adulto (apto a reprodução). Portanto, essa questão é muito importante para medidas de conservação de espécies, como por exemplo o estabelecimento de um tamanho mínimo para pescados. O tamanho da maturidade sexual pode variar entre espécies e até mesmo entre populações da mesma espécie. Por exemplo, indivíduos de populações que vivem em um ambiente rico em alimento e com maiores temperaturas podem crescer mais rápido do que indivíduos que vivem em ambientes mais severos. Essa proposta foi amplamente discutida por Wenner, Fusaro, and Oaten (1974), onde utilizava o tamanho médio mínimo de fêmeas com ovos no abdome para estipular o tamanho da maturidade sexual de uma população.

Calculando a maturidade sexual

Tendo em vista que dentro de uma população alguns indivíduos vão se tornar "adultos" em maiores tamanhos e alguns em menores tamanhos, enquanto a maioria isso irá acontecer em tamanhos intermediários. Assim podemos assumir uma distribuição normal para o tamanho dos indivíduos de uma população.

#Gerando um data frame de distribuição normal para individuos de uma população de caranguejos. Note que LC = Largura da Carapaça em centímetros. E que o fator Adulto é representado por digitos binários onde 0 = Jovem e 1 = Adulto
Jovens<- rnorm(n = 50, mean = 10, sd = 2)
Adultos<- rnorm(n = 50, mean = 15, sd = 2)
df<- data.frame(LC = c(Jovens, Adultos), Maturidade = c(rep("Jovem", 50), rep("Adulto", 50)), Adulto = c(rep(0,50), rep(1,50)))

Criado um data frame aleatório de distribuição normal iremos criar um modelo. Utilizaremos um 'glm' (generalized linear model) com distribuição binomial, que nada mais é que um modelo linear que assume que a variável y (no caso "Adulto") tem uma distribuição binomial. Segue o código.

Validado o modelo utilizaremos a função gerado pelo modelo para calcular o valor do tamanho da carapaça em que 50% dos indivíduos são adultos e 50% são jovens, chamaremos de LC50.

LC50 = (log(.5/(1-.5)) - coef(model1)[1])/coef(model1)[2]
LC50

## (Intercept) 
##    12.28912

Representando graficamente

Podemos representar graficamente a distribuição da função encontrada pelo modelo e ainda o valor de LC50 obtido.

#Plotando o gráfico
require(ggplot2)

## Carregando pacotes exigidos: ggplot2

ggplot(data=df, aes(x=LC, y=Adulto, label = LC50))+
  geom_point()+
  geom_smooth(method = 'glm', method.args = list(family = "binomial"), se=T, col="red")+ 
  geom_segment(lty = 2, aes(x = 0, y = .5, xend = LC50, yend = .5))+
  geom_segment(lty=2,aes(x = LC50, y = 0, xend = LC50, yend = 0.5))+
  geom_point(x = LC50, y = 0.5, size = 3, shape =21, fill = "red" ) +
  geom_text(label = sprintf(LC50, fmt = '%#.2f'), x = LC50, y = 0.5, hjust=1,vjust=1, size = 5) +
  theme_classic()

## `geom_smooth()` using formula 'y ~ x'

Encontramos que nessa população hipotética os 50% dos indivíduos se tornam adultos (aptos a reprodução) com um tamanho de aproximado 12.7 cm. Essa abordagem pode ser utilizada para comparar populações de diferentes espécies e até populações diferentes de uma mesma espécie que habita localidades diferentes. Contribuindo assim para tomada de decisões com intuito de conservar a fauna de determinado lugar.

Qualquer dúvida, correção ou sugestão pode ser encaminhada para gfellipe5@gmail.com

Referências

Wenner, Adrian M, Craig Fusaro, and Allan Oaten. 1974. “Size at Onset of Sexual Maturity and Growth Rate in Crustacean Populations.” Canadian Journal of Zoology 52 (9). NRC Research Press: 1095–1106.

Particionando a diversidade beta

Fri, 03 Jul 2020 00:00:00 +0000

Há muito tempo naturalistas e ecólogos entendem que a diversidade biológica não está homogeneamente distribuída na superfície da Terra. Dessa forma, a diversidade beta tenta entender o quão diferente (ou quão similar) é a comunidade de dois ou mais locais (ou tempos) distintos. Geralmente as métricas de diversidade beta são baseadas em similaridade, variando de zero (comunidades totalmente distintas) até um (comunidades totalmente similares).

O que torna duas comunidades distintas

Potencialmente dois processos distintos e complementares podem resultar na diferença das comunidades (Baselga and Orme 2012).

Reposição de espécies (turnover): Consiste na substituição de espécies de um local por espécies diferentes em outro local.
Perda (ou ganho) de espécies: Consiste no desaparecimento (ou aparecimento) de uma espécie em um único local, tornando assim a comunidade de menor número de espécies (menor riqueza) um subconjunto da comunidade com maior número de espécies. Esse padrão pode ser chamado de aninhamento (nestedness).

Funções do pacote `betapart()` (Baselga and Orme 2012)

A função desse pacote é disponibilizar um conjunto de ferramentas para calcular e particionar a diversidade beta em seus dois componentes descritos (turnover e nestedness)

Calculando os componentes e database utilizado.

Para calcular os componentes da diversidade beta iremos utilizar a Database embutida no pacote betapart() que consiste na diversidade de aves dos Estados Unidos da América nos anos de 1980 e 2000.

require(betapart) #carregar pacote
data(bbsData) #Carregar database

Objetos utilizados

Primeiramente é necessário criar uma matriz de dissimilaridade (betapart object) baseado numa matriz de presença/ausência, necessário para outras análises utilizando a função betapart.core(). O conjunto de dados aceito para todas as funções do betapart() consiste em uma matrix (m) de presença (1) e ausência (0) de m espécies (colunas) em n locais (linhas).

#Criar objeto betapart
beta1980<- betapart.core(bbs1980) #Criando objeto da comunidade de Aves de 1980
beta2000<- betapart.core(bbs2000) #Criando objeto da comunidade de Aves de 2000

Agora com os objetos criados é possível calcular a diversidade beta total e seus 2 componentes (turnover e nestedness).

bm1980<-beta.multi(beta1980, "sorensen")
bm2000<-beta.multi(beta2000,"sorensen")

Função `beta.pair()`

Para calcular a diversidade beta total e seus componentes entre cada par de local amostrado utiliza-se a função beta.pair().

bp1980<-beta.pair(beta1980, "sorensen")
bp2000<-beta.pair(beta2000,"sorensen")

Para representar graficamente a diversidade beta pode ser feito uma análise de agrupamento (clusters) com os dados já calculados.

plot(hclust(bp1980$beta.sor, method="average"), hang=-1, main='', sub='', xlab='') 
title(xlab=expression(beta[sor]), line=0.3)

plot(hclust(bp2000$beta.sor, method="average"), hang=-1, main='', sub='', xlab='') 
title(xlab=expression(beta[sor]), line=0.3)

Para entender melhor o que torna as comunidades distintas é necessário entender o padrão dos valores dos componentes encontrados. Para isso podemos agrupar os valores de turnover e nestedness encontrados em cada comparação par-a-par de 2 locais diferentes em 2 períodos diferentes.

require(tidyverse)
#Acessando componentes
turnover<- as.matrix(bp1980$beta.sim) ##Para acessar o componente turnover
nestedness<- as.matrix(bp1980$beta.sne)##Para acessar o componente nestedness

#Manipulando os dados
library(reshape)
turnover<-melt(turnover)
nestedness<-melt(nestedness)

turnover<- data.frame(turnover, component = "turnover")
nestedness<- data.frame(nestedness, component = "nestedness")
df1<- bind_rows(turnover, nestedness)

Para representar os valores dos componentes encontrados utilizaremos um gráfico de densidade utilizando o pacote ggplot2()

ggplot(data=df1, aes(group = component,fill=component, x = value)) +
  geom_density(adjust=1.5, alpha = .8)+ theme_classic() + labs()

Podemos perceber que o componente nestedness possuem geralmente menores valores (0 - 0.25), dessa forma a distinção dessas comunidades é explicada principalmente pelo componente turnover, ou seja, pela reposição (substituição) de espécies entre um local e outro.

Qualquer dúvida, correção ou sugestão pode ser encaminhada para gfellipe5@gmail.com

Referências

Baselga, Andrés, and C David L Orme. 2012. “Betapart: An R Package for the Study of Beta Diversity.” Methods in Ecology and Evolution 3 (5). Wiley Online Library: 808–12.

Medindo a diversidade funcional

Fri, 05 Jun 2020 17:30:21 -0300

A diversidade funcional vem se destacando como uma das mais promissoras maneiras de se medir a diversidade biológica, por incorporar traços funcionais que possuem algum valor ecológico e que possuem alguma importância na manutenção dos serviços ecossistêmicos. Sendo assim, a proposta discutida por (Villéger, Mason, and Mouillot 2008) é de utilizar três índices independentes e complementares para descrever a diversidade funcional de uma determinada comunidade.

Os índices são:

Functional Richness (Frich)
Functional Evenness (Feven)
Functional Divergence (Fdiv)

Considerções sobre a escolha dos traços funcionais

A escolha dos traços funcionais são de extrema importância para a descrição da diversidade funcional de uma comunidade, buscando evitar redundância entre os mesmos. As análises a seguir suportam tanto dados quantitativos (peso, altura, comprimento e etc.), como qualitativos (cor, sexo, estágio de desenvolvimento e etc.).

Breve explicação dos índices

Levando em conta que o Nicho funcional possui T dimensões definidas por T eixos, cada eixo defino por cada traço funcional, a riqueza funcional de uma comunidade (Frich) pode ser calculada como o espaço preenchido por determinada comunidade. Cada espécie representa um ponto no espaço, assim estima-se o volume preenchido no espaço T dimensional. A uniformidade funcional (Feven) pode ser entendida como a regularidade com que o espaço é preenchido pelas espécies, esse índice vai de 0 a 1, sendo que 1 representa uma comunidade onde as espécies estão todas equidistantes no plano funcional. Por fim, a divergência funcional (Fdiv) refere-se a quão divergentes as espécies são dentro de uma comunidade. Esse índice também varia de 0 a 1, sendo que 1 representa quando as espécies mais abundantes estão distantes do "centro de gravidade" do espaço funcional.

Para maiores detalhes sobre os índices funcionais consultar Velligér et al.(2008)

Calculando índices de diversidade funcional

Para isso será necessário utilizar os seguintes pacotes:

require(FD)
require(tidyverse)

Objetos utilizados

Para calcular os índices de diversidade funcional é necessário 2 objetos, (1) contendo as variáveis funcionais nas colunas e as espécies e (2) contendo a abundância das espécies em cada comunidade. Para isso iremos utilizar os dados presentes no pacote FD

data("dummy") #carregar dados

dummy$trait # traços morfológicos

##     num1 num2 fac1 fac2 ord1 ord2 bin1 bin2
## sp1  9.0  4.5    A    X    3    2    0    1
## sp2  8.1  6.0    A    Z <NA>    1    0    1
## sp3   NA  2.3    C    Y    5    3    1    1
## sp4  3.2  5.4    B    Z    1    7    0    0
## sp5  5.8  1.2    C    X    2    6   NA    0
## sp6  3.4  8.5    C    Y    2    1    1    1
## sp7  7.5  2.1    B    X    3    2    1    0
## sp8  4.3  6.5 <NA>    Z    1    3    0    1

dummy$abun #matriz de abundância

##       sp1 sp2 sp3 sp4 sp5 sp6 sp7 sp8
## com1    1   1   0   0   4   2   0   0
## com2    0   0   0   2   1   0   0   5
## com3    2   0   0   0   0   1   0   3
## com4    1   0   7   0   0   0   0   0
## com5    0   0   2   3   3   0   0   0
## com6    0   3   0   0   5   6   1   6
## com7    3   5   0   3   0   0   0   0
## com8    0   0   0   0   6   2   1   2
## com9    4   1   1   3   0   0   2   0
## com10   0   4   1   0   0   0   6   1

Função `dbFD()`

Essa função permite calcular de uma única vez os três índices descritos anteriormente.

ex1<-dbFD(dummy$trait, dummy$abun)

ex1$FRic # Functional Richness

##        com1        com2        com3        com4        com5        com6 
## 0.174201349 0.102097174 0.002157642          NA 0.143151204 0.231083703 
##        com7        com8        com9       com10 
## 0.073683375 0.174220613 0.337446205 0.228904118

ex1$FEve #Functional Evenness

##      com1      com2      com3      com4      com5      com6      com7      com8 
## 0.8432334 0.4628635 0.8659657        NA 0.9081209 0.8651734 0.7681991 0.7606650 
##      com9     com10 
## 0.7994638 0.4944601

ex1$FDiv #Functional Divergence

##      com1      com2      com3      com4      com5      com6      com7      com8 
## 0.8429221 0.8593250 0.6303031        NA 0.7631346 0.8966687 0.8356095 0.8681163 
##      com9     com10 
## 0.7015118 0.9712554

Podemos representar visualmente a riqueza funcional (Frich) da seguinte maneira:

trait.d <- gowdis(dummy$trait) #Calcular uma medida de distância
nmds<- metaMDS(trait.d) #utilizar uma análise de ordenação

##criar data.frame com os valores da ordenação 
MDS1<- nmds$points[,1]
MDS2<- nmds$points[,2]
nmds<- data.frame(MDS1 = MDS1, MDS2 = MDS2)

#calculando volume do espaco funcional 
hull <- nmds %>%
  slice(chull(MDS1, MDS2))

#Plotando o gráfico
ggplot(nmds, aes(x=MDS1,y=MDS2)) + geom_point(size=3)  + geom_polygon(data = hull, alpha = 0.5,col= "black", fill = "olivedrab4")+ theme_classic() + labs(title = "Functional Richness",x = NULL, y = NULL)

Com esses três índices é possível traçar um melhor panorama da comunidade e identificar mudanças ao longo do espaço e/ou tempo.

Qualquer dúvida, correção ou sugestão pode ser encaminhada para gfellipe5@gmail.com

Referências

Villéger, Sébastien, Norman WH Mason, and David Mouillot. 2008. “New Multidimensional Functional Diversity Indices for a Multifaceted Framework in Functional Ecology.” Ecology 89 (8). Wiley Online Library: 2290–2301.

Structural patterns of a coastal hermit crab−gastropod shell interaction network: new insights from a unique relationship

Thu, 23 Apr 2020 00:00:00 +0000

The hermit crab–shell relationship through the lens of interaction networks: The use of network metrics and species role across communities

Wed, 01 Apr 2020 00:00:00 +0000

Environmental factors modulating the bathymetric distribution of the demographic groups of Achelous spinimanus (Crustacea)

Thu, 11 Apr 2019 00:00:00 +0000

Slides

Tue, 05 Feb 2019 00:00:00 +0000

Create slides in Markdown with Academic

Academic | Documentation

Features

Efficiently write slides in Markdown
3-in-1: Create, Present, and Publish your slides
Supports speaker notes
Mobile friendly slides

Controls

Next: Right Arrow or Space
Previous: Left Arrow
Start: Home
Finish: End
Overview: Esc
Speaker notes: S
Fullscreen: F
Zoom: Alt + Click
PDF Export: E

Code Highlighting

Inline code: variable

Code block:

porridge = "blueberry"
if porridge == "blueberry":
    print("Eating...")

Math

In-line math: $x + y = z$

Block math:

$$ f\left( x \right) = ;\frac{{2\left( {x + 4} \right)\left( {x - 4} \right)}}{{\left( {x + 4} \right)\left( {x + 1} \right)}} $$

Fragments

Make content appear incrementally

{{% fragment %}} One {{% /fragment %}}
{{% fragment %}} **Two** {{% /fragment %}}
{{% fragment %}} Three {{% /fragment %}}

Press Space to play!

One Two Three

A fragment can accept two optional parameters:

class: use a custom style (requires definition in custom CSS)
weight: sets the order in which a fragment appears

Speaker Notes

Add speaker notes to your presentation

{{% speaker_note %}}
- Only the speaker can read these notes
- Press `S` key to view
{{% /speaker_note %}}

Press the S key to view the speaker notes!

Themes

black: Black background, white text, blue links (default)
white: White background, black text, blue links
league: Gray background, white text, blue links
beige: Beige background, dark text, brown links
sky: Blue background, thin dark text, blue links

night: Black background, thick white text, orange links
serif: Cappuccino background, gray text, brown links
simple: White background, black text, blue links
solarized: Cream-colored background, dark green text, blue links

Custom Slide

Customize the slide style and background

{{< slide background-image="/img/boards.jpg" >}}
{{< slide background-color="#0000FF" >}}
{{< slide class="my-style" >}}

Custom CSS Example

Let’s make headers navy colored.

Create assets/css/reveal_custom.css with:

.reveal section h1,
.reveal section h2,
.reveal section h3 {
  color: navy;
}

Questions?

Ask

Documentation

Decapod crustaceans captured along with the sea-bob shrimp fisheries on non-consolidated sublitoral from northern coast of São Paulo, Brazil

Wed, 01 Jun 2016 00:00:00 +0000

The different depths gradients may affect the reproductive dynamics of Hepatus pudibundus (Herbst, 1785) (Decapoda: Aethridae) in the southeastern region of Brazil

Thu, 28 Mar 2013 00:00:00 +0000

Gabriel Rodrigues

Example Page 1

Tip 1

Tip 2

Example Page 2

Tip 3

Tip 4

Example Talk

SDM para prever a distribuição da Lontra neotropical

Lontra neotropical

Passo-a-passo SDM

Coletando dados

Pacotes utilizados

Carregando dados

Obtendo dados climáticos

Determinar coodernadas geográficas para o modelo

Construindo o modelo

Visualizando o modelo

Validando o modelo

Construindo o modelo e testando

Representação visual do modelo

Referências

Resource partitioning and adequacy among ontogenetic groups in a hermit crab and gastropod shell network

Comparando a maturidade sexual morfológica

Maturidade Sexual

Calculando a maturidade sexual

Representando graficamente

Referências

Particionando a diversidade beta

O que torna duas comunidades distintas

Funções do pacote betapart() (Baselga and Orme 2012)

Calculando os componentes e database utilizado.

Objetos utilizados

Função beta.pair()

Referências

Medindo a diversidade funcional

Considerções sobre a escolha dos traços funcionais

Breve explicação dos índices

Calculando índices de diversidade funcional

Objetos utilizados

Função dbFD()

Referências

Structural patterns of a coastal hermit crab−gastropod shell interaction network: new insights from a unique relationship

The hermit crab–shell relationship through the lens of interaction networks: The use of network metrics and species role across communities

Environmental factors modulating the bathymetric distribution of the demographic groups of Achelous spinimanus (Crustacea)

Slides

Create slides in Markdown with Academic

Features

Controls

Code Highlighting

Math

Fragments

Speaker Notes

Themes

Custom Slide

Custom CSS Example

Questions?

Decapod crustaceans captured along with the sea-bob shrimp fisheries on non-consolidated sublitoral from northern coast of São Paulo, Brazil

The different depths gradients may affect the reproductive dynamics of Hepatus pudibundus (Herbst, 1785) (Decapoda: Aethridae) in the southeastern region of Brazil

Funções do pacote `betapart()` (Baselga and Orme 2012)

Função `beta.pair()`

Função `dbFD()`