A diversidade funcional vem se destacando como uma das mais promissoras maneiras de se medir a diversidade biológica, por incorporar traços funcionas 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:

  1. Functional Richness (Frich)
  2. Functional Evenness (Feven)
  3. 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.