Departamento de Ecologia IB-USP
vegan
BiodiversityR
dim(dune)
## [1] 20 30
## Achimill Agrostol Airaprae Alopgeni Anthodor Bellpere Bromhord Chenalbu ## 1 1 0 0 0 0 0 0 0 ## 2 3 0 0 2 0 3 4 0 ## 3 0 4 0 7 0 2 0 0 ## 4 0 8 0 2 0 2 3 0 ## 5 2 0 0 0 4 2 2 0 ## 6 2 0 0 0 3 0 0 0 ## 7 2 0 0 0 2 0 2 0 ## 8 0 4 0 5 0 0 0 0 ## 9 0 3 0 3 0 0 0 0 ## 10 4 0 0 0 4 2 4 0
## A1 Moisture Management Use Manure ## 1 2.8 1 SF Haypastu 4 ## 2 3.5 1 BF Haypastu 2 ## 3 4.3 2 SF Haypastu 4 ## 4 4.2 2 SF Haypastu 4 ## 5 6.3 1 HF Hayfield 2 ## 6 4.3 1 HF Haypastu 2 ## 7 2.8 1 HF Pasture 3 ## 8 4.2 5 HF Pasture 3 ## 9 3.7 4 HF Hayfield 1 ## 10 3.3 2 BF Hayfield 1
Número acumulado de espécies registradas (S) em função do esforço amostral (n)
Unidade amostral:
curva baseada em indivíduo
curva baseada em amostra
(Accum <- accumresult(dune, method = 'collector'))
## Species Accumulation Curve ## Accumulation method: collector ## Call: specaccum(comm = x, method = method, permutations = permutations, conditioned = conditioned, gamma = gamma) ## ## ## Sites 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 ## Richness 5 10 12 14 18 18 19 22 22 23 24 24 25 27 27 27 28 29 30 30
Coletor: plotando acumulação de acordo com a ordem de amostragem
Rarefação:
riqueza média por amostra (method = exact
)
riqueza média por aleatorização (method = rarefaction
or method = random
)
(Accum.1 <- accumresult(dune, method='exact'))
## Species Accumulation Curve ## Accumulation method: exact ## Call: specaccum(comm = x, method = method, permutations = permutations, conditioned = conditioned, gamma = gamma) ## ## ## Sites 1.000000 2.000000 3.000000 4.000000 5.000000 6.000000 ## Richness 9.850000 15.110526 18.510526 20.937461 22.754321 24.149587 ## sd 2.351064 1.876385 1.572271 1.446958 1.390159 1.353035 ## ## Sites 7.00000 8.000000 9.000000 10.000000 11.000000 12.000000 ## Richness 25.23956 26.103548 26.798244 27.364962 27.833984 28.227546 ## sd 1.31648 1.274903 1.228201 1.176341 1.119344 1.056454 ## ## Sites 13.000000 14.00000 15.000000 16.000000 17.00000 18.000000 ## Richness 28.562036 28.84964 29.099587 29.319092 29.51403 29.689474 ## sd 0.987409 0.91160 0.828689 0.738092 0.63339 0.513971 ## ## Sites 19.000000 20 ## Richness 29.850000 30 ## sd 0.357071 0
(Accum.2 <- accumresult(dune, method='random', permutations=1000))
## Species Accumulation Curve ## Accumulation method: random, with 1000 permutations ## Call: specaccum(comm = x, method = method, permutations = permutations, conditioned = conditioned, gamma = gamma) ## ## ## Sites 1.00000 2.000000 3.000000 4.000000 5.000000 6.000000 ## Richness 9.94100 15.157000 18.565000 21.012000 22.815000 24.228000 ## sd 2.31579 2.190239 2.108606 2.134575 2.052069 1.872304 ## ## Sites 7.000000 8.000000 9.000000 10.000000 11.000000 12.000000 ## Richness 25.260000 26.103000 26.768000 27.340000 27.823000 28.213000 ## sd 1.812646 1.638009 1.516072 1.400129 1.258274 1.156273 ## ## Sites 13.00000 14.000000 15.000000 16.000000 17.000000 18.000000 ## Richness 28.53000 28.858000 29.127000 29.349000 29.520000 29.699000 ## sd 1.04028 0.916884 0.826774 0.718133 0.621278 0.506612 ## ## Sites 19.00000 20 ## Richness 29.85000 30 ## sd 0.35725 0
usando método baseado em amostra:
re-escalonar o eixo x para número de indivíduos baseado no tamanho médio de indivíduos por amostra
útil para comparar locais com número de indivíduos diferente por amostra.
# sabendo o total de indvíduos por local dune.env$site.totals <- apply(dune,1,sum) (Accum.5 <- accumresult(dune, y=dune.env, scale='site.totals', method='rarefaction'))
## Species Accumulation Curve ## Accumulation method: rarefaction ## Call: specaccum(comm = x, method = method, permutations = permutations, conditioned = conditioned, gamma = gamma) ## ## ## Sites 34.0000 68.0000 103.0000 137.0000 171.0000 206.0000 240.0000 ## Individuals 34.0000 68.0000 103.0000 137.0000 171.0000 206.0000 240.0000 ## Richness 17.1116 22.2394 24.7028 26.0495 26.9076 27.5204 27.9639 ## sd 1.7974 1.7334 1.5352 1.3749 1.2540 1.1572 1.0786 ## ## Sites 274.0000 308.0000 342.0000 377.0000 411.0000 445.0000 480.0000 ## Individuals 274.0000 308.0000 342.0000 377.0000 411.0000 445.0000 480.0000 ## Richness 28.3133 28.5987 28.8374 29.0459 29.2195 29.3698 29.5041 ## sd 1.0083 0.9423 0.8786 0.8141 0.7518 0.6892 0.6236 ## ## Sites 514.0000 548.0000 582.0000 616.0000 651.0000 685 ## Individuals 514.0000 548.0000 582.0000 616.0000 651.0000 685 ## Richness 29.6178 29.7171 29.8037 29.8790 29.9456 30 ## sd 0.5580 0.4891 0.4152 0.3324 0.2279 0
Não pode ser usado para extrapolar e estimar riqueza!!
Accum.6 <- accumcomp(dune, y = dune.env, factor = 'Management', method = 'exact', legend = F)
métodos de extrapolação
métodos baseados em diferentes premissas de como as espécies se acumulam além da área amostrada
pesos maiores ou menores à espécies raras.
\[ S_{jack1} = S_{obs} + Q_1\frac{m-1}{m} \]
\[ S_{jack2} = S_{obs} + Q_1\frac{2m-3} {m} - Q_2\frac{(m-2)^2} {m(m-1)} \]
\(Q_j\): número de espécies que ocorrem em j amostras;
\(m\): número de amostras;
(Diversity.5 <- diversityresult(dune, index='jack1'))
## jack1 ## all 32.85
(Diversity.6 <- diversityresult(dune, index='jack2'))
## jack2 ## all 33.844737
Baseados no número de espécies raras dentro de uma amostra.
Número espécies representadas por apenas um indivíduo (singletons) ou que ocorre em apenas uma amostra (uniques)
Número de espécies com apenas dois indivíduos (doubletons) ou que ocorrem respectivamente em uma ou em duas unidades amostrais (duplicates).
\[ S_{chao} = S_{obs} + \frac{F_1^2} {2F_2^2} \]
Chao 1: abundância das espécies
Chao 2: presença/ausência
Diversity.7 <- diversityresult(dune, index='chao') Diversity.7
## chao ## all 32.1375
Utilizar dados de todas as espécies coletadas para estimar a riqueza total, não se restringindo às espécies raras.
Soma a riqueza observada à soma do inverso da proporção de amostras em que ocorre cada espécies.
\[ S_{boot} = S_{obs} + \sum_{k=1}^{S_{obs}}(1-p_k)^m \]
\(p_k\): proporção de amostras que contém a espécie k;
\(m\): número de amostras;
Diversity.8 <- diversityresult(dune, index='boot') Diversity.8
## boot ## all 31.540396
Índices de diversidade:
Diversidade
Equabilidade
Local | sp1 | sp2 | sp3 | sp4 | sp5 |
---|---|---|---|---|---|
A | 1 | 1 | 1 | 0 | 0 |
B | 1 | 1 | 1 | 1 | 1 |
C | 4 | 2 | 1 | 0 | 0 |
D | 2 | 2 | 2 | 0 | 0 |
Local B tem mais riqueza que local A - mesma equabilidade
Local C e D tem mesma riqueza - local D tem mais equabilidade.
Mais simples, robusto
\(D\) Probabilidade de 2 indivíduos sorteados de uma comunidade pertencerem à mesma espécie
\[ D_1 = 1 - \sum_{i=1}^S P_i^2 \]
\[ D_2 = \frac{1}{\sum_{i=1}^S P_i^2} \]
## ni pi pi2 ## 1 91 0.91 0.8281 ## 2 1 0.01 0.0001 ## 3 1 0.01 0.0001 ## 4 1 0.01 0.0001 ## 5 1 0.01 0.0001 ## 6 1 0.01 0.0001 ## 7 1 0.01 0.0001 ## 8 1 0.01 0.0001 ## 9 1 0.01 0.0001 ## 10 1 0.01 0.0001
(D = sum(sim$pi2))
## [1] 0.829
(D1 = 1-D)
## [1] 0.171
(D2 = 1/D)
## [1] 1.2062726
\(D2_{max} = S\) valor máximo do índice se todas as sps tivessem mesmo N indivíduos.
\[ E = \frac{D2} {D2_{max}} = \frac{1}{\sum_{i=1}^S P_i^2} x \frac{1}{S}\]
(D2max = 10)
## [1] 10
(E = D2/D2max)
## [1] 0.12062726
# Simpson 1-D (diversity.simp <- diversity(dune, index='simpson'))
## 1 2 3 4 5 6 ## 0.73456790 0.89002268 0.87875000 0.90074074 0.91400757 0.90017361 ## 7 8 9 10 11 12 ## 0.90750000 0.90875000 0.91156463 0.90319091 0.86718750 0.86857143 ## 13 14 15 16 17 18 ## 0.85215794 0.83333333 0.85066163 0.84297521 0.83555556 0.86145405 ## 19 20 ## 0.87408949 0.86784599
# todos locais agrupados (divers.all <- diversityresult(dune, index = "Simpson", method='all'))
## Simpson ## all 0.94524375
# inverso de simpson: (diversity.invsimp <- diversity(dune, index='invsimpson'))
## 1 2 3 4 5 6 ## 3.7674419 9.0927835 8.2474227 10.0746269 11.6289308 10.0173913 ## 7 8 9 10 11 12 ## 10.8108108 10.9589041 11.3076923 10.3296089 7.5294118 7.6086957 ## 13 14 15 16 17 18 ## 6.7639752 6.0000000 6.6962025 6.3684211 6.0810811 7.2178218 ## 19 20 ## 7.9421488 7.5669291
Índice mais utilizado na literatura
Geralmente valores entre 1.5 e 3.5 (raramente acima de 5)
É sensível a espécies raras
É sensível a variações nas abundâncias
Equabilidade:
\[J = \frac{H} {H_{max}} = \frac{-\sum_{i=1}^S P_i lnP_i} {lnS} \]
sim
## ni pi pi2 ## 1 91 0.91 0.8281 ## 2 1 0.01 0.0001 ## 3 1 0.01 0.0001 ## 4 1 0.01 0.0001 ## 5 1 0.01 0.0001 ## 6 1 0.01 0.0001 ## 7 1 0.01 0.0001 ## 8 1 0.01 0.0001 ## 9 1 0.01 0.0001 ## 10 1 0.01 0.0001
(shan <- -(sum(sim$pi*log(sim$pi))))
## [1] 0.50028804
(Hmax = log(10))
## [1] 2.3025851
(Hshan <- shan/Hmax)
## [1] 0.21727233
diversity.sha2 <- diversityresult(dune, index='Shannon', method='s') diversity.sha2
## Shannon ## 1 1.4404817 ## 2 2.2525163 ## 3 2.1937493 ## 4 2.4267788 ## 5 2.5444215 ## 6 2.3459464 ## 7 2.4717333 ## 8 2.4348977 ## 9 2.4935682 ## 10 2.3986126 ## 11 2.1060649 ## 12 2.1144953 ## 13 2.0996376 ## 14 1.8636800 ## 15 1.9793088 ## 16 1.9597948 ## 17 1.8762736 ## 18 2.0793872 ## 19 2.1340240 ## 20 2.0482704
# Equabilidade de Shannon: diversity.shaE <- diversityresult(dune, index='Jevenness', method='s') diversity.shaE
## Jevenness ## 1 0.89502163 ## 2 0.97825539 ## 3 0.95273321 ## 4 0.94613129 ## 5 0.96414027 ## 6 0.97833564 ## 7 0.96365773 ## 8 0.97987493 ## 9 0.97217052 ## 10 0.96527272 ## 11 0.95851144 ## 12 0.96234830 ## 13 0.91186102 ## 14 0.95774206 ## 15 0.95184633 ## 16 0.94246209 ## 17 0.96421388 ## 18 0.94636991 ## 19 0.97123617 ## 20 0.98500986
Este índice é geralmente recomendado por ser intuitivamente simples e fácil de calcular e por significado biológico:
\[ d = \frac{N_{max}}{N} \]
\(N_{max}\) número de indivíduos da espécie mais abundante
\(N\) número total de indivíduos da comunidade.
Porém é um índice problemático apra comunidades com poucas espécies (S<15 espécies).
sim
## ni pi pi2 ## 1 91 0.91 0.8281 ## 2 1 0.01 0.0001 ## 3 1 0.01 0.0001 ## 4 1 0.01 0.0001 ## 5 1 0.01 0.0001 ## 6 1 0.01 0.0001 ## 7 1 0.01 0.0001 ## 8 1 0.01 0.0001 ## 9 1 0.01 0.0001 ## 10 1 0.01 0.0001
(berger <- 91/100)
## [1] 0.91
(diversity.ber <- diversityresult(dune, index='Berger', method='s'))
## Berger ## 1 0.38888889 ## 2 0.16666667 ## 3 0.17500000 ## 4 0.17777778 ## 5 0.13953488 ## 6 0.12500000 ## 7 0.15000000 ## 8 0.12500000 ## 9 0.14285714 ## 10 0.13953488 ## 11 0.21875000 ## 12 0.22857143 ## 13 0.27272727 ## 14 0.25000000 ## 15 0.21739130 ## 16 0.24242424 ## 17 0.26666667 ## 18 0.22222222 ## 19 0.19354839 ## 20 0.16129032
Curvas que provém informação sobre a riqueza e equabilidade das espécies.
Técnica de ordenação da diversidade.
Quanto menos horizontal um perfil é, menos equitativa é a distribuição das espécies.
Perfis que iniciam em um alto nível tem maior riqueza.
Vantagem: locais podem ser facilmente ordenados da maior para a menor diversidade.
Se o perfil de um local está sempre acima de outro, então este é mais diverso que o segundo. Mas se os perfis se cruzam, é provável que um local tenha mais riqueza, enquanto outro mais equabilidade.
## sp1 sp2 sp3 sp4 sp5 ## A 1 1 1 0 0 ## B 1 1 1 1 1 ## C 4 2 1 0 0 ## D 2 2 2 0 0
alfa = 0 log da riqueza de espécies
alfa = infinito 1/log(proporção da espécie mais abundante)
alfa = 1 é o Índice de diversidade de Shannon
alpha = 2 é o logarítmo do Índice de diversidade de Simpson (1/D).
índices de diversidade são mais compactos
Porém, não provém informação suficiente para ordenar locais da maior para menor diversidade.
Perfil de Rényi permite concluir se um local é mais diverso que o outro.
Para comparar diversidade em locais com tamanhos amostrais diferentes, é preciso re-amostrar locais com menor número de amostras obtidas em um local.
Criar perfis com reamostragens aleatórias
Renyi.3 <- renyicomp(dune, y = dune.env, factor = 'Management', permutations = 100, legend = F)
Agrupamento: agrupar objetos (locais) em grupos de maneira que objetos do mesmo grupo sejam mais semelhantes entre si do que objetos de outros grupos.
Ordenação: os objetos são posicionados num espaço que contém menos dimensões que o conjunto de dados original;
Descreve a diferença na composição de espécies de forma que locais que compartilhem muitas espécies devem ter distância ecológica pequena.
Calculada a partir da matriz de espécies
Gera uma nova matriz - de distâncias!
## sp1 sp2 sp3 ## A 1 1 0 ## B 5 5 0 ## C 0 0 1
mat
## sp1 sp2 sp3 ## A 1 1 0 ## B 5 5 0 ## C 0 0 1
vegdist(mat, method="euclidean")
## A B ## B 5.6568542 ## C 1.7320508 7.1414284
Não é uma boa distância ecológica para dados brutos da matriz de espécie, depende muito das abundâncias
A e B estão distantes mas compartilham mesmas espécies
#abundância total por local abund.t <- apply(mat, 1, sum) #matriz transformada para abundancias relativas mat2 <- mat /abund.t mat2
## sp1 sp2 sp3 ## A 0.5 0.5 0 ## B 0.5 0.5 0 ## C 0.0 0.0 1
## A B ## B 0.0000000 ## C 1.2247449 1.2247449
vegdist(mat, method = 'bray')
## A B ## B 0.66666667 ## C 1.00000000 1.00000000
Ordenação arranjam as comunidades (locais) de forma que as distâncias entre elas no gráfico representem suas distâncias ecológicas.
Muito útil para analisar dados de comunidades ecológicas, que estão geralmente estruturadas em gradientes.
Os dados podem ser transformados e o tipo de transformação depende da questão formulada e análise a ser realizada.
É construída uma matriz de distâncias entre os objetos (locais).
O "programa" então arranja os objetos ao longo de um ou mais eixos que melhor refletem os padrões encontrados nos dados. Estes eixos refletirão as variáveis ecológicas (ou gradientes) que causaram os padrões nos dados.
análise indireta de gradiente, útil para ver se há padrões nos dados
pode produzir a ordenação de objetos de qualquer matriz de distâncias
## spA spB spC spD spE spF ## [1,] 9 1 0 0 0 0 ## [2,] 0 1 0 0 0 1 ## [3,] 0 0 0 0 4 0 ## [4,] 0 2 1 1 0 2 ## [5,] 4 0 0 0 6 0 ## [6,] 0 1 0 0 0 0 ## [7,] 8 0 0 0 7 0 ## [8,] 6 0 0 0 3 0 ## [9,] 2 0 2 2 3 1 ## [10,] 0 2 1 1 0 1 ## [11,] 0 0 4 4 1 0 ## [12,] 10 0 0 0 1 0
## [1] 270 315 200 255 190 290 150 125 230 290 240 100
Objetivo: descrever o padrão apresentado pelas seis espécies em menos dimensões
Cada espécie representa uma dimensão
Ordenação dos objetos (locais), em relação aos atributos (espécies)
(distmatrix <- vegdist(tab, method = 'bray'))
## 1 2 3 4 5 6 ## 2 0.833333333 ## 3 1.000000000 1.000000000 ## 4 0.875000000 0.500000000 1.000000000 ## 5 0.600000000 1.000000000 0.428571429 1.000000000 ## 6 0.818181818 0.333333333 1.000000000 0.714285714 1.000000000 ## 7 0.360000000 1.000000000 0.578947368 1.000000000 0.200000000 1.000000000 ## 8 0.368421053 1.000000000 0.538461538 1.000000000 0.263157895 1.000000000 ## 9 0.800000000 0.833333333 0.571428571 0.625000000 0.500000000 1.000000000 ## 10 0.866666667 0.428571429 1.000000000 0.090909091 1.000000000 0.666666667 ## 11 1.000000000 1.000000000 0.846153846 0.733333333 0.894736842 1.000000000 ## 12 0.142857143 1.000000000 0.866666667 1.000000000 0.523809524 1.000000000 ## 7 8 9 10 11 ## 2 ## 3 ## 4 ## 5 ## 6 ## 7 ## 8 0.250000000 ## 9 0.600000000 0.473684211 ## 10 1.000000000 1.000000000 0.600000000 ## 11 0.916666667 0.888888889 0.473684211 0.714285714 ## 12 0.307692308 0.300000000 0.714285714 1.000000000 0.900000000
Escolha das dimensões (eixos) para descrever os dados: 2
Ordenar os locais nos eixos
Verificar o quanto as distâncias entre eles ficaram proporcionais às da matriz de distâncias original
Re-arranjar os locais e verificar se o resutado melhorou… até achar melhor resultado (menor STRESS)
initNMS <- NMSrandom(distmatrix, perm=100, k=2) model1 <- postMDS(initNMS, distmatrix) # adicionando os escores das espécies no modelo model1 <- add.spec.scores(model1, tab, method='wa.scores') # permite colocar a ordenação das espécies no mesmo gráfico model1$stress
## [1] 7.3054
#esses valor de stress está em % porcentagem
medida do quanto as posições de objetos e uma configuração tridimensional desviam-se das distâncias originais
stress < 0.05 representação excelente;
stress <0.01 boa ordenação
stress < 0.2 ordenação razoável
stress > 0.2 ordenação inviável (interpretação pode ficar comprometida)
Só é possível usar a distância euclidiana
Principal aplicação em ecologia é a ordenação dos locais com base nas variáveis ambientais quantitativas
mais recentemente usada para análise de dados da comunidade (após transformação).
padronização dos dados - adimensinonalidade
Extrair matriz de distância euclidiana
Rodar a PCA
Escolher o número de eixos significativos
Interpretar os resultados
## CHA TRU VAI LOC OMB BLA HOT TOX VAN CHE BAR SPI GOU BRO PER BOU PSO ROT ## 1 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ## 2 0 5 4 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ## 3 0 5 5 5 0 0 0 0 0 0 0 0 0 1 0 0 0 0 ## 4 0 4 5 5 0 0 0 0 0 1 0 0 1 2 2 0 0 0 ## 5 0 2 3 2 0 0 0 0 5 2 0 0 2 4 4 0 0 2 ## 6 0 3 4 5 0 0 0 0 1 2 0 0 1 1 1 0 0 0
## das alt pen deb pH dur pho nit amm oxy dbo ## 1 0.3 934 48.0 0.84 7.9 45 0.01 0.20 0.00 12.2 2.7 ## 2 2.2 932 3.0 1.00 8.0 40 0.02 0.20 0.10 10.3 1.9 ## 3 10.2 914 3.7 1.80 8.3 52 0.05 0.22 0.05 10.5 3.5 ## 4 18.5 854 3.2 2.53 8.0 72 0.10 0.21 0.00 11.0 1.3 ## 5 21.5 849 2.3 2.64 8.1 84 0.38 0.52 0.20 8.0 6.2 ## 6 32.4 846 3.2 2.86 7.9 60 0.20 0.15 0.00 10.2 5.3
## ## Call: ## rda(X = env, scale = TRUE) ## ## Partitioning of correlations: ## Inertia Proportion ## Total 11 1 ## Unconstrained 11 1 ## ## Eigenvalues, and their contribution to the correlations ## ## Importance of components: ## PC1 PC2 PC3 PC4 PC5 PC6 ## Eigenvalue 5.96875 2.16382 1.06516 0.73873 0.40027 0.33565 ## Proportion Explained 0.54261 0.19671 0.09683 0.06716 0.03639 0.03051 ## Cumulative Proportion 0.54261 0.73932 0.83616 0.90331 0.93970 0.97022 ## PC7 PC8 PC9 PC10 PC11 ## Eigenvalue 0.17266 0.10821 0.023679 0.017068 0.0059932 ## Proportion Explained 0.01570 0.00984 0.002150 0.001550 0.0005400 ## Cumulative Proportion 0.98591 0.99575 0.997900 0.999460 1.0000000 ## ## Scaling 2 for species and site scores ## * Species are scaled proportional to eigenvalues ## * Sites are unscaled: weighted dispersion equal on all dimensions ## * General scaling constant of scores: 4.2261769 ## ## ## Species scores ## ## PC1 PC2 PC3 PC4 PC5 PC6 ## das 1.086683 0.53400 -0.273263 -0.134770 0.073889 -0.225670 ## alt -1.043832 -0.61486 0.207189 0.128504 0.146482 -0.021130 ## pen -0.577018 -0.48934 -0.634866 -0.716856 0.333330 0.118149 ## deb 0.958415 0.66083 -0.324571 -0.161884 0.115627 -0.139366 ## pH -0.063666 0.46293 1.013182 -0.586030 0.171009 -0.073438 ## dur 0.901170 0.58506 0.064448 0.256908 0.309438 0.534188 ## pho 1.058235 -0.60135 0.138665 -0.178835 -0.111324 0.137306 ## nit 1.150140 -0.10045 -0.051658 -0.245379 -0.351095 -0.021764 ## amm 1.006793 -0.69691 0.140816 -0.146807 -0.192129 0.118921 ## oxy -0.974608 0.49906 -0.090180 -0.310408 -0.380973 0.364585 ## dbo 0.973177 -0.71481 0.151467 0.071952 0.236246 0.055671 ## ## ## Site scores (weighted sums of species scores) ## ## PC1 PC2 PC3 PC4 PC5 PC6 ## 1 -1.412698 -1.401152 -2.034722 -2.677650 1.11673875 0.1860734 ## 2 -1.037215 -0.779602 0.244033 0.256440 -1.19003559 -1.8512029 ## 3 -0.945045 -0.467679 1.250462 -0.493210 -0.23283417 -1.3195291 ## 4 -0.873692 -0.269890 0.193020 0.519808 -0.49439688 0.1153271 ## 5 -0.420855 -0.669421 0.831907 0.717339 0.86758597 0.1132270 ## 6 -0.772213 -0.720701 -0.073569 0.779084 -0.38531061 -0.6547815 ## 7 -0.774646 -0.081032 0.396279 0.192216 0.41580600 1.0265252 ## 8 -0.288383 -0.605873 0.838216 1.014449 1.70675451 0.2979510 ## 9 -0.283046 -0.477093 0.399071 1.130781 0.88198972 0.0040417 ## 10 -0.487148 -0.418648 -1.275562 0.902667 0.01321712 0.5422987 ## 11 -0.269431 0.453843 0.091159 -0.151296 -0.23480231 1.1570670 ## 12 -0.438373 0.360468 -0.523553 0.572792 -0.65061744 0.8167971 ## 13 -0.377972 0.703791 0.103347 0.061253 -0.10265779 1.3763206 ## 14 -0.238824 0.755227 0.836465 -0.558224 -0.01255573 1.2210474 ## 15 -0.304293 0.950252 1.802755 -1.482065 0.13495867 0.0318147 ## 16 -0.133577 0.339477 -0.232525 0.191803 -0.66733849 0.2267112 ## 17 0.101462 0.324409 -0.204234 0.184576 -0.67772435 0.3644196 ## 18 0.069479 0.379738 -0.259243 0.069606 -0.85237455 0.2882579 ## 19 0.057406 0.439108 0.045687 -0.321672 -0.89928067 -0.0917605 ## 20 0.174726 0.399209 -0.362409 -0.156440 -1.30052261 -0.0947180 ## 21 0.168661 0.355012 -0.738242 0.428282 -0.50941887 -0.6516014 ## 22 0.148920 0.553298 -0.080044 -0.049661 0.19708623 -0.6213626 ## 23 1.397730 -1.191089 0.664403 -0.461629 0.25225050 0.5740027 ## 24 0.993519 -0.520439 0.071955 0.480985 1.06876696 -0.3723995 ## 25 2.219968 -2.031736 0.179621 -0.525926 -1.14855670 0.7854695 ## 26 0.894626 -0.103109 -0.615457 0.419581 0.34513545 -0.8030081 ## 27 0.648591 0.412851 -0.174352 -0.261000 0.27549886 -1.2585968 ## 28 0.770921 0.825830 0.433968 -1.000902 -0.00094461 -0.7033312 ## 29 0.664053 1.115509 -1.580402 0.650893 0.65078091 -0.0196960 ## 30 0.747346 1.369444 -0.228034 -0.432877 1.43280170 -0.6853640
Componentes principais: são as combinações lineares das variáveis, eixos ortogonais (independentes) que resumem (explicam) a variação dos objetos
Autovalores (eigenvalues): medida de importância (variância) dos componentes principais (eixos) e traz a porcentagem de explicação de cada eixo.
Autovetores (eigenvectors): coeficientes de combinação linear, medem a importância de uma variável em cada eixo.
Escores (Z1, Z2, Zn): posição das unidades amostrais ao longo de um eixo de ordenação, pode se referir tanto à unidades amostrais quanto à variáveis. Escores são fornecidos pela substituição dos valores assumidos pelas variáveis originais nas combinações lineares. São utilizados para ordenar as unidades amostrais em um diagrama uni, bi ou tridimensional.
Species scores: coordenadas das pontas das setas das variáveis. Por razões históricas, as variáveis resposta são sempre chamadas de 'species' no vegan
, não importando o que representam (nesse caso as variáveis ambientais).
Site scores: coordenadas dos locais no diagrama de ordenação. Os objetos são sempre chamados de 'sites' no vegan
, e nesse caso são os locais mesmo (mas poderiam ser outras coisas).
selecionando os eixos mais importantes
screeplot(pca1) points(bstick(pca1), col="red", type='o')
escala 1 (scaling 1): ótima para observar as relações entre os objetos (locais). As distâncias entre os objetos no biplot são aproximações das distâncias euclidianas no espaço multidimensional.
escala 2 (scaling 2) ótima para observar as relações entre as variáveis. Os ângulos entre as variáveis no biplot reflete suas correlações.
transformação de Hellinger:
dividir as abundâncias de cada espécie em um local pela abundância total do local (linhas) e a raiz quadrada
reduz o a importância de grandes abundâncias na distância euclidiana.
Pode ser usada também para dados binários presença/ausência
# Transformando os dados spe.h <- decostand(spe, "hellinger") spe.h.pca <- rda(spe.h) summary(spe.h.pca)
## ## Call: ## rda(X = spe.h) ## ## Partitioning of variance: ## Inertia Proportion ## Total 0.50234 1 ## Unconstrained 0.50234 1 ## ## Eigenvalues, and their contribution to the variance ## ## Importance of components: ## PC1 PC2 PC3 PC4 PC5 PC6 ## Eigenvalue 0.24913 0.065915 0.046154 0.037232 0.021248 0.016622 ## Proportion Explained 0.49594 0.131220 0.091880 0.074120 0.042300 0.033090 ## Cumulative Proportion 0.49594 0.627150 0.719030 0.793150 0.835440 0.868530 ## PC7 PC8 PC9 PC10 PC11 ## Eigenvalue 0.01477 0.012973 0.01054 0.0066655 0.0050403 ## Proportion Explained 0.02940 0.025820 0.02098 0.0132700 0.0100300 ## Cumulative Proportion 0.89794 0.923760 0.94474 0.9580100 0.9680400 ## PC12 PC13 PC14 PC15 PC16 ## Eigenvalue 0.0042581 0.0027666 0.0026123 0.0015049 0.0013872 ## Proportion Explained 0.0084800 0.0055100 0.0052000 0.0030000 0.0027600 ## Cumulative Proportion 0.9765200 0.9820300 0.9872300 0.9902200 0.9929900 ## PC17 PC18 PC19 PC20 ## Eigenvalue 0.0010375 0.00078148 0.00047491 0.00042632 ## Proportion Explained 0.0020700 0.00156000 0.00095000 0.00085000 ## Cumulative Proportion 0.9950500 0.99661000 0.99755000 0.99840000 ## PC21 PC22 PC23 PC24 ## Eigenvalue 0.00028123 0.00021884 0.00013824 8.7605e-05 ## Proportion Explained 0.00056000 0.00044000 0.00028000 1.7000e-04 ## Cumulative Proportion 0.99896000 0.99940000 0.99967000 9.9985e-01 ## PC25 PC26 PC27 ## Eigenvalue 5.3364e-05 1.4757e-05 9.2163e-06 ## Proportion Explained 1.1000e-04 3.0000e-05 2.0000e-05 ## Cumulative Proportion 9.9995e-01 9.9998e-01 1.0000e+00 ## ## Scaling 2 for species and site scores ## * Species are scaled proportional to eigenvalues ## * Sites are unscaled: weighted dispersion equal on all dimensions ## * General scaling constant of scores: 1.9536626 ## ## ## Species scores ## ## PC1 PC2 PC3 PC4 PC5 PC6 ## CHA 0.171131 0.086689 -0.0607721 0.25369413 -0.0277739 0.01297088 ## TRU 0.640968 0.021931 -0.2328947 -0.14290531 -0.0591501 0.00132987 ## VAI 0.511058 0.197736 0.1650532 0.02033643 0.1055821 0.12265076 ## LOC 0.380020 0.222191 0.2351454 -0.03445770 0.1265700 0.05704372 ## OMB 0.166788 0.064938 -0.0872476 0.24442473 0.0163491 0.05373617 ## BLA 0.076441 0.147073 -0.0411522 0.23047544 -0.1049841 -0.04249435 ## HOT -0.183918 0.052377 -0.0429633 0.02226758 0.0713485 0.02999738 ## TOX -0.146010 0.178441 -0.0295606 0.06229572 -0.0026153 -0.08392823 ## VAN -0.114872 0.181859 0.1251131 -0.01904566 -0.1975431 0.02537347 ## CHE -0.097917 -0.088727 0.2818868 0.10944473 0.0274181 -0.01536112 ## BAR -0.197703 0.211437 -0.0720345 0.09567021 0.0057388 -0.03099831 ## SPI -0.176179 0.161583 -0.0485271 0.03871722 0.0314166 -0.05356350 ## GOU -0.230963 0.122477 0.0625747 -0.00252675 -0.1440066 0.14207018 ## BRO -0.151287 0.142419 0.0283780 -0.12068783 -0.0964879 0.07294183 ## PER -0.156986 0.191448 0.0347003 -0.09694867 -0.0415122 -0.04839578 ## BOU -0.227343 0.135813 -0.0740108 -0.01114310 0.0800272 -0.00196563 ## PSO -0.226704 0.083482 -0.0672117 0.01981786 0.0632374 0.01441381 ## ROT -0.191131 0.035779 -0.0076725 -0.07244301 -0.0702061 0.06860395 ## CAR -0.186088 0.130505 -0.0636926 0.00057767 0.0395538 -0.02845752 ## TAN -0.191379 0.175819 0.0943977 -0.08673170 0.0109119 -0.08519245 ## BCO -0.200552 0.083316 -0.0747866 -0.05048749 0.0738895 0.02498417 ## PCH -0.146260 0.052684 -0.0720118 -0.04325718 0.0503177 0.01787763 ## GRE -0.299696 -0.011581 -0.0690469 -0.01184881 0.0299366 0.14076976 ## GAR -0.350847 -0.093525 0.1986636 0.01786689 0.0237964 -0.09713620 ## BBO -0.241674 0.035978 -0.0795284 -0.03390491 0.0966900 0.06209795 ## ABL -0.422691 -0.228787 0.0071578 0.11283535 0.0067590 0.12489132 ## ANG -0.205214 0.115565 -0.0720598 -0.01599021 0.0720296 -0.00038014 ## ## ## Site scores (weighted sums of species scores) ## ## PC1 PC2 PC3 PC4 PC5 PC6 ## 1 0.370801 -0.491130 -1.0184113 -0.583865 -0.4916719 -0.6220622 ## 2 0.507019 -0.056877 -0.1759688 -0.424183 0.4077903 0.1607254 ## 3 0.464652 0.029374 -0.0673602 -0.495659 0.3243394 0.3130535 ## 4 0.299434 0.190368 0.2413153 -0.545381 0.0098383 0.1979740 ## 5 -0.003672 0.134827 0.5157228 -0.536403 -0.7961827 -0.2085537 ## 6 0.212943 0.161419 0.5381077 -0.443660 -0.1385534 -0.0661956 ## 7 0.440596 -0.018530 0.1747820 -0.313357 0.1717131 0.1311723 ## 8 0.032182 -0.534919 -0.3542889 -0.078705 -0.1252875 -0.6325920 ## 9 0.040265 -0.335895 0.9370355 0.067148 0.6107627 -0.8280397 ## 10 0.299210 0.060612 0.5645728 -0.122003 -0.0912608 0.4613495 ## 11 0.470590 -0.102330 -0.1000203 0.311663 0.3439973 0.2172884 ## 12 0.479878 -0.057418 -0.1175758 0.309648 0.3759233 0.1910668 ## 13 0.486974 0.036982 -0.4291376 0.558127 0.0500554 0.1107580 ## 14 0.373684 0.166164 -0.2096669 0.633672 -0.1810286 0.2896134 ## 15 0.277984 0.258147 0.0751618 0.613821 -0.4901321 0.0265479 ## 16 0.076037 0.485066 0.1024278 0.327022 -0.5987080 -0.5518878 ## 17 -0.056099 0.440269 -0.0083156 0.420399 -0.0636194 -0.4229024 ## 18 -0.138360 0.400557 0.0061086 0.395576 -0.0050062 -0.2026732 ## 19 -0.273219 0.334358 0.1446021 0.083183 0.1765673 0.0235735 ## 20 -0.383501 0.214407 0.0309174 -0.037499 0.1610326 -0.0094090 ## 21 -0.414203 0.226758 -0.1102831 -0.128032 0.1563092 0.0888634 ## 22 -0.448647 0.166644 -0.1590170 -0.129417 0.1030493 -0.0080444 ## 23 -0.244257 -1.039895 0.3453127 0.428355 0.0629314 -0.3787212 ## 24 -0.361605 -0.788256 -0.0076258 0.305777 0.2220018 0.5282737 ## 25 -0.328522 -0.569138 0.2116365 0.022708 -1.0124653 0.8294809 ## 26 -0.446605 0.025511 -0.1263056 -0.135384 0.2130130 0.2263298 ## 27 -0.449471 0.119107 -0.1706553 -0.136373 0.1826803 0.0724949 ## 28 -0.451333 0.115481 -0.2005222 -0.149061 0.2427525 0.0552700 ## 29 -0.360249 0.266928 -0.2992339 -0.010053 0.1206239 0.1018023 ## 30 -0.472505 0.161409 -0.3333149 -0.208065 0.0585347 -0.0945564