Escolar Documentos
Profissional Documentos
Cultura Documentos
Pedro Segurado
Orientador:
Doutor Jos Miguel Oliveira Cardoso Pereira
Jri
Presidente:
Doutor Antnio Manuel Dorota Fabio
Professor Associado do Instituto Superior de Agronomia da Universidade Tcnica de Lisboa
Vogais:
Doutor Jos Miguel Oliveira Cardoso Pereira
Professor Associado do Instituto Superior de Agronomia da Universidade Tcnica de Lisboa
Pedro Segurado
Orientador:
Doutor Jos Miguel Oliveira Cardoso Pereira
Jri
Presidente:
Doutor Antnio Manuel Dorota Fabio
Professor Associado do Instituto Superior de Agronomia da Universidade Tcnica de Lisboa
Vogais:
Doutor Jos Miguel Oliveira Cardoso Pereira
Professor Associado do Instituto Superior de Agronomia da Universidade Tcnica de Lisboa
RESUMO
Predictive models of the distribution and local abundance of the mediterraneanterrapin (Mauremys leprosa) and the stripe-necked-terrapin (Emys orbicularis) in
Portugal.
ABSTRACT
Information on the presence/absence of Mauremys leprosa and Emys orbicularis in UTM
10 x 10 km grid cells was used to build predictive models of their distribution in Portugal.
Two types of statistical models were used: tree-based models and multivariate logistic
regression models. The predictive variables were obtained from the Environment Atlas of
Portugal, which includes climatic, geomorphological, ecological and land cover variables.
A great number of statistically valid models were adjusted in order to maximise the span
of choices in model selection. The predictive maps were obtained using a Geographic
Information System.
Both methods and the available environmental variables provided a reasonable
predictive power of the models. About 80% (M. leprosa) and 84% (E. orbicularis) of the
cells were correctly classified. The variables with stronger predictive power were mainly
climatic: solar radiation, humidity, drainage, evapotranspiration, rainfall and ecological
region. The results suggests strong evidence on the decline of E. orbicularis populations
in Portugal. The predictive maps will be very useful for the future selection of priority
areas for conservation.
Key-words: Mauremys leprosa, Emys orbicularis, biogeography, conservation, logistic
regression, classification trees.
AGRADECIMENTOS
Ao Dr. Jos Miguel Pereira por ter aceite a orientao cientfica desta dissertao e pela
disponibilidade que sempre manifestou.
Ao Dr. Octvio Paulo pela co-orientao desta dissertao e ter facultado o acesso ao seu
gabinete e respectivo recheio.
Dra. Paula Rito de Arajo pelas facilidades concedidas na realizao desta tese,
nomeadamente por ter facultado os dados para a sua realizao, pelas sugestes sempre oportunas e
sobretudo pela simpatia que demonstrou como patroa durante os trs anos em que trabalhei no
servio.
Ao Jos Santos, que me acompanhou muitas vezes por esse pas fora.
Constana Camilo-Alves e ao Jos Carlos Brito, por terem gentilmente cedido a base de dados
e os mapas das variveis. Muito obrigado.
Aos amigos, conhecidos, amigos de amigos, irmos de amigos, etc., que amavelmente me
disponibilizaram as suas informaes sobre observaes de cgados: Francisco Pereira, Francisco
lvares, Antnio Monteiro, Jos Carlos Brito, Rui Rebelo, Gonalo Rosa, Patrcia Brito, Ana Rainho,
Maria Joo Marques, Humberto Rosa, Filipe Catry e Miguel Lecoq. Desculpa se me esqueci de ti.
Outra vez ao Jos Carlos pelo arroz com queijo, o mau cheiro, a tenda, o cho duro, as
derrocadas de estradas, os troncos a barrarem caminhos, o jipe atolado, as ribeiras putrefactas, o
acidente, a muita sorte, a ausncia de companhia feminina, os copos e as consequentes e inevitveis
consideraes metafsicas luz das estrelas, etc, etc, que partilhmos durante as amostragens e que
deram origem a alguns dados que usei nesta tese.
Aos amigos de infncia Alberto e Henrique, por terem aceite mais uma vez ser meus colegas,
apesar de os ter abandonado antes de o serem. Obrigado por terem feito tanta publicidade ao S-PLUS.
A todos os colegas de Mestrado que partilharam comigo a imensa alegria de voltar a estudar para
os exames.
Aos meus pais, claro.
S para acabar e agora numa ordem totalmente aleatria e sem qualquer tipo de preferncia
tirando algumas excepes, s amigas e aos amigos: Isabel Pinto, Ins&Paulo, Rui Rebelo, e ainda
talvez ao Pedro Moreira, ou no? Sim. E tambm Ana Campos e ao Paulo Catry. E Susana Rosa
que entretanto apareceu e ainda me ajudou a rever o texto. Obrigado por me terem deixado trabalhar
nos minutos em que no estava convosco.
ndice
NDICE
1 Introduo...............................................................................................................
1.3 Objectivos.........................................................................................................
11
2. Metodologia............................................................................................................
13
13
13
15
15
17
18
18
18
24
26
26
27
27
29
29
3 Resultados...............................................................................................................
31
31
32
32
32
39
48
52
55
55
58
ndice
65
67
70
73
73
77
81
81
81
84
92
4 Discusso.................................................................................................................
95
95
99
102
5 Consideraes finais...............................................................................................
105
6 Referncias..........................................................................................................
107
1. Introduo
1. INTRODUO
1.1 Enquadramento geral
Padres de distribuio das espcies
Cada espcie tem uma rea de distribuio geogrfica nica que reflecte tanto o seu nicho
ecolgico actual como a sua histria evolutiva (Brown & Gibson, 1983). Com efeito, os
limites actuais de distribuio das espcies no so apenas condicionados pelas
caractersticas ecolgicas e fisiolgicas destas, mas resultam, em grande medida, do espao
geogrfico onde ocorreu a sua evoluo e especiao.
A rea ocupada por uma espcie no homognea, apresentando uma alternncia
de parcelas com diferentes caractersticas ambientais, que determinam a ocorrncia e a
densidade das populaes (Forman, 1995). Por sua vez, a dinmica de metapopulaes
(Gilpin, 1987; Hanski & Gilpin, 1991; Hanski, 1996) mostra que o padro de distribuio,
a dimenso, a forma e conectividade das parcelas mais adequadas sobrevivncia de uma
espcie determinam a sua subsistncia a longo prazo numa dada regio, ao actuarem na
dinmica da extino e recolonizao locais.
Existe no entanto algum determinismo nos padres de distribuio da abundncia
na rea geogrfica em que a espcie ocorre. A distribuio da abundncia ao longo de um
gradiente ambiental geralmente descrito por uma curva gaussiana (Begon, 1996). Deste
modo, no centro da rea de distribuio a abundncia tendencialmente maior do que na
periferia (Lawton et al., 1994), traduzida quer pela densidade populacional a nvel local,
quer pelo nmero de registos de presena a vrias escalas. Segundo o modelo de fluxo de
centrfugo de Grinnel (Antunez & Mendonza, 1992), muitas populaes perifricas
apresentam taxas de mortalidade que superam as de reproduo e so mantidas por um
fluxo de imigrantes das populaes centrais. Este fenmeno essencialmente vlido para
espcies com grande capacidade de disperso como o caso das aves (Brown & Gibson,
1983), ou para escalas geogrficas ao nvel dos habitats.
1. Introduo
1. Introduo
1. Introduo
1. Introduo
1. Introduo
1. Introduo
1982),
apresentam
densidades
menores
(segundo
os
modelos
1. Introduo
1. Introduo
1. Introduo
mesmo de carcter temporrio (Neas et al., 1997). Esta espcie pode tambm encontrar-se
em locais com ndices de poluio elevados (Ernst & Barbour, 1989; observao prpria).
Da Silva (1993) encontrou ncleos populacionais de Eor na provncia de Badajoz
apenas nos ribeiros de gua limpa e pouco alterados das zonas serranas, ao contrrio da
outra espcie, que foi observada em todo tipo de habitats, poludos ou no. J na regio de
Doana (SW de Espanha) verifica-se uma certa segregao espacial das espcies: Mle
tende a ocupar sobretudo as massas de gua de maiores dimenses e de carcter
permanente e Eor tende a ocupar charcos temporrios (Keller et al., 1994).
Estado das populaes
Mle considerado comum na maioria das regies onde ocorre (Barbadillo, 1987; Crespo &
Oliveira, 1990; Da Silva, 1993; Malkmus, 1995; Bons & Geniez, 1996; Arajo et al.,
1997), havendo no entanto alguns indcios de regresso a nvel local.
Pelo contrrio Eor considerado raro e em regresso na grande parte da sua rea de
distribuio (Servan & Pieau, 1984; Corbett, 1986; Barbadillo, 1987; Crespo & Oliveira,
1990; Frisenda & Ballasina, 1990; Amo, 1991; Astudillo & Arano, 1995; Malkmus, 1995;
Bons & Geniez, 1996; Neas et al., 1997; Arajo et al., 1997) e especialmente na Europa
central e do Norte, onde ocorrem populaes muito isoladas. Em todos os pases europeus
onde se dispe de informao sobre o estado das populaes, a espcie considerada rara e
em regresso (Arajo et al., 1997.). A alterao e destruio de zonas hmidas (drenagens,
regularizao das margens, etc.), a poluio industrial e agrcola , a introduo de espcies
de tartarugas exticas e a captura para comrcio so alguns dos factores mais apontados
para a situao actual desta espcie.
Em termos da situao legal a nvel internacional, ambas as espcies esto includas
no Anexo II da Conveno de Berna e, mais recentemente, nos anexos II e IV da Directiva
da Unio Europeia - Directiva Habitats - relativa Preservao de Habitats Naturais e
Seminaturais e da Fauna e Flora Selvagens (Directiva 92/43/CEE).
Situao em Portugal
Em Portugal o estado das populaes de Mle no parece preocupante (Arajo et al., 1997),
apesar de haver algumas informaes sobre desaparecimentos ou declnios a nvel local.
10
1. Introduo
1.3 Objectivos
Tendo em considerao o que foi exposto pretendeu-se com este trabalho:
1. Obter modelos preditivos da distribuio de Mle e de Eor em Portugal, com base nas
variveis macro-ambientais disponveis;
2. Comparar os resultados da aplicao de diferentes modelos de classificao;
3. Determinar quais as variveis com mais influncia na ocorrncia das espcies a duas
escalas: a nvel nacional (influncia de variveis macro-ambientais) e a nvel local
(influncia de variveis locais).
Este trabalho poder, no futuro, fornecer bases para a gesto das populaes destas
espcies, nomeadamente quanto delimitao de reas prioritrias para a conservao.
A distribuio a nvel nacional foi estudada apenas com base em dados de
presena/ausncia das espcies, devido dificuldade em associar abundncias a cada
unidade de amostragem (quadrculas UTM 10 x 10 km), e sobretudo grande margem de
erro que tal procedimento acarretaria. Considerando que os factores a nvel local
11
1. Introduo
apresentam uma maior relao com a densidade populacional, os modelos a esta escala
basearam-se em dados de abundncia relativa. Devido escassez de dados de Eor, a
influncia de variveis locais foi estudada com base apenas em anlises univariadas.
12
2. Metodologia
2. METODOLOGIA
2.1 Recolha dos dados
A maioria dos dados analisados neste trabalho foram obtidos no mbito do projecto
avaliao da situao de Emys orbicularis e de Mauremys leprosa em Portugal (Arajo
et al., 1997), decorrido entre 1992 e 1997. Neste projecto, os resultados relativos
distribuio das espcies basearam-se na compilao de informao, quer bibliogrfica
quer fornecida por colaboradores, e em amostragens no terreno. Os mtodos de
amostragem consistiram essencialmente na realizao de transectos ao longo de cursos de
gua, em capturas com armadilhas e em observaes ad-hoc (Arajo et al., 1997). Os
transectos e as armadilhagens permitiram a obteno de abundncias relativas, expressas
respectivamente por um ndice horrio de abundncia (nmero de observaes por unidade
de tempo) e por um ndice segundo o nmero de armadilhas e o nmero de horas de
armadilhagem (nmero de indivduos capturados por armadilha e por hora).
Em 1997 e 1998, j no mbito do presente estudo, com o objectivo de obter dados
adicionais sobre a distribuio e abundncia das espcies, foram realizados transectos em
119 locais onde se dispunha ainda de pouca informao.
13
2. Metodologia
ndices de raridade
A representao da distribuio com base numa rede quadricular de 10 km tem sido usada
com alguma frequncia na quantificao da raridade e na determinao do grau de ameaa
das espcies (Harding, 1991; Spellerberg, 1992). Podem considerar-se dois tipos de
raridade: a distribuio pode estar confinada a uma determinada regio restrita e ento
considera-se a espcie como rara a nvel nacional, ou a distribuio pode ser mais alargada
mas muito fragmentada e ento considera-se a espcie como rara a nvel local (Spellerberg,
1992).
Para quantificar a raridade foram criados dois ndices: um ndice de Raridade
Global (IRG) e um ndice de Raridade Mdia Local (IRML), calculados da seguinte forma:
IRG =
A
A+ P
IR
IRML =
Li
em que IRL o ndice de Raridade Local e mede o grau de isolamento de cada quadrcula
de presena, sendo expresso da seguinte forma:
IRL =
Av Pv
V
2. Metodologia
15
2. Metodologia
Classes
1-6
1 - 13
1-6
1 - 14
1-8
1 - 14
1-7
1-9
1-8
1-5
1 - 10
1-7
1 - 28
1 - 58
Cdigo
TEMP
PREC
HUMI
ESCO
EVAP
INSO
RADS
ALTI
ECOL
SOLO
GEAD
DPOP
ESTE
NORT
0/1
0/1
0/1
0/1
0/1
0/1
0/1
0/1
0/1
0/1
0/1
0/1
0/1
0/1
0/1
0/1
0/1
0/1
0/1
0/1
FOLH
RESI
OLIV
SOBR
AZIN
CARV
PINH
EUCT
CAST
FIGU
MEDR
ALFA
AMEN
CUARV
CARBS
CARBR
CAVAB
CABAV
INCT
SAL
2. Metodologia
17
2. Metodologia
O modelo logstico
A regresso logstica inclui-se nos designados modelos lineares generalizados, que so
extenses do modelo linear clssico em que o preditor linear relaciona-se com o valor
esperado da varivel resposta y por meio de uma funo g designada funo de ligao
(Hosmer & Lemeshow, 1989; MacCullagh & Neller, 1989). No caso da regresso logstica,
na sua verso mais simples em que a varivel resposta binria, a funo de ligao o
logit e toma a seguinte forma:
18
2. Metodologia
= g( ) = log
1
O valor esperado equivale neste caso probabilidade (x) de se dar uma das duas
respostas, dado um vector de covariveis x. A fraco entre parntesis designa-se por odds.
A expresso pode ser rescrita em funo do logit (agora expresso em funo de x) do
seguinte modo:
e g( x)
(x) =
1 + e g( x)
Esta expresso descreve uma curva logstica para (x) em funo do preditor linear g(x),
restringindo os seus valores ao intervalo [0,1]. O logit tem ento como finalidade
transformar (x) numa funo com as propriedades desejadas de um modelo de regresso
linear, podendo deste modo tomar a forma clssica:
g(x) = 0 + 1x1 + 2x2 + ...+ pxp,,
em que 0 uma constante, 1 ... p so os coeficientes das x1 ... xp covariveis ou variveis
independentes. A principal diferena entre o modelo linear clssico e o modelo logstico
que a distribuio da varivel resposta dado x no segue uma distribuio normal, mas sim
uma distribuio binomial de parmetro (x) (Hosmer & Lemeshow, 1989).
Para avaliar a qualidade de ajustamento dos modelos aos dados so geralmente
estimadas duas estatsticas baseadas nos resduos: A deviance (D) e a estatstica X
de
Deviance: D = d y j , $ j
j =1
19
2. Metodologia
em que, para yi = 0:
[ (
d y j , $ j = 2m j ln m j 1 $ j
)] ,
e para yi = 1:
d y j , $ j = 2m j ln m j $ j
X 2 de Pearson:
X 2 = r y j , $ j
j =1
em que:
r y j , $ j =
(y
m j $ j
m j $ j 1 $ j
2. Metodologia
ajustamento univariado.
Seguidamente, foram ajustados para cada matriz de treino modelos multivariados
atravs de processos de seleco forward e de eliminao backward das covariveis. As
variveis includas em cada um dos modelos finais, teriam de contribuir significativamente
para a reduo da deviance do modelo, estimada pela estatstica do quociente de
verosimilhanas (teste G), e o intervalo de confiana do respectivo odds ratio (taxa de
incremento do odds para cada alterao unitria da covarivel) no poderia conter o valor
unitrio (Hosmer & Lemeshow, 1989). Ajustaram-se ainda oito modelos em que se
foravam cada uma das oito covariveis com maior significado na anlise univariada a
entrar no respectivo modelo final. Os mesmos modelos foram ajustados com e sem as
variveis de localizao espacial (n da linha e n da coluna). Aps o ajustamento das
variveis verificava-se ainda o efeito de transformaes e de interaces entre covariveis;
sempre que aumentavam o poder explicativo eram includas num novo modelo final.
Este procedimento levou ao ajustamento de um grande nmero de modelos, por
forma a maximizar o leque de escolhas possveis do modelo mais adequado. Por outro
lado, a produo de vrios modelos preditivos independentes aconselhvel, uma vez que
permite avaliar a importncia relativa de cada covarivel (Gates et al., 1994). As variveis
que surgem com mais frequncia nos modelos so provavelmente as que mais determinam
a presena ou abundncia das espcies.
No processo de ajustamento dos modelos foi utilizado o programa EGRET (1991).
Os mesmos modelos finais foram posteriormente ajustados recorrendo funo glm, do
programa S-PLUS - version 3.3 for Windows (Statistical Science, 1995; Venables &
Ripley, 1997) uma vez que apresenta algumas vantagens na validao e diagnstico dos
modelos. Em ambos os programas o mtodo de estimao dos parmetros o da mxima
verosimilhana, pelo mtodo IRLS (iteratively reweighted least-squares), no se tendo
detectado qualquer diferena no resultado das estimativas.
21
2. Metodologia
22
2. Metodologia
Pearson (X 2), quer para as amostras de treino quer para as amostras de validao. Para Mle
determinaram-se os valores mdios de D e X 2 entre as trs amostras de validao.
Da comparao entre estas estatsticas, ponderadas pelos graus de liberdade, e da
respectiva avaliao do significado biolgico, seleccionou-se o modelo mais adequado
para a modelao da distribuio das espcies em Portugal. Optou-se por nunca seleccionar
os modelos que incluam as variveis espaciais, uma vez que perdiam o significado
biolgico.
Diagnstico do modelo
Recorreu-se s capacidades grficas do S-PLUS (funes plot.glm e plot.gam) para efectuar
um diagnstico informal (MacCullagh & Neller, 1989) do modelo. Para avaliar a
linearidade de cada varivel com o logit ajustou-se, com as mesmas variveis do modelo
seleccionado, um modelo aditivo generalizado (Statistical Sciences, 1995; Venables &
Ripley, 1997) com a funo gam (operao de suavizao s - cubic B-splines) do S-PLUS.
Um modelo aditivo generalizado semelhante a um modelo linear generalizado, sendo,
contudo, baseado na combinao linear de diferentes funes de suavizao associadas a
cada covarivel, e no das prprias covariveis. A partir da visualizao grfica da
covarivel versus a covarivel ajustada, decidiu-se quais as transformaes de escala das
covariveis a efectuar no modelo linear (considerando, por exemplo, apenas o intervalo de
valores da varivel onde se verificava a linearidade). Se o decrscimo no deviance no
modelo
linear
era
significativo,
substituam-se
as
variveis
pelas
respectivas
transformaes.
2. Metodologia
e a deviance explicada em cada separao dada por Di - Di1 - Di2 (i1 e i2 so os dois ns
gerados pelo n i).
Clark & Pregibon (1992) enumeram algumas vantagens destes modelos
relativamente aos baseados em combinaes lineares: (1) a interpretao do modelo
bastante facilitada, especialmente quando h mistura de variveis numricas e nominais;
(2) so invariantes a transformaes monotnicas das covariveis; (3) o tratamento de
valores ausentes mais satisfatrio; (4) a questo da interaco entre variveis resolvida
automaticamente. Outra vantagem a de permitirem hierarquizar as variveis explicativas
quanto escala de actuao sobre a varivel resposta (Franklin, 1998). As variveis que
operam a grandes escalas tendem a ser usadas como critrio nas primeiras parties do
modelo, ao passo que as variveis que influenciam a varivel resposta a nvel mais local
so usadas como regras de deciso perto dos ns terminais. A maior desvantagem desta
tcnica prende-se com o facto de ainda no se terem desenvolvido procedimentos formais
para a sua inferncia estatstica, o que a leva a que seja mais utilizada como uma tcnica de
anlise exploratria (Clark & Pregibon,1992).
24
2. Metodologia
25
2. Metodologia
26
2. Metodologia
2. Metodologia
Tabela 2.2 Variveis locais e respectivos cdigos incluidas na anlise (* - explicao no texto)
Variveis
Classes/unidades
Cdigo
HABI
ORIE
Afloramento rochoso
0/1
AFLO
Cascalho
0/1
CASC
Substrato arenoso
0/1
AREN
Substrato lodoso
0/1
LODO
Largura mdia
metros
LARG
Altitude
metros
ALTI
PROF
EMER
FLUT
IMER
HERB
ARBS
ARBR
VCOR
Turbidez da gua
TURB
Insolao
INSO
Variveis contnuas:
Variveis ordinais
Profundidade mxima
INCL
RELE
Para Eor, devido escassez de dados, apenas se efectuaram testes univariados por
forma a detectar diferenas na presena e ausncia entre esta espcie e Mle para cada
varivel considerada.
2.4.2. Anlise univariada
Para testar diferenas entre os trs nveis de abundncia de Mle relativamente a cada
varivel quantitativa foi usado o teste ANOVA de Kruskal-Wallis (Zar, 1984). No caso das
variveis qualitativas, foram realizados testes de 2 com base em tabelas de contingncia
de modo a testar se os trs nveis de abundncia estavam distribudos aleatoriamente nas
categorias das variveis.
28
2. Metodologia
29
3. Resultados
3 RESULTADOS
3.1 Distribuio conhecida das espcies
Na figura 3.1 esto representadas as distribuies de Mle e de Eor em Portugal. Verifica-se
que Mle muito mais comum do que Eor, possuindo-se informaes sobre a sua
ocorrncia em 340 quadrculas UTM 10 km x 10 km, correspondendo a cerca de 70% das
quadrculas amostradas. Esta espcie apresenta uma distribuio praticamente contnua a
sul do Rio Tejo. A Norte do Rio Tejo as observaes so mais dispersas, excepto na regio
de Castelo Branco/Tejo Internacional, e na regio da Beira-Alta interior e Nordeste
Transmontano, ou seja, as observaes vo-se dispersando no sentido SE para NW do pas.
No foram detectadas populaes nem encontradas informaes recentes sobre a
ocorrncia desta espcie na regio entre Douro e Minho.
Mauremys leprosa
Emys orbicularis
5
6
7
3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 34 5 6 7 8 9 0 1 2 3 4
46
45
44
43
42
41
6
5
4
3
2
1
0
9
8
7
6
5
4
3
2
1
0
9
8
7
6
5
4
3
2
1
0
9
8
7
6
5
4
3
2
1
0
9
8
7
6
5
4
3
2
1
0
9
8
7
6
5
4
3
2
1
0
MG
NG
PG
5
6
7
3 4 5 6 7 8 9 0 1 2 3 4 5 6 78 9 0 1 2 34 5 6 7 8 9 0 1 2 34
QG
46
MF
QF
ME
QE
MD
QD
MC
QC
MB
QB
PB
45
44
43
42
41
6
5
4
3
2
1
0
9
8
7
6
5
4
3
2
1
0
9
8
7
6
5
4
3
2
1
0
9
8
7
6
5
4
3
2
1
0
9
8
7
6
5
4
3
2
1
0
9
8
7
6
5
4
3
2
1
0
MG
NG
PG
QG
MF
QF
ME
QE
MD
QD
MC
QC
MB
QB
PB
Ausncias
Presenas
Figura 3.1 Presena das espcies nas quadrculas UTM decaquilomtricas (para Eor
esto representadas apenas as presenas).
31
3. Resultados
IRML
Mauremys leprosa
0.325
-0.412
Emys orbicularis
0.892
0.276
Espcie
32
3. Resultados
Tabela 3.2 Matriz de correlao para as covariveis quantitativas (valores superiores a 0.80 a bold).
NORT
INSO
TEMP
PREC
HUMI
ESCO
EVAP
ALTI
ECOL
DPOP
SOLO
GEAD
RADS
EAST NORT INSO TEMP PREC HUMI ESCO EVAP ALTI ECOL DPOP SOLO GEAD
0.26
0.22
-0.72
-0.21 -0.65
0.55
-0.19
0.60
-0.73 -0.55
-0.39 -0.08 -0.09 -0.07
0.09
-0.12
0.61
-0.73 -0.56
0.06
0.95
-0.38
0.55
-0.69 -0.40
0.86
0.08
0.80
0.58
0.50
-0.33 -0.59
0.34
-0.31
0.40
0.09
-0.28 -0.61
0.52
0.67
-0.50
0.05
-0.54 -0.34 -0.66
-0.51
0.26
-0.39 -0.08
0.40
0.26
0.36
0.49
-0.26 -0.04
0.37
0.32
-0.25 -0.39
0.31
-0.11
0.37
0.09
0.58
-0.41 -0.08
0.49
0.43
-0.09 -0.33
0.08
-0.23
0.11
0.04
0.45
-0.35 -0.23
0.27
0.33
-0.72
0.46
-0.70 -0.06 -0.66 -0.75 -0.17
0.42
-0.44 -0.14 -0.17
0.83
3. Resultados
Ausncias
Mdia
s
4.242
0.895
6.273
2.421
3.864
1.021
6.985
2.344
5.439
1.178
8.379
2.319
2.652
1.196
3.606
1.822
4.848
1.384
3.727
1.247
4.758
2.163
3.258
1.774
12.212
6.012
36.909
13.882
Presenas
Mdia
s
4.637
0.768
4.143
1.419
3.253
1.039
4.791
1.418
3.923
1.046
10.824
1.761
4.220
1.104
3.747
1.305
5.571
1.117
3.582
1.034
4.978
1.938
1.802
1.118
16.714
5.526
24.121
14.973
K. - S.
p
n.s.
< .001
< .010
< .001
< .001
< .001
< .001
n.s.
< .001
n.s.
n.s.
< .001
< .001
< .001
M. - W.
p
<.005
<.0001
<.0005
<.0001
<.0001
<.0001
<.0001
n.s
<.0001
n.s
n.s
<.0001
<.0001
<.0001
34
Ausncias
Mdia
s
4.121
0.957
6.448
2.521
3.776
0.992
7.310
2.458
5.379
1.167
8.500
2.401
2.741
1.278
3.741
2.014
4.603
1.521
3.690
1.143
4.862
2.180
3.259
1.888
12.534
6.009
36.810
14.462
Presenas
Mdia
s
4.841
0.618
3.866
1.312
3.220
1.043
4.512
1.493
3.878
1.047
11.085
1.642
4.220
1.111
3.463
1.390
5.707
1.094
3.671
1.166
4.890
1.778
1.939
1.200
15.756
5.355
22.707
13.394
K. - S.
p
< .001
< .001
< .01
< .001
< .001
< .001
< .001
n.s.
< .001
n.s.
n.s.
< .001
< .001
< .001
M. - W.
p
<.0001
<.0001
<.005
<.0001
<.0001
<.0001
<.0001
n.s.
<.0001
n.s.
n.s.
<.0001
<.0005
<.0001
3. Resultados
Ausncias
Mdia
s
4.143
0.948
6.349
2.424
3.730
1.096
7.016
2.530
5.286
1.263
8.571
2.388
2.762
1.292
3.778
1.879
4.841
1.526
3.619
1.224
4.778
2.210
3.127
1.718
12.651
5.982
37.000
14.507
Presenas
Mdia
s
4.616
0.800
4.267
1.662
3.140
0.922
4.895
1.645
3.988
1.046
10.686
1.917
4.233
1.081
3.779
1.418
5.593
1.131
3.721
1.059
5.116
1.711
1.895
1.302
16.581
5.012
24.558
14.914
K. - S.
p
< .05
< .001
< .01
< .001
< .001
< .001
< .001
n.s.
< .001
n.s.
n.s.
< .001
< .001
< .001
M. - W.
p
<.001
<.0001
<.0005
<.0001
<.0001
<.0001
<.0001
n.s.
<.0005
n.s.
n.s.
<.0001
<.0001
<.0001
Ausncias
Mdia
s
4.183
0.965
6.167
2.458
3.717
1.010
6.900
2.454
5.317
1.127
8.617
2.300
2.833
1.181
3.800
2.024
4.833
1.509
3.667
1.145
4.700
2.204
2.967
1.766
12.383
6.352
35.267
14.099
Presenas
Mdia
s
4.700
0.736
3.950
1.606
3.325
1.041
4.663
1.591
3.863
1.099
10.900
1.893
4.238
1.094
3.675
1.430
5.550
1.101
3.738
1.040
5.112
1.772
1.900
1.186
17.000
5.021
24.275
14.929
K. - S.
p
< .01
< .001
n.s.
< .001
< .001
< .001
< .001
n.s.
< .001
n.s.
n.s.
< .01
< .001
< .01
M. - W.
p
<.0005
<.0001
n.s.
<.0001
<.0001
<.0001
<.0001
n.s.
<.0005
n.s.
n.s.
<.0005
<.0001
<.0001
35
3. Resultados
Figura 3.2 Mdia Desvio padro (SD) das variveis quantitativas (testes de Mann-Whitney e
Kolmogorov-Smirnov significativos p<0.05) para cada classe. (continua na pgina seguinte).
36
3. Resultados
Figura 3.2 (continuao) Mdia Desvio padro (SD) das variveis quantitativas (testes de MannWhitney e Kolmogorov-Smirnov significativos p<0.05) para cada classe.
Tabela 3.4 Resultados dos testes de 2 (1 grau de liberdade) para cada varivel qualitativa (os valores
a bold so significativos a 99% de confiana; (+) - influncia positiva sobre a presena, (-) - influncia
negativa sobre a presena).
Variveis
FOLH
RESI
OLIV
SOBR
AZIN
CARV
PINH
EUCT
CAST
FIGU
Matriz 1
X2
p
0.97
0.325
0.000 (-)
27.56
2.43
0 .119
2.25
0.134
22.52 0.000 (+)
2.38
0.123
0.009 (-)
6.93
0.004 (-)
8.53
0.72
0.398
0.19
0.660
Matriz 2
X2
p
0.02
0.885
0.000 (-)
29.88
4.30
0 .038
1.03
0 .310
0.000 (+)
18.22
0.12
0.724
0.000 (-)
20.96
0.05
0.825
1.65
0.200
5.14
0.023
Matriz 3
X2
p
0.000
0.998
0.000 (-)
22.05
6.29
0.012
0.38
0.537
14.73 0.000 (+)
2.33
0.127
0.003 (-)
9.15
1.85
0.173
0.69
0.406
4.58
0.032
Matriz 4
X2
p
0.180
0.669
28.95 0.000 (-)
4.64
0.031
0.52
0.472
12.72 0.000 (+)
6.90 0.009 (-)
9.07 0.003 (-)
6.93 0.009 (-)
0.01
0.921
5.53
0.019
37
3. Resultados
Cont.
MEDR
ALFA
AMEN
CUARV
CARBS
CARBR
CAVAB
CABAV
INCT
SAL
X2
0.19
3.75
2.32
14.15
2.32
1.61
1.65
20.29
3.30
0.73
p
0.660
0 .053
0.128
0.000 (+)
0.128
0.204
0.199
0.000 (+)
0.069
0.393
X2
0.46
3.64
2.93
10.44
5.34
3.84
3.67
17.59
3.56
0.71
p
0.499
0 .056
0.087
0.001 (+)
0.021
0.050
0.056
0.000 (+)
0.059
0.399
X2
0.75
4.58
3.07
15.49
1.59
4.70
1.05
11.29
3.43
0.50
p
0.388
0.032
0.080
0.000 (+)
0.207
0.030
0.305
0.001 (+)
0.064
0.478
X2
0.09
4.75
3.19
10.77
13.17
6.35
3.19
11.25
1.01
0.76
p
0.770
0.029
0.074
0.001 (+)
0.000 (-)
0.012
0.074
0.001 (+)
0.315
0.385
Figura 3.3 Histogramas das variveis qualitativas (testes 2 significativos a p<0.05) para cada classe.
38
3. Resultados
Tabela 3.5 Resultado da regresso logstica univariada para cada matriz de dados (LRS - decrscimo do
Deviance em relao ao modelo nulo, p(G) - resultado do teste G, p(t) - resultado do teste de Wald; * - no se
alcanou a convergncia no clculo dos parmetros).
Variveis
TEMP
PREC
HUMI
ESCO
EVAP
INSO
RADS
ALTI
ECOL
SOLO
GEAD
DPOP
ESTE
NORT
FOLH
RESI
OLIV
SOBR
AZIN
CARV
PINH
EUCT
CAST
FIGU
MEDR
ALFA
AMEN
CUARV
Matriz 1
Matriz 2
Matriz 3
Matriz 4
LRS
p(G)
p(t)
LRS
p(G)
p(t)
LRS
p(G)
p(t)
LRS
8.506
41.79
12.95
45.80
59.65
47.38
57.46
0.32
12.75
0.64
0.46
34.06
21.81
26.64
0.98
28.02
2.48
6.30
24.66
2.35
6.87
8.53
0.71
0.20
0.20
4.39
2.64
14.38
0.004
<.001
<.001
<.001
<.001
<.001
<.001
0.569
<.001
0.424
0.500
<.001
<.001
<.001
0.321
<.001
0.115
0.043
<.001
0.125
0.009
0.004
0.401
0.656
0.656
0.036
0.104
<.001
0.005
<.001
<.001
<.001
<.001
<.001
<.001
0.570
<.001
0.425
0.501
<.001
<.001
<.001
0.327
<.001
0.122
0.136
<.001
0.139
0.010
0.004
0.403
0.661
0.661
0.087
0.163
<.001
26.34
50.64
9.83
55.72
51.53
46.61
44.03
0.94
23.30
0.01
0.01
22.60
10.76
30.53
0.02
30.45
4.41
1.05
20.01
0.123
21.59
0.049
1.62
6.16
0.49
4.28
3.39
10.58
<.001
<.001
0.002
<.001
<.001
<.001
<.001
0.332
<.001
0.923
0.933
<.001
0.001
<.001
0.886
<.001
0.036
0.306
<.001
0.726
<.001
0.825
0.203
0.013
0.486
0.039
0.066
0.001
<.001
<.001
0.003
<.001
<.001
<.001
<.001
0.333
<.001
0.923
0.933
<.001
0.002
<.001
0.885
<.001
0.040
0.312
<.001
0.725
<.001
0.825
0.219
0.052
0.508
0.091
0.123
0.001
10.46
34.06
12.33
33.86
41.45
31.83
47.16
0.00
11.62
0.30
1.12
22.36
17.88
23.62
0.00
22.28
6.47
0.39
15.94
2.31
9.11
6.90
0.68
5.42
0.74
5.42
3.55
15.83
0.001
<.001
<.001
<.001
<.001
<.001
<.001
0.997
<.001
0.585
0.289
<.001
<.001
<.001
1.000
<.001
0.011
0.535
<.001
0.128
0.003
0.009
0.409
0.020
0.390
0.020
0.059
<.001
0.002
<.001
<.001
<.001
<.001
<.001
<.001
0.996
0.002
0.585
0.293
<.001
<.001
<.001
0.998
<.001
0.013
0.537
<.001
0.142
0.003
0.009
0.411
0.064
0.407
0.064
0.116
<.001
12.33
36.36
4.972
37.28
48.98
35.92
44.17
0.19
10.30
0.15
1.52
16.84
21.15
18.08
0.18
29.65
4.76
0.52
13.66
7.35
9.07
6.94
0.01
p(G)
<.001
<.001
0.026
<.001
<.001
<.001
<.001
0.667
0.001
0.701
0.217
<.001
<.001
<.001
0.668
<.001
0.029
0.470
<.001
0.007
0.003
0.008
0.921
*
0.09 0.771
5.60 0.018
3.68 0.055
10.87 <.001
p(t)
0.001
<.001
0.030
<.001
<.001
<.001
<.001
0.667
0.003
0.701
0.221
<.001
<.001
<.001
0.670
<.001
0.033
0.473
<.001
0.030
0.004
0.009
0.921
0.770
0.060
0.110
0.001
39
3. Resultados
Cont.
CARBS
CARBR
CAVAB
CABAV
INCT
SAL
2.29
1.62
1.84
22.18
3.28
0.130
0.202
0.175
<.001
0.70
*
0.025
0.051
1.57
4.75
1.15
<.001 11.96
0.063 3.40
0.53
0.210
0.029
0.284
<.001
0.065
0.465
Anlise multivariada
Foram ajustados um total de 41 modelos, incluindo modelos com as variveis de
localizao (ESTE e NORT), com transformaes das variveis e com interaces entre
variveis. Na tabela 3.6 esto representadas as frequncias e a relao das covariveis com
a varivel resposta ajustada, incluindo as transformaes e interaces, nos 41 modelos de
regresso. As variveis mais importantes na ocorrncia da espcie, tendo em conta a sua
frequncia nos modelos e a sua frequncia em relao s matrizes de treino que deram
origem aos modelos, so o escoamento (ESCO), a humidade relativa do ar (HUMI), a
radiao solar (RADS) e as variveis de localizao (ESTE e NORT). Entre as variveis
qualitativas, a varivel olival (OLIV) a que surge com maior frequncia. A interaco
entre covariveis mais frequente nos modelos a interaco entre a humidade e o
escoamento (HUMI*ESCO).
Tabela 3.6 Frequncia total, frequncia em relao s quatro matrizes de treino e relao das covariveis
com a varivel resposta ajustada.
Covarivel
ESCO
HUM
RADS
ESTE
NORT
SOLO
EVAP
PREC
INSO
GEAD
ECOL
DPOP
OLIV
EUC
40
Frequncia
18
16
10
10
10
9
7
6
3
3
2
2
12
9
3. Resultados
Cont.
CARBS
PINH
FIG
CARV
(HUMI)2
ln(RADS)
ln(ESCO)
(EVAP)2
ln(ESTE)
(ECOL)2
HUMI*ESCO
RADS*GEAD
ln(RADS)*GEAD
PREC*RADS
HUMI*EVAP
HUMI*SOLO
INSO*ECOL
ALT*SOLO
ESTE*NORT
7
3
2
1
9
7
6
4
2
1
4
2
1
1
1
1
1
1
1
2
1
1
1
2
3
2
2
1
1
3
1
1
1
1
1
1
1
1
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
41
3. Resultados
Tabela 3.7 Os dez modelos com menores erros de classificao da amostra de validao.
Modelo
Matriz
Frmula
10
42
3. Resultados
amostras de validao relativamente baixos (Figura 3.4). Por outro lado, inclui as cinco
variveis macroclimticas que surgiram com maior frequncia nos modelos. Tendo em
considerao estas caractersticas e ao facto de possuir um razovel significado biolgico,
considerou-se este modelo como o mais adequado para a modelao da distribuio da
86
1.2
84
1.0
82
0.8
80
0.6
78
0.4
D / g. l.
% de classificaes correctas
espcie.
T.c. - validao
76
0.2
T.c. - treino
D/g.l. - validao
74
0.0
1
D/g.l. - treino
10
Modelos
Figura 3.4 Comparao entre as taxas de classificao (colunas) e os valores ponderados de deviance
(linhas) da amostra de treino e das amostras de validao.
g. l.
2 0.001
X2
151
210.57
121.61
162.21
144
202.31
126.81
187.29
136
192.82
117.13
178.94
135
191.63
114.74
168.24
141
198.75
122.61
127.62
134
190.44
103.55
213.67
141
198.75
119.37
126.17
136
192.82
113.76
126.94
143
201.12
125.07
139.07
10
136
192.82
119.25
131.95
43
3. Resultados
Tabela 3.9 Sumrio dos resultados do ajustamento do modelo 1 (LRS - teste G ou estatstica do quociente de
verosimilhanas; s -desvio padro).
Deviance = 121.613 (para 151 g.l.)
Termos
LRS = 92.037
Intervalo de confiana
Coeficientes
Odds ratio
3.627
1.708
2.123
0.034
37.600
1.316
1075
1.164
0.411
2.828
0.005
3.201
1.428
7.18
(HUMI)
-0.125
0.037
-3.425
<0.001
0.882
0.821
0.948
ESCO
-1.061
0.344
-3.086
0.002
0.346
0.176
0.680
-0.163
0.048
-3.384
<0.001
0.850
0.773
0.934
0.607
0.241
2.517
0.012
1.835
1.143
2.946
PREC
2
(EVAP)
RADS
3. Resultados
Figura 3.5 Relao entre cada varivel includa no modelo 1 e a respectiva varivel ajustada
com um modelo aditivo generalizado.
g. l.
Teste 2
s(PREC)
3.0
11.541
0.009
s(HUMID2)
2.9
0.644
0.873
s(ESCOA)
3.0
11.050
0.011
s(EVAP2)
2.7
1.564
0.611
s(RADSOL)
2.9
0.623
0.885
O modelo final
Na tabela 3.11 apresenta-se o sumrio do resultado do ajustamento do modelo 1 aps o reescalonamento da varivel. Relativamente ao modelo anterior verifica-se um decrscimo
de 3.22 valores do deviance e um acrscimo de 0.391 no valor de t para a varivel PREC.
Os coeficientes e os respectivos valores de t das restantes variveis mantiveram-se
idnticos.
45
3. Resultados
Tabela 3.11 Sumrio dos resultados do ajustamento do modelo 1 aps o re-escalonamento da varivel PREC
(LRS - teste G ou estatstica do quociente de verosimilhanas; s -desvio padro).
Deviance = 118.392 (para 151 g.l.)
Termos
0
LRS = 95.259
Coeficientes
Odds ratio
3.314
1.728
1.918
0.057
27.530
Intervalo de confiana
0.912
830.8
PREC
1.359
0.422
3.219
0.001
3.894
1.692
8.958
(HUMI)2
-0.126
0.037
-3.402
<0.001
0.882
0.820
0.949
ESCO
-1.090
0.336
-3.247
0.001
0.336
0.173
2.885
-0.176
0.049
-3.601
<0.001
0.839
0.761
0.924
0.579
0.244
2.374
0.018
1.785
1.104
2.885
(EVAP)
RADS
46
3. Resultados
A
100
90
80
70
60
50
40
30
20
Total
Presenas
Ausncias
10
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.7
0.8
0.9
Pontos de corte
B
Preciso do utilizador (%)
100
90
80
70
Mdia
60
Presenas
50
Ausncias
40
0
0.1
0.2
0.3
0.4
0.5
0.6
Pontos de corte
Figura 3.6 Preciso de classificao da amostra completa para cada ponto de corte. A preciso do produtor; B - preciso do utilizador
Tabela 3.12 Medidas de qualidade de ajustamento do modelo para um ponto de corte de 0.6 (Aus.
- ausncias; Pres. - presenas; * - valores mdios).
Modelo
D/g.l.
X2
X2/g.l.
118.39
0.78
153.83
1.02
133.03* 0.97*
80.24*
1.76*
76.80
517.47
875.99
1.51
Preciso do produtor
Preciso do utilizador
Aus.
Pres.
Total
Aus.
Pres.
Mdia
Amostra de
treino
80.60
83.52
82.28
77.94
85.39
81.67
Amostra de
validao
Amostra
total
77.73
82.89
80.72
83.63
80.22
0.89
47
3. Resultados
N de ns terminais
Modelo
48
3. Resultados
88
1.8
86
1.6
1.4
84
1.2
82
1.0
80
0.8
78
D / g. l.
% de classificaes correctas
0.6
76
0.4
T.c. - validao
T.c. - treino
74
0.2
D/g.l. - validao
72
0.0
D/g.l. - treino
Modelo
Figura 3.8 Comparao entre as precises de classificao (colunas) e os valores ponderados de
deviance (linhas) da amostra de treino e das amostras de validao.
49
3. Resultados
(desde
regio
Sub-Montano
Termo-Subatlntico
regio
Psamo/Eolo/Aluvio/Halo - Mediterrnico).
Note-se que o espaamento entre os nveis proporcional importncia do
respectivo n. Assim, a separao com maior significado introduzida pela varivel
RADS, dando origem ao primeiro n terminal (ausncia) com uma probabilidade de erro
apenas de 0.09 (Tabela 3.14). Os ns terminais com maior probabilidade de erro so o
terceiro e o quinto, respectivamente com probabilidades de 0.333 e 0.307, correspondendo
ambos resposta ausncia. Os dois ns terminais correspondentes resposta presena
possuem probabilidades de erro relativamente baixas (0.105 e 0.152). Deste modo, as
maiores probabilidades de erro deste modelo resultam da classificao como ausncia
das quadrculas em que a radiao solar toma valores superiores classe 2.
50
3. Resultados
Resposta
Probabilidades
D/g.l.
80.31
124.65
0.87
85.33
78.95
136.84
0.97
85.76
80.29
535.16
0.92
Preciso do produtor
Preciso do utilizador
Aus.
Pres.
Total
Aus.
Pres.
Mdia
Amostra de
treino
82.54
84.88
83.89
73.31
87.01
Amostra de
validao
81.41
78.26
79.58
72.57
Amostra
completa
81.78
79.94
80.72
74.81
51
3. Resultados
84
Preciso do produtor (%)
82
80
Ausncia
78
Presena
76
Total
74
72
70
rvore de
classificao
Regresso
logstica
52
3. Resultados
88
Preciso do utilizador (%)
86
84
82
Ausncia
80
Presena
78
Mdia
76
74
72
70
rvore de
classificao
Regresso
logstica
53
3. Resultados
Tabela 3.16 Medidas de qualidade de ajustamento do modelo para as quadrculas de consenso entre
os modelos.
Precises de classificao
Preciso do produtor
Preciso do utilizador
Aus.
Pres.
Total
Aus.
Pres.
Mdia
D/g.l.
D/g.l.
86.21
87.63
87.04
83.33
89.86
86.59
355.27
0.74
349.27
0.73
54
rvore de classificao
Regresso logstica
3. Resultados
Ausncias
Mdia
s
4.167
0.930
6.208
2.501
4.000
0.899
6.875
2.481
5.396
1.267
8.375
2.321
2.604
1.198
3.542
1.901
4.729
1.469
3.729
1.216
4.792
2.163
3.208
1.762
12.250
6.296
36.771
14.227
Presenas
Mdia
s
4.767
0.504
3.433
1.569
3.867
1.008
3.967
1.650
3.667
1.322
11.433
1.888
4.767
1.278
2.767
1.382
6.100
1.029
3.267
1.285
4.167
1.877
1.767
1.501
15.400
5.506
17.367
11.657
K. - S.
p
< 0.05
< 0.001
n.s.
< 0.001
< 0.001
< 0.001
< 0.001
n.s.
< 0.001
n.s.
n.s.
< 0.01
< 0.01
< 0.001
M. - W.
p
<0.005
<0.0001
n.s.
<0.0001
<0.0001
<0.0001
<0.0001
n.s.
<0.0001
n.s.
n.s.
<0.0005
<0.05
<0.0001
Figura 3.12 Mdia Desvio padro (SD) das variveis quantitativas (testes de Mann-Whitney e
Kolmogorov-Smirnov significativos p<0.05) para cada classe. (continua na pgina seguinte).
55
3. Resultados
Figura 3.12 (continuao) Mdia Desvio padro (SD) das variveis quantitativas (testes de MannWhitney e Kolmogorov-Smirnov significativos p<0.05) para cada classe.
56
3. Resultados
CARBS (Tabela 18). Nos grficos da figura 3.13 esto representados os histogramas por
classe de presena/ausncia da espcie destas variveis.
2
Tabela 3.18 Resultados dos testes de (1 grau de
liberdade) para cada varivel qualitativa (os valores a bold
so significativos a 99% de confiana; (+) - influncia
positiva sobre a presena, (-) - influncia negativa sobre a
presena).
Variveis
X2 (1 g.l.)
FOLH
RESI
OLIV
SOBR
AZIN
CARV
PINH
EUCT
CAST
FIGU
MEDR
ALFA
AMEN
CUARV
CARBS
CARBR
CAVAB
CABAV
INCT
SAL
0.390
20.850
0.240
0.390
15.350
1.300
3.980
4.150
0.03
2.380
1.280
3.280
3.280
7.800
7.170
0.150
0.630
15.170
2.650
1.620
0.532
<0.000 (-)
0.626
0.532
<0.000 (+)
0.253
0.046
0.042
0.852
0.123
0 .257
0.070
0.070
0.005 (+)
0.007 (-)
0.698
0.426
<0.000 (+)
0.103
0.203
Figura 3.13 Histogramas das variveis qualitativas (testes 2 significativos a p<0.05) para cada classe.
57
3. Resultados
Figura 3.13 (continuao) Histogramas das variveis qualitativas (testes 2 significativos a p<0.05)
para cada classe.
58
3. Resultados
LRS
11.55
29.30
0.38
31.58
27.82
30.64
39.87
3.84
21.51
2.54
1.74
13.60
4.96
31.287
0.38
23.26
0.24
0.40
15.36
1.46
4.34
4.27
0.04
2.33
7.97
0.15
15.14
2.76
p(G)
p<.001
p<.001
0.539
p<.001
p<.001
p<.001
p<.001
0.050
p<.001
0.111
0.187
p<.001
0.026
p<.001
0.536
p<.001
0.628
0.527
p<.001
0.227
0.037
0.039
0.851
0.127
*
*
*
0.005
*
0.699
*
p<.001
0.097
*
p(t)
0.005
p<.001
0.540
p<.001
p<.001
p<.001
p<.001
0.062
p<.001
0.115
0.196
0.001
0.031
p<.001
0.534
p<.001
0.626
0.534
p<.001
0.278
0.056
0.045
0.853
0.161
0.006
0.698
p<.001
0.108
Analise multivariada
Para esta espcie foram obtidos nove modelos possveis, incluindo modelos com as
variveis de localizao (ESTE e NORT), com transformaes das variveis e com
interaces entre variveis. Para todos os modelos o melhor ponto de corte foi de 0.4. Na
tabela 3.20 apresentam-se as frequncias com que surgem as covariveis nos modelos e a
respectiva relao com os valores esperados da varivel resposta. O termo mais frequente
nos modelos a transformao logartmica de ALTI, que aparece em cinco dos nove
modelos, tendo uma relao negativa com a probabilidade de presena da espcie. As
covariveis no transformadas mais frequentes so a RADS e o NORT, surgindo em trs
59
3. Resultados
Frequncia
3
3
2
1
1
1
1
5
1
1
1
1
1
Frmula
0 +1(RADS) + 2(ESCO)
0 + 1(NORT) + 2(AZI)
0 + 1(RADS) + 2(ESCO*RADS)
0 + 1(RADS) + 2(Ln(ALTI)
60
3. Resultados
resultou significativo (X2 < 20.001; Tabela 3.22). O modelo 4, resultante da substituio no
modelo 1 da varivel ESCO pela interaco ESCO*RADS, um modelo com medidas
equilibradas entre as duas amostras e possui um significado biolgico razovel, pelo que
foi escolhido como o mais adequado modelao da distribuio desta espcie.
1.0
0.9
88
0.8
86
0.7
84
0.6
82
0.5
0.4
80
0.3
78
76
74
1
D / g. l.
% de classificaes correctas
90
T.c. - validao
0.2
T.c. - treino
0.1
D/g.l. - validao
0.0
D/g.l. - treino
Modelos
Figura 3.14 Comparao entre as taxas de classificao (colunas) e os valores ponderados de
deviance (linhas) da amostra de treino e da amostra de validao.
61
3. Resultados
g. l.
2 0.001
X2
76
119.91
59.74
283.20
76
119.91
61.60
112.10
75
118.65
50.68
75.00
76
119.91
56.02
94.92
75
118.65
51.10
68.28
75
118.65
54.97
76.51
75
118.65
55.12
69.07
75
118.65
53.79
62.25
76
119.91
59.35
70.81
Diagnstico do modelo
Na tabela 3.23 apresentam-se os resultados do ajustamento do modelo 4, incluindo os
valores dos coeficientes, testes t, os odds ratio e os respectivos intervalos de confiana.
Neste modelo, a covarivel RADS apresenta um efeito positivo muito acentuado na
ocorrncia da espcie, ao passo que a interaco entre ESCO e RADS possui um efeito
negativo e pouco acentuado.
Tabela 3.23 Sumrio dos resultados do ajustamento do modelo 4 (LRS - teste G ou estatstica do quociente
de verosimilhanas; s -desvio padro).
Deviance = 56.021 (para 75 g.l.)
Termos
LRS = 47.919
Intervalo de confiana
Coeficientes
Odds ratio
-3.597
1.189
-3.025
0.003
0.027
0.003
0.282
RADS
1.880
0.427
4.407
<0.001
6.554
2.837
15.140
ESCO*RADS
-0.213
0.084
-2.555
0.011
0.808
0.686
0.952
62
3. Resultados
A
100
Preciso do produtor (%)
90
80
70
60
50
40
Total
30
Presenas
20
Ausncias
10
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Pontos de corte
100
90
80
70
Mdia
Presenas
60
Ausncias
50
40
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Pontos de corte
Figura 3.15 Preciso de classificao da amostra completa para cada ponto de corte. A preciso do produtor; B - preciso do utilizador
63
3. Resultados
Tabela 3.24 Medidas de qualidade de ajustamento do modelo para um ponto de corte de 0.6 (Aus.
- ausncias; Pres. - presenas).
Modelo
Preciso do produtor
Preciso do utilizador
Aus.
Pres.
D/g.l.
X2
X2/g.l.
Total
Aus.
Pres.
Mdia
Amostra de
treino
78.13
89.13
83.63
56.02
0.74
94.92
1.25
Amostra de
validao
23.14
0.66
19.03
0.54
Amostra
completa
85.07
80.39
79.16
0.70
113.95
1.01
83.67
84.48
87.69
84.04
Figura 3.16 Relao entre cada varivel includa no modelo 4 e a respectiva varivel
ajustada com um modelo aditivo generalizado.
g. l.
Teste 2
s(RADS)
2.8
6.291
0.082
s(ESCO*RADS)
2.8
2.274
0.477
64
3. Resultados
65
3. Resultados
1) raiz
78
D
103.900
Resposta
Probabilidades
ausncia
( 0.6154, 0.3846 )
2) RADSOL<3.5
40
21.310
ausncia
( 0.9250, 0.0750 ) *
3) RADSOL>3.5
38
45.730
presena
( 0.2895, 0.7105 )
6) ESCOA<3.5
10
0.000
presena
( 0.0000, 1.0000 ) *
7) ESCOA>3.5
28
37.520
presena
( 0.3929, 0.6071 )
14) ECOL<5.5
8.376
ausncia
( 0.7143, 0.2857 ) *
15) ECOL>5.5
21 25.130
presena
( 0.2857, 0.7143 ) *
66
3. Resultados
D/g.l.
82.39
54.83
0.74
80.65
85.00
29.66
0.87
79.25
84.07
84.49
0.75
Preciso do produtor
Preciso do utilizador
Aus.
Total
Aus.
Pres.
Mdia
Amostra de
treino
87.50
77.27
Amostra de
validao
89.36
Amostra
completa
83.58
88.89
Pres.
85.71
84.48
67
3. Resultados
86
Preciso do produtor (%)
85.5
85
84.5
Ausncia
84
Presena
Total
83.5
83
82.5
82
rvore de
classificao
Regresso
logstica
90
Preciso do utilizador (%)
88
86
84
Ausncia
82
Presena
80
Total
78
76
74
rvore de
classificao
Regresso
logstica
68
3. Resultados
Preciso do produtor
Preciso do utilizador
rvore de classificao
Regresso logstica
Aus.
Pres.
Total
Aus.
Pres.
Mdia
D/g.l.
D/g.l.
90.32
85.71
88.46
90.32
85.71
88.46
65.42
0.63
62.41
0.60
69
3. Resultados
70
M. l.
Mdia
s
4.571
0.850
4.446
1.413
3.107
0.966
5.071
1.333
4.054
1.017
10.446
1.877
4.036
1.095
3.946
1.257
5.393
1.139
3.625
1.019
5.125
1.779
1.875
1.096
17.000
5.474
27.179
14.890
M. l. / E. o.
Mdia
s
4.767
0.504
3.433
1.569
3.867
1.008
3.967
1.650
3.667
1.322
11.433
1.888
4.767
1.278
2.767
1.382
6.100
1.029
3.267
1.285
4.167
1.877
1.767
1.501
15.400
5.506
17.367
11.657
K. - S.
p
n.s.
<0.05
<0.05
<0.05
n.s.
n.s.
<0.05
<0.05
n.s.
n.s.
n.s.
n.s.
n.s.
<0.05
M. - W.
p
n.s.
<0.005
<0.005
<0.0005
n.s.
<0.05
<0.005
<0.0005
<0.05
n.s.
n.s.
n.s.
n.s.
<0.005
3. Resultados
Figura 3.21 Mdia Desvio padro (SD) das variveis quantitativas (testes de Mann-Whitney e
Kolmogorov-Smirnov significativos p<0.05) para cada classe. (continua na pgina seguinte).
Figura 3.21 (continuao) Mdia Desvio padro (SD) das variveis quantitativas (testes de MannWhitney e Kolmogorov-Smirnov significativos p<0.05) para cada classe.
71
3. Resultados
2
Tabela 3.30 Resultados dos testes de (1 grau de
liberdade) para cada varivel qualitativa (os valores a bold
so significativos a 99% de confiana; (+) - influncia
positiva sobre a presena de ambas as espcies, (-) influncia negativa sobre a presena de ambas as espcies).
Variveis
X2 (1 g.l.)
FOLH
RESI
OLIV
SOBR
AZIN
CARV
PINH
EUCT
CAST
FIGU
MEDR
ALFA
AMEN
CUARV
CARBS
CARBR
CAVAB
CABAV
INCT
SAL
0.750
1.330
1.790
3.070
2.380
0.210
1.330
0.480
0.520
1.470
1.670
0.060
1.380
2.180
5.380
1.040
1.670
0.400
0.470
1.890
0.385
0.248
0.182
0.080
0.123
0.650
0.248
0.489
0.472
0.225
0.197
0.805
0.240
0.140
0.020
0.309
0 .197
0.526
0.494
0.169
72
3. Resultados
73
3. Resultados
74
3. Resultados
Modelos determinsticos
Quando se agrupam os nveis de probabilidade em classes de presena/ausncia segundo os
melhores pontos de corte, originam-se os mapas das figuras 3.24 A e B , respeitantes ao
modelo de regresso logstica e ao modelo baseado em rvores de classificao,
respectivamente. Nestes mapas esto representados tambm os locais de ocorrncia
conhecidos para a espcie, de modo a permitir uma avaliao visual dos modelos. Verificase que segundo o modelo de regresso logstica a rea correspondente classe de presena
(71.2% da rea total) consideravelmente superior mesma rea segundo o modelo
baseado em rvores de classificao (51% da rea total).
Figura 3.24 Representao espacial dos modelos e locais de ocorrncia de Mle (assinalados a branco).
A - Regresso logstica; B - rvore de classificao.
75
3. Resultados
Figura 3.25 Sobreposio dos mapas resultantes dos dois modelos (os locais de
ocorrncia esto assinalados a branco).
76
3. Resultados
77
3. Resultados
78
3. Resultados
Modelos determinsticos
Nas figuras 3.28 A e B esto representados os mapas preditivos da distribuio de Eor
segundo, respectivamente, o modelo de regresso logstica e o modelo baseado em rvores
de classificao. Tambm se encontram assinalados os locais conhecidos de ocorrncia. A
rea de distribuio potencial da espcie no difere muito entre os dois modelos,
representando 35,7 % da rea total para o modelo baseado em rvores de classificao e
34,3% da rea total para o modelo de regresso logstica. Ambos os modelos classificaram
erradamente como ausncia alguns locais com populaes conhecidas, tais como o Paul
da Tornada (Caldas da Rainha, Estremadura) e as Lagoas do Prado (Vila Verde, Minho).
Figura 3.28 Representao espacial dos modelos e locais de ocorrncia de Eor (assinalados a branco). A
- Regresso logstica; B - rvore de classificao.
79
3. Resultados
80
3. Resultados
Tabela 3.31 Resultados dos testes ANOVA de Kruskal-Wallis para cada varivel
quantitativa. (+) - influncia positiva na presena da espcie; (-) - influncia negativa
sobre a presena da espcie; (n.s.) - resultado no significativo a 99% de confiana.
Variveis
ALTI
RELE
LARG
PROF
VCOR
TURB
INSO
INCL
EMER
FLUT
IMER
HERB
ARBS
ARBR
Rank
Teste de Kruskal-Wallis
ausncia
mdia
alta
8465.5
9591.5
7222
6544
10961
8005.5
7809
8084
7050.5
8879
7462.5
10520
10897.5
11477
18828
17820.5
19359.5
19827
17582
18896.5
18137
19112.5
18316.5
17838.5
17983.5
17389.5
16169
17110
3831.5
3713
4543.5
4754
2582
4223
5179
3928.5
5758
4407.5
5679
3215.5
39.68.5
2538
1.611
1.662
12.487
25.343
28.319
4.079
14.163
5.286
34.531
2.940
27.702
11.890
17.326
33.182
0.447 (n.s.)
0.436 (n.s.)
0.002 (+)
<0.000 (+)
<0.000 (-)
0.130 (n.s.)
0.001 (+)
0.071 (n.s)
<0.000 (+)
0.230 (n.s.)
<0.000 (+)
0.003 (-)
<0.000 (-)
<0.000 (-)
81
3. Resultados
Figura 3.30 Mdia Desvio padro (SD) das variveis quantitativas (testes de Kruskal-Wallis
significativos p<0.05) para cada classe. (continua na pgina seguinte).
82
3. Resultados
Figura 3.30 (continuao) Mdia Desvio padro (SD) das variveis quantitativas (testes de KruskalWallis significativos p<0.05) para cada classe.
g. l.
X2
EOR
ORIE
HABI
AFLO
CASC
AREN
LODO
2
14
12
1
1
1
1
30.619
36.697
129.576
10.233
1.082
6.630
0.329
<0.000 (+)
0.001
<0.000
0.006 (+)
0.582 (n.s.)
0.036 (n.s.)
0.848 (n.s.)
83
3. Resultados
2
Figura 3.31 Histogramas das variveis qualitativas (testes de significativos p<0.01) para cada classe.
84
3. Resultados
85
3. Resultados
1) raiz 249
Resposta
466.80
mdia
2) HABITATS:pal,pal/lac,pal/riv 49
4) EMER<1.5
32
53.15
8) PROF<3.5 20
alta
5.00
mdia
alta
6.88 mdia
3) HABITATS:lac,lac/pal,riv,riv/pal
6) HABITATS:riv
alta
mdia
34.23
16) PROF<2.5 5
85.99
123.20
200
312.30
ausncia
mdia
mdia
6.50 mdia
27) IMER>1.5
0.00 mdia
mdia
mdia
mdia
31) INSOL>2.5
17.37
alta
86
3. Resultados
D / g.l.
Amostra de treino
77.51
258.962
1.088
Validao cruzada
69.88
445.436
1.879
87
3. Resultados
A
100%
90%
80%
70%
60%
50%
40%
...classificados como:
30%
20%
alta
10%
mdia
ausncia
0%
ausncia
mdia
alta
B
100%
90%
80%
70%
60%
50%
40%
...que na realidade
alta
30%
20%
mdia
10%
ausncia
0%
ausncia
mdia
alta
Figura 3.33 Medidas de preciso (%) do ponto de vista do produtor (A) e do utilizador (B) obtidas a
partir da matriz de confuso.
3. Resultados
89
3. Resultados
1) raiz
249
466.80
2) PROF<1.5 35
Resposta
mdia
37.63 ausncia
38 69.48 mdia
alta
D / g.l.
Amostra de treino
70.68
318.800
1.317
Validao cruzada
63.86
469.484
2.141
3. Resultados
A
100%
90%
80%
70%
60%
50%
40%
...classificados como:
30%
20%
alta
10%
mdia
ausncia
0%
ausncia
mdia
alta
B
100%
90%
80%
70%
60%
50%
40%
...que na realidade
so:
alta
30%
20%
mdia
10%
ausncia
0%
ausncia
mdia
alta
Figura 3.35 Medidas de preciso (%) do ponto de vista do produtor (A) e do utilizador (B) obtidas a
partir da matriz de confuso.
91
3. Resultados
Tabela 3.37 Resultados do teste de Kolmogorov-Smirnov (K.-S.) e do teste de MannWhitney (M.-W.) para cada varivel quantitativa (s - desvio padro).
Variveis
ALTI
RELE
LARG
PROF
VCOR
TURB
INSO
INCL
EMER
FLUT
IMER
HERB
ARBS
ARBR
92
Mle
Mle + Eor
K. - S.
M. - W.
Mdia
Mdia
160.46
2.19
23.15
2.76
0.62
1.26
2.20
1.24
0.65
0.24
0.84
1.33
1.57
1.41
129.36
1.800
58.47
1.04
0.74
0.99
0.77
0.53
0.77
0.62
0.81
0.87
0.99
1.02
88.00
1.05
20.45
2.75
0.25
1.35
2.45
1.25
1.05
0.25
1.50
1.25
1.65
0.75
103.75
1.10
31.67
1.12
0.44
0.93
0.69
0.64
0.83
0.55
0.89
0.91
0.88
0.97
n.s.
n.s.
n.s.
n.s.
n.s.
n.s.
n.s.
n.s.
n.s.
n.s.
n.s.
n.s.
n.s.
n.s.
<0.01
<0.01
n.s.
n.s.
<0.05
n.s.
n.s.
n.s.
<0.05
n.s.
<0.01
n.s.
n.s.
<0.01
3. Resultados
Figura 3.36 Mdia Desvio padro (SD) das variveis quantitativas (testes deMann-Whitney significativos
p<0.05) para cada classe.
93
3. Resultados
2
Tabela 3.38 Resultados dos testes de para cada varivel qualitativa. g. l.
- graus de liberdade; (+) - influncia positiva na abundncia da espcie; (-) influncia negativa sobre a abundncia da espcie; (n.s.) - resultado no
significativo a 99% de confiana.
Variveis
MLE
ORIE
HABI
AFLO
CASC
AREN
LODO
g. l.
X2
2
7
6
1
1
1
1
11.53
6.575
20.140
0.392
6.937
0.293
0.208
<0.000 (+)
0.476 (n.s.)
<0.005
0.531 (n.s.)
<0.01 (-)
0.588 (n.s.)
0.656 (n.s.)
2
Figura 3.37 Histogramas das variveis qualitativas (testes de significativos p<0.01) para cada classe.
94
4. Discusso
4. DISCUSSO
4.1 Interpretao ecolgica dos modelos de distribuio
Os modelos de distribuio que foram produzidos explicaram uma percentagem razovel
(cerca de 80% para Mle e cerca de 84% para Eor) da distribuio observada das espcies
escala e resoluo adoptadas. Estas estimativas de preciso total foram da mesma ordem de
grandeza das obtidas em trabalhos idnticos (Walker, 1996; Pereira & Itami, 1991; Brito et
al., 1996), sendo raros os trabalhos onde os modelos ultrapassam os 90% de preciso (por
exemplo: Austin et al., 1996; Teixeira et al., 1996).
A preciso dos modelos de distribuio depende em grande medida da capacidade
preditiva das variveis disponveis e da resoluo e robustez dos dados, mas tambm do
maior ou menor grau de exigncia das espcies em relao a determinados factores. Por
exemplo, Teixeira et al. (1996) construiu modelos de regresso logstica para uma espcie
com exigncias ecolgicas muito restritas (salamandra-dourada), tendo estimado uma
preciso total de 94.2%, sendo a sua presena fortemente influenciada pela precipitao e
declive.
A interpretao ecolgica dos modelos geralmente uma tarefa difcil, uma vez que
os factores envolvidos nos modelos podem no actuar directamente na distribuio das
espcies mas antes estar correlacionados ou interactuar com factores no considerados na
anlise. Pode at suceder o caso extremo de nenhuma das variveis includas num modelo
actuarem sobre as espcies. Por outro lado, outra dificuldade de interpretao advm do
facto das variveis macro-ambientais influenciarem no apenas directamente a
distribuio, mas tambm o tipo de habitats disponveis.
Numa tentativa de obviar parte do problema, recorde-se que se ajustaram um
grande nmero de modelos vlidos, tendo-se seleccionado aquele que simultaneamente
possua melhores medidas de qualidade de ajustamento e o maior significado possvel luz
dos conhecimentos sobre a ecologia das espcies. Partiu-se ainda do pressuposto que o
nmero de vezes que determinada varivel entrava em modelos independentes era, de certo
modo, uma indicao da sua importncia relativa na distribuio das espcies. Por ltimo,
o nmero de vezes que as variveis que eram simultaneamente includas nos modelos
segundo as duas tcnicas de modelao adoptadas, foi tambm considerado como uma
medida da sua importncia para a ocorrncia da espcie.
95
4. Discusso
96
4. Discusso
efeito, segundo os modelos obtidos a radiao solar das variveis mais importantes,
seno a mais importante, na distribuio desta espcie. Tal no de estranhar uma vez que,
ao contrrio, por exemplo, da insolao (n de horas de exposio solar), esta varivel
uma medida da quantidade de energia radiante que chega ao solo. Segundo a rvore de
classificao a espcie ocorre apenas para valores de radiao solar superiores ou iguais a
145 kcal/cm2. Esta varivel provavelmente a que tem um efeito mais directo na presena
de Mle.
Uma vez que os cgados ocorrem em meios aquticos, a precipitao um factor
que pode influenciar a sua ocorrncia. No entanto, segundo os modelos obtidos o seu efeito
no muito evidente. De acordo com a rvore de classificao seleccionada, a espcie est
presente quando a precipitao inferior a 600 mm. Para valores de precipitao
superiores, esta varivel interage com as variveis humidade e regies ecolgicas. No
entanto, o ajustamento do modelo aditivo generalizado baseado no primeiro modelo de
regresso logstica seleccionado, mostra que a relao positiva para valores de
precipitao inferiores a 1200 mm e negativa para valores superiores a este nmero. Estes
resultados contraditrios podero estar relacionados com possveis interaces com outras
variveis. Porm, a precipitao apresenta certamente uma grande influncia ao nvel dos
habitats, uma vez que actua directamente na disponibilidade e no tipo predominante de
meios aquticos. Pode ainda pensar-se que para valores baixos de precipitao o seu efeito
positivo uma vez que determina a quantidade de gua disponvel; para valores elevados o
seu efeito negativo uma vez que provoca um aumento da velocidade da corrente dos
cursos de gua. Segundo os resultados do estudo da influncia de variveis locais na
abundncia da espcie, a velocidade da corrente apresenta um efeito claramente negativo.
No caso do escoamento, que resulta em grande medida da quantidade de
precipitao e do declive dos terrenos, o seu efeito directo mais evidente. Segundo os
modelos obtidos, esta varivel apresenta um efeito marcadamente negativo sobre a
presena da espcie. A relao directa entre o escoamento e a velocidade da corrente nos
leitos dos cursos de gua explica muito provavelmente este comportamento.
Quer a anlise univariada quer os modelos obtidos mostram uma influncia
considervel da evapotranspirao real na distribuio de Mle. Para todos os modelos a sua
influncia na presena da espcie negativo. Segundo trs das oito rvores de classificao
ajustadas a espcie est presente apenas para valores de evapotranspirao inferiores ou
iguais a 700 mm (resultados no apresentados), sendo este o primeiro factor que divide a
raiz. Porm, o seu efeito directo sobre a espcie no claro. Esta varivel depende de
97
4. Discusso
Emys orbicularis
Quanto a Eor, foram simultaneamente includas nos dois modelos seleccionados as
variveis radiao solar e escoamento. Tal como para a espcie anterior, a radiao solar
parece ser a varivel mais importante para esta espcie. Segundo a rvore de classificao
a espcie ocorre apenas para valores de radiao solar superiores ou iguais a 150 kcal/cm2.
As consideraes feitas para Mle aplicam-se igualmente a esta espcie.
Segundo as duas abordagens estatsticas, a radiao solar e o escoamento interagem
no efeito sobre a presena da espcie. Na regresso logstica a interaco expressa pelo
98
4. Discusso
produto entre as duas, tendo um efeito negativo na presena. Com a rvore de classificao
a interaco expressa de uma forma mais simples: o escoamento apenas tem efeito para
valores de radiao solar superiores a 150 kcal/cm2.
Outro factor importante includo na rvore de classificao a regio ecolgica.
Segundo este modelo a espcie est presente, para valores de escoamento superiores a 100
mm, apenas nas trs regies de carcter mais mediterrnico.
Por ltimo, apesar de no estar includa no modelo de regresso logstica
seleccionado, a varivel altitude (e respectiva transformao logartmica) surge em seis dos
nove modelos ajustados. Esta espcie tende a ocupar regies de menor altitude, o que
tambm se verificou a nvel local. Este efeito pode estar relacionado com uma preferncia
mais marcada desta espcie por habitats palustres (confirmada pelo estudo do efeito das
variveis locais), que dum modo geral so mais frequentes a baixas altitudes. Por outro
lado, se a espcie se encontra em regresso em Portugal, tender a ocupar apenas os
habitats de melhor qualidade.
4. Discusso
100
4. Discusso
Alentejo, nas serras do Algarvias e da costa Sudoeste e na regio do Alto Douro. A zona
de confuso neste caso ocupa uma rea substancialmente maior relativamente rea de
presena da espcie (133% da rea de presena), do que no caso de Mle (43.7% da rea de
presena). Isto deve-se a uma maior fragmentao da distribuio desta espcie, alis
tambm confirmada pelo resultado do ndice de raridade mdia local (Tabela 3.1, pg. 32).
Para Eor as precises de classificao foram consideravelmente superiores do que
para Mle. No entanto, basearam-se numa amostra bastante mais reduzida, no tendo sido
construdos tantos modelos alternativos. Os mapas resultantes da classificao (Figura
3.27, pg. 78) so bastante idnticos entre os dois mtodos, embora o mapa referente
rvore de classificao esteja aparentemente um pouco mais de acordo com a distribuio
da espcie. Isto confirmado pela preciso do produtor ligeiramente superior da rvore de
classificao para as quadrculas de presena. No entanto, ambos os modelos no
conseguiram prever a ocorrncia da espcie em trs pontos (situados na zona das Caldas da
Rainha, na zona da Goleg e no Minho, prximo de Vila Verde) que, por serem muito
distantes do limite da distribuio prevista, pem em causa a prpria validade dos modelos.
De facto, os modelos revelaram-se muito eficazes na classificao da maioria das
quadrculas de presena uma vez que estas esto concentradas em regies restritas do pas.
A regio classificada como ausncia dever ser ento interpretada no como uma regio de
ausncia real das espcies, mas antes como uma regio onde ocorre um elevado grau de
fragmentao, resultando em populaes extremamente isoladas. Durante a fase terminal
deste trabalho foi-me relatada mais uma nova ocorrncia desta espcie situada na regio de
Chaves (Francisco lvares, com. pess.), sendo de esperar que no futuro venham a ser
detectados novos pontos de ocorrncia, situados igualmente muito longe dos limites de
distribuio segundo os modelos aqui apresentados.
A distribuio muito dispersa desta espcie e o facto de ser mais setentrional e
cosmopolita faz supor que esta dever ter apresentado uma distribuio em Portugal
bastante mais alargada no passado, inclusivamente mais alargada do que a de Mle. Com
efeito, Bocage (1863 in Bosc, 1881) no sculo passado descreveu esta espcie como
sendo comum em Portugal. Estes resultados constituem ento uma forte evidncia da sua
regresso em Portugal.
101
4. Discusso
4. Discusso
gradiente entre as classes da varivel resposta, este resultado sugere um padro contnuo da
abundncia ao longo de um gradiente ambiental.
Emys orbicularis
Esta espcie foi encontrada em todos as categorias de habitat aqutico consideradas neste
trabalho, excepto em habitats de carcter lacustre, como por exemplo albufeiras. Alguns
dados esto de acordo com os modelos de distribuio, como o caso da maior frequncia
de presena em locais de menor altitude do que Mle. Um dado curioso o facto da sua
presena ser mais frequente em locais onde se verificam maiores densidades de Mle. Isto
significa que as exigncias ecolgicas das duas espcies ao nvel do habitat so muito
semelhantes, mas que Eor tende a no ocupar os habitats menos propcios. Este facto pode
ser mais um indcio da sua regresso em Portugal, uma vez que, como j foi referido, as
populaes sujeitas a uma grande fragmentao tendem a ocupar apenas os habitats de
melhor qualidade.
103
5. Consideraes finais
5. CONSIDERAES FINAIS
Os resultados obtidos neste trabalho mostram que ambas as espcies de cgados
apresentam uma distribuio predominantemente mediterrnea em Portugal. Entre as
variveis macro-ambientais disponveis, a radiao solar aquela que parece ter maior
influncia na distribuio de ambas as espcies escala geogrfica. escala local ambas
as espcies preferem habitats aquticos de guas paradas, baixa profundidade e com uma
cobertura razovel de vegetao aqutica. Para Emys orbicularis essa preferncia parece
ser ainda mais marcada do que para Mauremys leprosa.
A distribuio de Emys orbicularis em Portugal contrasta com o seu padro global
de distribuio; na Europa Emys orbicularis apresenta uma distribuio mais setentrional
do que Mauremys leprosa, estando partida melhor adaptada a climas mais frios. A maior
frequncia desta espcie no sul do pas pode dever-se a uma maior disponibilidade de
habitats favorveis nesta regio. Por outro lado, se as suas populaes esto em regresso,
a preferncia por habitats favorveis torna-se ainda mais vincada; o que, de resto,
sugerem os resultados das anlises efectuadas a nvel local.
As metodologias empregues neste trabalho mostraram ser eficazes na modelao da
distribuio em Portugal das duas espcies de cgados. A regresso logstica originou
modelos mais realistas, embora com uma interpretao bastante mais complexa do que as
rvores de classificao. No entanto, as medidas de preciso total dos modelos resultaram
muito semelhantes ou mesmo iguais.
Uma hiptese a considerar futuramente seria a de modelar a distribuio com base
no grau de isolamento de cada quadrcula de presena (utilizando por exemplo o ndice de
raridade local - ver pg. 14), entendido como uma medida grosseira da abundncia da
espcie. A zona de confuso seria certamente mais bem modelada resultando numa
maior preciso de classificao. A regresso logstica ordinal e as rvores de regresso ou
classificao constituem dois mtodos possveis para a modelao de variveis resposta
quantitativas.
Por outro lado, as rvores de classificao revelaram-se bastante teis na anlise
exploratria da influncia de variveis locais na abundncia de Mauremys leprosa,
sobretudo atendendo s bvias limitaes da recolha dos dados, que impossibilitaram um
tratamento estatstico mais aprofundado.
105
5. Consideraes finais
Os resultados obtidos com este trabalho reflectem razoavelmente bem o estado das
populaes a nvel nacional das duas espcies. No se possuem dados histricos
suficientemente precisos para fundamentar uma eventual regresso de Emys orbicularis em
Portugal, embora a sua elevada fragmentao da distribuio e o seu declnio global em
toda a Europa constituam fortes indcios.
A situao das populaes de Emys orbicularis em Portugal, comparativamente s
de Mauremys leprosa, nomeadamente em relao sua raridade e s baixas densidades
observadas, podem ser o resultado de muitos factores, tais como: (1) o resultado da
ocorrncia de flutuaes naturais das populaes, nomeadamente devido a factores
climticos; (2) fenmenos de competio com Mauremys leprosa; (3) factores intrnsecos
prpria estratgia demogrfica da espcie; (4) maior vulnerabilidade desta espcie
alterao dos habitats e a agentes poluidores; (5) Portugal constituir o limite de distribuio
da espcie, sendo natural a fragmentao observada; (6) a conjugao de todos os factores
atrs mencionados. Apenas estudos mais aprofundados e comparativos da demografia,
gentica de populaes e biogeografia desta espcie podero fornecer pistas nesse sentido.
Os dados obtidos com este trabalho, tais como a probabilidade de ocorrncia, o
grau de fragmentao, o isolamento das populaes e a coexistncia das duas espcies,
complementadas com informaes sobre a distribuio geogrfica do grau de adequao
dos habitats e da abundncia, sero teis para a seleco de reas prioritrias para a
conservao destas espcies a nvel nacional.
106
6. Referncias
6. REFERNCIAS
Amo, O. A. (1991). Estatus y distribuicion del galapago europeu (Emys orbicularis) en
Catalua. VIII Trabada JuvesNat. Catalunya. 35-39.
Arajo, P. R., Segurado, P., & Raimundo, N. (1997). Bases para a conservao das
tartarugas de gua doce, Mauremys leprosa e Emys orbicularis. Estudos de
Biologia e Conservao da Natureza, 24. Instituto da Conservao da Natureza,
Lisboa.
Astudillo, G., & Arano B. (1995). Europa y su Herpetofauna: responsabilidades de cada
pais en lo referente a su conservacion. Bol. Aso. Herpetol. Esp. 6, 14-45
Andries, A.M., Gulinck, H., & Herremans, M. (1994). Spatial modelling of the barn owl
Tyto alba habitat using landscape characteristics derived from SPOT data.
Ecography, 17, 278-287.
Antunez, A., & Mendoza, M. (1992). Factores que determinan el rea de distribucin
geogrfica de las espcies: conceptos, modelos y mtodos de anlisis. In J.M.
Vargas, R. Real, & A. Antnez (Eds.), Objectivos y Mtodos Biogeogrficos.
Aplicaciones en Herpetologia. (pp. 51-72). A.H.E, Madrid.
Anselin, L. (1993). Discrete space autoregressive models. In Goodchild, M.F., Parks, B.O.
& Steyaert, L.T.New (Eds) Environmental Modeling with GIS (pp. 454-469),
Oxford University Press, York.
Arnold, E.N., Burton, J.A., & Ovenden, D.W. (1978). A Field Guide to the Reptiles and
Amphibians of Britain and Europe. Collins, London.
Aspinall, R., & Veitch, N. (1993). Habitat Mapping from Satelite Imagery and Wildlife
Survey Data Using a Bayesian Modeling Procedure in a GIS. Photogrammetric
Engineering & Remote Sensing, 59, 537-543.
Augustin, N.H., Mugglestone, M.A., & Buckland, S.T. (1996). An autologistic model for
the spatial distribution of wildlife. Journal of Applied Ecology, 33, 339-347.
Austin, G.E., Thomas, C.J., Houston, D.C., & Thompson, B.A. (1996). Predicting the
spatial distribution of buzzard Buteo buteo nesting areas using Geographical
Information System and remote sensing. Journal of Applied Ecology, 33, 15411550.
Barbadillo, L.J. (1987). La Guia de INCAFO de los Anfibios Y Reptiles de la Peninsula
Iberica, Islas Baleares y Canarias. INCAFO, Madrid
Begon, M., Harper, J.L., & Townsend, C.R. (1996). Ecology. Blackwell Science, Oxford.
107
6. Referncias
Berry, J.K. (1993). Cartographic modeling: the analytical capabilities of GIS. In M.F.
Goodchild, B.O. Parks, & L.T. Steyaert (Eds.), Environmental Modeling with
GIS. (pp. 58-74). Oxford University Press, New York.
Bons, J., & Geniez, P. (1996). Amphibiens et Reptiles du Maroc. Atlas biogeographique.
Asociacin Herpetolgica Espaola, Barcelona.
Bosc, E. (1881). Catalogue des reptiles et amphibiens de la Peninsule Iberique et des iles
Balares. Bulletin de la Societ Zoologuique de France: 1-47.
Breininger, D.R., Provancha, M.J., & Smith, R.B. (1991). Mapping Florida Scrub Jay
Habitat for Purposes of Land-Use Management. Photogrammetric Engineering
& Remote Sensing, 57, 1467-1474.
Brito, J.C., Abreu, F.B., Paulo, O.S., Rosa, H.D., & Crespo, E.G. (1996). Distribution of
Schreiber's lizard (Lacerta Shreiberi) in Portugal: a predictive model.
Herpetolical Journal, 6, 43-47.
Brito, J.C., Crespo, E.G., & Paulo, O.S. (1999). Modelling wildlife distributions: logistic
multiple regression vs. overlap analisys. Ecography, 22, 251-260.
Brown, J.H., & Gibson, A.C. (1983). Biogeography. Mosby, St Louis.
Buckland, S.T., & Elston, D.A. (1993). Empirical models for the spatial distribution of
wildlife. Journal of Applied Ecology, 30, 478-495.
Chandler, S.K., Fraser, J.D., Buehler, D.A., & Seegar, J.K.D. (1995). Perch trees and
shoreline development as predictors of bald eagle distribution on Chesapeake
Bay. Journal of Wildlife Management, 59, 325-332.
C.N.A. (1983). Atlas do Ambiente. Direco-Geral do Ambiente. Ministrio do Ambiente e
dos Recursos Naturais, Lisboa.
Clark, J.D., Dunn, J.E., & Smith, K.G. (1993). A multivariate model of female black bear
habitat use for a geographic information system. Journal of Wildlife
Management, 57, 519-526.
Clark L.A., Pregibon, D. (1992). Tree-based Models. in Statistical Models in S. Chambers,
J. M., Hastie, T. J. (eds.). Chapman and Hall, New York.
Cliff, A.D. & Ord, J.K. (1998). Spatial autocorrelation, Pion Limited, London.
Congalton, R.C. (1991). A review of assessing the accuracy of classification of remotely
sensed data. Remote Sens. Environ. 37, 35-46.
Corbett, K. (1989). Conservation of European Reptiles & Amphibians. Cristopher Helm
Ltd, London.
Cox, C.B., & Moore, P.D. (2000). Biogeography. An Ecological and evolutionary
approach. Blackwell Science, Oxford.
108
6. Referncias
Crawford, K.M., Spotila, J.R., & Standora, E.A. (1983). Operative environmental
temperature and basking behavior of the turtle Pseudemys scripta. Ecology
64(5), 989-999.
Crespo, E.G., & Oliveira, M.E. (1989). Atlas da Distribuio dos Anfbios e Rpteis de
Portugal Continental. Lisboa: S.N.P.R.C.N.
Da Silva, E. (1991). Contribucion al conocimiento de la biologia reproductora y dinamica
del crescimento oseo de Mauremys caspica leprosa (Schw. 1812). Resumo da
Tese de Doutoramento, Universidade de Extremadura, badajoz.
Eastman, J.R. (1990). IDRISI: AGrid-Based Geographic Information System. Version 3.2.
(Worcester, MA: Clark University Graduate School of Geography)
EGRET. (1991). EGRET: Statistical Analysis Package. Seattle: Statistics and
Epidiomological Research Corporation.
Ellison, A.M. (1996). An introduction to bayesian inference for ecological research and
environmental decision-making. Ecological Applications, 6, 1036-1046.
Ernst, C.H., & Barbour, R.W. (1989). Turtles of the world. Smithsonian Institution Press,
Washington, D.C.
Farinha, J.C., Costa, L.T., Zalidis, G., Mantzavelas, A., Fitoka, E., Hecker, N. & Toms
Vives, P. (1996). Mediterranean Wetland Inventory: Habitat Description
System..Medwet / Instituto da Conservao da Natureza (ICN) / Wetlands
International / Greek Biotope/Wetland Centre (EKBY) Publication.Volume III.
Forman, R.T.T. (1995). Land Mosaics. Cambridge University Press, Cambridge.
Franklin, J. (1998). Predicting the distribution of shrub species in southern California from
climate and terrain-derived variables. Journal of Vegetation Science, 9, 733-748.
Frisenda, S.,& Ballasina, D. (1990). Le Statut des Chloniens Terrestres et dEau Douce en
Italie. Bull. Soc. Herp. Fr. 53,:18-23
Gaston, K.J., & Lawton, J.H. (1990). Effects of scale and habitat on the relationship
between regional distribution and local abundance. Oikos, 58, 329-335.
Gates, S., Gibbons, D.W., Lack, P.C., & Fuller, R.J. (1994). Declining farmland bird
species: modelling geographical patterns of abundance in Britain. In P.J.
Edwards, R.M. May, & N.R. Webb (Eds.), Large-scale ecology and
conservation biology. (pp. 153-177). Blackwell Scientific Publications, London.
Gilpin, M.E. (1987). Spatial structure and population vulnerability. In M.E. Soul (Ed.),
Viable Populations for Conservation. (pp. 125-139). Cambridge Uinversity
Press, Cambridge
109
6. Referncias
110
6. Referncias
biology.
(pp.
41-58).
Blackwell
Scientific
Malkmus R. (1995). Die Amphibien und Reptilien Portugals, Madeiras und Der Azoren.
Westarp Wissenschaften, Magdeburg. 105-109.
Maurer, B.A. (1994). Geographical Population Analysis: Tools for the Analysis of
Biodiversity. Blackwell Science, Oxford.
May, R.M. (1994). The effects of spatial scale on ecological questions and answers. In P.J.
Edwards, R.M. May, & N.R. Webb (Eds.), Large-scale ecology and
conservation biology. (pp. 1-17). Blackwell Scientific Publications, London.
McCullagh, P. & Nelder, J.A. (1989). Generalized Linear Models. Chapman & Hall.
MicroImages (1997). The Map and Image Processing System version 5.7. Lincoln, USA.
Murphy, D.D. (1989). Conservation and confusion: Wrong species, wrong scale, wrong
conclusions. Conservation Biology, 3 (1), 82-84.
Neas, P.; Modr, D; Zavadil, V (1997). Czech Recent and Fossil Amphibians and
Reptiles. Edition Cuimaira, Frankfurt.
North, M.P., & Reynolds, J.H. (1996). Microhabitat analysis using radiotelemetry locations
and polytomous logistic regression. Journal of Wildlife Management, 60, 639653.
Ormsby, J.P., & Lunetta, R.S. (1987). Whitetail Deer Food Availability Maps from
Thematic Mapper Data. Photogrammetric Engineering & Remote Sensing, 53,
1585-1589.
Palmeirim, J.M. (1985). Using Landsat TM Imagery and Spatial Modeling in Automatic
Habitat Evaluation and Release Site Selection for the Ruffed Grouse
(Gallifomes: Tetraonidae). Proceedings 19th International Symposium of
Remote Sensing and Environment.
Parker, S. (1985). Predictive modeling of site settlement systems using multivariate
logistics. In C. Carr (Ed.), For concordance in archaeological analysis. (pp.
173-207). Westport, Kansas City.
Pereira, J.M.C., & Duckstein, L. (1993). A multiple criteria decision-making approach to
GIS-based land suitability evaluation. Int J Gographical Information Systems,
7, 407-424.
Pereira, J.M.C., & Itami, R.M. (1991). GIS-based Habitat Modeling Using Logistic
Multiple Regression: A Study of the Mt. Graham Red Squirrel.
Photogrammetric Engineering & Remote Sensing, 57, 1475-1486.
Rapoport, E.H. (1982). Aerography. Geographical strategies of species. Pergamon Press,
Oxford.
111
6. Referncias
Rogers, D.J., & Williams, B.G. (1994). Tsetse distribution in Africa: seeing the wood and
the trees. In P.J. Edwards, R.M. May, & N.R. Webb (Eds.), Large-scale ecology
and conservation biology. (pp. 247-271). Blackwell Scientific Publications,
London.
Romero, J., & Real, R. (1996). Macroenvironmenteal factors as ultimate determinants of
distribution of common toad and natterjack toad in the south of Spain.
Ecography, 19, 305-312.
Segurado, P. (1996). Estudo da estrutura das populaes e de alguns parmetros
demogrficos de Mauremys leprosa e de Emys orbicularis em Portugal. Actas do
IV Congresso Luso-Espanhol, VII Congresso Espanhol de Herpetologia. Porto.
Servan J., & Pieau C. (1984). La cistude d'Europe (Emys orbicularis): Mensuration d'oeufs
et de jeunes individus.Bull. Soc. Herp. Fr. 1984, 31:20-26
S.N.P.R.C.N.(ed.). (1990). Livro Vermelho dos Vertebrados de Portugal. Vol. I Mamferos, Aves, Rpteis e Anfbios. Lisboa: S.N.P.R.C.N.
Sidis, I & Gasith, A. (1985). Food Habits of the Caspian Terrapin (Mauremys caspica
rivulata) in Unpolluted and Polluted Habitats in Israel. Journal of Herpetology.
19 (1), 108-115.
Spellerberg, I.F. (1982). Biology of Reptiles. An ecological approach. Blackie & Son Ltd,
London.
Spellerberg, I.F. (1992). Evaluation and assessment for conservation Chapman & Hall,
London.
Statistical Sciences (1995). S-PLUS Guide to Statistical and Mathematical Analysis,
Version 3.3.StatSci, MathSoft, Inc., Seatle.
Teixeira, J., Arntzen, J.W., Ferrand, N., & Alexandrino, J. (1996). Elaborao de um
modelo preditivo da distribuio de Chioglossa lusitanica em Portugal. Actas do
IV Congresso Luso-Espanhol, VII Congresso Espanhol de Herpetologia. Porto.
Trexler, J.C., & Travis, J. (1993). Nontraditional regression analysis. Ecology, 74, 16291637.
Vernaples W. N., & Ripley, B. D. (1997). Modern Applied Statistics with S-PLUS.
Springer-Verlag, New York.
Walker, P.A. (1990). Modelling wildlife distributions using a geographic information
system: Kangaroos in relation to climate. Journal of Biogeography, 17, 279-289.
Warren, R.E. (1990). Predictive modelling in archaeology: a primer. In K.M.S. Allen, S.W.
Green, & E.B.W. Zubrow (Eds.), Interpreting space: GIS and archaeology. (pp.
90-111). Taylor & Francis, London.
112
6. Referncias
113
ANEXO I
Variveis intervalares
Classes
1
2
3
4
5
6
7
8
9
10
11
12
13
14
TEMP
C
PREC
mm
HUMI
%
ESCO
mm
EVAP
mm
INSO
n horas
RADS
kcal
ALTI
m
GEADA
n meses
DPOP
n hab/km2
<7.5
7.5-10.0
10.0-12.5
12.5-15.0
15.0-17.5
17.5-20
<400
400-500
500-600
600-700
700-800
800-1000
1000-12000
1200-1400
1400-1600
1600-2000
2000-2400
2400-2800
>2800
<65
65-70
70-75
75-80
80-85
>85
<25
25-50
50-100
100-150
150-200
200-300
300-400
400-600
600-800
800-1000
1000-1400
1400-1800
1800-2200
>2200
<400
400-450
450-500
500-600
600-700
700-800
>800
<1800
1800-2000
2000-2100
2100-2200
2200-2300
2300-2400
2400-2500
2500-2600
2600-2700
2700-2800
2800-2900
2900-3000
3000-3100
>3100
<140
140-145
145-150
150-155
155-160
160-165
>165
0-50
50-100
100-200
200-400
400-700
700-1000
1000-1300
1300-1600
>1600
<1 ms
1-2 meses
2-3 meses
3-4 meses
4-5 meses
5-6 meses
6-7 meses
7-8 meses
8-9 meses
>9 meses
<20
20-50
50-100
100-250
250-500
500-1000
>1000
Variveis nominais
Classes
1
2
3
4
5
6
7
8
ECOL
SOLO
Erminiana - Oro-Atlntica
Altimontano - 1000/1300 m
Montano - Sub-Atlntico - 700/100 m
Sub-Montano - Termo-Subatlntico - 400/700 m
Basal - Atlntico-Mediterrnico - <400 m
Basal - Mediterrnico - <400
Calco-Mediterr^nico
Psamo/Eolo/Aluvio/Halo - Mediterrnico
Dunas, Aluvies
Arenitos
Clacreos
Xistos
Granitos