Escolar Documentos
Profissional Documentos
Cultura Documentos
Com esse gráfico percebi que o primeiro valor é o máximo, pois corresponde a uma
razão entre valores iguais já que representava o tempo inicial. Depois a probabilidade de
sobrevivência decai exponencialmente, até atingir um equilíbrio temporário quando volta a
cair novamente. Esse processo mostra que enquanto a planta ainda é uma semente (em
aproximadamente 250 dias) ela tem maior propensão a não sobreviver, mas quando entra em
estágio vegetativo (250 até 300) demonstra estabilidade, mas só até certo ponto quando a
mortalidade aumenta por conta da idade avançada da planta.
O segundo gráfico expressa a mortalidade média por dia (qx).
Pude perceber que, em média, morrem mais plantas diariamente depois dos 325 dias
de vida, o que corresponde com a queda da sobrevivência (lx) do gráfico anterior. Os dias
iniciais apresentam baixa mortalidade média por dia, pois o intervalo das análises foi muito
mais longo, fazendo com que os altos números de mortalidade por intervalo
impressionassem, mas quando feita a média diária, não eram tão altos quanto se imaginava.
Depois de fazer essas análises, calculei a fecundidade (ou bx), que é o número de
sementes produzidas por planta, através dos dados já existentes da fecundidade total (mx).
Para isso dividi o número total de sementes produzidas (mx) pelo número de plantas
sobreviventes naquele intervalo (dx).
Para entender qual seria a fecundidade real de cada planta, multipliquei o perfil de
sobrevivência (lx) pela fecundidade por planta (bx). Depois somei todos os resultados da
coluna, chegando no valor de R0 que representa a taxa líquida de reprodução, ou seja, o
número de sementes produzidas por planta durante a vida. O valor de R0 equivale ao lambda,
e mostra se a população está crescendo (>1), diminuindo (<1) ou estável (=1). Encontrei um
valor de R0 = 2,41, o que representa uma taxa de incremento positiva na população.
Depois multipliquei os valores do perfil de sobrevivência (lx), da fecundidade por
planta (bx) e do número de dias (x) que a planta tem de vida. Ao somar os valores obtidos
nessa coluna e dividir por R0 obtive o tempo de geração (G), que representa a idade média de
uma planta fértil, quando começa a produzir sementes. O valor de G que obtive foi de 334,
mostrando que a planta precisa de quase um ano para se tornar fértil.
Por fim, estimei a taxa intrínseca de crescimento (r), ao calcular o logaritmo de R0 e o
dividir por G. Como o valor obtido foi em dias, eu o multipliquei por 365, chegando a taxa de
crescimento por igual a 0,96, que representa um crescimento populacional (pois r > 0).
Esses dados também geraram o preenchimento automático de um terceiro gráfico, que
representa a fecundidade (bx) da coorte ao longo do tempo.
Notei que a fecundidade aumenta consideravelmente a partir de 300 dias de vida das
plantas, o que também corresponde ao momento em que a mortalidade passa a aumentar,
sinalizando uma relação entre a produção de sementes pela planta e sua consequente morte.
Segunda parte
Na segunda aula estudei o funcionamento de uma matriz de transição de estados,
conhecida também como Matriz de Leslie, que mostra as probabilidades de uma planta
permanecer na mesma classe de tamanho ou passar para a próxima, e também a taxa de
fertilidade de acordo com a classe. Esse tipo de matriz permite calcular projeções de
crescimento para cada classe sem precisar acompanhar as coortes.
Para o roteiro usei os dados já existentes na planilha, que foram retirados de um artigo
sobre o palmito juçara, que apresenta sete classes de tamanho, sendo a fertilidade expressa na
linha C1 e coluna C7, com 98 sementes produzidas por indivíduos, em média, representado
que apenas indivíduos da classe sete conseguem se reproduzir. A diagonal principal apresenta
a probabilidade de permanecer na mesma classe, e a diagonal secundária logo abaixo a
probabilidade de passar para a próxima classe.
Para entender como se daria o crescimento e a reprodução dessa população de
palmito, criei uma situação hipotética onde plantaria 100 mudas em classe um e as
acompanharia ao longo de 30 anos. Para isso, usei multiplicação de matrizes (com a função
matriz.mult(matriz 1; matriz 2)), inicialmente a matriz de Leslie apresentada acima
multiplicada pela matriz do plantio, e depois a matriz de Leslie pelo ano anterior já calculado,
obtendo os seguintes resultados para os primeiros 15 anos:
Em seguida criei uma matriz correspondente a matriz de plantio que havia criado
anteriormente na planilha e multipliquei ambas as matrizes, criando um projeção de
crescimento para os próximos 10 anos a partir do plantio.
> Re(eigen(palmito)$values[1])
[1] 1.305287
> Re(eigen(remoção)$values[1])
[1] 1.194466
Depois alterei a fecundidade que era de 98 sementes por indivíduo para 9.8,
realizando a redução de 90% que foi solicitada no exercício, obtendo um lambda de 1.16.
> Re(eigen(frutos)$values[1])
[1] 1.161075
Com isso percebi que é muito mais impactante para o crescimento da população a
extração de frutos, e consequentemente de sementes, do que o corte de indivíduos adultos
para comercialização de palmito.
Para simular esse modelo no R, podemos gerar os parâmetros e converter as fórmulas das
equações diferenciais como segue. Aqui uma parte do exercício é passar as equações
diferenciais acima para completar os comandos. Note que entre símbolos como r1 e N1 temos
que colocar um sinal de multiplicação no comando a ser usado no R: r1 * N1 (vale também
antes de símbolos e parêntesis). Parêntesis devem ser também usados para garantir a ordem
correta de cálculo.
N2 <- 50
r2 <- 0.55
K2 <- 240
beta <- 0.9
for(i in 2:nt){
N1 <- NN1[i-1] # N da sp1 em t
N2 <- NN2[i-1] # N da sp2 em t
# Mudança projetada na população da espécie 1 em t + 1
dN1_dt <- r1 * N1 * ((K1 - N1 - alpha * N2)/ K1) # Equação para a primeira espécie
NN1[i] <- N1 + dN1_dt # Adicionando dN1_dt ao N da espécie 1 já existente
b) Calcule e adicione as isoclinas das duas espécies (dN1/dt = 0 com linha sólida e
dN2/dt = 0) ao gráfico anterior. Use para isso os comandos (tente enquadrar o
resultado das isoclinas com o que foi visto na aula teórica e o resultado esperado da
competição).
No gráfico da questão A o obstáculo imposto pela capacidade suporte foi muito mais
intenso para a espécie 1 do que para a 2, pois quando começa a se aproximar dela a
população da espécie 1 decai, enquanto a 2 é favorecida e aumenta. No gráfico da questão B,
conforme a população da espécie 1 vai diminuindo, a espécie 2 passa a tomar todo o espaço e
os recursos disponíveis, impossibilitando que a espécie 1 consiga se estabilizar novamente,
causando sua extinção. Já o gráfico da questão C reforça as observações feitas nos gráficos
anteriores, demonstrando que não é possível uma coexistência das espécies, sendo a 2 a
espécie vencedora.
Quando os valores de alpha e beta das espécies são semelhantes, mas a capacidade de
suporte das espécies for diferente, a espécie com a maior capacidade suporte vence a
competição, enquanto a outra é extinta. Ao alterar o valor de alpha para 0.5, o gráfico mostra
um cenário de coexistência das espécies, pois as isoclinas mudam de posição e toda a
dinâmica é alterada.
O próximo exercício analisa outros tipos de interação competitiva entre duas espécies,
relacionado ao cenário atual de pandemia de COVID-19.
Exercício 3. Vamos analisar os dados de infecções por Sars-Cov-2, que geram a Covid-19.
Os dados são os mesmos apresentados neste site: https://www.bing.com/covid/local/brazil, e
foram baixados do repositório deles no GitHub:
https://github.com/microsoft/Bing-COVID-19-Data.
b) Teste alternar o gráfico anterior com as opções com type="l" e type="h". Explique as
diferenças entre eles e possíveis vantagens e desvantagens.
Como o estilo com type = “l” já havia sido criado anteriormente, gerei um novo
gráfico, agora com type = “h”.
O gráfico de type = “l” relaciona o número de casos confirmados de um dia com o
número do próximo dia, dando uma ideia de continuidade, já o type = “h” inicia a contagem
de todos os dias a partir do 0. Uma desvantagem do primeiro tipo de gráfico é que pode
refletir uma falsa impressão de ligação entre os casos de um dia para o outro, o que não
ocorre com o segundo tipo, já que a contagem se reinicia todos os dias.
for(i in 2:nt){
V <- nV[i-1] # N da vítima em t
P <- nP[i-1] # N do predador em t
legend("topright",
legend=c("Isoclina das vítimas", "Isoclina de predadores"),
lty=2, col=2:3, cex=0.8)
Quando as isoclinas das duas espécies se cruzam são formados 4 espaços de fase onde
se observam diferentes dinâmicas entre as populações. Para facilitar a análise de cada espaço
de fase adicionei em cada um o número um número correspondente:
A análise dos gráficos já foi realizada, e não existe possibilidade de coexistência entre
as espécies pois a cada vez que um ciclo se passa uma das populações chega mais perto da
extinção, já que se aproxima do 0. É mais provável que a população de predadores entre em
extinção pois ela é controlada pelo número de vítimas. Mesmo que predadores não fossem
inicialmente extintos, estariam sem alimento e não sobreviveriam. Em uma situação real as
relações entre espécies são mais complexas pois não existem apenas uma espécie de predador
e de vítima, mas sim inúmeras.
Nesse caso a chance de extinção das populações diminuiu pois diminuiu pois,
mantendo a população de vítimas muito mais alta que a de predadores e tornando a situação
mais equilibrada. Ainda assim, a chance de extinção está presente.
Recriando o gráfico para um tamanho populacional de predadores de 100 indivíduos
(aumento de 80 indivíduos) obtive o seguinte gráfico:
Nessa situação o número inicial de predadores é muito maior que o de vítimas, o que
causa um decrescimento imediato de ambas as populações, até se chegar aos 25 predadores,
quando então a população de vítimas começa a subir, mas a população de predadores não se
restabelece e se extingue. Nesse caso apenas a isoclina das vítimas aparece pois a isoclina de
predadores corta o gráfico quando a população de vítimas é 100, quando os predadores já
estão extintos.
O próximo exercício faz uma continuação da análise feita sobre COVID–19 no roteiro
9, e apresenta outros tipos de interação.
Exercício 3. Vamos analisar os dados de infecções por Sars-Cov-2, que geram a Covid-19.
As informações sobre obtenção dos dados, sobre as informações que eles contêm, e os dados
estão no roteiro anterior. Importe os dados com o comando:
# Importação
covid <- read.csv("covid.csv", sep = ";")
str(covid)
plot(ConfirmedChange/1000 ~ Updated, type="h", col="#2c7fb8",
data=subset(covid, Country_Region=="Brazil"),main = "Número de casos de Covid-19
confirmados no Brasil",
xlab="", ylab="Novos casos diários (em milhares)")
Existem momentos com crescimento exponencial, mas que são seguidos de decrescimento no
número de novos casos diários. As flutuações em médio prazo se devem às variáveis
comportamentais dos indivíduos, como relaxamento ou aplicação efetiva de medidas
restritivas de isolamento social e segurança pessoal como uso de máscara. As flutuações em
curta escala de tempo são referentes ao represamento de dados que se observa aos fins de
semana, já que são divulgados e contabilizados apenas na segunda-feira, dando uma falsa
impressão de ausência de casos em alguns dias, seguido de aumentos repentinos. A dinâmica
de contágio se associa mais com a relação predador e vítima, sendo o vírus e suas variantes os
predadores que necessitam dos seres humanos, as presas, para se multiplicar e sobreviver.
d) Desafio: faça um gráfico similar ao do item a agora com os dados dos Estados
Unidos
# Importando os dados
spe <- read.table("dieffenbachia.csv", header=T, sep=";")
especie <- "Dieffenbachia"
# Mapa dos pontos
plot(decimalLatitude ~ decimalLongitude, data=spe, pch="+", col=2)
Com esse mapa já é possível notar em quais regiões existe mais abundância da planta
Dieffenbachia seguine.
# Conversão
coordinates(presencas) <- ~ decimalLongitude + decimalLatitude
# Definindo um sistema de referência geográfica
proj4string(presencas) <- "+proj=longlat +datum=WGS84 +no_defs"
# Mapeando
plot(presencas)
Nesse mapa, além da limpeza realizada nos dados, o mapa do Brasil ficou com
dimensões mais reais, o que também facilita a distinção de que região os pontos
correspondem.
# Recortando os mapas
bravars <- stack(crop(bio, c(-74.1, -29.2, -33.9, 5.4)))
names(bravars) <- c("Temperatura anual", "Sazonalidade de temperatura",
"Precipitação anual", "Sazonalidade de precipitação")
# Desenhando os mapas
par(mfrow=c(2, 2), mar=c(2, 2, 2, 1))
for(i in 1:nlayers(bravars)){
plot(bravars[[i]], main=names(bravars[[i]]), col=cores)
points(decimalLatitude ~ decimalLongitude, data=spe, pch="+",
cex=0.3, col="#ff0000")
}
Como o modelo usado necessita de dados não só da presença da planta, mas também
de sua ausência, é necessário criar pontos de pseudo-ausências, distribuindo-os ao longo do
mapa como suposições de onde a planta não estaria.
# Gerando as pseudo-ausências
dados.modelo <- BIOMOD_FormatingData(resp.var = presencas,
expl.var = bravars,
PA.nb.rep = 1,
PA.nb.absences = 5000,
PA.strategy = "random",
resp.name = especie)
# Mapeando
plot(dados.modelo
Após essa etapa é possível montar modelos estatísticos para avaliar o risco de invasão
da planta. Cada modelo possui desempenho melhor ou pior dependendo da variável
analisada. Para uma análise mais completa usei quatro tipos de de modelos: GLM (modelos
lineares generalizados), GAM (modelos aditivos generalizados), ANN (redes neurais
artificiais), e RF (florestas randômicas).
# Representando graficamente
par(mfrow=c(1, 1))
barplot(height = t(importancia.variaveis)*100, beside = TRUE,
horiz = TRUE, xlab = "Importância das variáveis (%)",
legend = c('GLM','GAM','ANN','RF'), cex.axis=0.8)
Dependendo do modelo usado as variáveis podem possuir maiores ou menores
valores de importância, e por isso nenhuma pode ser desconsiderada na análise. De forma
geral notei que a variável BIO4, que corresponde a sazonalidade de temperatura, é a que
apresenta maior importância em todos os modelos.
Por fim, com os comandos abaixo criei um mapa de invasibilidade para cada variável
ambiental, para entender qual o papel de cada uma no risco de invasão da espécie.
# Calculando
invasibilidade <- BIOMOD_Projection(modeling.output = modelo,
new.env = bravars,
proj.name = 'invasibilidade',
selected.models = 'all',
clamping.mask = TRUE,
output.format = '.grd' )
# Desenhando
plot(invasibilidade@proj@val, col=cores)
Sendo o modelo GLM o menos confiável, e o RF o mais confiável, ao comparar
ambos é possível perceber uma grande mudança no risco de invasão no mapa, sendo o GLM
mais abrangente e o RF mais detalhado.
Para aperfeiçoar a análise de forma a não precisar escolher apenas uma mapa,, fiz uma média
dos riscos de invasão calculados em cada mapa e criei um só mapa unindo os quatro criados.
# Calculando, parte 1
modelo.conjunto <- BIOMOD_EnsembleModeling(modelo, em.by="all")
# Calculando, parte 2
mapa.conjunto <- BIOMOD_EnsembleForecasting(modelo.conjunto,
new.env = bravars, proj.name = 'mapa.conjunto')
# Mapeando
plot(mapa.conjunto@proj@val [[1]],
col=cores, main=paste("Risco de invasão por", especie))
O risco de invasão é muito alto na região sudeste, nordeste e parte do centro-oeste,
mas o baixo risco na região sul e norte pode não estar associado à ausência da espécie, mas
sim à falta de registros.
Não encontrei muitas informações confiáveis acerca de qual localidade é nativa, mas
Segundo o Flora Brasil de 2020, ela é considerada nativa no Brasil. Aqui ela se encontra
amplamente disseminada e compete com outras espécies de plantas nativas, e por isso é
considerada uma planta invasora (segundo o Instituto Horus). O hábito humano de cultivá-la
como planta ornamental é um dos motivos de ter conseguido se propagar com tanta eficácia
por tantas regiões.
Os gráficos apresentam
O modelo que apresentou o melhor desempenho foi o RF, seguido do GAM, ANN e GLM
consecutivamente.
Exercício 7. Com base no conjunto de resultados, faça uma recomendação sobre quais áreas
têm maior risco de invasão e precisam ser monitoradas e manejadas para evitar que a espécie
invasora analisada se torne um problema ainda maior.
Toda a região sudeste e parte da região nordeste e centro-oeste apresentam alto risco de
invasão e precisam ser monitoradas. Também é necessário analisar se a ausência de risco nas
demais regiões não estão associadas ao pobre registro da espécie, o que também precisa de
atenção, visto a facilidade da planta de se disseminar e ocupar o habitat de outras espécies.
ROTEIRO 12 - METAPOPULAÇÕES
O objetivo deste roteiro é resolver questões presentes no livro do Gotelli acerca de
metapopulações.
O valor de f_estimado foi de 0.33, mostrando que 33% das ilhas estão ocupadas.
i <- 0.2
pe<- 0.4
f_estimado <- 1 - (pe/i)
f_estimado
library(MetaLandSim)
# Realiza a simulação
# set.seed(222)
sim1 <- simulate_graph(rl=especie1, rlist=tempo1,
simulate.start=FALSE, method=NULL, parm=NULL, nsew="none",
succ = "none", param_df=parametros,
kern="op1", conn="op1", colnz="op1", ext="op1",
beta1=NULL, b=1, c1=NULL, c2=NULL, z=NULL, R=NULL
)
e) Como você faria para estimar a taxa de colonização e de extiparção das populações
que compõem a metapopulação?