17 R Modulo 8.2 - Decomposição da diversidade

RESUMO

Apresentação

Na ecologia de comunidades, a diversidade de espécies é uma medida importante para entender a complexidade e a estrutura de uma comunidade de organismos. Vamos explorar algumas das métricas comuns usadas para avaliar a diversidade de espécies. Essas métricas são usadas para avaliar a diversidade e a estrutura de comunidades ecológicas. Elas podem fornecer informações importantes sobre como as diferentes espécies interagem em um ecossistema e como a diversidade de espécies pode ser afetada por mudanças ambientais ou distúrbios (MAGURRAN, 1988).

17.1 Sobre os dados

Usaremos para esse tutorial dois conjuntos de dados. A Matriz comunitária (ppbio06c-peixes.xlsx) de dados coletados no Programa de Pesquisa em Biodiversidade - PPBio (Veja Programa de Pesquisa em Biodiversidade – PPBio). Esses são dados de espécies de peixes distribuidas em diversas unidades amostrais (UA’s ou sítios). Essa é a matriz bruta de dados, porque os valores ainda não foram ajustados para os valores de Captura Por Unidade de Esforço (CPUE), nem foram relativizados ou transformados.

Além disso usaremos a tabela de agrupamentos (ppbio06-grupos)

Revise as informações sobre as bases de dados no capítulo Bases de Dados. A matriz de dados para esse Módulo pode ser baixada na seção Arquivos disponíveis.

Revise o módulo anterior Estrutura da Comunidade

17.1.1 Organização básica

dev.off() #apaga os graficos, se houver algum
rm(list=ls(all=TRUE)) #limpa a memória
cat("\014") #limpa o console

Instalando os pacotes necessários para esse módulo.

install.packages("vegan")
install.packages("moments")
install.packages("ggplot2")
install.packages("dplyr")
install.packages("tidyr")
install.packages("tibble")
install.packages("tidyverse") #atente para alguma msg de erro qdo executar essa linha
install.packages("forcats")
install.packages("iNEXT")
install.packages("openxlsx")
install.packages("gt")
install.packages("ggVennDiagram")

Depois de instalados, carregue os pacotes a seguir no seu computador.

library(openxlsx); library(tibble); library(tidyverse); library(forcats); library(Rcpp)

Os códigos acima, são usados para instalar e carregar os pacotes necessários para este módulo. Esses códigos são comandos para instalar pacotes no R. Um pacote é uma coleção de funções, dados e documentação que ampliam as capacidades do R (R CRAN, (R DEVELOPMENT CORE TEAM, 2017)) e RStudio (R STUDIO TEAM, 2022)). No exemplo acima, o pacote openxlsx permite ler e escrever arquivos Excel no R. Para instalar um pacote no R, você precisa usar a função install.packages().

Depois de instalar um pacote, você precisa carregá-lo na sua sessão R com a função library(). Por exemplo, para carregar o pacote openxlsx, você precisa executar a função library(openxlsx). Isso irá permitir que você use as funções do pacote na sua sessão R. Você precisa carregar um pacote toda vez que iniciar uma nova sessão R e quiser usar um pacote instalado.

Agora vamos definir o diretório de trabalho. Esse código é usado para obter e definir o diretório de trabalho atual no R. O comando getwd() retorna o caminho do diretório onde o R está lendo e salvando arquivos. O comando setwd() muda esse diretório de trabalho para o caminho especificado entre aspas. No seu caso, você deve ajustar o caminho para o seu próprio diretório de trabalho. Lembre de usar a barra “/” entre os diretórios. E não a contra-barra “\”.

getwd()
setwd("C:/Seu/Diretório/De/Trabalho")

17.1.2 Importando a planilha

Note que o símbolo # em programação R significa que o texto que vem depois dele é um comentário e não será executado pelo programa. Isso é útil para explicar o código ou deixar anotações.
- Ajuste a primeira linha do código abaixo para refletir “C:/Seu/Diretório/De/Trabalho/Planilha.xlsx”.
- Ajuste o parâmetro sheet = "Sheet1" para refletir a aba correta do arquivo .xlsx a ser importado.

#dir <- getwd() #criamos um vetor com o diretório  de trbalho 
#shell.exec(dir) #abre o diretorio de trabalho no Windows Explorer
ppbio <- read.xlsx("D:/Elvio/OneDrive/Disciplinas/_EcoNumerica/5.Matrizes/ppbio06p-peixes.xlsx",
                   rowNames = T, colNames = T,
                   sheet = "Sheet1")
str(ppbio)
#View(ppbio)
ppbio[1:5,1:5] #[1:5,1:5] mostra apenas as linhas e colunas de 1 a 5.

## 'data.frame':    23 obs. of  35 variables:
##  $ ap-davis : num  0 0 0 0 0 0 0 0 0 0 ...
##  $ as-bimac : num  194 19 23 142 5 46 206 16 234 0 ...
##  $ as-fasci : num  55 0 1 3 1 0 64 0 7 1 ...
##  $ ch-bimac : num  0 0 13 3 0 178 0 0 238 0 ...
##  $ ci-ocela : num  0 0 0 0 40 0 0 13 0 0 ...
##  $ ci-orien : num  5 0 0 69 9 0 25 24 0 5 ...
##  $ co-macro : num  0 0 0 0 0 0 0 0 2 0 ...
##  $ co-heter : num  1 0 0 0 0 0 0 0 0 0 ...
##  $ cr-menez : num  14 0 0 4 0 0 8 0 0 1 ...
##  $ cu-lepid : num  0 0 0 0 0 0 0 0 0 0 ...
##  $ cy-gilbe : num  0 0 0 0 0 0 0 0 0 50 ...
##  $ ge-brasi : num  3 0 0 0 0 0 1 0 0 3 ...
##  $ he-margi : num  0 0 0 1 0 0 0 0 0 1 ...
##  $ ho-malab : num  1 5 0 17 10 2 31 4 20 4 ...
##  $ hy-pusar : num  9 2 0 43 2 0 11 0 0 3 ...
##  $ le-melan : num  0 0 0 0 0 0 0 0 0 0 ...
##  $ le-piau  : num  3 0 0 1 3 0 2 1 0 0 ...
##  $ le-taeni : num  0 0 0 0 0 0 0 0 0 0 ...
##  $ mo-costa : num  0 0 0 0 0 0 0 0 0 0 ...
##  $ mo-lepid : num  39 0 0 1 0 0 0 0 0 0 ...
##  $ or-nilot : num  36 0 0 77 0 0 138 0 0 73 ...
##  $ pa-manag : num  0 0 0 0 0 0 0 0 0 0 ...
##  $ pimel-sp : num  6 0 0 0 0 0 0 0 0 0 ...
##  $ po-retic : num  0 0 0 20 0 0 5 0 0 0 ...
##  $ po-vivip : num  47 15 0 221 32 0 326 10 0 28 ...
##  $ pr-brevi : num  5 0 1 15 5 2 164 0 0 59 ...
##  $ ps-rhomb : num  0 0 0 0 0 0 1 0 0 0 ...
##  $ ps-genise: num  0 0 0 0 0 0 1 0 0 0 ...
##  $ se-heter : num  40 14 4 60 0 0 38 0 0 3 ...
##  $ se-piaba : num  68 0 0 0 0 0 0 0 0 0 ...
##  $ se-spilo : num  0 0 0 0 0 0 1 0 0 0 ...
##  $ st-noton : num  1 0 0 25 0 0 115 0 0 64 ...
##  $ sy-marmo : num  0 0 0 0 1 0 0 0 0 0 ...
##  $ te-chalc : num  0 0 0 0 0 0 0 0 0 0 ...
##  $ tr-signa : num  18 0 0 15 0 0 7 0 0 141 ...
##         ap-davis as-bimac as-fasci ch-bimac ci-ocela
## S-R-CT1        0      194       55        0        0
## S-R-CP1        0       19        0        0        0
## S-A-TA1        0       23        1       13        0
## S-R-CT2        0      142        3        3        0
## S-R-CP2        0        5        1        0       40

Exibindo os dados importados (esses comando são “case-sensitive” ignore.case(object)).

#View(ppbio)
print(ppbio[1:8,1:8])
ppbio[1:10,1:10]
str(ppbio)
mode(ppbio)
class(ppbio)

17.2 REINÍCIO 1

m_trab <- ppbio

Aqui cria-se um novo objeto do R (m_trab, ou a matriz de trabalho, para esse momento) que substitui a matriz de dados original, por uma nova matriz que pode ser a matriz relativizada, transformada, transposta, etc. Dessa forma, mantemos a matriz de dados original caso precisemos dela novamente.

Abreviações

No interesse de sistematizar o código R das várias matrizes que são comumente usadas em uma AMD, a tabela @ref(tab:42tbl-m_2) resume seus tipos e abreviações.

17.3 Análise de Espécies Compartilhadas

Instalando os pacotes necessários

install.packages("dplyr")
install.packages("eulerr")
install.packages("VennDiagram")
install.packages("ggVennDiagram")
install.packages("ggvenn")
install.packages("gplots")

Carregado a base de dados teste para ajudar no entendimento.

teste <- read.table(text = "
    SP1 SP2 SP3 SP4 SP5 SP6 SP7 SP8 SP9 SP10    SP11    SP12    SP13    SP14    SP15    SP16    SP17    SP18    SP19    SP20
A1  1   0   0   1   0   1   1   1   0   0   1   0   0   1   0   1   1   1   0   0
A2  1   0   0   1   0   1   1   0   0   0   1   0   0   1   0   1   1   0   0   0
A3  1   0   0   1   0   1   1   0   0   0   1   0   0   1   0   1   1   0   0   0
B1  0   1   0   1   1   0   1   0   1   0   0   1   0   1   1   0   1   0   1   0
B2  0   1   0   1   1   0   1   0   0   0   0   1   0   1   1   0   1   0   0   0
B3  0   1   0   1   1   0   1   0   0   0   0   1   0   1   1   0   1   0   0   0
C1  0   0   1   0   1   1   1   0   0   1   0   0   1   0   1   1   1   0   0   1
C2  0   0   1   0   1   1   1   0   0   0   0   0   1   0   1   1   1   0   0   0
C3  0   0   1   0   1   1   1   0   0   0   0   0   1   0   1   1   1   0   0   0
", header = TRUE, row.names = 1)
teste

17.4 REINÍCIO 2

m_trab <- ppbio

17.4.1 Separando a matriz `ppbio` em suas partes (S e B ou A e R)

Separa-se S- e B-, e atribui-se, respectivamente, aos grupos G1 e G2 e remove-se as colunas zeradas.

G1 <- m_trab[1:12,]
names(which(colSums(G1) == 0)) #all-zero columns
G1 <- G1[, colSums(G1 != 0) > 0]
G2 <- m_trab[13:23,]
names(which(colSums(G2) == 0)) #all-zero columns
G2 <- G2[, colSums(G2 != 0) > 0]

17.4.1.1 Mesmo procedimento usando o comando `grepl()` do pacote `dplyr`

Outra forma de separar grupos, mas agpra para R- e A-, atribuindo-se, respectivamente, aos grupos G3 e G4 e removendo-se as colunas zeradas.

library(dplyr)
G3 <- filter(m_trab, grepl("R-", row.names(m_trab)))
names(which(colSums(G3) == 0)) #all-zero columns
G3 <- G3[, colSums(G3 != 0) > 0]
G4 <- filter(m_trab, grepl("A-", row.names(m_trab)))
names(which(colSums(G4) == 0)) #all-zero columns
G4 <- G4[, colSums(G4 != 0) > 0]

Tabela 17.1: Tabela 17.2: Código para o delineamento amostral. *n, total amostrado = 23; **np, n planejado = 96.
Hierarquia	n*=23
Área
S-	Ambiente	Ponto	Coleta	Data
B-	R-	CT	1	01-04-2006
	A-	CP	2	26-06-2006
		TA	3	22-09-2006
		MU	4	17-12-2006
		GU
		PC
2	x 2	x 6	x 4		np**= 96

17.5 Táxons compartilhados pelas duas bases de dados

17.5.1 Bases de dados em arquivos diferentes `B` e `S`

Nos códigos abaixo, a função intersect() é usada para se obter os nomes de colunas em comum entre fixo e entorno, que são guardados em um vetor. Esses vetores são repassados nos outros argumentos subsequentes. O propósito dos argumentos setdiff() e \<- 0 não é preencher células vazias com zeros, mas adicionar novas colunas em cada data frame com nomes de colunas que estão presentes em um data frame mas não em outro. Se uma coluna está faltando em um data frame, ela será adicionada aquele data frame com o termo NA ou NULL. Para substituir os valores rotulados de NA ou NULL usa-se a função merged[is.na(merged)] <- 0. Ver Apêndices.

shared_spp <- intersect(names(G1), names(G2)) #get the common column names
shared_spp
G1_only <- setdiff(names(G1), names(G2))
G1_only
G2_only <- setdiff(names(G2), names(G1))
G2_only
Riqueza <- length(shared_spp) + length(G1_only) + length(G2_only)
Riqueza

Criando um data.frame com todas as espécies compartilhadas e exclusivas.

library(tidyverse)
# Create a data frame with all species
all_species <- data.frame(
  type = c(rep("Shared", length(shared_spp)),
           rep("G1_only", length(G1_only)),
           rep("G2_only", length(G2_only))),
  species = c(shared_spp, G1_only, G2_only)
)
# Create a table using the `table()` function
species_table <- table(all_species$type, all_species$species)

# Convert the table to a data frame and format it
species_table_df <- as.data.frame.matrix(species_table)
rownames(species_table_df) <- c("G1_only", "G2_only", "Shared")
species_table_df <- t(species_table_df[, order(colnames(species_table_df))])
species_table_df <- as.data.frame(species_table_df)
species_table_df
# Ordenando pelo nome da coluna
species_table_df <- rownames_to_column(species_table_df, var = "Espécies")
species_table_df <- species_table_df[order(species_table_df$G1_only, species_table_df$G2_only, species_table_df$Shared, decreasing = TRUE),]
library(gt)
gt(species_table_df)

17.6 REINÍCIO 3

m_bruta <- ppbio

Aqui cria-se o vertor da matriz bruta a partir da base de dados depois de feitos os ajustes necessários.

17.6.1 Criando uma matriz de médias

#Inserindo coluna para agrupamentos
ncol(m_bruta); nrow(m_bruta) #no. de N colunas x M linhas
m_bruta_g <- cbind(Grupos = rownames(m_bruta), m_bruta)

###Mudando nomes de linhas, ajuste em BB-EN
#m_bruta_g$Grupos[m_bruta_g$Grupos == "EN11"] <- "BE11"
#m_bruta_g$Grupos[m_bruta_g$Grupos == "EN14"] <- "BE14"
#m_bruta_g$Grupos[m_bruta_g$Grupos == "EN15"] <- "BE15"
###

agrup1 <- substr(m_bruta_g[, 1], 1,1)
agrup1
m_bruta_g <- m_bruta_g %>% mutate(Grupos=c(agrup1))

#m_avg_part <- aggregate(m_bruta_g[, 2:3], list(m_bruta_g$Grupos), mean)
m_avg <- m_bruta_g %>% 
  group_by(Grupos) %>%
  summarise(across(.cols = everything(), ~ mean(.x, na.rm = TRUE)))
#m_avg <- m_bruta_g %>% 
#  group_by(Grupos) %>%
#  summarise(across(.cols = everything(), list(mean = mean, sd = sd)))
#?across

#Primeira coluna para nomes das linhas 
m_avg <- as.data.frame(m_avg)
class(m_avg)
rownames(m_avg) <- m_avg[,1]
m_avg[,1] <- NULL
m_avg
#Salvando a matriz
write.table(m_avg,
            "m_avgcsv.csv",
            append = F,
            quote = TRUE,
            sep = ";", dec = ",",
            row.names = T)
m_avg1_csv <- read.csv("m_avgcsv.csv",
                    sep = ";", dec = ",",
                    header = T,
                    row.names = 1,
                    na.strings = NA)

17.6.2 Análise de Espécies Compartilhadas: Em arquivos diferentes

#Espécies compartilhadas
shared_spp1 <- intersect(names(G1), names(G2)) #get the common column names
shared_spp1
G1_only <- setdiff(names(G1), names(G2))
G1_only
G2_only <- setdiff(names(G2), names(G1))
G2_only
Riqueza <- length(shared_spp1) + length(G1_only) + length(G2_only)
Riqueza

shared_spp2 <- intersect(names(G3), names(G4))
shared_spp2
G3_only <- setdiff(names(G3), names(G4))
G3_only
G4_only <- setdiff(names(G4), names(G3))
G4_only
Riqueza <- length(shared_spp2) + length(G3_only) + length(G4_only)
Riqueza

17.6.3 Bases de dados no mesmo arquivo `ppbio`

Pode-se usar a matriz teste.xlsx para testar e verificar os resultados dos comandos em comparação com as matrizes reais. O comando fix() permite editar uma matriz. A matriz de teste tem 9 linhas e 20 colunas, com os nomes A1, A2, A3, B1, B2, B3, C1, C2, C3 nas linhas e SP1, SP2, SP3, SP4, SP5, SP6, SP7, SP8, SP9, SP10, SP11, SP12, SP13, SP14, SP15, SP16, SP17, SP18, SP19, SP20 como os nomes das colunas. Códigos baseados nas letras A, B e C, portanto, se referem a matriz de teste.

A seguir separamos a matriz em suas partes.

data <- (teste)
data
library(dplyr)
A <- filter(data, grepl("A", row.names(data)))
names(which(colSums(A) == 0)) #all-zero columns
A <- A[, colSums(A != 0) > 0]
B <- filter(data, grepl("B", row.names(data)))
names(which(colSums(B) == 0)) #all-zero columns
B <- B[, colSums(B != 0) > 0]
C <- filter(data, grepl("C", row.names(data)))
names(which(colSums(C) == 0)) #all-zero columns
C <- C[, colSums(C != 0) > 0]

17.7 REINÍCIO 4

data <- (m_bruta)

17.8 Encontrando espécies exclusivas

17.8.1 Escolhendo as LINHAS OU GRUPOS para comparar

# Get the row indices where "A" occurs
rownames(data)
rows <- grep("S-", rownames(data))
#rows <- grep("B-", rownames(data))
#rows <- c(1:36)
rows

17.8.1.1 Espécies exclusivas que ocorrem em 1 LINHA E OUTRA, OU EM 1 GRUPO E OUTRO `(#EM TESTE)`

Aqui procuramos espécies que ocorrem em todas as linhas do grupo definido pelo vetor rows no chunk anterior rows

# Initialize an empty vector to store species exclusive to 'A' rows
species_only_in <- character(0)
# Iterate over each column
for (col in colnames(data)) {
  # Check if the species occurs only in 'A' rows
  if (all(data[rows, col] != 0) && !any(data[-rows, col] != 0)) {
    species_only_in <- c(species_only_in, col)
  }
}
# Print species that only occur in 'A' rows
print(species_only_in)
data

17.8.2 Espécies exclusivas para 1 LINHA OU 1 GRUPO - Baseado na soma dos grupos `(#FUNCIONA)`

# Get the row indices where 'A' occurs
rows
# Calculate the sum of occurrences of each species in 'A' rows
sum_of <- colSums(data[rows, ])
sum_of
# Initialize an empty vector to store species exclusive to 'A' rows
species_only_in <- character(0)
# Iterate over each column
for (col in colnames(data)) {
  # Check if the species occurs only in 'A' rows
  if (sum(data[rows, col]) == sum_of[col] && !any(data[-rows, col] != 0)) {
    species_only_in <- c(species_only_in, col)
  }
}
# Print species that only occur in 'A' rows
print(species_only_in)
species_only_in
data
rows

17.9 Espécies exclusivas para 2 LINHAS OU 2 GRUPOs - Baseado na soma dos grupos `(#FUNCIONA)`

# Get the row indices where 'A' occurs
rows <- grep("S-", rownames(data))
rows2 <- grep("B-", rownames(data))
#rows <- as.vector(rbind(c(rows, rows2)))
rows

# Calculate the sum of occurrences of each species in 'A' rows
sum_of <- colSums(data[rows, ])
sum_of
# Initialize an empty vector to store species exclusive to 'A' rows
species_only_in <- character(0)
# Iterate over each column
for (col in colnames(data)) {
  # Check if the species occurs only in 'A' rows
  if (sum(data[rows, col]) == sum_of[col] && !any(data[-rows, col] != 0)) {
    species_only_in <- c(species_only_in, col)
  }
}
# Print species that only occur in 'A' rows
print(species_only_in)
species_only_in
data
rows
#identical(S_only, species_only_in)
#intersect(S_only, species_only_in) #shared column names
#setdiff(S_only, species_only_in) #only in 1st vector
#length(intersect(S_only, species_only_in)) #how many

17.10 Encontrando espécies compartilhadas ENTRE DOIS (OU MAIS) GRUPOS

Encontra espécies que são compartilhadas (ocorrem em TODAS AS LINHAS) dentro do grupo analisado. Mas, não significa que elas estejam apenas nestas linhas. A função any() indica que QUALQUER linha em comum entre duas colunas faz com que elas tenha esses colunas compartilhadas. Já a função all() indica que, para duas colunas terem linhas compartilhadas os grupos das colunas tem que compartilhar TODAS as suas linhas. Uma análise sobre esse loop. Adicionamos && any(data[rows_G3, col] != 0) para um terceiro grupo e assim sucessivamente.

# Get the rows corresponding to A and B (and C)
rows_G1 <- grep("S-", rownames(data))
rows_G2 <- grep("B-", rownames(data))
rows_G3 <- grep("R-", rownames(data))
rows_G4 <- grep("A-", rownames(data))
#rows <- as.vector(cbind(c(rows_G1, rows_G2, rows_G3, rows_G4)))
# Initialize an empty vector to store species that A and B have in common
species_in <- character(0)
# Iterate over each column
for (col in colnames(data)) {
  # Check if the species has at least one non-zero value in both A and B rows
  if (any(data[rows_G1, col] != 0) && any(data[rows_G2, col] != 0)) {
    species_in <- c(species_in, col)
  }
}
# Print species that A and B have in common
print(species_in)
shared_spp
data

Uma análise feita pelo ChatGPT sobre o loop “for…{…if{…}}” acima e os outros anteriores é apresentada aqui

17.11 Diagrama de Venn

Primeiro é necessário criar uma matriz binária para os valores das colunas nas linhas. Isso é feito a seguir.

library("gt")
m_venn <- as.data.frame(t(m_avg))
m_venn
gt(round(m_venn, 2), rownames_to_stub = TRUE)
m_venn[m_venn !=0] <- 1 #matriz binária

##                     B            S
## ap-davis   2.45454545   0.00000000
## as-bimac  91.27272727 106.58333333
## as-fasci   2.36363636  11.00000000
## ch-bimac   0.00000000  58.75000000
## ci-ocela   0.54545455   5.33333333
## ci-orien   0.00000000  11.91666667
## co-macro   0.00000000   0.16666667
## co-heter   0.00000000   0.08333333
## cr-menez   0.00000000   2.33333333
## cu-lepid   1.90909091   0.00000000
## cy-gilbe   7.36363636   4.16666667
## ge-brasi  92.00000000   0.66666667
## he-margi   0.00000000   0.16666667
## ho-malab   0.36363636   8.75000000
## hy-pusar   0.09090909   5.83333333
## le-melan   0.18181818   0.00000000
## le-piau    0.09090909   1.16666667
## le-taeni   0.09090909   0.00000000
## mo-costa   0.09090909   0.00000000
## mo-lepid   0.00000000   3.33333333
## or-nilot  46.63636364  27.08333333
## pa-manag  50.27272727   0.00000000
## pimel-sp   0.00000000   0.50000000
## po-retic  29.27272727   2.08333333
## po-vivip  19.90909091  63.25000000
## pr-brevi   1.45454545  21.16666667
## ps-rhomb   0.00000000   0.08333333
## ps-genise  0.00000000   0.08333333
## se-heter  12.18181818  13.50000000
## se-piaba   0.00000000   5.66666667
## se-spilo   0.00000000   0.08333333
## st-noton   0.00000000  17.08333333
## sy-marmo   0.00000000   0.08333333
## te-chalc  12.18181818   0.00000000
## tr-signa   2.45454545  15.08333333

	B	S
ap-davis	2.45	0.00
as-bimac	91.27	106.58
as-fasci	2.36	11.00
ch-bimac	0.00	58.75
ci-ocela	0.55	5.33
ci-orien	0.00	11.92
co-macro	0.00	0.17
co-heter	0.00	0.08
cr-menez	0.00	2.33
cu-lepid	1.91	0.00
cy-gilbe	7.36	4.17
ge-brasi	92.00	0.67
he-margi	0.00	0.17
ho-malab	0.36	8.75
hy-pusar	0.09	5.83
le-melan	0.18	0.00
le-piau	0.09	1.17
le-taeni	0.09	0.00
mo-costa	0.09	0.00
mo-lepid	0.00	3.33
or-nilot	46.64	27.08
pa-manag	50.27	0.00
pimel-sp	0.00	0.50
po-retic	29.27	2.08
po-vivip	19.91	63.25
pr-brevi	1.45	21.17
ps-rhomb	0.00	0.08
ps-genise	0.00	0.08
se-heter	12.18	13.50
se-piaba	0.00	5.67
se-spilo	0.00	0.08
st-noton	0.00	17.08
sy-marmo	0.00	0.08
te-chalc	12.18	0.00
tr-signa	2.45	15.08

17.11.1 Usando o pacote `eulerr`

library("eulerr")

## Registered S3 method overwritten by 'eulerr':
##   method    from  
##   plot.venn gplots

## 
## Anexando pacote: 'eulerr'

## O seguinte objeto é mascarado por 'package:gplots':
## 
##     venn

#set.seed() #this seed changes the orientation of the sets        
plot(euler(m_venn), counts = TRUE, fontface = 1)

17.12 Usando o pacote `VennDiagram`

# Load required libraries
library(VennDiagram)

## Carregando pacotes exigidos: grid

## Carregando pacotes exigidos: futile.logger

## 
## Anexando pacote: 'VennDiagram'

## O seguinte objeto é mascarado por 'package:car':
## 
##     ellipse

## O seguinte objeto é mascarado por 'package:ggpubr':
## 
##     rotate

library(ggvenn)
G1 <- nrow(subset(m_venn, S==1))
G2 <- nrow(subset(m_venn, B==1))
#G3 <- nrow(subset(m_venn, R==1))
#G4 <- nrow(subset(m_venn, A==1))
G1_G2 <- nrow(subset(m_venn, G1==1 & G2==1))
#G3_G4 <- nrow(subset(m_venn, G3==1 & G4==1))

grid.newpage()
draw.single.venn(area = G1, category = "G1")

grid.newpage()
draw.single.venn(G1, category = "G1",
                 lty = "blank",
                 fill = "cornflower blue", 
                 alpha = 0.5)

##lty - outline of cirlces, ## fill - colour, ## alpha - colour transparency

grid.newpage()
draw.pairwise.venn(G1, G2, G1_G2,
                   category = c("G1","G2"))

grid.newpage()
draw.pairwise.venn(G1, G2, G1_G2,
                   category = c("G1","G2"),
                   lty = rep("blank",2),
                   fill = c("light blue", "pink"),
                   alpha = rep(0.5,2),
                   cat.pos = c(0,0),
                   cat.dist = rep(0.025,2))

## cat.pos - position of category titles, represented by degree from the
## middle of the circle
## cat.dist - distance of the category titles from the edge of the circle

grid.newpage()
draw.pairwise.venn(G1, G2, G1_G2,
                   category = c("G1", "G2"),
                   lty = rep("blank",2),
                   fill = c("light blue", "pink"),
                   alpha = rep(0.5, 2),
                   cat.pos = c(0,0),
                   cat.dist = rep(0.025, 2),
                   scaled = FALSE)

## scaled - TRUE for scaled or FALSE for unscaled cirlces

grid.newpage() #<--
draw.pairwise.venn(area1 = G1, area2 = G2, cross.area = 0,
                   category = c("G1","G2"),
                   lty = rep("blank",2),
                   fill = c("light blue", "green"),
                   alpha = rep(0.5, 2),
                   cat.pos = c(0, 180),
                   euler.d = TRUE, sep.dist = 0.03, 
                   rotation.degree = 45)

## euler.d - TRUE for movable circles; FALSE for unmovable circles. Must be
## TRUE to have space between non-overlapping circles.
## sep.dist - distance between circles
## rotation.degree - degrees the diagram is rotated

#grid.newpage()
#draw.triple.venn(area1 = BB, area2 = CA, area3 = EN,
#                 n12 = BB_CA, n23 = CA_EN, n13 = BB_EN, 
#                 n123 = BB_CA_EN,
#                 category = c("Rio Barro Branco", #"Rio Caiana", "Entorno da REBio"),
#                 lty = "blank", 
#                 fill = c("skyblue", "pink1", #"mediumorchid"),
#                 scaled = TRUE)
#grid.newpage()
#draw.quad.venn(area1 = BB, area2 = CA, area3 = EN, #area4 = RE,
#               n12 = BB_CA, n23 = CA_EN, n13 = BB_EN,
#               n14 = BB_RE, n24 = CA_RE, n34 = EN_RE,
#               n123 = BB_CA_EN, n1234 = BB_CA_EN_RE,
#               n124 = BB_CA_RE, n134 = BB_EN_RE,
#               n234 = CA_EN_RE,
#               category = c("BB", "CA", "EN", "RE"),
#               lty = "blank",
#               fill = c("skyblue", "pink1", #"mediumorchid", "orange"),
#               scaled = TRUE)

17.13 Diagrama de Venn - BASEADO EM PALAVRAS

Cálculo do overlap AQUI ou AQUI

lista <- m_venn
lista

G1 <- rownames(lista)[which(lista$S !=0)]
G2 <- rownames(lista)[which(lista$B !=0)]
G3 <- rownames(lista)[which(lista$R !=0)]
G4 <- rownames(lista)[which(lista$A !=0)]
over = list(G1, G2)
over

venn.diagram(#salva o diagrama em um arquivo
  x = list(G1, G2),
  category.names = c("G1","G2"),
  filename = 'fig-venn_diagramm2.png',
  height = 3000, width = 3000, resolution = 500, 
  disable.logging = T, scaled = T,
  output = F,
  lty = "blank",
  fill = c("skyblue", "pink1"))

## INFO [2026-08-07 21:19:11] $x
## INFO [2026-08-07 21:19:11] list(G1, G2)
## INFO [2026-08-07 21:19:11] 
## INFO [2026-08-07 21:19:11] $category.names
## INFO [2026-08-07 21:19:11] c("G1", "G2")
## INFO [2026-08-07 21:19:11] 
## INFO [2026-08-07 21:19:11] $filename
## INFO [2026-08-07 21:19:11] [1] "fig-venn_diagramm2.png"
## INFO [2026-08-07 21:19:11] 
## INFO [2026-08-07 21:19:11] $height
## INFO [2026-08-07 21:19:11] [1] 3000
## INFO [2026-08-07 21:19:11] 
## INFO [2026-08-07 21:19:11] $width
## INFO [2026-08-07 21:19:11] [1] 3000
## INFO [2026-08-07 21:19:11] 
## INFO [2026-08-07 21:19:11] $resolution
## INFO [2026-08-07 21:19:11] [1] 500
## INFO [2026-08-07 21:19:11] 
## INFO [2026-08-07 21:19:11] $disable.logging
## INFO [2026-08-07 21:19:11] T
## INFO [2026-08-07 21:19:11] 
## INFO [2026-08-07 21:19:11] $scaled
## INFO [2026-08-07 21:19:11] T
## INFO [2026-08-07 21:19:11] 
## INFO [2026-08-07 21:19:11] $output
## INFO [2026-08-07 21:19:11] F
## INFO [2026-08-07 21:19:11] 
## INFO [2026-08-07 21:19:11] $lty
## INFO [2026-08-07 21:19:11] [1] "blank"
## INFO [2026-08-07 21:19:11] 
## INFO [2026-08-07 21:19:11] $fill
## INFO [2026-08-07 21:19:11] c("skyblue", "pink1")
## INFO [2026-08-07 21:19:11]

overlap <- calculate.overlap(over)
overlap
VennDiagram::get.venn.partitions(over)

## Warning in make.truth.table(x): fixing missing, empty or duplicated names.

##           B S
## ap-davis  1 0
## as-bimac  1 1
## as-fasci  1 1
## ch-bimac  0 1
## ci-ocela  1 1
## ci-orien  0 1
## co-macro  0 1
## co-heter  0 1
## cr-menez  0 1
## cu-lepid  1 0
## cy-gilbe  1 1
## ge-brasi  1 1
## he-margi  0 1
## ho-malab  1 1
## hy-pusar  1 1
## le-melan  1 0
## le-piau   1 1
## le-taeni  1 0
## mo-costa  1 0
## mo-lepid  0 1
## or-nilot  1 1
## pa-manag  1 0
## pimel-sp  0 1
## po-retic  1 1
## po-vivip  1 1
## pr-brevi  1 1
## ps-rhomb  0 1
## ps-genise 0 1
## se-heter  1 1
## se-piaba  0 1
## se-spilo  0 1
## st-noton  0 1
## sy-marmo  0 1
## te-chalc  1 0
## tr-signa  1 1
## [[1]]
##  [1] "as-bimac"  "as-fasci"  "ch-bimac"  "ci-ocela"  "ci-orien"  "co-macro" 
##  [7] "co-heter"  "cr-menez"  "cy-gilbe"  "ge-brasi"  "he-margi"  "ho-malab" 
## [13] "hy-pusar"  "le-piau"   "mo-lepid"  "or-nilot"  "pimel-sp"  "po-retic" 
## [19] "po-vivip"  "pr-brevi"  "ps-rhomb"  "ps-genise" "se-heter"  "se-piaba" 
## [25] "se-spilo"  "st-noton"  "sy-marmo"  "tr-signa" 
## 
## [[2]]
##  [1] "ap-davis" "as-bimac" "as-fasci" "ci-ocela" "cu-lepid" "cy-gilbe"
##  [7] "ge-brasi" "ho-malab" "hy-pusar" "le-melan" "le-piau"  "le-taeni"
## [13] "mo-costa" "or-nilot" "pa-manag" "po-retic" "po-vivip" "pr-brevi"
## [19] "se-heter" "te-chalc" "tr-signa"
## 
## [1] 1
## $a1
##  [1] "as-bimac"  "as-fasci"  "ch-bimac"  "ci-ocela"  "ci-orien"  "co-macro" 
##  [7] "co-heter"  "cr-menez"  "cy-gilbe"  "ge-brasi"  "he-margi"  "ho-malab" 
## [13] "hy-pusar"  "le-piau"   "mo-lepid"  "or-nilot"  "pimel-sp"  "po-retic" 
## [19] "po-vivip"  "pr-brevi"  "ps-rhomb"  "ps-genise" "se-heter"  "se-piaba" 
## [25] "se-spilo"  "st-noton"  "sy-marmo"  "tr-signa" 
## 
## $a2
##  [1] "ap-davis" "as-bimac" "as-fasci" "ci-ocela" "cu-lepid" "cy-gilbe"
##  [7] "ge-brasi" "ho-malab" "hy-pusar" "le-melan" "le-piau"  "le-taeni"
## [13] "mo-costa" "or-nilot" "pa-manag" "po-retic" "po-vivip" "pr-brevi"
## [19] "se-heter" "te-chalc" "tr-signa"
## 
## $a3
##  [1] "as-bimac" "as-fasci" "ci-ocela" "cy-gilbe" "ge-brasi" "ho-malab"
##  [7] "hy-pusar" "le-piau"  "or-nilot" "po-retic" "po-vivip" "pr-brevi"
## [13] "se-heter" "tr-signa"
## 
##      X1    X2   ..set..
## 1  TRUE  TRUE     X1∩X2
## 2 FALSE  TRUE (X2)∖(X1)
## 3  TRUE FALSE (X1)∖(X2)
##                                                                                                                                    ..values..
## 1   as-bimac, as-fasci, ci-ocela, cy-gilbe, ge-brasi, ho-malab, hy-pusar, le-piau, or-nilot, po-retic, po-vivip, pr-brevi, se-heter, tr-signa
## 2                                                                        ap-davis, cu-lepid, le-melan, le-taeni, mo-costa, pa-manag, te-chalc
## 3 ch-bimac, ci-orien, co-macro, co-heter, cr-menez, he-margi, mo-lepid, pimel-sp, ps-rhomb, ps-genise, se-piaba, se-spilo, st-noton, sy-marmo
##   ..count..
## 1        14
## 2         7
## 3        14

Mais opções Aqui e Aqui

library("ggVennDiagram")
x <- list(
  G1 = rownames(lista)[which(lista$S !=0)],
  G2 = rownames(lista)[which(lista$B !=0)],
  G3 = rownames(lista)[which(lista$R !=0)],
  G4 = rownames(lista)[which(lista$A !=0)])

ggvenn(
  x, 
  fill_color = c("#0073C2FF", "#EFC000FF", "#868686FF", "#CD534CFF"),
  stroke_size = 0.5, set_name_size = 4
  )

# Default plot
ggVennDiagram(
  x, label_alpha = 0,
  category.names = c("G1","G2","G3","G4")
  ) +
  ggplot2::scale_fill_gradient(low="yellow",high = "green")

grid.newpage()
ggVennDiagram(x[1:2], label_alpha = 0)

library("ggvenn")
grid.newpage()
ggvenn(x)

library("gplots")
grid.newpage()
v.table <- venn(x)
v.table <- as.data.frame(v.table)
print(v.table)
print(t(m_avg))

# Estrutura da comunidade
system(paste("open", shQuote("D:/Elvio/OneDrive/MSS/_Zoo-Rebio/R_ZooRebio/strcom.qmd")))

17.14 PARTIÇÃO DA DIVERSIDADE

O output da função adipart no pacote vegan do R fornece uma análise detalhada da diversidade alfa, beta e gama baseada no índice de riqueza para o seu conjunto de dados fauna.zoo em diferentes escalas espaciais definidas por escala.total. Aqui está uma explicação detalhada do output e sua interpretação:

17.14.1 Output da Função adipart

17.15 Extrair valores do objeto part - geral

statistic <- part.geral$statistic SES <- part.geral$oecosimu$z mean <- part.geral$oecosimu$means lower_2.5 <- apply(part.geral$oecosimu$simulated, 1, quantile, probs = 0.025) median_50 <- apply(part.geral$oecosimu$simulated, 1, quantile, probs = 0.50) upper_97.5 <- apply(part.geral$oecosimu$simulated, 1, quantile, probs = 0.975) Pr_sim <- part.geral$oecosimu$pval

17.16 Definir função para adicionar significância

get_significance <- function(p) { if (p <= 0.001) { return(“”) } else if (p <= 0.01) { return(””) } else if (p <= 0.05) { return(””) } else if (p <= 0.1) { return(“.”) } else { return(” “) } } significance <- sapply(Pr_sim, get_significance)

17.17 Criar dataframe com todas as informações

diversity_data <- data.frame( Component = names(statistic), Observed = round(statistic, 2), SES = round(SES, 2), Mean = round(mean, 2), Lower_2.5 = round(lower_2.5, 2), Median_50 = round(median_50, 2), Upper_97.5 = round(upper_97.5, 2), Pr_sim = Pr_sim, Sign = significance )

17.18 Exibir a tabela

print(diversity_data) str(part.geral) gt(diversity_data)

17.18.0.1 Chamada

A chamada da função especifica os parâmetros utilizados: - y: fauna.zoo (seu conjunto de dados) - x: escala.total (as escalas espaciais) - index: “richness” (medida de diversidade) - weights: “unif” (pesos uniformes) - nsimul: 999 (número de simulações para o modelo nulo)

17.18.0.2 Modelo Nulo

O método usado para as simulações do modelo nulo é r2dtable com 999 simulações. Este método simula tabelas aleatórias com as mesmas somas de linhas e colunas que a tabela observada.

17.18.0.3 Estatísticas e Teste de Hipótese

O output fornece os valores observados das estatísticas, os tamanhos dos efeitos padronizados (SES), médias, percentis (2.5%, 50%, 97.5%) e valores de p (Pr(sim.)) para cada componente de diversidade.

17.18.1 Análise das Estatísticas

alpha.1, alpha.2, alpha.3: Estes são os valores de diversidade alfa em diferentes níveis hierárquicos.
- A diversidade alfa mede a riqueza média de espécies dentro de cada unidade de amostragem.
- Os valores observados são significativamente menores do que os valores simulados, conforme indicado pelos valores de p muito baixos (0.001).
gamma: Esta é a diversidade gama, representando a riqueza total de espécies em todas as unidades de amostragem.
- O valor observado é igual ao valor simulado, indicando que não há desvio significativo do modelo nulo (valor de p = 1.000).
beta.1, beta.2, beta.3: Estes são os valores de diversidade beta em diferentes níveis hierárquicos.
- A diversidade beta mede a diferenciação na composição de espécies entre as unidades de amostragem.
- O valor beta.1 observado é significativamente menor, enquanto os valores beta.2 e beta.3 são significativamente maiores do que os valores simulados (todos os valores de p = 0.001).

17.18.1.1 Códigos de Significância

‘***’ indica um valor de p < 0.001, mostrando resultados altamente significativos.

17.18.2 Interpretação

Diversidade Alfa: Os valores de diversidade alfa observados significativamente menores sugerem que a riqueza de espécies dentro das unidades individuais é menor do que o esperado ao acaso.
Diversidade Gama: A riqueza total de espécies (diversidade gama) não difere do valor esperado, o que implica que a riqueza total é como esperado.
Diversidade Beta: Os resultados mistos para diversidade beta (beta.1 menor e beta.2, beta.3 maiores) indicam variabilidade na composição de espécies entre as unidades de amostragem em diferentes níveis hierárquicos. Isso pode sugerir diferentes processos ecológicos ou estruturas comunitárias nessas escalas.

No geral, esses resultados fornecem insights sobre a partição da diversidade dentro do seu conjunto de dados, destacando áreas onde os padrões observados diferem daqueles esperados sob um modelo nulo.

O modelo nulo r2dtable é uma técnica utilizada em ecologia e biologia da conservação para gerar tabelas de contingência aleatórias que mantêm as margens (somas de linhas e colunas) iguais às da tabela original. Isso é útil para testes de hipótese e análise de diversidade porque permite comparar os dados observados com o que seria esperado por acaso, mantendo as restrições estruturais dos dados originais.

17.18.3 Detalhes do `r2dtable`

Função: r2dtable faz parte do pacote base do R e é usado para gerar tabelas de contingência aleatórias.
Entrada: A função r2dtable(n, r, c) toma três argumentos:
- n: número de tabelas aleatórias a serem geradas.
- r: vetor com as somas das linhas da tabela original.
- c: vetor com as somas das colunas da tabela original.
Saída: Produz uma lista de tabelas de contingência aleatórias que têm as mesmas somas de linhas e colunas que a tabela original.

17.18.4 Como Funciona

O algoritmo por trás do r2dtable usa uma permutação aleatória das células da tabela original, mas ajusta as células de forma que as somas das linhas e colunas permaneçam constantes. Isso cria uma distribuição nula contra a qual os dados observados podem ser comparados.

17.18.5 Uso no Contexto do vegan e adipart

Quando aplicado no contexto de diversidade com a função adipart do pacote vegan:

Geração de Tabelas Aleatórias: r2dtable gera tabelas de contingência aleatórias baseadas nas margens (somas das linhas e colunas) da tabela original fauna.zoo.
Simulações: A função adipart utiliza essas tabelas para criar uma distribuição nula de riqueza de espécies (ou qualquer outro índice de diversidade especificado).
Comparação com Dados Observados: Os valores observados de alfa, beta e gama diversidade são comparados com a distribuição nula para determinar se os padrões observados são significativamente diferentes do que seria esperado por acaso.

17.18.6 Interpretação

Valores Observados vs. Valores Simulados: Comparando os valores observados com os valores simulados, pode-se determinar se a diversidade observada é maior ou menor do que o esperado por acaso.
Significância Estatística: Valores de p são calculados para testar a significância das diferenças entre os valores observados e a distribuição nula.

17.18.7 Exemplos de Uso

Aqui está um exemplo básico de como o r2dtable pode ser usado diretamente no R:

# Suponha uma tabela original com margens definidas
r <- c(20, 30, 25)  # somas das linhas
c <- c(25, 25, 25)  # somas das colunas

# Gerar 999 tabelas aleatórias
simulated_tables <- r2dtable(999, r, c)

# Visualizar a primeira tabela simulada
print(simulated_tables[[1]])

No contexto do vegan e adipart, você normalmente não chamaria r2dtable diretamente, pois a função adipart faz isso internamente para gerar as distribuições nulas necessárias para a análise de diversidade.

Essa técnica permite realizar uma análise robusta da diversidade, considerando a estrutura dos dados e fornecendo uma base para testes de hipóteses sobre os padrões de diversidade observados.

Claro! Vamos interpretar os resultados em português:

A saída que você compartilhou parece ser de uma análise de simulação hierárquica realizada com a função hiersimu, que provavelmente faz parte de um pacote para estatísticas ecológicas ou biodiversidade no R. Aqui está uma breve interpretação dos componentes principais:

statistic: O valor observado da estatística de diversidade para cada nível hierárquico (por exemplo, habitat, ponto, rio, etc.).
SES (Tamanho do Efeito Padronizado): Indica como a estatística observada se compara ao modelo nulo. Um SES negativo significa que a diversidade observada é menor do que a esperada por acaso, enquanto um SES positivo significa que é maior.
mean, 2.5%, 50%, 97.5%: Esses valores representam a média e o intervalo de confiança de 95% (IC) para a estatística sob o modelo nulo (ou seja, valores simulados).
Pr(sim.): O valor-p que indica a probabilidade de que a estatística observada seja menor ou maior do que os valores simulados sob a hipótese nula. Um valor-p baixo (por exemplo, <0.01) sugere que a estatística observada é significativamente diferente do modelo nulo.

Aqui está a interpretação dos resultados:

rebio.habitat:
- Estatística observada: 0.90817
- SES: -35.933 (sugerindo uma diversidade muito menor comparada ao modelo nulo)
- Valor-p: 0.01, indicando que o valor observado é significativamente menor do que o esperado por acaso.
rebio.ponto:
- Estatística observada: 0.99444
- SES: -39.547
- Valor-p: 0.01, indicando uma diversidade significativamente menor.
rebio.rio:
- Estatística observada: 1.61250
- SES: -23.345
- Valor-p: 0.01, indicando uma diversidade significativamente menor.
rebio:
- Estatística observada: 1.80002
- SES: 0.000 (indicando que a diversidade observada está exatamente no nível esperado pelo modelo nulo)
- Valor-p: 1.00, significando que não há diferença significativa em relação ao modelo nulo.

Resumindo, todos os níveis hierárquicos, exceto “rebio”, mostram desvios significativos na diversidade em relação ao que é esperado por acaso, com uma diversidade observada significativamente menor. “rebio” está exatamente no nível esperado, sem desvio significativo.

Apêndices

Sites consultados

Primeira coluna para nomes das linhas

Script limpo

Aqui apresento o scrip na íntegra sem os textos ou outros comentários. Você pode copiar e colar no R para executa-lo. Lembre de remover os # ou ## caso necessite executar essas linhas.

Referências

Bibliografia Geral

MAGURRAN, A. E. Ecological Diversity and Its Measurement. [s.l.] : Croom Helm Ltd, 1988. Type: Book.

R DEVELOPMENT CORE TEAM. R: A language and environment for statistical computing. Austria: R Foundation for Statistical Computing, 2017. Disponível em: <https://www.r-project.org/>

R STUDIO TEAM. RStudio: Integrated Development Environment for R. Boston, MA: RStudio, PBC, 2022. Type: Book. Disponível em: <https://posit.co/products/open-source/rstudio/>

16 R Módulo 8.1 - Estrutura da comunidade

18 R Módulo 9 - Estrutura do habitat