IBAMA Introdução a Métodos de Estimativa de Riqueza e Análises de Biodiversidade Instrutor: Marcos Vinícius Carneiro Vital marcosvital@gmail.com Universidade.

Apresentação em tema: "IBAMA Introdução a Métodos de Estimativa de Riqueza e Análises de Biodiversidade Instrutor: Marcos Vinícius Carneiro Vital marcosvital@gmail.com Universidade."— Transcrição da apresentação:

1 IBAMA Introdução a Métodos de Estimativa de Riqueza e Análises de Biodiversidade Instrutor: Marcos Vinícius Carneiro Vital Universidade Federal de Alagoas

2 Estrutura do curso - Planejamento, coleta e análise de dados de biodiversidade. - Teoria, exemplos práticos e estudos de caso. - Bases na ecologia e na estatística (especialmente a multivariada).

3 Algumas indicações fundamentais de leitura:
- Measuring Biological Diversity, A.E. Magurran. - Ecological Methodology, C.J. Krebs. - Métodos estatísticos multivariados, B.J.F. Manly. - Numerical Ecology, P. Legendre & L. Legendre.

4 E algumas indicações de software gratuitos:
- EstimateS e PAST. - The R Project for Statistical Computing - Outros: Biodiversity Pro, PopTools (no Excel), PCORD (apenas multivariada) e outros.

5 Objeto de estudo - Afinal, o que é biodiversidade? Diversidade: riqueza e equabilidade. Composição.

6 Objeto de estudo: afinal, o que é biodiversidade?
Riqueza: número de espécies.

7 Objeto de estudo: afinal, o que é biodiversidade?
Equabilidade: distribuição das abundâncias relativas.

8 Objeto de estudo: afinal, o que é biodiversidade?
Composição: a identidade das espécies.

9 Objeto de estudo - Afinal, o que é biodiversidade? Diversidade: riqueza e equabilidade. Composição. - Tipos de dados - Número de indivíduos (ou presença/ausência) de cada espécie em amostras/ambientes/locais/etc. - Fatores ambientais e outras variáveis explicativas.

10 Planejamento - Objetivos Teoria, hipóteses e predições. e/ou Clareza da finalidade do estudo.

11 Planejamento - Objetivos - Delineamento Planejar com conhecimento prévio de como os dados coletados serão analisados. Coletar dados que realmente se relacionem com os objetivos e que possibilitem responder de fato as perguntas feitas.

12 Planejamento - delineamento
A lógica de se planejar “experimentos”! Um pouco de delineamento experimental. Alguns termos e conceitos importantes: Unidades amostrais e amostras. Réplicas, pseudo-réplicas e independência. A independência das unidades amostrais é pressupostos de quase todas as análises!

13 Planejamento - delineamento
A lógica de se planejar “experimentos”! Um pouco de delineamento experimental. Algumas dicas simples mas importantes: O que é uma UA depende da sua pergunta. Um projeto piloto é sempre útil. Não saia coletando antes de planejar! Não reproduza sem uma visão crítica.

14 Planejamento - delineamento
A lógica de se planejar “experimentos”! Um pouco de delineamento experimental. O que deve ser garantido pelo desenho amostral: Independência das UAs. Esforço amostral adequado. Representatividade do ambiente amostrado. Relativo ao objetivo proposto. Amplitude relevante das variáveis medidas.

15 Planejamento - delineamento
A lógica de se planejar “experimentos”! Um pouco de delineamento experimental. Problemas e conflitos comuns: Representatividade local X réplicas independentes para a pergunta realizada. Transectos enormes X vários transectos. Ou parcelas, quadrats, etc. Mistura de gradientes.

16 Planejamento - delineamento
Mais dicas: A gravidade do uso de pseudo-réplicas depende do cenário e da pergunta! Se percebermos as pseudo-réplicas após o trabalho, podemos lidar com elas somando informações ou ajustando as conclusões. E lembre-se: escolher unidades amostrais em campo “no olho” não é aleatório!

17 Coletando - Um breve apanhado dos métodos de coleta. - Treinamento, conhecimento e experiência de campo. - Todos os métodos são tendenciosos! - Padronização do esforço e das unidades.

18 Transectos de observação: aves e mamíferos
.

19 . Transectos de observação: aves e mamíferos Particularidades:
Dependem da experiência do coletor.  Organismos devem ser avistados antes do observador.  Problemas em se avistar espécies crípticas.  Permite estimar a abundância. 

20 Câmera armadilha: mamíferos grandes

21 Câmera armadilha: mamíferos grandes
Baixa relação custo/benefício.  Não permitem medir quantidade.  Em alguns casos é possível distinguir indivíduos. 

22 Ponto de escuta e playback: aves e anfíbios
50m

23 Ponto de escuta e playback: aves e anfíbios
50m Não é simples de padronizar (distância de audição).  Não permite medir quantidade.  Espécies que não respondem e espécies que imitam!  Gravações podem ser feitas com pouco treinamento. 

24 Rede de neblina: aves e morcegos

25 Rede de neblina: aves e morcegos
Em mata, não coleta espécies de dossel.  Não funciona com espécies de grande porte.  Animais podem ser marcados e soltos. 

26 Armadilhas (Sherman e Tomahawck): pequenos mamíferos

27 Armadilhas (Sherman e Tomahawck): pequenos mamíferos
Restrito a espécies pequenas.  Coleta depende da isca.  Aprendizado!  Permite marcação e recaptura. 

28 Pitfall: insetos, anfíbios, répteis e pequenos mamíferos

29 Pitfall: insetos, anfíbios, répteis e pequenos mamíferos
Restrito a espécies terrestres.  Coleta pode ser afetada pelo líquido.  Simples, barato e não depende da experiência. 

30 Parcelas: plantas Fácil padronização.  Medidas confiáveis de abundância. 

31 Após as coletas – organização dos dados coletados
- Siga a regra geral - Unidades amostrais nas linhas, variáveis nas colunas - UA: local, armadilha, quadrat, etc. - Variáveis: espécies, variáveis ambientais, etc. - Valores: abundância, biomassa, presença, etc.

32 Após as coletas – organização dos dados coletados
- Siga a regra geral: - Amostras nas linhas, variáveis nas colunas. 25 1500 5 11 3 32 900 12 35 29 2300 9 34 7 1 25 1500 5 1 32 900 3 29 2300 9 var1 var2 var3 ... varX sp1 sp2 sp3 spY a1 a2 a3 aN

33 Após as coletas – análise
A análise depende dos objetivos. Deve ser definida antes, no planejamento! Os métodos em si são só ferramentas. Cuidado com o apego às hipóteses propostas. Seja claro e não omita resultados.

34 Após as coletas – análise
O que fazer com toda a informação? Extraindo informação dos dados. sp1 sp2 sp3 sp4 sp5 sp6 sp7 sp8 sp9 sp10 a1 14 7 8 2 4 a2 15 1 6 a3 12 5 3 a4 a5 9 10 a6 a7 a8 a9 a10 13

35 Após as coletas – análise
O que fazer com toda a informação? Extraindo informação dos dados. Dados X Informação: Dados Informação

36 Após as coletas – análise
O que fazer com toda a informação? Extraindo informação dos dados. sp1 sp2 sp3 sp4 sp5 sp6 sp7 sp8 sp9 sp10 a1 14 7 8 2 4 a2 15 1 6 a3 12 5 3 a4 a5 9 10 a6 a7 a8 a9 a10 13

37 Após as coletas – análise
O que fazer com toda a informação? Extraindo informação dos dados.

38 Índices de diversidade
- Riqueza e equabilidade ao mesmo tempo

39 Índices de diversidade
- Riqueza e equabilidade ao mesmo tempo - Alguns problemas com seu uso: “Dilema Tostines”! Pobreza como descritores. Escolha arbitrária do(s) índice(s). Dependência do esforço amostral. Problemas com a interpretação das medidas.

40 Mão na massa - Usando um gerenciador de planilhas para realizar qualquer análise! - Um exemplo prático: o índice de Shannon H’ = -Σ(piln(pi)) J’ = H’/ln(S) E o índice de Simpson: D = Σ(pi)2

41 Medindo a diversidade - Como escolher o melhor índice? - Uma solução é não escolher! - Os perfis de diversidade e a generalização dos índices. - A diferença entre os diversos índices está contida no peso relativo que eles atribuem à equabilidade.

42 Medindo a diversidade - Calculando um perfil de diversidade: a série de Hill. - Na = (p1a + p2a + p3a psa)1/(1-a) - Entendendo a fórmula: substituindo valores.

43 Medindo a diversidade - Calculando um perfil de diversidade: a série de Hill. Uniforme "Normal" 1 Dominância sp1 10 24 61 sp2 20 14 sp3 17 7 sp4 13 5 sp5 sp6 3 sp7 4 2 sp8 1 sp9 sp10

44 Medindo a diversidade - Calculando um perfil de diversidade: a série de Hill.

45 - Calculando um perfil de diversidade: a série de Hill.
Medindo a diversidade - Calculando um perfil de diversidade: a série de Hill. "Normal" 1 "Normal" 2 24 42 20 14 17 13 8 10 6 7 5 4 3 2 1

46 Medindo a diversidade - Calculando um perfil de diversidade: a série de Hill.

47 Como comparar comunidades?
- A riqueza é um dos parâmetros mais usados. - Mas cada espécie tem uma identidade própria.

48 Como comparar comunidades?!
- Composição de espécies. - Grau de semelhança entre as comunidades.

49 Análise de agrupamento
- Agrupa objetos, hierarquicamente, de acordo com seu grau de semelhança. 1 – Escolha de uma medida de semelhança. 2 – Cálculo da matriz de similaridade. 3 – Aplicação de um método de agrupamento. 4 – Basta adicionar água!

50 Coeficientes binários
- Dados de presença/ausência. Amostra A No de spp presentes No de spp ausentes No de ssp presentes a b No de ssp ausentes c d Amostra B * Coeficiente de Jaccard Sj = a / (a + b + c)

51 Coeficientes binários
- Dados de presença/ausência. Amostra A No de spp presentes No de spp ausentes No de ssp presentes a b No de ssp ausentes c d Amostra B * Coeficiente de Sorensen Ss = 2a / (2a + b + c)

52 Coeficientes binários
- Dados de presença/ausência. Amostra A No de spp presentes No de spp ausentes No de ssp presentes a b No de ssp ausentes c d Amostra B - Jaccard X Sorensen: qual a diferença? - Peso para as espécies em comum.

53 Coeficientes quantitativos
- Dados de abundância, biomassa, etc. * Distância Euclidiana * Distância de Manhattan * Distância de Bray-Curtis - Variação de 0 a 1. * Índice de similaridade de Morisita - Independente do tamanho da amostra!

54 Métodos de agrupamento
- A partir da matriz de distância, como construir os agrupamentos? - Cada método funciona como um conjunto de regras sobre e que ordem agrupar. - Lembrando: o resultado depende do método! - Então a decisão deve ser feita antes.

55 Métodos de agrupamento
- Passo a passo de todos os métodos. 1 – Encontre o par de amostras mais similar, e agrupe-o. 2 – Encontre o segundo par mais similar, ou a amostra mais similar ao primeiro agrupamento (o que for maior). 3 – Repita até agrupar todas as amostras.

56 Métodos de agrupamento
- Cada método muda a forma de definir a similaridade entre uma amostra e um agrupamento existente * Método do vizinho mais próximo. * Método do vizinho mais distante. * Método de ligação média. * UPGMA

57 Transformações e padronizações dos dados
- Raiz quadrada, log + 1, presença / ausência, etc. * Padronizações - Abundância relativa. - Decisão deve ser tomada antes da análise! - E baseada na teoria.