Baixe o app para aproveitar ainda mais
Prévia do material em texto
Ecologia de populações - R Segundo relatório de aulas práticas Fabio Mitsuo Kimura Roteiro 10 - Metapopulações # # Exercício 4.1 a) # Criando os objetos pi <- 0.2 pe <- 0.4 # Calculando (f_chapeu <- pi / (pi + pe)) 0.3333 b) # Criando os objetos pe <- 0.4 i <- 0.2 # Calculando (f_chapeu <- 1 - (pe / i)) -1 # # O valor negativo indica que a espécie entrou em extinção. # # Exercício 4.4 # Criando os objetos pi <- 0.3 e <- 0.5 f <- 0.4 # Calculando usando o for for(i in 2:6) { df_dt <- pi * (1 - f[i-1]) - (e * f[i-1] * (1 - f[i-1])) f[i] <- f[i-1] + df_dt } # Criando o gráfico plot(0:5, f, type="b", xlab="Tempo", ylab="Fração de manchas ocupadas(f)") # # A metapopulação está expandindo, pois se observa um aumento na fração de manchas ocupa- das, indicando que a mesma está aumentando de tamanho e consequentemente conseguindo ocu- par novas áreas. # # Exercício 2 # Carregando o pacote library(MetaLandSim) # Criando o comando e o mapa set.seed(203) paisagem <- rland.graph( mapsize=2500, dist_m=50, areaM=1, areaSD=0.5, Npatch=40, disp=500, plotG=T) # # Foram geradas 5 metapopulações. # Rodando o comando sem o set.seed(203) e gerando o gráfico # # Foi gerado um gráfico com 2 metapopulações. # Criando o objeto espécies e definindo novos parâmetros para o gráfico especie1 <- species.graph(rl=paisagem, method="number", parm=5, nsew="none", plotG=T) legend(x=0, y=3100, c("ocupada", "desocupada"), ncol=2, pch=21, pt.bg=c("green", "red"), pt.cex=2, bty="n", xpd=T) parametros <- create.parameter.df( alpha=1/750, x=0.5, y=6, e=0.08 ) n.sims <- 20 tempo1 <- span.graph(rl=paisagem, span=n.sims, par1="none", par2=NULL, par3=NULL, par4=NULL, par5=NULL) set.seed(222) sim1 <- simulate_graph(rl=especie1, rlist=tempo1, simulate.start=FALSE, method=NULL, parm=NULL, nse="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 ) for(i in 1:n.sims) { plotL.graph(rl=especie1, rlist=sim1, nr=i, species=TRUE, links=FALSE) legend(x=0, y=3100, c("ocupada", "desocupada"), ncol=2, pch=21, pt.bg=c("green", "red"), pt.cex=2, bty="n", xpd=T) mtext(paste("Tempo", i), side=3, adj=1) Sys.sleep(1) } # # Gráfico gerado nos parâmetro padrão. # # Gráfico gerado alterando os parâmetros # # Questão a) Não, pois no decorrer do tempo as espécies também morrem, o que acaba fazendo com que em algumas áreas ocorra a desocupação. # # Questão b) O efeito da distância sobre a chance de colonização, a relação entre o tamanho da mancha e chance de extinção, relação entre colonização e conectividade, e taxa intrínseca de extirpação. Alterando esses parâmetros é possível aumentar o número de colonização e também extinguir a população, pois esses são os parâmetros que estão ligados diretamente na possibilidade ou não de colonização. Roteiro 11 - Populações estruturadas Sobrevivência (lx) Mortalidade (qx) Fecundidade (bx) R0 = 2,41768 G = 334,397 r = 0,002640007 r (em anos) = 0,963602498 A espécie se enquadra no perfil tipo II de sobrevivência, com um declínio no número de sobrevi- ventes ao longo do tempo. Os dados apontam que a espécie entrou em extinção, atingindo o 0 na coluna lx, indicando que nenhuma espécie sobreviveu e também apresenta o 0 na coluna qx, apon- tando que como não há mais nenhuma espécie, não há também mortalidade dentro dessa popula- ção. 1,000 0,671 0,296 0,191 0,177 0,175 0,174 0,173 0,171 0,168 0,166 0,160 0,159 0,155 0,152 0,148 0,137 0,105 0,074 0,022 0,000 0,005 0,009 0,006 0,002 0,001 0,000 0,000 0,002 0,003 0,002 0,005 0,001 0,004 0,003 0,004 0,011 0,033 0,042 0,100 0,143 0,000 0 0 0 0 0 0 0 0 0 0 0 0 0,335151899 0,796298701 2,399450331 3,109367347 2,541132353 3,158657143 8,662472973 4,307272727 # Comando para os dados do E. edulis palmito <- matrix( c(0.51, 0, 0, 0, 0, 0, 98, 0.496, 0.76, 0, 0, 0, 0, 0, 0, 0.11, 0.74, 0, 0, 0, 0, 0, 0, 0.2, 0.61, 0, 0, 0, 0, 0, 0, 0.39, 0.8, 0, 0, 0, 0, 0, 0, 0.18, 0.78, 0, 0, 0, 0, 0, 0, 0.19, 0.99), byrow=T, ncol=7, nrow=7) n.anos <- 9 pop0 <- matrix(c(100, 0, 0, 0, 0, 0, 0), ncol=1) # Criando o gráfico par (mfrow=c(2,5), mar=c(2,2,2,0)) barplot(t(pop0), main="Ano 0 (plantio)", ylim=c(0,100)) n.anos <- 9 par(mfrow=c(2, 5), mar=c(2, 2, 2, 0)) barplot(t(pop0), main="Ano 0 (plantio)", ylim=c(0, 100)) pop <- pop0 for(i in 1:n.anos){ pop <- palmito %*% pop print(pop) barplot(t(pop), main=paste("Ano", i), ylim=c(0, 100)) } Os gráficos indicam que há uma flutuação no tamanho populacional, sendo poucos os indivíduos que chegam a idade adulta dentro do período observado, que foi de 9 anos. Isso indica que 9 anos ainda não é suficiente para ter uma população equilibrada de palmitos. # Calculando o lambda Re(eigen(palmito)$values[1]) # # Como o valor deu positivo, é esperado que a população cresça. Roteiro 12 - Competição e predação # # Exercício 1 # Criando os objetos V0 <- 40 r <- 0.05 alpha <- 0.002 P0 <- 20 q <- 0.1 beta <- 0.001 nt <- 200 nV <- c(V0, numeric(nt-1)) nP <- c(P0, numeric(nt-1)) # Automatizando as contas com o for for (i in 2:nt) { V <- nV[i-1] P <- nP[i-1] dV_dt <- (r*V) - (alpha * V * P) nV[i] <- V + dV_dt dP_dt <- (beta * V * P) - (q * P) nP[i] <- P + dP_dt if(!(nV[i] >= 1 & nP[i] >= 1)){ print("Predador ou vítima extintos."); break; } } # Criando o gráfico plot(nP ~ nV, type="l", xlab="N das vítimas", ylab="N dos predadores") abline(h=r/alpha, lty=2) abline(v=q/beta, lty=2) points (P0 ~ V0) # # O gráfico mostra a relação do número de predador e a vítima, observa-se que inicialmente a população de predadores era pequena e, com o aumento do número das presas (vítimas) aumentou também o número de predadores, que passou a diminuir após um declínio no número das vítimas. As linhas tracejadas apontam o número de vítimas ou predadores necessários para que a população esteja em equilíbrio. Segundo os cálculos, os valores ideais seriam 25 predadores e 100 vítimas. # Criando o gráfico da variação populacional ao longo do tempo points (P0 ~ V0) tempo <- 1:length(nV) NNs <- cbind(nV, nP) matplot(tempo, NNs, type="l", xlab="Tempo", ylab="Tamanho populacional") legend("topleft", c("Vítimas", "Predadores"), lty=1:2, col=1:2, cex=0.6) # # O gráfico aponta uma grande flutuação no tamanho populacional de vítimas e predadores, ob- serva-se um aumento populacional acentuado e, em seguida, uma diminuição acentuada, quase levando os predadores à extinção. Isso aponta que essas populações em um mesmo ambiente não é viável. Alterando os valores para V0 = 300 e P0 = 150, ocorre primeiro a extinção da vítima e, posteriormente dos predadores. # # Exercício2 # Criando os objetos V0 <- 600 r <- 0.1 alpha <- 0.001 P0 <- 200 q <- 0.5 beta <- 0.001 nt <- 10 nV <- c(V0, numeric(nt-1)) nP <- c(P0, numeric(nt-1)) # Usando a função for for (i in 2:nt) { V <- nV[i-1] P <- nP[i-1] dV_dt <- (r*V) - (alpha * V * P) nV[i] <- V + dV_dt dP_dt <- (beta * V * P) - (q * P) nP[i] <- P + dP_dt if(!(nV[i] >= 1 & nP[i] >= 1)){ print("Predador ou vítima extintos."); break; } } # Criando o gráfico par(mfrow=c(1,2)) plot(nP ~ nV, type="l", xlab="Tamanho populacional das moscas", ylab="Tamanho populacional das aranhas") abline(h=r/alpha, lty=2) abline(v=q/beta, lty=2) points (P0 ~ V0) points (P0 ~ V0) tempo <- 1:length(nV) NNs <- cbind(nV, nP) matplot(tempo, NNs, type="l", xlab="Tempo", ylab="Tamanho populacional") legend("topright", c("Moscas", "Aranhas"), lty=1:2, col=1:2, cex=0.6) # # O gráfico a esquerda mostra o número inicial de ambas as populações (apontado pelo círculo pequeno no gráfico) que tendem a diminuir. No gráfico a direita tem o tamanho populacional em função do tempo, que em 10 meses, a população de moscas ainda está acima da metade, enquanto que o número de aranhas está diminuindo. Aumentando o tempo para 100 meses, ambas as popu- lações entram em extinção. # # Gráfico mostrando o tamanho populacional no período de 100 meses, ambas as populações entram em extinção. # # Exercício 3 # Criando os objetos N1 <- 50 r1 <- 0.45 K1 <- 220 alpha <- 0.95 N2 <- 50 r2 <- 0.55 K2 <- 240 beta <- 0.9 nt <- 200 NN1 <- c(N1, numeric(nt-1)) NN2 <- c(N2, numeric(nt-1)) # Usando a função for for(i in 2:nt){ N1 <- NN1[i-1] N2 <- NN2[i-1] dN1_dt <- r1 * N1 * ((K1 - N1 - (alpha * N2))/K1) NN1[i] <- N1 + dN1_dt dN2_dt <- r2 * N2 * ((K2 - N2 - (beta * N1))/K2) NN2[i] <- N2 + dN2_dt if(NN1[i] < 1 ){ print("Espécie 1 extinta."); break; } else { if(NN2[i] < 1 ){ print("Espécie 2 extinta."); break; } } } # Criando o gráfico plot (NN2 ~ NN1, type="l", xlab="Espécie 1", ylab="Espécie 2", col=2) segments(x0=0, y0=K1/alpha, x1=K1, y1=0) segments(x0=0, y0=K2, x1=K2/beta, y1=0, lty=2) legend("topright", c("Isoclina sp1", "Isoclina sp2"), lty=1:2, cex=0.8) # # O gráfico mostra o tamanho populacional das duas espécies, juntamente com a isoclina das mesmas. Observa-se que a isoclina da espécie 2 está acima da espécie 1, indicando que a espécie 2 apresenta uma vantagem em relação a outra. # Criando o gráfico tamanho populacional x tempo matplot(1:200, cbind(NN1,NN2), type="l", xlab="Tempo", ylab="Tamanho populacional") legend(x=150, y=125, legend=c("Espécie 1", "Espécie 2"), lty=1:2, col=1:2, cex=0.8) # # O gráfico mostra que ambas as espécies estavam crescendo normalmente no início, porém, a- pós atingir aproximadamente 100 indivíduos para ambas, a espécie 1 passou a decrescer enquanto a outra continuou crescendo até atingir a capacidade suporte. Com esses dados, a coexistência das duas espécies parece ser inviável, visto que uma delas quase leva outra à extinção. # Alterando parâmetro para permitir a coexistência N1 <- 50 r1 <- 0.45 K1 <- 270 # O valor era de 220 alpha <- 0.95 N2 <- 50 r2 <- 0.55 K2 <- 260 # O valor era de 240 beta <- 0.9 # Criando o gráfico com os parâmetros alterados matplot(1:200, cbind(NN1,NN2), type="l", xlab="Tempo", ylab="Tamanho populacional") legend(x=150, y=100, legend=c("Espécie 1", "Espécie 2"), lty=1:2, col=1:2, cex=0.8) # # Alterando a capacidade suporte de ambas as espécies, com K1 > K2, obteve-se um gráfico cuja coexistência pareceu ser viável, estando ambas as espécies aparentemente em equilíbrio. Além dis- so, também é possível modular o tamanho populacional fazendo alterações no valor de r e alpha. # # Exercício 4 # Criando os objetos N1 <- 25 r1 <- 0.25 K1 <- 100 alpha <- 2 N2 <- 50 r2 <- 0.25 K2 <- 150 beta <- 3 nt <- 10 NN1 <- c(N1, numeric(nt-1)) NN2 <- c(N2, numeric(nt-1)) # Usando a função for for(i in 2:nt){ N1 <- NN1[i-1] N2 <- NN2[i-1] dN1_dt <- r1 * N1 * ((K1 - N1 - (alpha * N2))/K1) NN1[i] <- N1 + dN1_dt dN2_dt <- r2 * N2 * ((K2 - N2 - (beta * N1))/K2) NN2[i] <- N2 + dN2_dt if(NN1[i] < 1 ){ print("Espécie 1 extinta."); break; } else { if(NN2[i] < 1 ){ print("Espécie 2 extinta."); break; } } } # Criando o gráfico com as isoclinas plot(c(0,100), c(0,150), type="n", xlab="Escorpião vermelho", ylab="Escorpião negro") segments(x0=0, y0=K1/alpha, x1=K1, y1=0) segments(x0=0, y0=K2, x1=K2/beta, y1=0, lty=2) legend("topright", c("Escorpião vermelho", "Escorpião negro"), lty=1:2) # # O gráfico representa uma situação de exclusão competitiva num equilíbrio instável, que even- tualmente leva uma das populações à extinção. # Criando o gráfico matplot(1:10, cbind(NN1, NN2), type="l", xlab="Tempo", ylab="Tamanho populacional") legend("topleft", legend=c("Escorpião vermelho", "Escorpião negro"), lty=1:2, col=1:2, cex=0.8) # # Segundo o gráfico, a tendência é aumentar a população do escorpião negro e consequentemen- te a diminuição dos escorpiões vermelhos, chegando próximo a extinção. Roteiro 13 # # Exercício 1 # # Segundo o gráfico, observa-se que do ovo à eclosão, não há uma mortalidade significativa. Po- rém, depois dessa fase, do período da eclosão até se tornarem juvenis, há um declínio significativo no número de aves que sobrevivem, diminuindo ainda mais depois da fase adulta. Para se ter dados mais completos, seria necessário saber que tipo de interação está acontecendo com as aves, pois até a eclosão não há muito problema, de modo que possivelmente o predador ou competidor não se alimenta de ovos dessas aves. Com isso, provavelmente o problema esteja na interação dessas a- ves com outras espécies que vivem no local. # # Exercício 2 a) # # O melhor modelo para a população seria o colonização interna com efeito de resgate, pois os dados apontam que a colonização de outras manchas dependem das outras metapopulações locais, além disso, as metapopulações podem ter a sua chance de sobrevivência aumentada juntamente com uma maior colonização dos fragmentos. b) # Criando os objetos e usando a função for f <- 0.46 # Valor de 14/30 pi <- 0.05 pe <- 0.2 f <- 0.46 i <- pi * (1-f) e <- pe * f iff <- i * f ef <- e * f for(i in 2:11) { df_dt <- iff * (1 - f) - ef * (1 - f) f <- f + df_dt } 0 0,2 0,4 0,6 0,8 1 1,2 320 298 35 25 20 15 0 Sobrevivência (lx) Série1 # Criando o gráfico plot(0:10, f, type="b", xlab="Tempo", ylab="Fração de manchas ocupadas") # # O gráfico indica que no período de 10 anos, as populações passaram a ocupar mais fragmentos. c) # Alterando o valor de pi para 0.1 e gerando o novo gráfico (no tempo de 5 anos) # # O gráfico indica que a implantação de medidas que aumente a capacidade de colonização traria uma melhoria na conservação dessas aves. # # Exercício 3 # Criando os objetos e aplicando a função for V0 = 80 r = 0.2 b = 0.005 P0 = 30 q = 0.3 a = 0.01 nt = 20 nV <- c(V0, numeric(nt-1)) nP <- c(P0, numeric(nt-1)) for (i in 2:nt) { V <- nV[i-1] P <- nP[i-1] dV_dt <- (r*V) - (a * V * P) nV[i] <- V + dV_dt dP_dt <- (b * V * P)- (q * P) nP[i] <- P + dP_dt if(!(nV[i] >= 1 & nP[i] >= 1)){ print("Predador ou vítima extintos."); break; } } # Gerando o gráfico matplot(tempo, NNs, type="l", xlab="Tempo", ylab="Tamanho populacional") legend("bottomleft", c("Aves", "Gatos"), lty=1:2, col=1:2, cex=0.6) # # O gráfico mostra que inicialmente, com o aumento da população de gatos ocorreu um declínio acentuado na população das aves, que posteriormente passou a aumentar com a diminuição de pre- dador. # # Exercício 4 A implantação de um corredor ecológico aponta que teria um aumento na capacidade de coloniza- ção de novos fragmentos. Porém, o gráfico gerado no exercício 2 aponta somente o fator ‘colonização x tempo’, não levando em consideração a presença de predador. Para uma melhor medida de conservação, seria necessário erradicar a população do predador exótico na área, que segundo o gráfico, o aumento na população de predadores leva à diminuição das aves.
Compartilhar