Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DE SÃO PAULO INSTITUTO DO MAR MARCELO DE OLIVEIRA ROCHA Avaliação do impacto da poluição nos aspectos ecológicos de espécies e grupos funcionais de costões rochosos SANTOS 2021 2 MARCELO DE OLIVEIRA ROCHA Avaliação do impacto da poluição nos aspectos ecológicos de espécies e grupos funcionais de costões rochosos Trabalho de Conclusão de Curso apresentado no Instituto do Mar na Universidade Federal de São Paulo, como exigência para aprovação em TCC II. Orientador: Prof. Dr. Ronaldo Adriano Christofoletti Co-orientadora: Dra. Aline Sbizera Martinez SANTOS 2021 3 Resumo Neste estudo investigamos a relação entre a concentração de metais no ambiente e em organismos (espécies e grupos funcionais) de costões rochosos em áreas sob diferentes níveis de impacto de poluição. Metais constituem um complexo grupo de elementos químicos, com elevada resiliência no ambiente físico e nos organismos. Sua presença nas formas orgânicas e inorgânicas tem consequências na biodisponibilidade e na toxicidade aos organismos. Poucos grupos de organismos presentes nos costões rochosos têm sido utilizados nesta temática, apesar dos crescentes impactos antrópicos, como o exemplo da tragédia da Samarco, que impactam os ambientes costeiros. Assim, por meio de uma avaliação interdisciplinar através da quantificação dos metais nos tecidos dos organismos e nos aspectos populacionais destes animais (tamanho, peso e abundância). Os resultados acabaram indicando que não houve uma diferença tão significativa entre as diferentes áreas por conta da poluição por metais, mas pode ser observado que em locais onde há uma maior quantidade de poluição (Ex: Praia do góes, Santos), os organismos demonstraram uma alteração na sua dieta. Neste estudo, avaliamos o potencial de diferentes espécies e grupos funcionais como bioindicadores e biomonitores em ambientes costeiros, contribuindo para aspectos científicos e também de gestão da zona costeira. Palavras-chaves: Metais Pesados; Bioindicadores; Biomonitores; costão rochoso; Grupos Funcionais 4 Abstract In this study we investigated the relationship between the concentration of metals in the environment and in organisms (species and functional groups) of rocky shores in areas under different levels of pollution impact. Metals are a complex group of chemical elements, with high resilience in the physical environment and in organisms. Its presence in organic and inorganic forms has consequences on bioavailability and toxicity to organisms. Few groups of organisms present in the rocky shores have been used in this theme, despite the growing anthropic impacts, such as the example of the Samarco tragedy, which impact coastal environments. Thus, through an interdisciplinary evaluation through the quantification of metals in the tissues of organisms and in the population aspects of these animals (size, weight and abundance). The results ended up indicating that there was not such a significant difference between the different areas due to metal pollution, but it can be observed that in places where there is a greater amount of pollution (i.e., Praia do Góes, Santos), the organisms showed a change in your diet. In this study, we evaluated the potential of different species and functional groups as bioindicators and biomonitors in coastal environments, contributing to scientific aspects and also to coastal zone management. Keywords: Heavy metals; Bioindicators; Biomonitors; rocky shore; Functional Groups 5 Sumário 1. Introdução........................................................................................................06 2. Materiais e métodos.........................................................................................07 2.1. Análise e coleta.........................................................................................07 2.2. Análise química.........................................................................................09 2.3. Análise estatística......................................................................................11 3. Resultados e discussão...................................................................................11 3.1. Tamanho e massa corpórea......................................................................12 3.2. Fator de condição......................................................................................17 3.3. Dispersão..................................................................................................22 3.4. Análises químicas......................................................................................25 4. Conclusão........................................................................................................27 Referências..........................................................................................................28 Apêndice 1...........................................................................................................32 Apêndice 2...........................................................................................................44 6 1. Introdução Os impactos antrópicos têm sido um grande problema para os ecossistemas marinhos (Lotze, 2006). As expansões urbanas e industriais auxiliaram na poluição marinha em diversas formas. Dentre elas, as principais foram as emissões diretas (Ex: derramamento de petróleo) ou indiretas (Ex: esgoto doméstico e industrial) de efluentes nos oceanos (Calmano et al., 1996), gerando um grande desafio para a gestão e conservação dos ambientes costeiros (Halpern, 2007). A presença de elementos traços no ambiente marinho ocorre naturalmente, porém alguns estudos vêm mostrando que a emissão dos metais em ecossistemas marinhos vem aumentando suas concentrações e os transformando em poluentes (Nammalwar, 1983; Sengupta, 2018), uma vez que os mesmos não se degradam e persistem nas regiões por onde transita (Jakimska et al, 2011). Os efeitos negativos oriundos da emissão de efluentes domésticos e industriais se dá principalmente na redução da riqueza, diversidade e produtividades das espécies marinhas (Lotze, 2006; Johnston, 2009), pois a quantidade de elementos traços que está presente, tanto na água, quanto no sedimento dos ecossistemas marinhos é significativamente relevante para tal perturbação (Fleeger et al., 2003). Dentre os ambientes costeiros, os costões rochosos são um dos ambientes mais biodiversos e produtivos do mundo, presente nas regiões entremarés. Eles são de extrema importância, pois o mesmo abriga uma grande quantidade de espécies ecologicamente e economicamente relevantes (Nybakken, 2001). As espécies de macrofauna bentônica, presente nos costões, quando expostas a um local potencialmente afetado pode ser uma ferramenta mais rápida e confiável para avaliar possíveis impactos de contaminação antrópica (Rubal et al., 2009), possuindo então uma função importante de bioindicadores e biomonitores, e assim, utilizadas como modelo de estudos para impactos ambientais (Gray, 1989; English et al, 2015; Fairweather, 1990). Cracas e mexilhões vêm sendo utilizadas como biomonitores de poluição por metais há um tempo (Phillips and Rainbow, 1988; Rainbow, 2002), uma vez que são organismos suspensívoros e filtram a água para a obtenção de alimentos (Rainbow, 1995), e assim, auxiliando nos estudos de poluição proveniente da urbanização (Rainbow and Phillips, 1993). 7 Nos costões rochosos, o uso de biomonitores e bioindicadores podem auxiliar na determinação de poluentes que afetam a dinâmica do ambiente e auxiliar em processos de manejo e gestão costeira. Neste projeto, nosso objetivo foi comparar a contaminação de metais em organismosde áreas com diferentes níveis de poluição, e identificar parâmetros ecológicos como a abundância, tamanho e a biomassa das principais espécies de costões rochosos da costa subtropical brasileira que estejam associados com a contaminação. Nós avaliamos 8 espécies dos quatro principais grupos funcionais (produtores primários, consumidores primários, suspensívoros e predadores) de forma a avaliar os diferentes níveis taxonômicos como bioindicadores/biomonitores em costões rochosos. 2. Materiais e métodos 2.1. Análise e coleta Este estudo foi realizado em oito costões rochosos divididos em dois níveis de poluição: ‘regiões poluídas’ (Baía de Santos: costões rochosos de Urubuqueçaba e da Praia do Góes, Baía de Guanabara: costões rochosos da Praia Vermelha e de Piratininga) (onde níveis de poluição são conhecidos e elevados para a região costeira) e ‘regiões pristinas’ (i.e. níveis de poluição desconhecidos ou baixos em relação aos demais) (Ubatuba: costões rochosos da Praia Grande e da Praia Vermelha do Sul, Arraial do Cabo: costões rochosos da Fortaleza e da Prainha). As coletas foram realizadas nos meses de julho e agosto de 2019, associadas as demais amostragens do projeto AP 2016/24551-4. Na proposta inicial, teríamos 3 regiões (incluindo ES nas regiões acima) com 1 costão por área poluída e área não poluída de cada região. Devido a alterações nas amostragens do projeto 2016/24551-4, onde as amostragens no ES não seriam mais realizadas, optamos por também reduzir a amostragem deste projeto e replicar os níveis de costões rochosos dentro de cada região. Assim, ao todo tivemos 8 costões rochosos devidamente replicados dentro de cada nível de poluição em cada região ao invés de 6 costões rochosos da proposta inicial. O costão rochoso de cada região foi selecionado considerando o grau de exposição às ondas similar entre os mesmos, uma vez que este pode determinar tanto a distribuição quanto a ocorrência das diversas espécies presente no costão, e a acessibilidade. Este desenho amostral permitiu replicar os níveis de poluição de forma 8 intercalada ao longo da linha de costa, evitando qualquer influência local/regional na análise. A seleção dos costões rochosos e as coletas estavam associadas as demais coletas de campo do Auxílio a Pesquisa FAPESP do orientador (2016/24551-4), assim como as análises químicas ao projeto de Pós-Doutorado FAPESP (2016/11947-7). Em cada costão rochoso, foram amostradas espécies para cada grupo funcional, sendo estes grupos os produtores primários (algas coralináceas e corticóides), consumidores primários (Lottia subrugosa e Echinolittorina ziczac), suspensívoros (Chtamalus sp., Tetraclita stalactifera, Perna perna e Mytilaster solisianus) e predadores (Stramonita haemastoma). Quando em campo, as amostragens foram divididas em três etapas em cada costão rochoso. A primeira etapa se deu pelas amostragens por fotos nas três principais faixas localizadas nos costões rochosos, a primeira faixa, onde estão localizados os Chtamalus sp., foram tiradas 20 fotos em quadrados de 10 x 10 cm em pontos aleatórios; na faixa dos Mytilaster solisianus, foram amostrados 20 quadrados, em pontos aleatórios, com um amostrador de 15 x 15 cm; na faixa de algas, foram tiradas 20 fotos utilizando amostradores de 25 x 25 cm também aleatoriamente. A segunda etapa foi caracterizada pelas amostragens manuais anotando a abundância dos organismos, onde foram obtidos os dados para as Stramonita, no mesolitoral, abaixo do limite inferior de Chtamalus até a linha d’água, utilizando amostradores com medida de 25 x 25 cm, coletando os dados de 30 pontos aleatórios. Foram também amostrados os litorinídeos, acima da faixa de Chtamalus, utilizando quadrados de 5 x 5 cm em 20 pontos aleatórios. A última etapa determinou a coleta dos organismos para medição, pesagem e análises químicas. Foram coletados ao mínimo 30 indivíduos de cada espécie em cada local para as futuras análises. Com o auxílio de uma espátula, foram coletadas as algas na região do infralitoral; as lapas na região da faixa do mesolitoral; os mexilhões, tanto os Mytilaster, quanto os P. perna; e as cracas, Chtamalus e Tetraclita. Para os litorinídeos e os gastrópodes, foram realizadas coletas manuais ao longo do costão até atingir o número amostral de 30 indivíduos. Todos os organismos foram guardados em embalagens separadas e etiquetadas devidamente e armazenadas em um freezer para posteriormente fazer as análises. 9 Os organismos foram divididos em dois grupos para realização da sua medição devido ao seu tamanho. Para os organismos maiores, como a S. haemastoma e o P. perna, o seu tamanho foi mensurado a partir de um paquímetro. Já os organismos menores, sendo eles Mytilaster, L. subrugosa e Tetraclita, utilizou-se o programa ImageJ, que a partir de fotos destes organismos pode-se determinar o comprimento da sua concha, e no caso da Tetraclita, o comprimento do seu opérculo. Para as algas, litorinas e Chtamalus houveram dificuldades para mensurar o tamanho e a sua massa e os mesmos ficaram sem tais dados. Para determinar a massa corpórea destes organismos, foi utilizado uma balança semi-analítica, onde os organismos, Mytilaster, L. subrugosa e P. perna foram pesados juntamente com as suas respectivas conchas, enquanto os organismos S. haemastoma e Tetraclita foram pesados duas vezes, sendo na primeira para determinar a massa total e na segunda pesagem foi para determinar a massa do tecido mole. Após estas análises ecológicas os tecidos moles de todos os organismos coletados foram retirados e congelados para a análise química. 2.2. Quantificação de metais pesados. Amostragem e preparo para fluorescência de raios X com reflexão total e radiação Síncrotron (SR-TXRF). As amostras de cada espécie de cada costão rochoso foram compostas dos tecidos dos animais, excluindo-se as conchas. Todas as amostras foram armazenadas separadamente em baixa temperatura (-5 °C). Em laboratório, 100 mg de cada amostra de tecido foram digeridos em meio ácido (ácido nítrico), aquecidos e seus volumes foram ajustados adicionando-se água deionizada – Milli-Q, com a separação de uma alíquota de 500 µL e adição 50 µL de gálio (Ga), utilizado como padrão interno. A curva de calibração foi obtida pelo uso de solução padrão multi- elementos contendo Al, K, Ca, Fe, Co, Ni, Cu, Sr e Mo para linhas K, preparados em seis concentrações conhecidas (Tabela I). Instrumentação. A quantidade de metais foi determinada pela SR-TXRF, com uso de feixe policromático com energia máxima de 20 keV para excitação. Um detector de Si (Li) com uma resolução de 140 eV até 5,9 keV foi utilizado. A distância reflexão- detecção foi de 5 mm e o ângulo de incidência (para amostrador PerspexTM) 1,0 mrad. 10 Para a obtenção das intensidades de raios X para cada elemento, amostras e padrões foram excitados por 300 s e os espectros obtidos foram avaliados com o software de sistema de análises quantitativas de raios X (QXAS), distribuído pela Agência Internacional de Energia Atômica (IAEIA). Tabela 1. Concentração da solução padrão multi-elementos para linhas K. Análises quantitativas. Utilizamos a equação 1 por permitir a exclusão dos efeitos de intensificação, já que as amostras foram consideradas como películas delgadas. (1) onde representa a intensidade da fluorescência (cps) do elemento i, a concentração (µg.g-1), e a sensibilidade para o elemento (cps.µg.mL-1). A película delgada formada no suporte PerspexTM não possui geometria regular e portanto as intensidades dos raios X dependem da posição da película. O efeito geométrico pode ser corrigido ao se computar a intensidade relativa para cada elemento em relação ao padrão interno somada a cada amostra e padrão (equação 2). ou (2) Assumindo-se e , onde e representam a intensidade de fluorescência (cps)e a concentração (µg.mL-1) do padrão interno na 11 amostra, a intensidade para o padrão interno (cps.µg.mL-1), a intensidade relativa do elemento i e a sensibilidade do elemento i. Pela substituição dos dados da equação 1 pelos da equação 2, obtemos a equação 3, que será utilizada para análise quantitativa da TXRF. (3) A sensibilidade relativa foi determinada pelas medições a partir dos padrões contendo os elementos Al, K, Ca, Cr, Mn, Fe, Co, Ni, Cu, Zn e Sr e Mo para as linhas K. Validação da TXRF. A acurácia das medidas foi verificada pela determinação das concentrações dos elementos em uma solução preparada com material certificado do National Institute of Standards and Technology (NIST). 2.3. Análises estatísticas Os dados do tamanho médio, massa, fator de condição e concentração dos metais foram comparados para cada espécie entre as áreas poluídas e pristinas através de ANOVA de duas vias para os organismos M. solisianus, L. subrugosa, S. haemastoma considerando o fator ‘poluição’ como fixo (regiões poluídas e regiões pristinas) e o fator local como aleatório e aninhado dentro do fator ‘poluição’. Para os organismos T. stalactifera e P. perna, onde não há replicação balanceada de todos os locais para o fator de ‘poluição’, foram comparados através de ANOVA de uma via usando os locais como fator único e fixo. Para as comparações por pares foram utilizados o método de Student–Newman–Keuls (SNK) para os dados que tiveram um valor p < 0,05. 3. Resultados e discussão Após feitas as análises em laboratório, conseguimos verificar que houve um padrão para alguns organismos com a relação do índice de poluição e alterações morfológicas, quando comparado com os indivíduos da mesma espécie de localidades diferentes. 12 3.1. Tamanho e Massa corpórea Ao comparar os consumidores primários das regiões de baixa e alta poluição, observa-se que o tamanho e a massa corpórea das duas espécies de mexilhões coletados, Mytilaster e P. perna (figura 1) não obtiveram uma diferença significativa (p > 0,05) para o fator de poluição, mas ao comparar os locais entre si, pode-se dizer que tanto o tamanho quanto a massa corpórea destes organismos foram influenciados pelo local em que eles foram coletados (p < 0,001). Nos locais com maior índice de poluição, Urubuqueçaba – S e Praia Vermelha – R tiveram, respectivamente, a menor e a maior média de tamanho, já nos locais com um menor índice de poluição todos os locais obtiveram médias relacionadas ao tamanho distintas e significativas (p < 0,001), para os M. solisianus (Tabela 1 - apêndice 1), já para os P. perna, as duas praias de Ubatuba demostraram uma diferença relevante (p < 0,001) (tabela 6 – apêndice 1). Estes organismos são considerados como ótimos modelos de monitoramento ambiental por conta da notável bioacumulação de oligoelementos em seus tecidos (Campolim et al., 2018, Rainbow, 2002), porém sabe-se que os níveis de biacumulação variam temporalmente, assim como o nível de poluição encontrado no ambiente (Wepener and Degger, 2020). (1) (2) 13 (3) (4) Figura 1. Gráfico do tamanho (1 e 3) e massa corpórea (2 e 4) do M. solisianus e P.perna com o seu devido desvio padrão nos diferentes pontos de coleta. ●: Áreas poluídas; ●: Áreas pristinas O grupo das T. stalactifera, ao fazer uma comparação por pares entre os locais de coleta, pode-se dizer que estes dados de tamanho e massa são significativos (p < 0,001), sendo que para a massa total e massa mole, a Praia grande – U, Praia Vermelha do Sul – U e Prainha – A, mostraram maiores diferenças tendo com elas as maiores médias, indicando que o ambiente influencia na dinâmica comportamental do organismo (tabela 5 – apêndice 1). Isto sugere que a poluição em si não contribui para tais divergências e provavelmente os principais fatores que possam contribuir para tal crescimento seriam as próprias condições ambientais, como, por exemplo, a oferta de alimentos presente no local (Skinner et al., 2007). Os gráficos referentes a estes organismos estão seguindo o mesmo padrão, mas que isto não significa que não está sendo afetado por algum outro fator (Ex: disponibilidade de alimentos) (Figura 2). As respostas de curto prazo ao estresse ambiental podem esgotar as reservas energéticas e aumentar a duração da vida de um indivíduo, levando a mudanças na aptidão individual que podem impactar o quão resilientes às populações e comunidades são às mudanças ambientais (Torossian et al. 2020). 14 (5) (6) (7) Figura 2. Gráfico do tamanho (5), massa corpórea total (6) e massa do tecido mole (7) da T. stalactifera com o seu devido desvio padrão nos diferentes pontos de coleta. ●: Áreas poluídas; ●: Áreas pristinas Os indivíduos raspadores da espécie L. subrugosa apresentaram uma diferença em seu crescimento de acordo com o índice de poluição do local onde o mesmo foi coletado (p < 0,05). Ao analisar a sua massa, a diferença entre os valores não se dá de forma expressiva (p > 0,05), porém o peso dos organismos coletados nas praias do Rio de Janeiro (Piratininga e Praia vermelha) mostra que estes locais são fatores determinantes para tais medidas (p < 0,001) e o mesmo pode ser dito para os organismos coletados na Praia Vermelha do Sul – U; e Praia de Fortaleza – A; 15 onde estes valores também foram significativos (p < 0,001). Begliomini et al. (2017) havia descrito que o peso e o tamanho das conchas da espécie L. subrugosa apresentavam maiores valores em regiões onde a taxa de poluição se apresentava menor, porém o dados obtidos neste projeto mostraram que em três dos quatro pontos considerados poluídos (Góes – S, Piratininga – R e Praia vermelha - R) mostraram que a média dos tamanho desta espécie foram maiores do que os indivíduos coletados em regiões pristinas (Praia grande – U, Praia vermelha do sul – U, Prainha – A e Fortaleza - A) (Figura 3). Estes resultados podem indicar um outro estressor como potencial perturbador, uma vez que os resultados aqui mostrados não apontam a poluição por metais como fator determinante para tais diferenças (figura 8), outros poluentes podem alterar este parâmetro, como matéria orgânica, pois nestes locais encontram altas emissões de esgotos domésticos. Todas as localidades obtiveram valores distintos significativos entre o grupo dos poluídos (p < 0,001) e as praias de Ubatuba mostraram valores expressivos (p < 0,001) das demais do grupo pristino. A comparação parelha dos locais, tanto para tamanhos quanto para massa corpórea também indicam que o fator local influência nas suas respectivas medidas (p < 0,001). (8) (9) Figura 3. Gráfico do tamanho (8), massa corpórea (9) da L. subrugosa com o seu devido desvio padrão nos diferentes pontos de coleta. ●: Áreas poluídas; ●: Áreas pristinas 16 Foi notado no grupo dos predadores que o seu crescimento não variou com o índice de poluição (p > 0,05), pois foi observado que o seu crescimento e a sua massa corpórea variaram bastante entre as localidades consideradas ‘mais limpas’ e das ‘mais poluídas’ (figura 4), e ao realizar a comparação por pares das áreas poluídas e das pristinas, pode-se observar que os números são significativos (p > 0,001), onde as quatro praias consideradas poluídas mostraram essa significância e principalmente a Prainha – A dentro do grupo pristino (tabela 4 – apêndice 1). Há algumas condições ambientais que podem influenciar nessa divergência de dados, como a estação do ano em que o organismo foi coletado pode resultar em diferentes dados amostrais (Bouzahouane, 2018), mostrando que outros fatores ecológicos, tais como predação, disponibilidade de alimentos e/ou influência da força das ondas também podem favorecer ou prejudicar esta taxa (Primavesi et al., 2007). Os organismos que foram coletados na praia do Góes – S obtiveram uma média do tamanho e da massa corpóreatotal e tecidual maior do que nos demais pontos (Figura 4). Ao considerar que neste ponto se encontra o estuário, onde também está localizado o porto de Santos, podemos apontar que a poluição está influenciando nesta diferenciação morfológica dos organismos, uma vez que contaminantes legados de águas pluviais em águas estuarinas rasas alteraram significativamente o metabolismo bentônico e poderiam afetar a ciclagem biogeoquímica de nutrientes (Sutherland et al. 2017). Outro fator relevante para entender estes resultados é a presença de materiais anti-incrustantes, sendo eles um dos agentes principais para tal plasticidade desse táxon (Otegui et al., 2019). Além deste grupo, todos os demais organismos coletados neste mesmo ponto (M. solisianus, L. subrugosa e T. stalactifera) tiveram uma diferença significativa (p > 0,05) quando comparados com os organismos das respectivas espécies encontradas em regiões com um menor índice de poluição. Estes organismos podem ser considerados uma ferramenta útil no biomonitoramento da poluição aquática por serem considerados como uma espécie sentinela (Bouzahouane, 2018). 17 (10) (11) (12) Figura 4. Gráfico do tamanho (10), massa corpórea total (11) e massa do tecido mole (12) da S. haemastoma com o seu devido desvio padrão nos diferentes pontos de coleta. ●: Áreas poluídas; ●: Áreas pristinas 3.2. Fator de condição O fator de condição de um organismo mostra o quanto o mesmo pode estar acima ou abaixo do peso quando comparado com a relação peso-comprimento do seu grupo, podendo ter uma variação desta relação que depende de alguns fatores, tais como estação do ano, da população que está sendo estudada ou de situações ambientais pontuais (Ex: poluição ambiental) que afetam aquele ecossistema (Froese, 2006). A figura 5 mostra as relações peso-comprimento de 18 5 grupo de organismos estudados (M. solisianus, L. subrugosa, S. haemastoma, T. stalactifera e P. perna) e que a partir da linha de tendência de cada gráfico foi possível determinar a sua equação e posteriormente calculado o fator de condição de cada organismo. (13) (14) (15) (16) (17) (18) 19 (19) Figura 5. Gráfico da relação peso-comprimento dos organismos M. solisianus (13), L. subrugosa (14), S. haemastoma (15 e 16), T. stalactifera (17 e 18) e P. perna (19). No grupo dos filtradores, conseguimos encontrar algumas variações entre as localidades dos organismos que puderam inferir que estes locais estão influenciando no fator de condição dos organismos (figura 6). Para os Mytilaster no ponto “Góes – S” obteve uma diferença significativa (p < 0,001) das demais localidades, quando comparado ao grupo dos costões poluídos, uma vez que a média do fator se encontra abaixo de 1,0, o que indica uma certa desnutrição dos organismos ou falta de disponibilidade de alimento no ambiente (Pinheiro et al., 2009). O mesmo pode ser observado no grupo dos costões pristinos, onde o ponto referente à Praia grande – U também teve uma diferença significativa (p < 0,05) (tabela 2 – apêndice 1), uma vez que entre todos os pontos coletados, este se destacou com um uma média superior aos demais (figura 6.20). Para o P. perna as análises estatísticas mostraram que os organismos presentes no ponto de “Piratininga – R” e “Praia grande – U” expressaram um valor referente ao fator de condição possui uma diferença relevante (p < 0,05) quando comparados aos demais locais onde estes organismos foram recolhidos (tabela 6 – apêndice 1), uma vez que suas médias demonstram um maior alcance (figura 6.21). Para as T. stalactifera, o resultado da ANOVA de uma via mostrou que para o fator de condição referente à massa total (figura 6.22) obteve maiores diferenças nas praias de Piratininga – R; Praia Grande – U e Praia Vermelha do Sul – U (p < 0,05) quando cotejado com as demais quatro praias onde foram coletados os organismos, pois as três praias que se diferenciaram apresentaram um fator de condição maior 20 que 1,0. Para o fator de condição condizente à massa mole (figura 6.23) as praias que se destacaram de forma significante (p < 0,01) das demais foram os pontos de Ubatuba (Praia Grande e Praia Vermelha do Sul), uma vez que o fator de condição ultrapassou o valor de 1,0. Destaca-se também que a praia do Góes – S e a Prainha – A obtiveram uma diferença relevante quando comparadas entre si (p < 0,05) (tabela 5 – apêndice 1). Referente às lapas (figura 6.24) observou-se que no grupo dos poluídos, todos os costões se diferenciaram de forma relevante (p < 0,05). Já no grupo dos costões pristinos, os pontos referentes à “Praia vermelha do sul – U” e “Prainha – A” mostraram uma divergência significativa dos demais pontos (p > 0,01), e assim mostrando que estes pontos em si influencia no fator de condição dos organismos ali presentes (tabela 3 – apêndice 1). Para os dados da S. haemastoma (tabela 4 – apêndice 1), o fator de condição pertencente à massa total (figura 6.25) mostra que os organismos presentes em Urubuqueçaba – S apresentam estes valores por conta deste habitat em que eles estão presentes (p < 0,001) por estarem muito abaixo das outras médias do grupo dos costões poluídos, e além deste costão, as praias do Góes – S e Praia vermelha – R obtiveram uma diferença relativa entre si (p < 0,05). Referente ao grupo dos pristinos, não houve uma diferença significativa entre os grupos (p > 0,05). O fator de condição da massa mole deste grupo de organismos mostrou que dentre o grupo dos poluídos, os pontos Piratininga – R e Praia vermelha – R passaram de forma abrangente (p < 0,001) as demais médias, tendo valores muito superiores a 1,0 (figura 6.26). Para o grupo dos costões pristinos dentro deste mesmo fator, o ponto Prainha – A foi o único do grupo que a sua média passou a 1,0, se destacando dos demais locais (p < 0,01). (20) 21 (21) (22)(23) (24) 22 (25) (26) Figura 6. Gráfico de barras do fator de condição dos organismos M. solisianus (20), P. perna (21), T. stalactifera (22 e 23), L. subrugosa (24) e S. haemastoma (25 e 26) em seus respectivos locais de coleta. ●: Áreas poluídas; ●: Áreas pristinas 3.3. Distribuição Ao analisar as distribuições destes organismos em seus respectivos costões rochosos, notamos que não houve uma diferença significativa entre os diferentes tipos de regiões, como é mostrado na figura 7 e na tabela 7. (27) 23 (28) (29) (30) (31) 24 (32) Figura 7. Gráfico de barras da distribuição dos organismos Chtamalus sp. (27), M. solisianus (28), algas (29), S. haemastoma (30), E. ziczac (31) e L. subrugosa (32) nos seus respectivos locais de coletas ●: Áreas poluídas; ●: Áreas pristinas Tabela 7. Médias da superfície de cobertura dos organismos coletados em suas respectivas localidades (pristinas e poluídas) Os estressores únicos ou múltiplos afetam de maneira diferente a riqueza, a diversidade, a uniformidade, a estrutura e a recuperação do ecossistema. Assim, métricas complementares são necessárias para documentar esses efeitos na estabilidade e persistência da comunidade (Cimon and Cusson, 2018). Vários estressores podem interagir de forma diferente (dominante, aditivo, sinérgico, antagonístico) nas características da comunidade e na resiliência, e os efeitos não 25 podem ser previstos a partir de estudos sobre um único estressor ou que pressupõem um impacto cumulativo aditivo de vários estressores, portanto é difícil determinar relações de causa-efeito, o papel de diferentes fatores de estresse (naturais ou antropogênicos) dificilmente pode ser isolado (Cimon and Cusson, 2018; Vichi and Villa, 2006). Respostas de curto prazo ao estresse ambiental podem esgotar as reservas energéticas e aumentar a duração da vida de um indivíduo, levando a mudanças na aptidão individual que podem impactar o quão resilientes às populações e comunidades são às mudanças ambientais (Torossian et al. 2020). 3.4. Análises químicas Considerando os contaminantes, não houve nenhuma variação significativa dos poluentes analisados em relação ao nível de poluição (alto e baixo) ou regiões (Santos, Ubatuba, Rio de Janeiro e Arraial do Cabo) para nenhuma das espécies analisadas (Figura 8 – detalhes das análises estatísticas no Apêndice 2). Este resultado demonstra que não existe variação na concentração dos contaminantes em organismos de costões rochosos em regiões de alta e baixa poluição indicando que o aumento na concentração ambiental potencialmente não leva ao acúmulo nos organismos. Os organismos marinhos acumulam metais essenciais e não essenciais em vários graus, com níveis dos mesmos locais potencialmente tóxicos para algumas espécies, mas não tóxicos para outras (Erasmus et al., 2020). O acúmulo depende da produtividade do corpo d'água, da biodisponibilidade dos compostos presentes em cada região, bem como da adaptabilidade da faixa de tolerância dos organismos às flutuações dos metais no ambiente (Griboff et al., 2018). A capacidade dos organismos de metabolizar metais varia muito, dependendo do metal em particular, sua biodisponibilidade e o organismo específico (Rainbow et al., 2015). Devido a esse fato, não há uma concentração tóxica única definida de metais nos organismos (Liu et al., 2013; Rainbow et al., 2015). 26 Por outro lado, é necessário ressaltar que as concentrações ambientais dos poluentes podem ser similares entre as áreas devido às correntes marinhas e à dispersão de poluentes. (33) (34) (35) (36) (37) (38) 27 (39) Figura 8. Comparação das concentrações de metais nos organismos amostrados em relação a áreas de poluição alta ou baixa. Detalhes das análises estatísticas no Apêndice I. Algas (33); Chthmalus sp. (34); E. ziczac (35); L. subrugosa (36); M. solisianus (37); S. haemastoma (38); T. stalactifera (39). 4. Conclusão Os estudos avaliativos de poluição marinha vêm se mostrando cada dia mais necessários para a compreensão de eventos extremos e das mudanças climáticas. As respostas morfológicas investigadas neste estudo não conseguem trazer uma afirmação concreta sobre causa e efeito de regiões pristinas e poluídas, uma vez que múltiplos estressores podem relacionar-se entre si, e assim, combinarem seus efeitos a fim de resultar num impacto de larga escala. Em regiões portuárias, o alto índice de poluição promove uma alteração dos hábitats marinhos costeiros. Os estressores têm o potencial de causar mudanças importantes na dinâmica da população e/ou da assembleia e suas ações precisam ser reduzidas para que as "surpresas ecológicas" sejam evitadas (Paine, 1984; Atalah and Crowe, 2010), portanto, mais estudos com vieses químicos, ecológicos e ecotoxicológicos devem ser realizados para que os danos possam vir a ser minimizados. 28 Referências Atalah, Javier, and Tasman P. Crowe. "Combined effects of nutrient enrichment, sedimentation and grazer loss on rock pool assemblages." Journal of Experimental Marine Biology and Ecology 388.1-2 (2010): 51-57. Bouzahouane, Hana, et al. "Multi-biomarkers approach to the assessment of the southeastern Mediterranean Sea health status: Preliminary study on Stramonita haemastoma used as a bioindicator for metal contamination." Chemosphere 207 (2018): 725-741. Begliomini, Felipe Nincao, et al. "Shell alterations in limpets as putative biomarkers for multi-impacted coastal areas." Environmental Pollution 226 (2017): 494-503. Calmano, W., W. Ahlf, and U. Förstner. "Sediment quality assessment: chemical and biological approaches." Sediments and toxic substances. Springer, Berlin, Heidelberg, 1996. 1-35. Campolim, Marcos Bührer, Marcelo Barbosa HENRIQUES, and Edison BARBIERI. "Al, Cd, Cr, Cu, Fe, Mn, Ni, Pb E Zn EM MEXILHÕES COLETADOS NA BAÍA DE SANTOS, SÃO PAULO, BRASIL: LIMITES PRECONIZADOS PELA LEGISLAÇÃO BRASILEIRA." Boletim do Instituto de Pesca 44.4 (2018): 237-283. Cimon, Stéphanie, and Mathieu Cusson. "Impact of multiple disturbances and stress on the temporal trajectories and resilience of benthic intertidal communities." Ecosphere 9.10 (2018): e02467. Chaudhuri, Anish, et al. "Heavy metal biomonitoring by seaweeds on the Delmarva Peninsula, east coast of the USA." Botanica Marina 50.3 (2007): 151-158. Díaz-Jaramillo, M., et al. "Stress responses to warming in the mussel Brachidontes rodriguezii (d'Orbigny, 1842) from different environmental scenarios." Aquatic Toxicology 228 (2020): 105647. English, Matthew D., Gregory J. Robertson, and Mark L. Mallory. "Trace element and stable isotope analysis of fourteen species of marine invertebrates from the Bay of Fundy, Canada." Marine pollution bulletin 101.1 (2015): 466-472. 29 Erasmus, Anja, et al. "Trophic transfer of pollutants within two intertidal rocky shore ecosystems in different biogeographic regions of South Africa." Marine Pollution Bulletin 157 (2020): 111309 Fairweather, Peter G. "Sewage and the biota on seashores: assessment of impact in relation to natural variability." Environmental Monitoring and Assessment 14.2-3 (1990): 197-210. Fleeger, J.W., Carman, K.R., Nisbet, R.M., 2003. Indirect effects of contaminants in aquatic ecosystems. Sci. Total Environ. 317, 207-233 Gray, J.S., 1989. Effects of environmental stress on species rich assemblages. Biol. J. Linn. Soc. 37, 19-32 Froese, Rainer. "Cube law, condition factor and weight–length relationships: history, meta‐analysis and recommendations." Journal of applied ichthyology 22.4 (2006): 241-253. Griboff, Julieta, et al. "Bioaccumulation and trophic transfer of metals, As and Se through a freshwater food web affected by antrophic pollution in Córdoba, Argentina." Ecotoxicology and environmental safety 148 (2018): 275-284. Grumiaux,F. et al. 1998. Effeect of sediment quality on benthic macroivertebrate communist in streams in the north of France. 385, 33-46 Halpern, Benjamin S., et al. "Evaluating and ranking the vulnerability of global marine ecosystems to anthropogenic threats." Conservation Biology 21.5 (2007): 1301-1315. Jakimska, Anna, et al. "Bioaccumulation of Metals in Tissues of Marine Animals, Part I: the Role and Impact of Heavy Metals on Organisms." Polish Journal of Environmental Studies 20.5 (2011). Johnston, E.L., Roberts, D.A., 2009. Contaminants reduce the richness and evenness of marine communities: a review and meta-analysis. Environ. Pollut. 157, 1745e 1752 2019 Lotze, H.K., Lenihan, H.S., Bourque, B.J., Bradbury, R.H., Cooke, R.G., Kay, M.C., Kidwell, S.M., Kirby, M.X., Peterson, C.H., Jackson, J.B.C., 2006. Depletion, degradation, and recovery potential of estuaries and coastal seas. Science 312, 1806- 1809 30 Liu, Fengjie, Philip S. Rainbow, and Wen-Xiong Wang. "Inter-site differences of zinc susceptibility of the oyster Crassostrea hongkongensis." Aquatic toxicology 132 (2013): 26-33. Martinez, Aline S., Mariana Mayer-Pinto, and Ronaldo A. Christofoletti. "Functional responses of filter feeders increase with elevated metal contamination: Are these good or bad signs of environmental health?." Marine Pollution Bulletin 149 (2019): 110571. Nammalwar, P. 1983. Heavy metals pollution in the marine environment. Science Spectrum. 158-160 Nybakken, James Willard. Marine biology: an ecological approach. Vol. 5. San Francisco: Benjamin Cummings, 2001. Otegui, Mariana BP, et al. "Imposex response in shell sizes of intertidal snails in multiple environments." Journal of sea research 147 (2019): 10-18. Pérez, Sara, et al. "Limpets (Patella spp. Mollusca, Gastropoda) as model organisms for biomonitoring environmental quality." Ecological indicators 101 (2019): 150-162. Phillips, D. J. H., and P. S. Rainbow. "Barnacles and mussels as biomonitors of trace elements: a comparative study." Marine Ecology Progress Series (1988): 83-93. Pinheiro, Marcelo Antonio Amaro, and Ana Gláucia Fiscarelli. "Length-weight relationship and condition factor of the mangrove crab Ucides cordatus (Linnaeus, 1763)(Crustacea, Brachyura, Ucididae)." Brazilian Archives of Biology and technology 52.2 (2009): 397-406. Primavesi, Odo, Cristina Arzabe, and M. dos S. PEDREIRA. "Mudanças climáticas: visão tropical integrada das causas, dos impactos e de possíveis soluções para ambientes rurais ou urbanos." Embrapa Pecuária Sudeste-Documentos (INFOTECA- E) (2007). Rainbow, Philip S. "Biomonitoring of heavy metal availability in the marine environment." Marine pollution bulletin 31.4-12 (1995): 183-192. Rainbow, Philip S. "Trace metal concentrations in aquatic invertebrates: why and so what?." Environmental pollution 120.3 (2002): 497-507. 31 Rainbow, Philip S., and David JH Phillips. "Cosmopolitan biomonitors of trace metals." Marine pollution bulletin 26.11 (1993): 593-601. Rainbow, Philip S., Fengjie Liu, and Wen-Xiong Wang. "Metal accumulation and toxicity: the critical accumulated concentration of metabolically available zinc in an oyster model." Aquatic toxicology 162 (2015): 102-108. Rubal, M., Guilhermino, L.M., Medina, M.H., 2009. Individual, population and community level effects of subtle anthropogenic contamination in estuarine meiobenthos. Environ. Pollut. 157, 2751-2758. Sengupta, Mritunjoy. Environmental impacts of mining monitoring, restoration, and control. Routledge, 2018. Skinner, Luís Felipe, Fernanda Neves Siviero, and Ricardo Coutinho. "Comparative growth of the intertidal barnacle Tetraclita stalactifera (Thoracica: Tetraclitidae) in sites influenced by upwelling and tropical conditions at the Cabo Frio region, Brazil." Revista de Biologia Tropical (2007). Sutherland, Michael D., et al. "Links between contaminant hotspots in low flow estuarine systems and altered sediment biogeochemical processes." Estuarine, Coastal and Shelf Science 198 (2017): 497-507. Torossian, Jessica L., et al. "Physiological and biochemical responses to acute environmental stress and predation risk in the blue mussel, Mytilus edulis." Journal of Sea Research (2020): 101891. Vighi, Marco, Antonio Finizio, and Sara Villa. "The evolution of the environmental quality concept: from the US EPA Red Book to the European Water Framework Directive." Environmental Science and Pollution Research 13.1 (2006): 9-14. Wepener, V., and N. Degger. "Monitoring metals in South African harbours between 2008 and 2009, using resident mussels as indicator organisms." African Zoology (2020): 1-11. 32 Apêndice 1 Tabela 2. Análises de variância comparando parâmetros de tamanho, massa e fator de condição do M. solisianus entre habitats poluídos e pristinos. Os resultados do teste de SNK são mostrados para fatores significativos. Tamanho Massa C = 0.162, n = 50 C = 0,194ns, n = 50 Fonte df MS F MS F Poluição 1 83.716 0.462 0.0516 0.300 Localidad e 6 181.218 62.719** * 0.1722 34.125*** Residual 392 2.889 0.0050 Teste de SNK Teste de SNK Localidade Poluído R2-S2*** Localidade Poluído R2-S1*** S1-S2*** R2-S2*** R1-S2** R2-R1*** R2-R1*** R2-S1*** Pristino A1-U1*** Pristino A1-U1*** A2-U1*** A2-U1*** U2-U1*** A1-U2*** A1-U2*** A2-U2*** A2-U2*** A2-A1*** A1-A2*** *P < 0.05; **P < 0.01; *** P < 0.001, ns efeito não significativo; C, Teste de Conchran; S1, Góes; S2, Urubuqueçaba; R1, Piratininga; R2, Praia vermelha; U1, Praia grande; U2, Praia vermelha do sul; A1, Prainha; A2, Fortaleza. 33 Tabela 2. (Continuação) Fator de condição C = 0.469ns, n = 50 Fonte df MS F Poluição 1 0.0027 0.0043 Localidade 6 0.6394 7.1875*** Residual 392 0.0889 Teste de SNK Localidade Poluído R2-S1*** R1-S1*** S2-S1*** Pristino U1-A2** U1-U2** U1-A1* *P < 0.05; **P < 0.01; *** P < 0.001, ns efeito não significativo; C, Teste de Conchran; S1, Góes; S2, Urubuqueçaba; R1, Piratininga; R2, Praia vermelha; U1, Praia grande; U2, Praia vermelha do sul; A1, Prainha; A2, Fortaleza. 34 Tabela 3. Análises de variância comparando parâmetros de tamanho, massa e fator de condição do L. subrugosa entre habitats poluídos e pristinos. Os resultados do teste de SNK são mostrados para fatores significativos. Tamanho Massa C = 0.239ns, n = 40 C = 0,465ns, n = 40 Fonte df MS F MS F Poluição 1 711.94 6.8138* 1.4913 1.9724 Localidade 6 104.48 44.7729*** 0.7561 75.1622*** Residual 312 2.33 0.0101 Teste de SNK Teste de SNK Localidade Poluído R2-S2*** Localidade Poluído R2-S2*** S1-S2*** R1-S2*** R1-S2*** R2-S1*** R2-R1*** R1-S1*** R2-S1*** R2-R1*** R1-S1* Pristino A1-U1* Pristino U1-U2*** A2-U1* A2-U1* U2-U1*** A1-U2*** A1-U2*** A2-U2*** A2-U2*** A2-A1* *P < 0.05; **P < 0.01; *** P < 0.001, ns efeito não significativo; C, Teste de Conchran; S1, Góes; S2, Urubuqueçaba; R1, Piratininga; R2, Praia vermelha; U1, Praia grande; U2, Praia vermelha do sul; A1, Prainha; A2, Fortaleza. 35 Tabela 3. (Continuação) Fator de condição C = 0.398ns, n = 40 Fonte df MS F Poluição 1 1.9869 0.4671 Localidade 6 4.2536 40.6773*** Residual 312 0.1046 Teste de SNK Localidade Poluído R2-S1*** R1-S1*** S2-S1*** R2-S2*** R1-S2* R2-R1*** Pristino A1-A2*** U1-U2*** U1-A1*** A1-U2*** A2-U2** *P < 0.05; **P < 0.01; *** P < 0.001, ns efeito não significativo; C, Teste de Conchran;S1, Góes; S2, Urubuqueçaba; R1, Piratininga; R2, Praia vermelha; U1, Praia grande; U2, Praia vermelha do sul; A1, Prainha; A2, Fortaleza. 36 Tabela 4. Análises de variância comparando parâmetros de tamanho, massa e fator de condição do S. haemastoma entre habitats poluídos e pristinos. Os resultados do teste de SNK são mostrados para fatores significativos. Tamanho Massa total C = 0.323ns, n = 34 C = 0,302ns, n = 34 Fonte df MS F MS F Poluição 1 179.611 0.7648 28.219 0.3196 Localidade 6 234.837 6.8559*** 88.285 9.5769*** Residual 264 34.253 9.219 Teste de SNK Teste de SNK Localidade Poluído R2-S1** Localidade Poluído S1-S2*** S1-S2*** R1-S2*** R1-S2*** R2-S2* R2-R1** S1-R2*** R1-R2* Pristino A1-A2* Pristino A1-U1* A1-A2* *P < 0.05; **P < 0.01; *** P < 0.001, ns efeito não significativo; C, Teste de Conchran; S1, Góes; S2, Urubuqueçaba; R1, Piratininga; R2, Praia vermelha; U1, Praia grande; U2, Praia vermelha do sul; A1, Prainha; A2, Fortaleza. 37 Tabela 4. (Continuação). Massa mole Fator de condição (total) C = 0.302ns, n = 34 C = 0.444ns, n = 34 Fonte df MS F MS F Poluição 1 11.294 1.4776 0.1574 0.6132 Localidade 6 45.861 16.2721*** 0.2567 8.3533*** Residual 264 124.009 0.0307 Teste de SNK Teste de SNK Localidade Poluído R1-S2*** Localidade Poluído R2-S2*** S1-S2*** R1-S2*** R2-S2* S1-S2*** R1-R2*** R2-S1* R1-S1*** Pristino A1-U1** A1-A2** A1-U2* *P < 0.05; **P < 0.01; *** P < 0.001, ns efeito não significativo; C, Teste de Conchran; S1, Góes; S2, Urubuqueçaba; R1, Piratininga; R2, Praia vermelha; U1, Praia grande; U2, Praia vermelha do sul; A1, Prainha; A2, Fortaleza. 38 Tabela 4. (Continuação) Fator de condição (mole) C = 0.209ns, n = 34 Fonte df MS F Poluição 1 5.1044 2.1604 Localidade 6 2.3626 47.7930*** Residual 264 0.0494 Teste de SNK Localidade Poluído R1-S1*** R2-S1*** R1-S2*** R2-S2*** R1-R2*** Pristino A1-U1** A1-A2** A1-U2*** *P < 0.05; **P < 0.01; *** P < 0.001, ns efeito não significativo; C, Teste de Conchran; S1, Góes; S2, Urubuqueçaba; R1, Piratininga; R2, Praia vermelha; U1, Praia grande; U2, Praia vermelha do sul; A1, Prainha; A2, Fortaleza. 39 Tabela 5. Análises de variância comparando parâmetros de tamanho, massa e fator de condição do T. stalactifera entre habitats poluídos e pristinos. Os resultados do teste de SNK são mostrados para fatores significativos. Tamanho Massa total C = 0.445ns, n = 40 C = 0,271ns, n = 40 Fonte df MS F MS F Localidade 6 25.4531 5.451*** 25.9686 27.495*** Residual 273 4.6695 0.9445 Teste de SNK Teste de SNK Localidade A1-R1*** Localidade U2-R1*** U2-R1** U1-R1*** A1-R2** A1-R1*** A1-S1** U2-A2*** U1-A2*** A1-A2*** U2-S1*** U1-S1*** A1-S1*** R2-S1* U2-R2*** U1-R2*** U2-A1*** U1-A1* U2-U1** *P < 0.05; **P < 0.01; *** P < 0.001, ns efeito não significativo; C, Teste de Conchran; S1, Góes; R1, Piratininga; R2, Praia vermelha; U1, Praia grande; U2, Praia vermelha do sul; A1, Prainha; A2, Fortaleza. 40 Tabela 5. (Continuação). Massa mole Fator de condição (total) C = 0.284ns, n = 40 C = 0,259ns, n = 40 Fonte df MS F MS F Localidade 6 0.4759 40.2*** 3.5385 28.264*** Residual 273 0.0118 0.1252 Teste de SNK Teste de SNK Localidade U2-S1*** Localidade U2-A2*** U1-S1*** U1-A2*** A1-S1*** R2-A2*** U2-R1*** U2-S1*** U1-R1*** U1-S1*** A1-R1*** R2-S1*** U2-R2*** U2-R1*** U1-R2*** U1-R1*** A1-R2*** R2-R1** U2-A2*** U2-A1*** U1-A2*** U1-A1*** A1-A2*** R2-A1** U2-A1*** U2-R2* U1-A1* U1-R2* U2-U1*** U2-U1* *P < 0.05; **P < 0.01; *** P < 0.001, ns efeito não significativo; C, Teste de Conchran; S1, Góes; R1, Piratininga; R2, Praia vermelha; U1, Praia grande; U2, Praia vermelha do sul; A1, Prainha; A2, Fortaleza. 41 Tabela 5. (Continuação) Fator de condição (mole) C = 0.236ns, n = 40 Fonte df MS F Localidade 6 5.3446 30.377*** Residual 273 0.1759 Teste de SNK Localidade U2-S1*** U1-S1*** A1-S1* U2-A2*** U1-A2*** U2-R2*** U1-R2*** U2-R1*** U1-R1*** U2-A1*** U1-A1*** U2-U1** *P < 0.05; **P < 0.01; *** P < 0.001, ns efeito não significativo; C, Teste de Conchran; S1, Góes; R1, Piratininga; R2, Praia vermelha; U1, Praia grande; U2, Praia vermelha do sul; A1, Prainha; A2, Fortaleza. 42 Tabela 6. Análises de variância comparando parâmetros de tamanho, massa e fator de condição do P. perna entre habitats poluídos e pristinos. Os resultados do teste de SNK são mostrados para fatores significativos. Tamanho Massa C = 0.562ns, n = 26 C = 0,543ns, n = 26 Fonte df MS F MS F Localidade 4 2417.35 46.244*** 130.072 25.437*** Residual 125 52.27 5.113 Teste de SNK Teste de SNK Localidade R2-U2*** Localidade R2-U2*** A1-U2*** A1-U2*** R1-U2*** R1-U2*** R2-U1*** R2-U1*** A1-U1*** A1-U1*** R1-U1*** R1-U1*** *P < 0.05; **P < 0.01; *** P < 0.001, ns efeito não significativo; C, Teste de Conchran; R1, Piratininga; R2, Praia vermelha; U1, Praia grande; U2, Praia vermelha do sul; A1, Prainha; 43 Tabela 6. (Continuação) Fator de condição C = 0.254, n = 26 Fonte df MS F Localidade 4 0.1791 9.8147*** Residual 125 0.0183 Teste de SNK Localidade U1-R1*** U2-R1** A1-R1* R2-R1* U1-R2** U1-A1** U1-U2* *P < 0.05; **P < 0.01; *** P < 0.001, ns efeito não significativo; C, Teste de Conchran; R1, Piratininga; R2, Praia vermelha; U1, Praia grande; U2, Praia vermelha do sul; A1, Prainha; 44 Apêndice 2 Algas Resemblance: D1 Euclidean distance Sums of squares type: Type III (partial) Fixed effects sum to zero for mixed terms Permutation method: Unrestricted permutation of raw data Number of permutations: 9999 Factors Name Abbrev. Type Levels status st Fixed 2 PERMANOVA table of results Unique Source df SS MS Pseudo-F P(perm) perms P(MC) st 1 3.1081E+09 3.1081E+09 1.1441 0.4026 10 0.3532 Res 4 1.0867E+10 2.7168E+09 Total 5 1.3975E+10 Details of the expected mean squares (EMS) for the model Source EMS st 1*V(Res) + 3*S(st) Res 1*V(Res) 45 Echinolittorina ziczac Resemblance: D1 Euclidean distance Sums of squares type: Type III (partial) Fixed effects sum to zero for mixed terms Permutation method: Permutation of residuals under a reduced model Number of permutations: 9999 Factors Name Abbrev. Type Levels status st Fixed 2 region re Random 2 PERMANOVA table of results Unique Source df SS MS Pseudo-F P(perm) perms P(MC) st 1 9.0809E+06 9.0809E+06 0.073972 1 3 0.8572 re(st) 2 2.4552E+08 1.2276E+08 1.6155 0.2925 315 0.2974 Res 4 3.0397E+08 7.5992E+07 Total 7 5.5857E+08 Details of the expected mean squares (EMS) for the model Source EMS st 1*V(Res) + 2*V(re(st)) + 4*S(st) re(st) 1*V(Res) + 2*V(re(st)) Res 1*V(Res) 46 Stramonita haemastoma Resemblance: D1 Euclidean distance Sums of squares type:Type III (partial) Fixed effects sum to zero for mixed terms Permutation method: Permutation of residuals under a reduced model Number of permutations: 9999 Factors Name Abbrev. Type Levels status st Fixed 2 region re Random 2 PERMANOVA table of results Unique Source df SS MS Pseudo-F P(perm) perms P(MC) st 1 1.2841E+08 1.2841E+08 1.1331 0.3293 3 0.3945 re(st) 2 2.2665E+08 1.1333E+08 1.8954 0.1096 315 0.1681 Res 4 2.3916E+08 5.9789E+07 Total 7 5.9422E+08 Details of the expected mean squares (EMS) for the model Source EMS st 1*V(Res) + 2*V(re(st)) + 4*S(st) re(st) 1*V(Res) + 2*V(re(st)) Res 1*V(Res) 47 Mytilaster solisianus Resemblance: D1 Euclidean distance Sums of squares type: Type III (partial) Fixed effects sum to zero for mixed terms Permutation method: Unrestricted permutation of raw data Number of permutations: 9999 Factors Name Abbrev. Type Levels status st Fixed 2 region re Random 2 PERMANOVA table of results Unique Source df SS MS Pseudo-F P(perm) perms P(MC) st 1 4.4444E+10 4.4444E+10 1.0202 0.6628 3 4213 re(st) 2 8.7129E+10 4.3565E+10 1.0084 0.461 313 0.4449 Res 4 1.728E+11 4.3201E+10 Total 7 3.0438E+11 Details of the expected mean squares (EMS) for the model Source EMS st 1*V(Res) + 2*V(re(st)) + 4*S(st) re(st) 1*V(Res) + 2*V(re(st)) Res 1*V(Res) 48 Tetraclita stalactifera Resemblance: D1 Euclidean distance Sums of squares type: Type III (partial) Fixed effects sum to zero for mixed terms Permutation method: Unrestricted permutation of raw data Number of permutations: 9999 Factors Name Abbrev. Type Levels status st Fixed 2 PERMANOVA table of results Unique Source df SS MS Pseudo-F P(perm) perms P(MC) st 1 7.4592E+07 7.4592E+07 0.42614 0.7408 35 0.6708 Res 5 8.752E+08 1.7504E+08 Total 6 9.4979E+08 Details of the expected mean squares (EMS) for the model Source EMS st 1*V(Res) + 3.4286*S(st) Res 1*V(Res) 49 Chthamalus sp. Resemblance: D1 Euclidean distance Sums of squares type: Type III (partial) Fixed effects sum to zero for mixed terms Permutation method: Permutation of residuals under a reduced model Number of permutations: 9999 Factors Name Abbrev. Type Levels status st Fixed 2 region re Random 2 PERMANOVA table of results Unique Source df SS MS Pseudo-F P(perm) perms P(MC) st 1 5.4187E+06 5.4187E+06 0.065961 1 3 0.9015 re(st) 2 1.643E+08 8.215E+07 0.74277 0.5261 315 0.539 Res 4 4.424E+08 1.106E+08 Total 7 6.1211E+08 Details of the expected mean squares (EMS) for the model Source EMS st 1*V(Res) + 2*V(re(st)) + 4*S(st) re(st) 1*V(Res) + 2*V(re(st)) Res 1*V(Res) Lottia subrugosa Resemblance: D1 Euclidean distance Sums of squares type: Type III (partial) Fixed effects sum to zero for mixed terms Permutation method: Permutation of residuals under a reduced model Number of permutations: 9999 Factors Name Abbrev. Type Levels status st Fixed 2 region re Random 2 PERMANOVA table of results Unique Source df SS MS Pseudo-F P(perm) perms P(MC) st 1 7.585E+10 7.585E+10 0.94243 0.6604 3 0.4411 re(st) 2 1.6097E+11 8.0484E+10 1.0759 0.4827 314 0.418 Res 4 2.9923E+11 7.4808E+10 Total 7 5.3605E+11 Details of the expected mean squares (EMS) for the model Source EMS st 1*V(Res) + 2*V(re(st)) + 4*S(st) re(st) 1*V(Res) + 2*V(re(st)) Res 1*V(Res)
Compartilhar