Técnicas de ecología numérica con datasets de R
Biogeografía (GEO-131)
2026-01-28
- Fecha/hora de entrega
- Introducción
- Qué debes producir (entregables)
- Cómo se organiza la práctica (ciclo estándar + entregas parciales)
- Qué debes elegir (ejercicio)
- Cómo usar los ejercicios (reglas del juego)
- Ejercicio 01 · EDA + diversidad + clúster (dune)
- Ejercicio 02 · Modos Q/R y paradoja de Orlóci
- Ejercicio 03 · NMDS + envfit (dune)
- Ejercicio 04 · PCA vs CA (varechem/varespec)
- Ejercicio 05 · RDA (Hellinger) y varianza explicada
- Ejercicio 06 · Partición de varianza ambiente vs espacio (mite)
- Ejercicio 07 · PERMANOVA + betadisper (dune)
- Ejercicio 08 · Especies indicadoras
- Ejercicio 09 · Acumulación y rarefacción (BCI)
- Ejercicio 10 · Procrustes: comparar ordenaciones
- Ejercicio 11 · Elegir k con silhouette
- Ejercicio 12 · CCA (varespec ~ varechem)
- Ejercicio 13 · db-RDA / capscale (distancia no euclídea)
- Ejercicio 14 · Tendencia espacial (polinomios) vs MEM/PCNM (opcional)
- Ejercicio 15 · Diversidad beta (índices y partición)
- Ejercicio 16 · Diversidad alfa con estimadores de Chao (SpadeR, iNEXT)
- Ejercicio 17 · SDM (Modelos de Distribución de Especies) — introducción compacta
Fecha/hora de entrega
Ver portal de la asignatura
Introducción
Esta práctica forma parte del enfoque central de la asignatura: aprender biogeografía y ecología numérica resolviendo problemas reales y comunicando resultados en formato científico.
A diferencia de un cuaderno de “ejercicios sueltos”, aquí trabajarás bajo un esquema de práctica integradora (taller + defensa). Tu tarea será elegir un (1) ejercicio de los propuestos (de un conjunto más amplio disponible en el cuaderno completo) y convertirlo en un problema biogeográfico/ecológico bien formulado que culmine en dos productos:
- Un manuscrito científico reproducible (RMarkdown, ejecutable de inicio a fin), y
- Una presentación oral (diapositivas, 17 min + 3 min de preguntas).
El punto clave es que, aunque solo desarrolles un ejercicio, el manuscrito deberá forzar un recorrido amplio por la teoría de la unidad: conceptos, supuestos, decisiones analíticas, interpretación, limitaciones y conclusiones. Es decir: el ejercicio es el caso, pero la teoría es el mapa que debes recorrer y evidenciar.
Se permite realizar la práctica de forma individual o en grupos de dos. En ambos casos, durante la defensa oral cada integrante debe demostrar dominio completo del trabajo (datos, decisiones, código, resultados e interpretación).
Tutoría con IA (supervisada): puedes usar IA generativa para estudiar teoría, depurar código y mejorar redacción técnica, pero debes verificar y documentar todo (fuentes, decisiones, supuestos). La evaluación se basa en tu razonamiento y validación, no en texto generado.
Qué debes producir (entregables)
Entregable 1: Manuscrito reproducible (obligatorio)
Tu manuscrito deberá incluir, al menos:
- Título (informativo; no “Práctica X”).
- Introducción: contexto + qué problema resuelves + por qué importa.
- Preguntas / hipótesis (explícitas).
- Datos: origen del dataset, diseño de muestreo, variables, limitaciones.
- Métodos (declarados y justificadas tus decisiones):
- transformaciones,
- medidas de distancia,
- técnica elegida (ordenación, diversidad, agrupamiento, PERMANOVA, etc.),
- supuestos / verificaciones básicas.
- Resultados: tablas/figuras + narrativa.
- Discusión: interpretación conectada con la teoría; qué significa y qué no.
- Aporte: qué aprendimos o qué evidencia generaste (aunque sea pequeña).
- Limitaciones: reales, metodológicas y de datos.
- Conclusiones: defendibles.
- Reproducibilidad: código ejecutable de inicio a fin, sin pasos manuales ocultos.
Entregable 2: Presentación oral (obligatorio)
- 17 minutos de exposición + 3 minutos de preguntas.
- Debe cubrir: problema, datos, método, resultados, interpretación, limitaciones.
- Cada integrante (si trabajan en pareja) debe poder responder preguntas.
Cómo se organiza la práctica (ciclo estándar + entregas parciales)
La práctica puede ocupar varios días de clase. La regla general es:
- En casa: avanzas cada apartado del manuscrito (con apoyo de IA si quieres) y vienes al aula con avances concretos y dudas específicas.
- En aula: el tiempo se usa para taller, resolución de problemas, validación de reproducibilidad, revisión rápida del razonamiento y preparación/defensa.
Día 1 — Planteamiento + preguntas + datos (entrega parcial 1)
En casa (antes de clase):
- Lee la teoría mínima para entender el tipo de técnica del ejercicio que quieres (p. ej. ordenación vs diversidad).
- Explora el dataset (ayúdate con
?dataset/help(dataset)y documentación del paquete). - Identifica variables, estructura de los datos y limitaciones.
En aula:
- Confirmación del ejercicio elegido.
- Formulación y afinamiento de preguntas / hipótesis.
- Definición de decisiones iniciales (transformación, distancia, técnica).
Entrega parcial 1 (al finalizar el día):
- Título provisional, preguntas/hypótesis, descripción del dataset, y un EDA básico (tablas/plots).
- Repo actualizado en GitHub (commits visibles).
Día 2 — Métodos + análisis preliminar (entrega parcial 2)
En casa (antes de clase):
- Redacta Métodos en borrador.
- Implementa el flujo principal del análisis (aunque sea preliminar).
En aula:
- Depuración de código.
- Verificación de supuestos básicos.
- Validación de que el documento corre “de cero a fin”.
Entrega parcial 2:
- Sección Métodos (borrador) + resultados preliminares (al menos 1 figura/tabla interpretada).
Día 3 — Resultados + discusión + diapositivas (entrega parcial 3)
En casa (antes de clase):
- Consolida resultados definitivos.
- Redacta resultados y empieza discusión.
- Construye diapositivas (borrador).
En aula:
- Revisión técnica rápida (coherencia resultados ↔︎ teoría).
- Ajuste de narrativa y preparación de defensa.
Entrega parcial 3:
- Manuscrito casi completo (faltando pulido) + diapositivas en borrador.
Día 4 — Presentación, defensa y evaluación
- Presentación oral (17 + 3).
- Defensa pública.
- Evaluación en aula con calificación inmediata.
Este esquema es flexible: si el ejercicio elegido es más complejo, la práctica puede requerir más días, pero siempre habrá entregas parciales y defensa final.
Qué debes elegir (ejercicio)
En el cuaderno completo existen múltiples ejercicios (ordenaciones, diversidad alfa/beta, agrupamientos, PERMANOVA, estimadores de riqueza, estructura espacial, SDM introductorio, etc.). Para esta práctica:
- Elige un (1) ejercicio (uno solo).
- No elijas por “poco código”: los ejercicios con menos código suelen exigir más comprensión.
Cómo usar los ejercicios (reglas del juego)
Ejecuta e intenta entender el código del ejercicio elegido; luego adáptalo a tus preguntas (no lo corras “tal cual”).
Investiga (con apoyo de IA si quieres) pero verifica:
- origen del dataset, muestreo y variables (
?dune,?varespec, etc.), - supuestos de la técnica,
- qué representa cada salida (ejes, distancias, centroides, dispersión, etc.).
- origen del dataset, muestreo y variables (
Declara y justifica decisiones analíticas (transformaciones, distancias, parámetros).
Incluye limitaciones: del dataset y del método.
Ejercicio 01 · EDA + diversidad + clúster (dune)
Objetivo. Reforzar AED, diversidad alfa/beta y agrupamiento jerárquico (UPGMA) con dune (comunidades de plantas) y dune.env (ambiente).
Dataset.
library(vegan)
data(dune); data(dune.env)
dim(dune); dim(dune.env)#> [1] 20 30#> [1] 20 5head(dune[,1:6]); head(dune.env)#> Achimill Agrostol Airaprae Alopgeni Anthodor Bellpere
#> 1 1 0 0 0 0 0
#> 2 3 0 0 2 0 3
#> 3 0 4 0 7 0 2
#> 4 0 8 0 2 0 2
#> 5 2 0 0 0 4 2
#> 6 2 0 0 0 3 0#> A1 Moisture Management Use Manure
#> 1 2.8 1 SF Haypastu 4
#> 2 3.5 1 BF Haypastu 2
#> 3 4.3 2 SF Haypastu 4
#> 4 4.2 2 SF Haypastu 4
#> 5 6.3 1 HF Hayfield 2
#> 6 4.3 1 HF Haypastu 2Código de ayuda
- EDA de variables ambientales:
summary(dune.env)#> A1 Moisture Management Use Manure
#> Min. : 2.800 1:7 BF:3 Hayfield:7 0:6
#> 1st Qu.: 3.500 2:4 HF:5 Haypastu:8 1:3
#> Median : 4.200 4:2 NM:6 Pasture :5 2:4
#> Mean : 4.850 5:7 SF:6 3:4
#> 3rd Qu.: 5.725 4:3
#> Max. :11.500table(dune.env$Management)#>
#> BF HF NM SF
#> 3 5 6 6boxplot(A1 ~ Moisture, data=dune.env, main="A1 por humedad")
boxplot(A1 ~ Management, data=dune.env, main="A1 por Manejo")
- Diversidad alfa (Shannon/Simpson) y riqueza por sitio:
div_sh <- diversity(dune, "shannon")
div_si <- diversity(dune, "simpson")
rich <- specnumber(dune)
plot(div_sh, type="h", main="Shannon por sitio", xlab="Sitio", ylab="H'")
- Distancias Bray–Curtis y clúster UPGMA (average):
d_bc <- vegdist(dune, method="bray")
clu <- hclust(d_bc, method="average")
plot(clu, main="Dendrograma (Bray–Curtis + UPGMA)")
Ideas de ayuda
Preguntas guía para responder. ¿Cuántos grupos cortarías? ¿Se asocian con
Management,MoistureoA1?Interpreta: explica qué te dicen los grupos sobre la composición y cómo se relacionan (o no) con
Management/A1.Formula dos preguntas que puedan responderse con estos resultados o con la técnica empleada (p. ej., ¿qué especies definen cada grupo?, ¿hay gradientes ambientales subyacentes?).
Reflexiona sobre implicaciones ecológicas/biogeográficas y, si aplica, de conservación (p. ej., manejo diferenciado por grupos).
Ejercicio 02 · Modos Q/R y paradoja de Orlóci
Objetivo. Comparar modo Q (sitios) vs modo R (variables), y mostrar cómo transformaciones y medidas cambian conclusiones (paradoja de Orlóci).
Dataset y código de ayuda
data(varespec); data(varechem)
# Modo Q: distancias entre sitios con abundancias crudas vs Hellinger
d_raw <- vegdist(varespec, "bray")
sp_hel <- decostand(varespec, "hellinger")
d_hel <- dist(sp_hel) # euclídea sobre Hellinger
par(mfrow=c(1,2)); plot(hclust(d_raw), main="Clúster (Bray, crudo)")
plot(hclust(d_hel), main="Clúster (Euclídea, Hellinger)"); par(mfrow=c(1,1))
# Modo R: correlaciones entre variables ambientales
cor_mat <- cor(varechem)
round(cor_mat, 2)#> N P K Ca Mg S Al Fe Mn Zn Mo
#> N 1.00 -0.25 -0.15 -0.27 -0.16 -0.26 -0.04 0.17 0.08 -0.13 -0.06
#> P -0.25 1.00 0.75 0.74 0.60 0.75 0.05 -0.13 0.54 0.70 0.17
#> K -0.15 0.75 1.00 0.66 0.63 0.84 0.12 -0.09 0.54 0.60 0.07
#> Ca -0.27 0.74 0.66 1.00 0.80 0.54 -0.21 -0.33 0.44 0.68 -0.16
#> Mg -0.16 0.60 0.63 0.80 1.00 0.65 -0.12 -0.20 0.26 0.71 0.03
#> S -0.26 0.75 0.84 0.54 0.65 1.00 0.36 0.06 0.27 0.71 0.43
#> Al -0.04 0.05 0.12 -0.21 -0.12 0.36 1.00 0.82 -0.47 -0.06 0.51
#> Fe 0.17 -0.13 -0.09 -0.33 -0.20 0.06 0.82 1.00 -0.44 -0.31 0.22
#> Mn 0.08 0.54 0.54 0.44 0.26 0.27 -0.47 -0.44 1.00 0.36 -0.20
#> Zn -0.13 0.70 0.60 0.68 0.71 0.71 -0.06 -0.31 0.36 1.00 0.28
#> Mo -0.06 0.17 0.07 -0.16 0.03 0.43 0.51 0.22 -0.20 0.28 1.00
#> Baresoil 0.11 0.01 0.17 0.18 0.24 0.08 -0.40 -0.46 0.25 0.04 0.03
#> Humdepth 0.08 0.15 0.27 0.24 0.37 0.16 -0.49 -0.49 0.51 0.14 0.06
#> pH -0.04 -0.03 -0.23 0.09 -0.09 -0.19 0.42 0.44 -0.39 -0.09 -0.17
#> Baresoil Humdepth pH
#> N 0.11 0.08 -0.04
#> P 0.01 0.15 -0.03
#> K 0.17 0.27 -0.23
#> Ca 0.18 0.24 0.09
#> Mg 0.24 0.37 -0.09
#> S 0.08 0.16 -0.19
#> Al -0.40 -0.49 0.42
#> Fe -0.46 -0.49 0.44
#> Mn 0.25 0.51 -0.39
#> Zn 0.04 0.14 -0.09
#> Mo 0.03 0.06 -0.17
#> Baresoil 1.00 0.59 -0.53
#> Humdepth 0.59 1.00 -0.72
#> pH -0.53 -0.72 1.00Ideas de ayuda
Describe diferencias entre dendrogramas y justifica elección de transformación/distancia.**
Interpreta las discrepancias entre modos Q/R y su causa.
Formula dos preguntas que puedan responderse con estos resultados o con la técnica empleada (p. ej., ¿qué transformación estabiliza mejor la varianza?, ¿qué variables redundantes detecta el modo R?).
Reflexiona sobre implicaciones para comparar sitios y para el diseño de muestreo/variables.
Ejercicio 03 · NMDS + envfit (dune)
Objetivo. Realizar NMDS (Bray) y ajustar vectores ambientales (envfit).
Dataset y código de ayuda
set.seed(123)
m <- metaMDS(dune, distance="bray", k=2, trymax=50)#> Run 0 stress 0.1192678
#> Run 1 stress 0.1192679
#> ... Procrustes: rmse 0.0001940161 max resid 0.0005952259
#> ... Similar to previous best
#> Run 2 stress 0.1889642
#> Run 3 stress 0.1183186
#> ... New best solution
#> ... Procrustes: rmse 0.02027001 max resid 0.06496047
#> Run 4 stress 0.1183186
#> ... New best solution
#> ... Procrustes: rmse 1.241809e-06 max resid 4.262694e-06
#> ... Similar to previous best
#> Run 5 stress 0.1183186
#> ... Procrustes: rmse 4.17945e-06 max resid 1.118537e-05
#> ... Similar to previous best
#> Run 6 stress 0.2252534
#> Run 7 stress 0.1183186
#> ... Procrustes: rmse 2.378251e-06 max resid 7.589195e-06
#> ... Similar to previous best
#> Run 8 stress 0.1183186
#> ... Procrustes: rmse 2.196165e-06 max resid 5.819274e-06
#> ... Similar to previous best
#> Run 9 stress 0.1183186
#> ... Procrustes: rmse 5.112688e-06 max resid 1.537429e-05
#> ... Similar to previous best
#> Run 10 stress 0.1192679
#> Run 11 stress 0.1192678
#> Run 12 stress 0.1183186
#> ... Procrustes: rmse 3.656443e-06 max resid 1.29151e-05
#> ... Similar to previous best
#> Run 13 stress 0.1809578
#> Run 14 stress 0.1183186
#> ... Procrustes: rmse 6.681814e-06 max resid 2.015328e-05
#> ... Similar to previous best
#> Run 15 stress 0.1183186
#> ... Procrustes: rmse 1.051499e-05 max resid 3.430309e-05
#> ... Similar to previous best
#> Run 16 stress 0.1183186
#> ... New best solution
#> ... Procrustes: rmse 8.560065e-07 max resid 2.056924e-06
#> ... Similar to previous best
#> Run 17 stress 0.1183186
#> ... Procrustes: rmse 7.109277e-06 max resid 2.108386e-05
#> ... Similar to previous best
#> Run 18 stress 0.1183186
#> ... New best solution
#> ... Procrustes: rmse 1.270699e-06 max resid 2.766585e-06
#> ... Similar to previous best
#> Run 19 stress 0.1183186
#> ... Procrustes: rmse 1.854661e-05 max resid 5.750481e-05
#> ... Similar to previous best
#> Run 20 stress 0.1183186
#> ... Procrustes: rmse 2.621711e-06 max resid 9.170732e-06
#> ... Similar to previous best
#> *** Best solution repeated 3 timesm$stress#> [1] 0.1183186plot(m, type="t", main=paste("NMDS (stress =", round(m$stress,3),")"))
ef <- envfit(m ~ A1 + Moisture + Management, data = dune.env, permutations=999)
ef#>
#> ***VECTORS
#>
#> NMDS1 NMDS2 r2 Pr(>r)
#> A1 0.96474 0.26322 0.3649 0.014 *
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> Permutation: free
#> Number of permutations: 999
#>
#> ***FACTORS:
#>
#> Centroids:
#> NMDS1 NMDS2
#> Moisture1 -0.5101 -0.0403
#> Moisture2 -0.3938 0.0139
#> Moisture4 0.2765 -0.4033
#> Moisture5 0.6561 0.1476
#> ManagementBF -0.4534 -0.0102
#> ManagementHF -0.2636 -0.1282
#> ManagementNM 0.2958 0.5790
#> ManagementSF 0.1506 -0.4670
#>
#> Goodness of fit:
#> r2 Pr(>r)
#> Moisture 0.5014 0.003 **
#> Management 0.4134 0.004 **
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> Permutation: free
#> Number of permutations: 999plot(ef, col="red")
Ideas de ayuda
Preguntas guía para responder. ¿Qué variables se alinean con el gradiente principal? ¿Cómo interpretar signos y longitudes de flechas?
Interpreta el diagrama (orientaciones, longitudes, stress).
Formula dos preguntas que puedan responderse con estos resultados o con la técnica empleada (p. ej., ¿qué pasa si excluimos una variable?, ¿coinciden clusters de Ejercicio 01 con ejes NMDS?).
Reflexiona sobre gradientes ambientales y decisiones de manejo.
Ejercicio 04 · PCA vs CA (varechem/varespec)
Objetivo. Comparar PCA sobre ambiente (escalado) y CA sobre especies.
Dataset y código de ayuda
# PCA en ambiente
pca_env <- rda(scale(varechem))
plot(pca_env, main="PCA de variables ambientales (escaladas)")
# CA en especies (adecuado para conteos/distribuciones sesgadas)
ca_sp <- cca(varespec) # CA clásica
plot(ca_sp, main="CA de comunidades (varespec)")
Ideas de ayuda
Contrasta supuestos de PCA (lineal) vs CA (chi-cuadrado) y cuándo usar cada uno.
Interpreta ambos biplots y sus supuestos.
Formula dos preguntas que puedan responderse con estos resultados o con la técnica empleada (p. ej., ¿qué especies/variables dominan cada eje?, ¿cómo cambian resultados con estandarización diferente?).
Reflexiona sobre elección de técnica según la pregunta biogeográfica.
Ejercicio 05 · RDA (Hellinger) y varianza explicada
Objetivo. Modelar composición (Hellinger) con RDA y cuantificar varianza explicada.
Dataset y código de ayuda
Y <- decostand(varespec, "hellinger")
rda_mod <- rda(Y ~ Al + P + K + pH, data=varechem)
summary(rda_mod)#>
#> Call:
#> rda(formula = Y ~ Al + P + K + pH, data = varechem)
#>
#> Partitioning of variance:
#> Inertia Proportion
#> Total 0.3647 1.0000
#> Constrained 0.1411 0.3869
#> Unconstrained 0.2236 0.6131
#>
#> Eigenvalues, and their contribution to the variance
#>
#> Importance of components:
#> RDA1 RDA2 RDA3 RDA4 PC1 PC2 PC3
#> Eigenvalue 0.09967 0.02350 0.0136 0.004303 0.08561 0.03397 0.02390
#> Proportion Explained 0.27332 0.06444 0.0373 0.011800 0.23475 0.09315 0.06555
#> Cumulative Proportion 0.27332 0.33776 0.3751 0.386855 0.62160 0.71476 0.78031
#> PC4 PC5 PC6 PC7 PC8 PC9
#> Eigenvalue 0.01788 0.01398 0.01128 0.009894 0.007573 0.005537
#> Proportion Explained 0.04903 0.03833 0.03093 0.027130 0.020768 0.015183
#> Cumulative Proportion 0.82934 0.86767 0.89860 0.925730 0.946498 0.961680
#> PC10 PC11 PC12 PC13 PC14 PC15
#> Eigenvalue 0.003764 0.003252 0.001881 0.001524 0.001021 0.0007718
#> Proportion Explained 0.010322 0.008917 0.005158 0.004178 0.002801 0.0021163
#> Cumulative Proportion 0.972002 0.980919 0.986077 0.990255 0.993056 0.9951728
#> PC16 PC17 PC18 PC19
#> Eigenvalue 0.000661 0.0005081 0.0003465 0.0002448
#> Proportion Explained 0.001813 0.0013933 0.0009501 0.0006712
#> Cumulative Proportion 0.996985 0.9983787 0.9993288 1.0000000
#>
#> Accumulated constrained eigenvalues
#> Importance of components:
#> RDA1 RDA2 RDA3 RDA4
#> Eigenvalue 0.09967 0.0235 0.01360 0.004303
#> Proportion Explained 0.70651 0.1666 0.09641 0.030502
#> Cumulative Proportion 0.70651 0.8731 0.96950 1.000000anova(rda_mod, permutations=999)#> Permutation test for rda under reduced model
#> Permutation: free
#> Number of permutations: 999
#>
#> Model: rda(formula = Y ~ Al + P + K + pH, data = varechem)
#> Df Variance F Pr(>F)
#> Model 4 0.14108 2.997 0.001 ***
#> Residual 19 0.22360
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Rsq <- RsquareAdj(rda_mod); Rsq#> $r.squared
#> [1] 0.3868555
#>
#> $adj.r.squared
#> [1] 0.2577724plot(rda_mod, main="RDA (Hellinger) ~ Al + P + K + pH")
Ideas de ayuda
Preguntas guía para responder. ¿Cuánta varianza ajustada explica el modelo? ¿Qué variables son más importantes?
Interpreta coeficientes/cargas y \(R^2_{aj}\).
Dos preguntas (p. ej., ¿qué ocurre si colinealidad?, ¿qué variables añadir/quitar?).
Reflexiona sobre mecanismos ambientales que estructuran comunidades.
Ejercicio 06 · Partición de varianza ambiente vs espacio (mite)
Objetivo. Separar efectos ambientales y espaciales usando varpart con coordenadas polinomiales (superficies de tendencia).
Dataset y código de ayuda
data(mite); data(mite.env); data(mite.xy)
Y <- decostand(mite, "hellinger")
# Polinomios espaciales (x, y, x^2, y^2, xy)
S <- with(mite.xy, data.frame(x, y, x2 = x^2, y2 = y^2, xy = x*y))
vpart <- varpart(Y, mite.env[,c("SubsDens","WatrCont","Substrate")], S)
vpart#>
#> Partition of variance in RDA
#>
#> Call: varpart(Y = Y, X = mite.env[, c("SubsDens", "WatrCont",
#> "Substrate")], S)
#>
#> Explanatory tables:
#> X1: mite.env[, c("SubsDens", "WatrCont", "Substrate")]
#> X2: S
#>
#> No. of explanatory tables: 2
#> Total variation (SS): 27.205
#> Variance: 0.39428
#> No. of observations: 70
#>
#> Partition table:
#> Df R.squared Adj.R.squared Testable
#> [a+c] = X1 8 0.42839 0.35343 TRUE
#> [b+c] = X2 5 0.35495 0.30455 TRUE
#> [a+b+c] = X1+X2 13 0.54761 0.44259 TRUE
#> Individual fractions
#> [a] = X1|X2 8 0.13804 TRUE
#> [b] = X2|X1 5 0.08916 TRUE
#> [c] 0 0.21539 FALSE
#> [d] = Residuals 0.55741 FALSE
#> ---
#> Use function 'rda' to test significance of fractions of interestplot(vpart, bg=c("steelblue","orange"), Xnames=c("Ambiente","Espacio"))
Ideas de ayuda
Interpreta los componentes: solo ambiente, solo espacio, compartido, residuo.
Interpreta la fracción compartida (espacio–ambiente).
Formula dos preguntas que puedan responderse con estos resultados o con la técnica empleada (p. ej., ¿hay dispersión limitada?, ¿qué escala espacial falta?).
Reflexiona sobre procesos ecológicos y planes de muestreo espacial.
Ejercicio 07 · PERMANOVA + betadisper (dune)
Objetivo. Probar diferencias de composición entre niveles de Management y verificar homogeneidad de dispersión.
Dataset y código de ayuda
d <- vegdist(dune, "bray")
adon <- adonis2(d ~ Management, data=dune.env, permutations=999)
adon#> Permutation test for adonis under reduced model
#> Terms added sequentially (first to last)
#> Permutation: free
#> Number of permutations: 999
#>
#> adonis2(formula = d ~ Management, data = dune.env, permutations = 999)
#> Df SumOfSqs R2 F Pr(>F)
#> Management 3 1.4686 0.34161 2.7672 0.003 **
#> Residual 16 2.8304 0.65839
#> Total 19 4.2990 1.00000
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1bd <- betadisper(d, group = dune.env$Management)
anova(bd); permutest(bd)#> Analysis of Variance Table
#>
#> Response: Distances
#> Df Sum Sq Mean Sq F value Pr(>F)
#> Groups 3 0.13831 0.046104 1.9506 0.1622
#> Residuals 16 0.37816 0.023635#>
#> Permutation test for homogeneity of multivariate dispersions
#> Permutation: free
#> Number of permutations: 999
#>
#> Response: Distances
#> Df Sum Sq Mean Sq F N.Perm Pr(>F)
#> Groups 3 0.13831 0.046104 1.9506 999 0.186
#> Residuals 16 0.37816 0.023635plot(bd, main="Dispersión multivariante por manejo")
Ideas de ayuda
Preguntas guía para responder. ¿Las diferencias entre grupos son por centroides (composición) o por dispersión (heterogeneidad)?
Interpreta
adonis2ybetadisperconjuntamente.Formula dos preguntas que puedan responderse con estos resultados o con la técnica empleada (p. ej., ¿hay pseudo-replicación?, ¿deberíamos estratificar permutaciones?).
Reflexiona sobre decisiones de manejo basadas en composición/dispersión.
Ejercicio 08 · Especies indicadoras
Objetivo. Identificar especies indicadoras de grupos de sitios.
Dataset y código de ayuda
ok_ind <- requireNamespace("indicspecies", quietly = TRUE)
if (ok_ind) {
library(indicspecies)
d_br <- vegdist(dune, "bray")
gr <- cutree(hclust(d_br, "average"), k = 3)
iv <- multipatt(dune, gr, func="IndVal.g", control = how(nperm=499))
print(summary(iv, indvalcomp=TRUE, alpha=0.05))
} else {
cat("**Paquete 'indicspecies' no instalado.** Interprete grupos del Ejercicio 01 y discuta posibles indicadoras.")
}Multilevel pattern analysis —————————
Association function: IndVal.g Significance level (alpha): 0.05
Total number of species: 30 Selected number of species: 11 Number of species associated to 1 group: 10 Number of species associated to 2 groups: 1
List of species associated to each combination:
Group 1 #sps. 2
A B stat p.value
Lolipere 1.0000 0.8571 0.926 0.002 **
Poatriv 0.8971 0.8571 0.877 0.048 *
Group 2 #sps. 5
A B stat p.value
Eleopalu 0.9484 1.0000 0.974 0.002
Ranuflam 0.8974 1.0000 0.947 0.004
Callcusp 1.0000 0.7500 0.866 0.030 *
Agrostol 0.7143 1.0000 0.845 0.040 *
Comapalu 1.0000 0.5000 0.707 0.034 *
Group 3 #sps. 3
A B stat p.value
Airaprae 1.0000 1.0000 1.000 0.008 **
Hyporadi 0.9608 1.0000 0.980 0.012 *
Anthodor 0.8116 1.0000 0.901 0.032 *
Group 1+3 #sps. 1
A B stat p.value
Poaprat 1.000 0.875 0.935 0.006 **
—
Signif. codes: 0 ‘’ 0.001 ’’ 0.01 ’’ 0.05 ‘.’ 0.1 ’ ’ 1
NULL
Ideas de ayuda
Reporta especies indicadoras (valor de \(p\)).
Interpreta significancia y valor indicador.
Formula dos preguntas que puedan responderse con estos resultados o con la técnica empleada (p. ej., ¿indicadoras cambian con k?, ¿estabilidad temporal?).
Reflexiona sobre bioindicación y conservación de hábitats clave.
Ejercicio 09 · Acumulación y rarefacción (BCI)
Objetivo. Evaluar riqueza con curvas de acumulación y rarefacción.
Dataset y código de ayuda
data(BCI) # 50 ha, conteos por especie en parcelas
spec_acc <- specaccum(BCI, method="random")
plot(spec_acc, ci.type="poly", col="blue", lwd=2, ci.lty=0, ci.col=adjustcolor("lightblue",0.5),
main="Curva de acumulación de especies (BCI)")
rarecurve(BCI, step=20, sample=min(rowSums(BCI)), col="grey", label=FALSE)
Ideas de ayuda
Preguntas guía para responder. ¿La curva tiende a saturación? ¿Qué implica para el muestreo?
Interpreta forma de la curva y CIs.
Formula dos preguntas que puedan responderse con estos resultados o con la técnica empleada (p. ej., ¿cuánto esfuerzo adicional lograría x especies?, ¿diferencias entre parcelas?).
Reflexiona sobre planificación de muestreos y costos/beneficios.
Ejercicio 10 · Procrustes: comparar ordenaciones
Objetivo. Comparar configuraciones de puntos con rotación de Procrustes y prueba protest.
Dataset y código de ayuda
# Comparar NMDS de especies vs PCoA de ambiente (Gower)
library(vegan)
library(cluster)
data(dune); data(dune.env)
## 1) NMDS en especies (Bray-Curtis)
set.seed(1)
nmds <- metaMDS(dune, distance = "bray", k = 2, trymax = 50)#> Run 0 stress 0.1192678
#> Run 1 stress 0.1886532
#> Run 2 stress 0.1192678
#> ... Procrustes: rmse 5.822837e-06 max resid 1.845818e-05
#> ... Similar to previous best
#> Run 3 stress 0.1192678
#> ... Procrustes: rmse 6.697235e-06 max resid 2.061976e-05
#> ... Similar to previous best
#> Run 4 stress 0.1183186
#> ... New best solution
#> ... Procrustes: rmse 0.02027078 max resid 0.06496407
#> Run 5 stress 0.1192679
#> Run 6 stress 0.1939202
#> Run 7 stress 0.1808911
#> Run 8 stress 0.1183186
#> ... New best solution
#> ... Procrustes: rmse 1.651375e-06 max resid 5.655239e-06
#> ... Similar to previous best
#> Run 9 stress 0.1192678
#> Run 10 stress 0.1183186
#> ... Procrustes: rmse 1.505921e-06 max resid 4.480433e-06
#> ... Similar to previous best
#> Run 11 stress 0.1192679
#> Run 12 stress 0.1192678
#> Run 13 stress 0.1886532
#> Run 14 stress 0.1183186
#> ... New best solution
#> ... Procrustes: rmse 1.08828e-06 max resid 3.328672e-06
#> ... Similar to previous best
#> Run 15 stress 0.1192678
#> Run 16 stress 0.1183186
#> ... New best solution
#> ... Procrustes: rmse 1.797821e-06 max resid 3.862713e-06
#> ... Similar to previous best
#> Run 17 stress 0.2075713
#> Run 18 stress 0.1192678
#> Run 19 stress 0.1192679
#> Run 20 stress 0.1183186
#> ... Procrustes: rmse 6.241246e-06 max resid 1.34356e-05
#> ... Similar to previous best
#> *** Best solution repeated 2 times## 2) Distancia Gower para ambiente (admite factores y numéricas)
Dg <- daisy(dune.env, metric = "gower")
## 3) PCoA (cmdscale) sobre Gower
pcoa <- cmdscale(as.dist(Dg), k = 2, eig = TRUE)
## 4) Procrustes (sitios vs sitios)
X <- scores(nmds, display = "sites") # coordenadas NMDS
Y <- pcoa$points # coordenadas PCoA (ambiente)
pr <- procrustes(X, Y, symmetric = TRUE)
plot(pr, main = "Procrustes: NMDS (especies) vs PCoA Gower (ambiente)")
## 5) PROTEST (prueba de concordancia)
protest(X, Y, permutations = 999)#>
#> Call:
#> protest(X = X, Y = Y, permutations = 999)
#>
#> Procrustes Sum of Squares (m12 squared): 0.3287
#> Correlation in a symmetric Procrustes rotation: 0.8193
#> Significance: 0.001
#>
#> Permutation: free
#> Number of permutations: 999**Ideas de ayuda
Interpreta longitudes de segmentos y valor de la prueba.
Interpreta ajuste global y desajustes puntuales.
Formula dos preguntas que puedan responderse con estos resultados o con la técnica empleada (p. ej., ¿qué sitios rompen la concordancia?, ¿qué variable ambiental falta?).
Reflexiona sobre concordancia biota–ambiente en tu sistema de estudio.
Ejercicio 11 · Elegir k con silhouette
Objetivo. Seleccionar número de clústers con ancho de silueta.
Dataset y código de ayuda
library(cluster)
d <- vegdist(varespec, "bray")
sil_scores <- sapply(2:8, function(k){
gr <- cutree(hclust(d, "ward.D2"), k)
mean(silhouette(gr, d)[, "sil_width"])
})
plot(2:8, sil_scores, type="b", xlab="k", ylab="Ancho medio de silueta")
best_k <- which.max(sil_scores) + 1; best_k#> [1] 3Ideas de ayuda
Preguntas guía para responder. ¿Qué k maximiza la coherencia? Visualiza el dendrograma con ese corte.
Interpreta el valor máximo y alternativas cercanas.
Formula dos preguntas que puedan responderse con estos resultados o con la técnica empleada (p. ej., ¿estabilidad de k ante otras distancias?, ¿cambios si estandarizamos?).
Reflexiona sobre el significado ecológico de los clústers.
Ejercicio 12 · CCA (varespec ~ varechem)
Objetivo. Relacionar composición con ambiente con CCA (respuesta unimodal).
Dataset y código de ayuda
cca_mod <- cca(varespec ~ Al + P + K + pH, data=varechem)
anova(cca_mod); anova(cca_mod, by="term", permutations=999)#> Permutation test for cca under reduced model
#> Permutation: free
#> Number of permutations: 999
#>
#> Model: cca(formula = varespec ~ Al + P + K + pH, data = varechem)
#> Df ChiSquare F Pr(>F)
#> Model 4 0.68152 2.3095 0.001 ***
#> Residual 19 1.40168
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1#> Permutation test for cca under reduced model
#> Terms added sequentially (first to last)
#> Permutation: free
#> Number of permutations: 999
#>
#> Model: cca(formula = varespec ~ Al + P + K + pH, data = varechem)
#> Df ChiSquare F Pr(>F)
#> Al 1 0.29817 4.0418 0.001 ***
#> P 1 0.18991 2.5742 0.008 **
#> K 1 0.15605 2.1153 0.045 *
#> pH 1 0.03738 0.5067 0.861
#> Residual 19 1.40168
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1plot(cca_mod, main="CCA: varespec ~ Al + P + K + pH")
Ideas de ayuda
Pregunta guía para responder. ¿Qué variables explican ejes canónicos significativos?
Interpreta la ordenación y significancias por término.
Formula dos preguntas que puedan responderse con estos resultados o con la técnica empleada (p. ej., ¿existen efectos no lineales?, ¿qué sitios extremos aparecen?).
Reflexiona sobre gradientes y nichos unimodales.
Ejercicio 13 · db-RDA / capscale (distancia no euclídea)
Objetivo. Usar capscale (db-RDA) con Bray–Curtis y covariables.
Dataset y código de ayuda
db <- capscale(dune ~ Management + Condition(Moisture), data=dune.env, distance="bray")
anova(db); anova(db, by="terms", permutations=999)#> Permutation test for capscale under reduced model
#> Permutation: free
#> Number of permutations: 999
#>
#> Model: capscale(formula = dune ~ Management + Condition(Moisture), data = dune.env, distance = "bray")
#> Df SumOfSqs F Pr(>F)
#> Model 3 0.93308 2.1093 0.01 **
#> Residual 13 1.91688
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1#> Permutation test for capscale under reduced model
#> Terms added sequentially (first to last)
#> Permutation: free
#> Number of permutations: 999
#>
#> Model: capscale(formula = dune ~ Management + Condition(Moisture), data = dune.env, distance = "bray")
#> Df SumOfSqs F Pr(>F)
#> Management 3 0.93308 2.1093 0.004 **
#> Residual 13 1.91688
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1plot(db, main="db-RDA: Management | Moisture (Bray)")
Ideas de ayuda
Pregunta guía para responder. ¿Qué aporta condicionar por
Moisture?Interpreta el efecto parcializado de
Management.Formula dos preguntas que puedan responderse con estos resultados o con la técnica empleada (p. ej., ¿qué otras covariables controlar?, ¿cambia la varianza explicada?).
Reflexiona sobre control de confusores en biogeografía.
Ejercicio 14 · Tendencia espacial (polinomios) vs MEM/PCNM (opcional)
Objetivo. Contrastar superficies de tendencia con eigenvectores espaciales (si está adespatial).
Dataset y código de ayuda
library(vegan)
data(mite); data(mite.xy)
# Respuesta Hellinger
Y <- as.data.frame(decostand(mite, "hellinger"))
# Asegurar correspondencia 1–a–1 por si antes filtraste algo (opcional)
keep <- complete.cases(mite.xy$x, mite.xy$y)
Y2 <- Y[keep, , drop = FALSE]
xy2 <- mite.xy[keep, , drop = FALSE]
# RDA con polinomios construidos en la fórmula
mod_poly <- rda(Y2 ~ x + y + I(x^2) + I(y^2) + I(x*y), data = xy2)
anova(mod_poly)Permutation test for rda under reduced model Permutation: free Number of permutations: 999
Model: rda(formula = Y2 ~ x + y + I(x^2) + I(y^2) + I(x * y), data = xy2)
Df Variance F Pr(>F)
Model 5 0.13995 7.0434 0.001 ***
Residual 64 0.25433
—
Signif. codes: 0 ‘’ 0.001 ’’ 0.01 ’’ 0.05 ‘.’ 0.1 ’ ’ 1
cat("Modelo polinómico ajustado.\n")Modelo polinómico ajustado.
Ideas de ayuda
Compara varianza explicada por tendencia vs MEM.
Interpreta la forma espacial capturada por la tendencia.
Formula dos preguntas que puedan responderse con estos resultados o con la técnica empleada (p. ej., ¿qué escalas detectan MEM adicionales?, ¿hay borde/anisotropía?).
Reflexiona sobre procesos espaciales y dispersión.
Ejercicio 15 · Diversidad beta (índices y partición)
Objetivo. Calcular beta-diversidad con distintos índices y discutir su partición en componentes de recambio y anidamiento.
Dataset y código de ayuda
library(vegan)
library(betapart)
# Datos de ejemplo
data(varespec)
# Matriz de presencia-ausencia
va_pa <- decostand(varespec, "pa")
# ---- Índices de disimilitud ----
d_jac <- vegdist(va_pa, "jaccard") # Jaccard
d_sor <- vegdist(va_pa, method="bray", binary=TRUE) # Sørensen binario
d_bray <- vegdist(varespec, "bray") # Bray-Curtis (abundancias)
bd <- betadiver(va_pa, method="w") # Whittaker (gamma/alpha - 1)
summary(as.vector(d_jac))#> Min. 1st Qu. Median Mean 3rd Qu. Max.
#> 0.1071 0.3333 0.3929 0.3946 0.4483 0.6389summary(as.vector(d_bray))#> Min. 1st Qu. Median Mean 3rd Qu. Max.
#> 0.1117 0.4863 0.6225 0.6043 0.7422 0.9540hist(as.vector(d_jac),
main="Distribución de disimilitudes Jaccard",
xlab="d_J")
# ---- Partición: turnover vs nestedness ----
bp <- betapart.core(va_pa)
bp_sor <- beta.pair(bp) # Sørensen → turnover + nestedness
bp_jac <- beta.pair(bp, index.family="jaccard")
bp_sor$beta.sor # disimilitud total#> 18 15 24 27 23 19 22
#> 15 0.20000000
#> 24 0.30769231 0.14285714
#> 27 0.33333333 0.37254902 0.41666667
#> 23 0.20000000 0.19230769 0.22448980 0.29411765
#> 19 0.26315789 0.18518519 0.25490196 0.24528302 0.07407407
#> 22 0.25000000 0.20754717 0.28000000 0.23076923 0.32075472 0.27272727
#> 16 0.21428571 0.05660377 0.16000000 0.34615385 0.24528302 0.23636364 0.18518519
#> 28 0.32142857 0.16981132 0.24000000 0.23076923 0.24528302 0.20000000 0.22222222
#> 13 0.20000000 0.15789474 0.18518519 0.25000000 0.19298246 0.22033898 0.17241379
#> 14 0.25925926 0.13725490 0.25000000 0.36000000 0.29411765 0.24528302 0.26923077
#> 20 0.17857143 0.16981132 0.24000000 0.30769231 0.24528302 0.27272727 0.22222222
#> 25 0.22033898 0.28571429 0.35849057 0.30909091 0.35714286 0.34482759 0.26315789
#> 7 0.20000000 0.26923077 0.30612245 0.37254902 0.23076923 0.22222222 0.28301887
#> 5 0.19230769 0.18367347 0.30434783 0.45833333 0.18367347 0.21568627 0.36000000
#> 6 0.13207547 0.16000000 0.23404255 0.38775510 0.16000000 0.19230769 0.21568627
#> 3 0.11111111 0.25490196 0.29166667 0.36000000 0.25490196 0.28301887 0.23076923
#> 4 0.16363636 0.19230769 0.26530612 0.33333333 0.26923077 0.25925926 0.20754717
#> 2 0.29166667 0.24444444 0.23809524 0.36363636 0.24444444 0.27659574 0.26086957
#> 9 0.21428571 0.16981132 0.24000000 0.34615385 0.20754717 0.20000000 0.22222222
#> 12 0.31914894 0.18181818 0.21951220 0.34883721 0.31818182 0.34782609 0.24444444
#> 10 0.24528302 0.16000000 0.19148936 0.46938776 0.20000000 0.23076923 0.29411765
#> 11 0.23076923 0.14285714 0.21739130 0.41666667 0.18367347 0.25490196 0.36000000
#> 21 0.40350877 0.22222222 0.21568627 0.20754717 0.22222222 0.14285714 0.20000000
#> 16 28 13 14 20 25 7
#> 15
#> 24
#> 27
#> 23
#> 19
#> 22
#> 16
#> 28 0.18518519
#> 13 0.13793103 0.20689655
#> 14 0.11538462 0.26923077 0.21428571
#> 20 0.18518519 0.22222222 0.24137931 0.26923077
#> 25 0.26315789 0.22807018 0.24590164 0.30909091 0.26315789
#> 7 0.24528302 0.28301887 0.29824561 0.25490196 0.24528302 0.28571429
#> 5 0.20000000 0.32000000 0.33333333 0.20833333 0.24000000 0.35849057 0.18367347
#> 6 0.17647059 0.33333333 0.20000000 0.22448980 0.21568627 0.29629630 0.24000000
#> 3 0.26923077 0.34615385 0.25000000 0.28000000 0.26923077 0.30909091 0.13725490
#> 4 0.16981132 0.24528302 0.22807018 0.17647059 0.20754717 0.21428571 0.19230769
#> 2 0.26086957 0.34782609 0.28000000 0.27272727 0.30434783 0.34693878 0.33333333
#> 9 0.14814815 0.25925926 0.17241379 0.19230769 0.25925926 0.29824561 0.20754717
#> 12 0.20000000 0.28888889 0.26530612 0.20930233 0.24444444 0.37500000 0.36363636
#> 10 0.17647059 0.29411765 0.23636364 0.14285714 0.25490196 0.37037037 0.20000000
#> 11 0.20000000 0.28000000 0.25925926 0.20833333 0.28000000 0.35849057 0.34693878
#> 21 0.23636364 0.16363636 0.18644068 0.28301887 0.30909091 0.31034483 0.33333333
#> 5 6 3 4 2 9 12
#> 15
#> 24
#> 27
#> 23
#> 19
#> 22
#> 16
#> 28
#> 13
#> 14
#> 20
#> 25
#> 7
#> 5
#> 6 0.14893617
#> 3 0.25000000 0.18367347
#> 4 0.22448980 0.16000000 0.21568627
#> 2 0.28571429 0.16279070 0.27272727 0.24444444
#> 9 0.24000000 0.17647059 0.23076923 0.20754717 0.26086957
#> 12 0.31707317 0.28571429 0.30232558 0.22727273 0.18918919 0.28888889
#> 10 0.19148936 0.16666667 0.22448980 0.16000000 0.25581395 0.13725490 0.23809524
#> 11 0.26086957 0.23404255 0.33333333 0.26530612 0.28571429 0.24000000 0.26829268
#> 21 0.37254902 0.34615385 0.39622642 0.33333333 0.27659574 0.23636364 0.26086957
#> 10 11
#> 15
#> 24
#> 27
#> 23
#> 19
#> 22
#> 16
#> 28
#> 13
#> 14
#> 20
#> 25
#> 7
#> 5
#> 6
#> 3
#> 4
#> 2
#> 9
#> 12
#> 10
#> 11 0.19148936
#> 21 0.30769231 0.33333333bp_sor$beta.sim # recambio (turnover)#> 18 15 24 27 23 19 22
#> 15 0.15384615
#> 24 0.21739130 0.08695652
#> 27 0.28000000 0.36000000 0.39130435
#> 23 0.15384615 0.19230769 0.17391304 0.28000000
#> 19 0.25000000 0.15384615 0.17391304 0.20000000 0.03846154
#> 22 0.22222222 0.19230769 0.21739130 0.20000000 0.30769231 0.25925926
#> 16 0.18518519 0.03846154 0.08695652 0.32000000 0.23076923 0.22222222 0.18518519
#> 28 0.29629630 0.15384615 0.17391304 0.20000000 0.23076923 0.18518519 0.22222222
#> 13 0.17241379 0.07692308 0.04347826 0.16000000 0.11538462 0.17857143 0.11111111
#> 14 0.20000000 0.12000000 0.21739130 0.36000000 0.28000000 0.20000000 0.24000000
#> 20 0.14814815 0.15384615 0.17391304 0.28000000 0.23076923 0.25925926 0.22222222
#> 25 0.20689655 0.23076923 0.26086957 0.24000000 0.30769231 0.32142857 0.22222222
#> 7 0.15384615 0.26923077 0.26086957 0.36000000 0.23076923 0.19230769 0.26923077
#> 5 0.08695652 0.13043478 0.30434783 0.43478261 0.13043478 0.13043478 0.30434783
#> 6 0.04166667 0.12500000 0.21739130 0.37500000 0.12500000 0.12500000 0.16666667
#> 3 0.04000000 0.24000000 0.26086957 0.36000000 0.24000000 0.24000000 0.20000000
#> 4 0.11538462 0.19230769 0.21739130 0.32000000 0.26923077 0.23076923 0.19230769
#> 2 0.10526316 0.10526316 0.15789474 0.26315789 0.10526316 0.10526316 0.10526316
#> 9 0.18518519 0.15384615 0.17391304 0.32000000 0.19230769 0.18518519 0.22222222
#> 12 0.11111111 0.00000000 0.11111111 0.22222222 0.16666667 0.16666667 0.05555556
#> 10 0.16666667 0.12500000 0.17391304 0.45833333 0.16666667 0.16666667 0.25000000
#> 11 0.13043478 0.08695652 0.21739130 0.39130435 0.13043478 0.17391304 0.30434783
#> 21 0.39285714 0.19230769 0.13043478 0.16000000 0.19230769 0.14285714 0.18518519
#> 16 28 13 14 20 25 7
#> 15
#> 24
#> 27
#> 23
#> 19
#> 22
#> 16
#> 28 0.18518519
#> 13 0.07407407 0.14814815
#> 14 0.08000000 0.24000000 0.12000000
#> 20 0.18518519 0.22222222 0.18518519 0.24000000
#> 25 0.22222222 0.18518519 0.23333333 0.24000000 0.22222222
#> 7 0.23076923 0.26923077 0.23076923 0.24000000 0.23076923 0.23076923
#> 5 0.13043478 0.26086957 0.21739130 0.17391304 0.17391304 0.26086957 0.13043478
#> 6 0.12500000 0.29166667 0.08333333 0.20833333 0.16666667 0.20833333 0.20833333
#> 3 0.24000000 0.32000000 0.16000000 0.28000000 0.24000000 0.24000000 0.12000000
#> 4 0.15384615 0.23076923 0.15384615 0.16000000 0.19230769 0.15384615 0.19230769
#> 2 0.10526316 0.21052632 0.05263158 0.15789474 0.15789474 0.15789474 0.21052632
#> 9 0.14814815 0.25925926 0.11111111 0.16000000 0.25925926 0.25925926 0.19230769
#> 12 0.00000000 0.11111111 0.00000000 0.05555556 0.05555556 0.16666667 0.22222222
#> 10 0.12500000 0.25000000 0.12500000 0.12500000 0.20833333 0.29166667 0.16666667
#> 11 0.13043478 0.21739130 0.13043478 0.17391304 0.21739130 0.26086957 0.30434783
#> 21 0.22222222 0.14814815 0.14285714 0.24000000 0.29629630 0.28571429 0.30769231
#> 5 6 3 4 2 9 12
#> 15
#> 24
#> 27
#> 23
#> 19
#> 22
#> 16
#> 28
#> 13
#> 14
#> 20
#> 25
#> 7
#> 5
#> 6 0.13043478
#> 3 0.21739130 0.16666667
#> 4 0.17391304 0.12500000 0.20000000
#> 2 0.21052632 0.05263158 0.15789474 0.10526316
#> 9 0.17391304 0.12500000 0.20000000 0.19230769 0.10526316
#> 12 0.22222222 0.16666667 0.16666667 0.05555556 0.16666667 0.11111111
#> 10 0.17391304 0.16666667 0.20833333 0.12500000 0.15789474 0.08333333 0.11111111
#> 11 0.26086957 0.21739130 0.30434783 0.21739130 0.21052632 0.17391304 0.16666667
#> 21 0.30434783 0.29166667 0.36000000 0.30769231 0.10526316 0.22222222 0.05555556
#> 10 11
#> 15
#> 24
#> 27
#> 23
#> 19
#> 22
#> 16
#> 28
#> 13
#> 14
#> 20
#> 25
#> 7
#> 5
#> 6
#> 3
#> 4
#> 2
#> 9
#> 12
#> 10
#> 11 0.17391304
#> 21 0.25000000 0.26086957bp_sor$beta.sne # anidamiento#> 18 15 24 27 23 19 22
#> 15 0.04615385
#> 24 0.09030100 0.05590062
#> 27 0.05333333 0.01254902 0.02536232
#> 23 0.04615385 0.00000000 0.05057675 0.01411765
#> 19 0.01315789 0.03133903 0.08098892 0.04528302 0.03561254
#> 22 0.02777778 0.01523948 0.06260870 0.03076923 0.01306241 0.01346801
#> 16 0.02910053 0.01814224 0.07304348 0.02615385 0.01451379 0.01414141 0.00000000
#> 28 0.02513228 0.01596517 0.06608696 0.03076923 0.01451379 0.01481481 0.00000000
#> 13 0.02758621 0.08097166 0.14170692 0.09000000 0.07759784 0.04176755 0.06130268
#> 14 0.05925926 0.01725490 0.03260870 0.00000000 0.01411765 0.04528302 0.02923077
#> 20 0.03042328 0.01596517 0.06608696 0.02769231 0.01451379 0.01346801 0.00000000
#> 25 0.01344243 0.05494505 0.09762100 0.06909091 0.04945055 0.02339901 0.04093567
#> 7 0.04615385 0.00000000 0.04525288 0.01254902 0.00000000 0.02991453 0.01378810
#> 5 0.10535117 0.05323869 0.00000000 0.02355072 0.05323869 0.08525149 0.05565217
#> 6 0.09040881 0.03500000 0.01665125 0.01275510 0.03500000 0.06730769 0.04901961
#> 3 0.07111111 0.01490196 0.03079710 0.00000000 0.01490196 0.04301887 0.03076923
#> 4 0.04825175 0.00000000 0.04791482 0.01333333 0.00000000 0.02849003 0.01523948
#> 2 0.18640351 0.13918129 0.08020050 0.10047847 0.13918129 0.17133259 0.15560641
#> 9 0.02910053 0.01596517 0.06608696 0.02615385 0.01523948 0.01481481 0.00000000
#> 12 0.20803783 0.18181818 0.10840108 0.12661499 0.15151515 0.18115942 0.18888889
#> 10 0.07861635 0.03500000 0.01757632 0.01105442 0.03333333 0.06410256 0.04411765
#> 11 0.10033445 0.05590062 0.00000000 0.02536232 0.05323869 0.08098892 0.05565217
#> 21 0.01065163 0.02991453 0.08525149 0.04754717 0.02991453 0.00000000 0.01481481
#> 16 28 13 14 20 25 7
#> 15
#> 24
#> 27
#> 23
#> 19
#> 22
#> 16
#> 28 0.00000000
#> 13 0.06385696 0.05874840
#> 14 0.03538462 0.02923077 0.09428571
#> 20 0.00000000 0.00000000 0.05619413 0.02923077
#> 25 0.04093567 0.04288499 0.01256831 0.06909091 0.04093567
#> 7 0.01451379 0.01378810 0.06747638 0.01490196 0.01451379 0.05494505
#> 5 0.06956522 0.05913043 0.11594203 0.03442029 0.06608696 0.09762100 0.05323869
#> 6 0.05147059 0.04166667 0.11666667 0.01615646 0.04901961 0.08796296 0.03166667
#> 3 0.02923077 0.02615385 0.09000000 0.00000000 0.02923077 0.06909091 0.01725490
#> 4 0.01596517 0.01451379 0.07422402 0.01647059 0.01523948 0.06043956 0.00000000
#> 2 0.15560641 0.13729977 0.22736842 0.11483254 0.14645309 0.18904404 0.12280702
#> 9 0.00000000 0.00000000 0.06130268 0.03230769 0.00000000 0.03898635 0.01523948
#> 12 0.20000000 0.17777778 0.26530612 0.15374677 0.18888889 0.20833333 0.14141414
#> 10 0.05147059 0.04411765 0.11136364 0.01785714 0.04656863 0.07870370 0.03333333
#> 11 0.06956522 0.06260870 0.12882448 0.03442029 0.06260870 0.09762100 0.04259095
#> 21 0.01414141 0.01548822 0.04358354 0.04301887 0.01279461 0.02463054 0.02564103
#> 5 6 3 4 2 9 12
#> 15
#> 24
#> 27
#> 23
#> 19
#> 22
#> 16
#> 28
#> 13
#> 14
#> 20
#> 25
#> 7
#> 5
#> 6 0.01850139
#> 3 0.03260870 0.01700680
#> 4 0.05057675 0.03500000 0.01568627
#> 2 0.07518797 0.11015912 0.11483254 0.13918129
#> 9 0.06608696 0.05147059 0.03076923 0.01523948 0.15560641
#> 12 0.09485095 0.11904762 0.13565891 0.17171717 0.02252252 0.17777778
#> 10 0.01757632 0.00000000 0.01615646 0.03500000 0.09791922 0.05392157 0.12698413
#> 11 0.00000000 0.01665125 0.02898551 0.04791482 0.07518797 0.06608696 0.10162602
#> 21 0.06820119 0.05448718 0.03622642 0.02564103 0.17133259 0.01414141 0.20531401
#> 10 11
#> 15
#> 24
#> 27
#> 23
#> 19
#> 22
#> 16
#> 28
#> 13
#> 14
#> 20
#> 25
#> 7
#> 5
#> 6
#> 3
#> 4
#> 2
#> 9
#> 12
#> 10
#> 11 0.01757632
#> 21 0.05769231 0.07246377# ---- Contribuciones locales (opcional, requiere adespatial) ----
if (requireNamespace("adespatial", quietly = TRUE)) {
library(adespatial)
bd_lcbd <- beta.div(va_pa, method="jaccard", sqrt.D=TRUE, nperm=999)
bd_lcbd$LCBD[1:10] # primeras contribuciones locales
}#> 18 15 24 27 23 19 22
#> 0.03989632 0.03320131 0.04220025 0.05246242 0.03943102 0.03997343 0.04240979
#> 16 28 13
#> 0.03432918 0.04303932 0.03844234Ideas de ayuda
Explica cuándo preferir índices asimétricos (ignoran dobles ceros) y cómo cambia la historia con abundancias vs. presencia-ausencia.
Interpreta las distribuciones de disimilitud y su rango.
Compara la proporción de recambio vs. anidamiento en los resultados de la partición (ej. Sørensen →
beta.simvs.beta.sne).Formula dos preguntas que puedan responderse con estos resultados o con la técnica empleada (ej.: ¿qué contribución hace cada sitio a β?, ¿predomina recambio o anidamiento?).
Reflexiona sobre conectividad y manejo a escala de paisaje.
Ejercicio 16 · Diversidad alfa con estimadores de Chao (SpadeR, iNEXT)
Objetivo. Estimar índices de diversidad, estimar y comparar riqueza observada y riqueza esperada (Chao), y construir curvas de rarefacción/extrapolación usando SpadeR e iNEXT con el dataset BCI. Se muestra también cómo invocar la función estimacion_riqueza_chao desde tu repositorio (opcional).
Dataset y código de ayuda
# Paquetes necesarios (bloques opcionales protegidos)
ok_vegan <- requireNamespace("vegan", quietly = TRUE)
ok_iNEXT <- requireNamespace("iNEXT", quietly = TRUE)
ok_SpadeR <- requireNamespace("SpadeR", quietly = TRUE)
ok_ggplot <- requireNamespace("ggplot2", quietly = TRUE)
ok_devtools <- requireNamespace("devtools", quietly = TRUE)
if (!ok_vegan) stop("Instala 'vegan' para usar BCI.")
library(vegan)
data(BCI) # Matriz: 50 parcelas x especies (abundancias)
# 1) Métricas alfa básicas por parcela (vegan): Riqueza, Shannon, Hill números
rich <- specnumber(BCI) # N0
H <- diversity(BCI, index = "shannon")
N1 <- exp(H) # Hill q=1
N2 <- diversity(BCI, index = "inv") # Inverso de Simpson (Hill q=2)
alpha_tab <- data.frame(
Parcela = seq_len(nrow(BCI)),
Riqueza_obs = rich,
Shannon = H,
Hill1 = N1,
Hill2 = N2
)
head(alpha_tab, 10)#> Parcela Riqueza_obs Shannon Hill1 Hill2
#> 1 1 93 4.018412 55.61270 39.41555
#> 2 2 84 3.848471 46.92127 31.58488
#> 3 3 90 3.814060 45.33410 28.25478
#> 4 4 94 3.976563 53.33341 35.22577
#> 5 5 101 3.969940 52.98137 31.08166
#> 6 6 85 3.776575 43.66624 26.84973
#> 7 7 82 3.836811 46.37734 30.48908
#> 8 8 88 3.908381 49.81824 30.48761
#> 9 9 90 3.761331 43.00562 21.47106
#> 10 10 94 3.889803 48.90124 29.74487El gráfico y tabla a continuación muestran, de forma consolidada en una única tabla y gráfico, un resumen de estimación de riqueza por parcelas de PCI.
# 2) Selección de un subconjunto de parcelas para curvas iNEXT (para gráficos legibles)
set.seed(123)
sel <- c(1, 10, 20, 30, 40) # Fijo para reproducibilidad
# 3) Curvas de rarefacción/extrapolación e índices de Chao (opcional si están iNEXT/SpadeR)
if (ok_iNEXT && ok_SpadeR && ok_ggplot) {
library(iNEXT); library(SpadeR); library(ggplot2)
# Preparar objeto de ensamblajes para iNEXT: lista de vectores de abundancias
ensamblajes <- lapply(sel, function(i) as.numeric(BCI[i, ]))
names(ensamblajes) <- paste0("P", sel)
# iNEXT para riqueza (q=0)
out_inext <- iNEXT(ensamblajes, q = 0, datatype = "abundance", knots = 200)
print(ggiNEXT(out_inext, type = 1) + theme_bw() +
labs(x = "Número de individuos", y = "Riqueza de especies",
title = "Curvas de rarefacción / extrapolación (iNEXT)"))
# Estimadores de riqueza de Chao para el conjunto total y para el subconjunto
chao_total <- SpadeR::ChaoSpecies(colSums(BCI), datatype = "abundance", conf = 0.95)
chao_total_sp_df <- as.data.frame(chao_total$Species_table)
chao_sel <- lapply(ensamblajes, function(v) SpadeR::ChaoSpecies(v, datatype = "abundance", conf = 0.95))
chao_sel_sp_df <- lapply(chao_sel, function(v) as.data.frame(v$Species_table))
chao_df <- data.frame(
Unidad = c("BCI_total", names(chao_sel)),
S_obs = c(
with(chao_total$Basic_data_information, as.numeric(Value[Variable=='D'])),
as.vector(sapply(
chao_sel,
function(z)
as.numeric(with(z$Basic_data_information, Value[Variable=='D']))))),
S_chao1 = c(
chao_total_sp_df[
grep('Chao1 \\(Chao, 1984\\)', rownames(chao_total_sp_df)),
grep('Estimate', colnames(chao_total_sp_df))],
as.vector(sapply(chao_sel_sp_df, function(z) z[
grep('Chao1 \\(Chao, 1984\\)', rownames(z)),
grep('Estimate', colnames(z))]))),
S_chao1_bc = c(
chao_total_sp_df[
grep('Chao1-bc', rownames(chao_total_sp_df)),
grep('Estimate', colnames(chao_total_sp_df))],
as.vector(sapply(chao_sel_sp_df, function(z) z[
grep('Chao1-bc', rownames(z)),
grep('Estimate', colnames(z))]))),
S_ichao1 = c(
chao_total_sp_df[
grep('iChao1 \\(Chiu et al. 2014\\)', rownames(chao_total_sp_df)),
grep('Estimate', colnames(chao_total_sp_df))],
as.vector(sapply(chao_sel_sp_df, function(z) z[
grep('iChao1 \\(Chiu et al. 2014\\)', rownames(z)),
grep('Estimate', colnames(z))])))
)
chao_df
} else {
message("**Parte iNEXT/SpadeR omitida** (faltan paquetes 'iNEXT' y/o 'SpadeR' y/o 'ggplot2').\n",
"Aún puedes usar la tabla 'alpha_tab' con métricas alfa básicas (vegan).")
}
#> Unidad S_obs S_chao1 S_chao1_bc S_ichao1
#> 1 BCI_total 225 238.884 237.214 242.169
#> 2 P1 93 119.635 117.419 126.197
#> 3 P10 94 132.202 128.928 139.590
#> 4 P20 100 136.016 133.398 144.641
#> 5 P30 97 139.691 136.094 150.371
#> 6 P40 80 109.939 107.132 117.139Los gráficos y tablas a continuación muestran el detalle del resumen de estimación de riqueza anterior, pero parcela a parcela.
# 4) Cargar funciones y usar 'estimacion_riqueza_chao'
source('R/funciones.R')
if (exists("estimacion_riqueza_chao") && ok_iNEXT && ok_SpadeR) {
res_est <- sapply(
names(ensamblajes) <- paste0("P", sel),
function(x)
estimacion_riqueza_chao(mc = colSums(BCI[as.numeric(gsub('P', '', x)), ])),
simplify = FALSE
)
# Gráfico iNEXT con paleta (devuelve ggplot2)
res_est
} else {
message("Funciones cargadas pero faltan 'iNEXT'/'SpadeR', o no se encontró 'estimacion_riqueza_chao'.")
}#> $P1
#> $P1$asintoticos_estimacion
#>
#> (1) BASIC DATA INFORMATION:
#>
#> Variable Value
#> Sample size n 448
#> Number of observed species D 93
#> Coverage estimate for entire dataset C 0.931
#> CV for entire dataset CV 1.148
#> Cut-off point k 10
#>
#> Variable Value
#> Number of observed individuals for rare group n_rare 206
#> Number of observed species for rare group D_rare 78
#> Estimate of the sample coverage for rare group C_rare 0.85
#> Estimate of CV for rare group in ACE CV_rare 0.663
#> Estimate of CV1 for rare group in ACE-1 CV1_rare 0.831
#> Number of observed individuals for abundant group n_abun 242
#> Number of observed species for abundant group D_abun 15
#>
#> NULL
#>
#>
#> (2) SPECIES RICHNESS ESTIMATORS TABLE:
#>
#> Estimate s.e. 95%Lower 95%Upper
#> Homogeneous Model 106.817 5.257 99.721 121.407
#> Homogeneous (MLE) 93.790 0.911 93.130 97.793
#> Chao1 (Chao, 1984) 119.635 12.553 104.072 157.075
#> Chao1-bc 117.419 11.562 103.114 151.960
#> iChao1 (Chiu et al. 2014) 126.197 7.387 114.577 144.077
#> ACE (Chao & Lee, 1992) 122.849 11.404 107.478 154.537
#> ACE-1 (Chao & Lee, 1992) 132.020 16.886 110.322 180.895
#> 1st order jackknife 123.931 7.861 111.943 143.506
#> 2nd order jackknife 136.913 13.596 117.270 172.455
#>
#>
#> (3) DESCRIPTION OF ESTIMATORS/MODELS:
#>
#> Homogeneous Model: This model assumes that all species have the same incidence or detection probabilities. See Eq. (3.2) of Lee and Chao (1994) or Eq. (12a) in Chao and Chiu (2016b).
#>
#> Chao2 (Chao, 1987): This approach uses the frequencies of uniques and duplicates to estimate the number of undetected species; see Chao (1987) or Eq. (11a) in Chao and Chiu (2016b).
#>
#> Chao2-bc: A bias-corrected form for the Chao2 estimator; see Chao (2005).
#>
#> iChao2: An improved Chao2 estimator; see Chiu et al. (2014).
#>
#> ICE (Incidence-based Coverage Estimator): A non-parametric estimator originally proposed by Lee and Chao (1994) in the context of capture-recapture data analysis. The observed species are separated as frequent and infrequent species groups; only data in the infrequent group are used to estimate the number of undetected species. The estimated CV for species in the infrequent group characterizes the degree of heterogeneity among species incidence probabilities. See Eq. (12b) of Chao and Chiu (2016b), which is an improved version of Eq. (3.18) in Lee and Chao (1994). This model is also called Model(h) in capture-recapture literature where h denotes "heterogeneity".
#>
#> ICE-1: A modified ICE for highly-heterogeneous cases.
#>
#> 1st order jackknife: It uses the frequency of uniques to estimate the number of undetected species; see Burnham and Overton (1978).
#>
#> 2nd order jackknife: It uses the frequencies of uniques and duplicates to estimate the number of undetected species; see Burnham and Overton (1978).
#>
#> 95% Confidence interval: A log-transformation is used for all estimators so that the lower bound of the resulting interval is at least the number of observed species. See Chao (1987).
#>
#> $P1$no_asintoticos_rarefaccion_extrapolacion
#> Compare 1 assemblages with Hill number order q = 0.
#> $class: iNEXT
#>
#> $DataInfo: basic data information
#> Assemblage n S.obs SC f1 f2 f3 f4 f5 f6 f7 f8 f9 f10
#> 1 site.1 448 93 0.931 31 18 9 6 6 4 1 1 1 1
#>
#> $iNextEst: diversity estimates with rarefied and extrapolated samples.
#> $size_based (LCL and UCL are obtained for fixed size.)
#>
#> Assemblage m Method Order.q qD qD.LCL qD.UCL
#> 1 Assemblage1 1 Rarefaction 0 1.00000 1.00000 1.00000
#> 13 Assemblage1 233 Rarefaction 0 72.47883 67.97037 76.98728
#> 25 Assemblage1 448 Observed 0 93.00000 85.49154 100.50846
#> 38 Assemblage1 672 Extrapolation 0 104.73977 93.53588 115.94367
#> 50 Assemblage1 896 Extrapolation 0 111.30504 96.05116 126.55891
#> SC SC.LCL SC.UCL
#> 1 0.02319032 0.01990586 0.02647477
#> 13 0.86752554 0.84769032 0.88736076
#> 25 0.93098288 0.90989680 0.95206895
#> 38 0.96140336 0.93777718 0.98502955
#> 50 0.97841550 0.95730162 0.99952937
#>
#> NOTE: The above output only shows five estimates for each assemblage; call iNEXT.object$iNextEst$size_based to view complete output.
#>
#> $coverage_based (LCL and UCL are obtained for fixed coverage; interval length is wider due to varying size in bootstraps.)
#>
#> Assemblage SC m Method Order.q qD qD.LCL
#> 1 Assemblage1 0.02319064 1 Rarefaction 0 1.000014 0.9774218
#> 13 Assemblage1 0.86752555 233 Rarefaction 0 72.478828 64.6384770
#> 25 Assemblage1 0.93098288 448 Observed 0 93.000000 80.5890366
#> 38 Assemblage1 0.96140336 672 Extrapolation 0 104.739773 84.6021483
#> 50 Assemblage1 0.97841550 896 Extrapolation 0 111.305039 85.9405539
#> qD.UCL
#> 1 1.022606
#> 13 80.319180
#> 25 105.410963
#> 38 124.877398
#> 50 136.669524
#>
#> NOTE: The above output only shows five estimates for each assemblage; call iNEXT.object$iNextEst$coverage_based to view complete output.
#>
#> $AsyEst: asymptotic diversity estimates along with related statistics.
#> Observed Estimator Est_s.e. 95% Lower 95% Upper
#> Species Richness 93.00000 119.63486 10.372185 99.30575 139.96397
#> Shannon diversity 55.61270 64.50307 3.278378 58.07757 70.92857
#> Simpson diversity 39.41555 43.12145 2.866304 37.50359 48.73930
#>
#> $P1$no_asintoticos_rarefaccion_extrapolacion_grafico
#>
#>
#> $P10
#> $P10$asintoticos_estimacion
#>
#> (1) BASIC DATA INFORMATION:
#>
#> Variable Value
#> Sample size n 483
#> Number of observed species D 94
#> Coverage estimate for entire dataset C 0.928
#> CV for entire dataset CV 1.485
#> Cut-off point k 10
#>
#> Variable Value
#> Number of observed individuals for rare group n_rare 218
#> Number of observed species for rare group D_rare 81
#> Estimate of the sample coverage for rare group C_rare 0.839
#> Estimate of CV for rare group in ACE CV_rare 0.744
#> Estimate of CV1 for rare group in ACE-1 CV1_rare 0.963
#> Number of observed individuals for abundant group n_abun 265
#> Number of observed species for abundant group D_abun 13
#>
#> NULL
#>
#>
#> (2) SPECIES RICHNESS ESTIMATORS TABLE:
#>
#> Estimate s.e. 95%Lower 95%Upper
#> Homogeneous Model 109.492 5.664 101.737 125.018
#> Homogeneous (MLE) 94.572 0.771 94.078 98.203
#> Chao1 (Chao, 1984) 132.202 17.211 110.451 182.714
#> Chao1-bc 128.928 15.685 109.078 174.910
#> iChao1 (Chiu et al. 2014) 139.590 11.771 121.710 169.007
#> ACE (Chao & Lee, 1992) 132.602 13.901 113.470 170.533
#> ACE-1 (Chao & Lee, 1992) 148.123 22.533 118.721 212.495
#> 1st order jackknife 128.928 8.354 115.999 149.453
#> 2nd order jackknife 147.882 14.450 126.145 184.318
#>
#>
#> (3) DESCRIPTION OF ESTIMATORS/MODELS:
#>
#> Homogeneous Model: This model assumes that all species have the same incidence or detection probabilities. See Eq. (3.2) of Lee and Chao (1994) or Eq. (12a) in Chao and Chiu (2016b).
#>
#> Chao2 (Chao, 1987): This approach uses the frequencies of uniques and duplicates to estimate the number of undetected species; see Chao (1987) or Eq. (11a) in Chao and Chiu (2016b).
#>
#> Chao2-bc: A bias-corrected form for the Chao2 estimator; see Chao (2005).
#>
#> iChao2: An improved Chao2 estimator; see Chiu et al. (2014).
#>
#> ICE (Incidence-based Coverage Estimator): A non-parametric estimator originally proposed by Lee and Chao (1994) in the context of capture-recapture data analysis. The observed species are separated as frequent and infrequent species groups; only data in the infrequent group are used to estimate the number of undetected species. The estimated CV for species in the infrequent group characterizes the degree of heterogeneity among species incidence probabilities. See Eq. (12b) of Chao and Chiu (2016b), which is an improved version of Eq. (3.18) in Lee and Chao (1994). This model is also called Model(h) in capture-recapture literature where h denotes "heterogeneity".
#>
#> ICE-1: A modified ICE for highly-heterogeneous cases.
#>
#> 1st order jackknife: It uses the frequency of uniques to estimate the number of undetected species; see Burnham and Overton (1978).
#>
#> 2nd order jackknife: It uses the frequencies of uniques and duplicates to estimate the number of undetected species; see Burnham and Overton (1978).
#>
#> 95% Confidence interval: A log-transformation is used for all estimators so that the lower bound of the resulting interval is at least the number of observed species. See Chao (1987).
#>
#> $P10$no_asintoticos_rarefaccion_extrapolacion
#> Compare 1 assemblages with Hill number order q = 0.
#> $class: iNEXT
#>
#> $DataInfo: basic data information
#> Assemblage n S.obs SC f1 f2 f3 f4 f5 f6 f7 f8 f9 f10
#> 1 site.1 483 94 0.9277 35 16 8 7 5 4 3 0 1 2
#>
#> $iNextEst: diversity estimates with rarefied and extrapolated samples.
#> $size_based (LCL and UCL are obtained for fixed size.)
#>
#> Assemblage m Method Order.q qD qD.LCL qD.UCL
#> 1 Assemblage1 1 Rarefaction 0 1.00000 1.00000 1.00000
#> 13 Assemblage1 251 Rarefaction 0 72.06484 67.26895 76.86072
#> 25 Assemblage1 483 Observed 0 94.00000 86.77375 101.22625
#> 38 Assemblage1 725 Extrapolation 0 108.05203 97.65601 118.44805
#> 50 Assemblage1 966 Extrapolation 0 116.90627 102.70595 131.10660
#> SC SC.LCL SC.UCL
#> 1 0.03161431 0.02560127 0.03762734
#> 13 0.87350803 0.85705206 0.88996401
#> 25 0.92767343 0.90946382 0.94588303
#> 38 0.95427767 0.93358584 0.97496950
#> 50 0.97104112 0.95125241 0.99082983
#>
#> NOTE: The above output only shows five estimates for each assemblage; call iNEXT.object$iNextEst$size_based to view complete output.
#>
#> $coverage_based (LCL and UCL are obtained for fixed coverage; interval length is wider due to varying size in bootstraps.)
#>
#> Assemblage SC m Method Order.q qD qD.LCL
#> 1 Assemblage1 0.03161492 1 Rarefaction 0 1.000019 0.9240452
#> 13 Assemblage1 0.87350804 251 Rarefaction 0 72.064838 63.5769814
#> 25 Assemblage1 0.92767343 483 Observed 0 94.000000 79.5408761
#> 38 Assemblage1 0.95427767 725 Extrapolation 0 108.052031 86.1350110
#> 50 Assemblage1 0.97104112 966 Extrapolation 0 116.906274 89.6314295
#> qD.UCL
#> 1 1.075993
#> 13 80.552694
#> 25 108.459124
#> 38 129.969052
#> 50 144.181119
#>
#> NOTE: The above output only shows five estimates for each assemblage; call iNEXT.object$iNextEst$coverage_based to view complete output.
#>
#> $AsyEst: asymptotic diversity estimates along with related statistics.
#> Observed Estimator Est_s.e. 95% Lower 95% Upper
#> Species Richness 94.00000 132.20199 18.213136 96.50490 167.89908
#> Shannon diversity 48.90124 56.83573 3.274570 50.41769 63.25377
#> Simpson diversity 29.74487 31.63125 2.482784 26.76508 36.49742
#>
#> $P10$no_asintoticos_rarefaccion_extrapolacion_grafico
#>
#>
#> $P20
#> $P20$asintoticos_estimacion
#>
#> (1) BASIC DATA INFORMATION:
#>
#> Variable Value
#> Sample size n 429
#> Number of observed species D 100
#> Coverage estimate for entire dataset C 0.912
#> CV for entire dataset CV 1.228
#> Cut-off point k 10
#>
#> Variable Value
#> Number of observed individuals for rare group n_rare 258
#> Number of observed species for rare group D_rare 90
#> Estimate of the sample coverage for rare group C_rare 0.853
#> Estimate of CV for rare group in ACE CV_rare 0.848
#> Estimate of CV1 for rare group in ACE-1 CV1_rare 1.114
#> Number of observed individuals for abundant group n_abun 171
#> Number of observed species for abundant group D_abun 10
#>
#> NULL
#>
#>
#> (2) SPECIES RICHNESS ESTIMATORS TABLE:
#>
#> Estimate s.e. 95%Lower 95%Upper
#> Homogeneous Model 115.545 5.575 107.862 130.738
#> Homogeneous (MLE) 101.481 1.266 100.347 106.324
#> Chao1 (Chao, 1984) 136.016 15.408 116.126 180.438
#> Chao1-bc 133.398 14.304 114.942 174.651
#> iChao1 (Chiu et al. 2014) 144.641 9.474 129.584 167.360
#> ACE (Chao & Lee, 1992) 147.593 15.655 125.393 189.201
#> ACE-1 (Chao & Lee, 1992) 170.855 27.129 134.320 246.283
#> 1st order jackknife 137.911 8.703 124.315 159.110
#> 2nd order jackknife 155.874 15.051 133.260 193.864
#>
#>
#> (3) DESCRIPTION OF ESTIMATORS/MODELS:
#>
#> Homogeneous Model: This model assumes that all species have the same incidence or detection probabilities. See Eq. (3.2) of Lee and Chao (1994) or Eq. (12a) in Chao and Chiu (2016b).
#>
#> Chao2 (Chao, 1987): This approach uses the frequencies of uniques and duplicates to estimate the number of undetected species; see Chao (1987) or Eq. (11a) in Chao and Chiu (2016b).
#>
#> Chao2-bc: A bias-corrected form for the Chao2 estimator; see Chao (2005).
#>
#> iChao2: An improved Chao2 estimator; see Chiu et al. (2014).
#>
#> ICE (Incidence-based Coverage Estimator): A non-parametric estimator originally proposed by Lee and Chao (1994) in the context of capture-recapture data analysis. The observed species are separated as frequent and infrequent species groups; only data in the infrequent group are used to estimate the number of undetected species. The estimated CV for species in the infrequent group characterizes the degree of heterogeneity among species incidence probabilities. See Eq. (12b) of Chao and Chiu (2016b), which is an improved version of Eq. (3.18) in Lee and Chao (1994). This model is also called Model(h) in capture-recapture literature where h denotes "heterogeneity".
#>
#> ICE-1: A modified ICE for highly-heterogeneous cases.
#>
#> 1st order jackknife: It uses the frequency of uniques to estimate the number of undetected species; see Burnham and Overton (1978).
#>
#> 2nd order jackknife: It uses the frequencies of uniques and duplicates to estimate the number of undetected species; see Burnham and Overton (1978).
#>
#> 95% Confidence interval: A log-transformation is used for all estimators so that the lower bound of the resulting interval is at least the number of observed species. See Chao (1987).
#>
#> $P20$no_asintoticos_rarefaccion_extrapolacion
#> Compare 1 assemblages with Hill number order q = 0.
#> $class: iNEXT
#>
#> $DataInfo: basic data information
#> Assemblage n S.obs SC f1 f2 f3 f4 f5 f6 f7 f8 f9 f10
#> 1 site.1 429 100 0.9116 38 20 9 6 3 4 2 1 2 5
#>
#> $iNextEst: diversity estimates with rarefied and extrapolated samples.
#> $size_based (LCL and UCL are obtained for fixed size.)
#>
#> Assemblage m Method Order.q qD qD.LCL qD.UCL
#> 1 Assemblage1 1 Rarefaction 0 1.00000 1.00000 1.00000
#> 13 Assemblage1 223 Rarefaction 0 75.70839 70.17755 81.23923
#> 25 Assemblage1 429 Observed 0 100.00000 91.58700 108.41300
#> 38 Assemblage1 644 Extrapolation 0 114.77698 103.46606 126.08790
#> 50 Assemblage1 858 Extrapolation 0 123.46029 108.78507 138.13552
#> SC SC.LCL SC.UCL
#> 1 0.02286343 0.0185632 0.02716366
#> 13 0.84231484 0.8212009 0.86342882
#> 25 0.91163923 0.8910597 0.93221876
#> 38 0.94789285 0.9243962 0.97138955
#> 50 0.96919637 0.9476595 0.99073325
#>
#> NOTE: The above output only shows five estimates for each assemblage; call iNEXT.object$iNextEst$size_based to view complete output.
#>
#> $coverage_based (LCL and UCL are obtained for fixed coverage; interval length is wider due to varying size in bootstraps.)
#>
#> Assemblage SC m Method Order.q qD qD.LCL
#> 1 Assemblage1 0.02286343 1 Rarefaction 0 1.00000 0.9542108
#> 13 Assemblage1 0.84231484 223 Rarefaction 0 75.70839 65.8397823
#> 25 Assemblage1 0.91163923 429 Observed 0 100.00000 85.9378074
#> 38 Assemblage1 0.94789285 644 Extrapolation 0 114.77698 96.0655506
#> 50 Assemblage1 0.96919637 858 Extrapolation 0 123.46029 100.8284247
#> qD.UCL
#> 1 1.045789
#> 13 85.576991
#> 25 114.062193
#> 38 133.488406
#> 50 146.092160
#>
#> NOTE: The above output only shows five estimates for each assemblage; call iNEXT.object$iNextEst$coverage_based to view complete output.
#>
#> $AsyEst: asymptotic diversity estimates along with related statistics.
#> Observed Estimator Est_s.e. 95% Lower 95% Upper
#> Species Richness 100.00000 136.01585 16.473184 103.72900 168.30270
#> Shannon diversity 58.98757 70.37625 3.946174 62.64189 78.11061
#> Simpson diversity 39.77545 43.73797 2.968633 37.91956 49.55638
#>
#> $P20$no_asintoticos_rarefaccion_extrapolacion_grafico
#>
#>
#> $P30
#> $P30$asintoticos_estimacion
#>
#> (1) BASIC DATA INFORMATION:
#>
#> Variable Value
#> Sample size n 475
#> Number of observed species D 97
#> Coverage estimate for entire dataset C 0.922
#> CV for entire dataset CV 1.722
#> Cut-off point k 10
#>
#> Variable Value
#> Number of observed individuals for rare group n_rare 248
#> Number of observed species for rare group D_rare 88
#> Estimate of the sample coverage for rare group C_rare 0.851
#> Estimate of CV for rare group in ACE CV_rare 0.762
#> Estimate of CV1 for rare group in ACE-1 CV1_rare 0.983
#> Number of observed individuals for abundant group n_abun 227
#> Number of observed species for abundant group D_abun 9
#>
#> NULL
#>
#>
#> (2) SPECIES RICHNESS ESTIMATORS TABLE:
#>
#> Estimate s.e. 95%Lower 95%Upper
#> Homogeneous Model 112.431 5.541 104.797 127.539
#> Homogeneous (MLE) 97.759 0.891 97.122 101.708
#> Chao1 (Chao, 1984) 139.691 18.805 115.702 194.452
#> Chao1-bc 136.094 17.133 114.192 185.900
#> iChao1 (Chiu et al. 2014) 150.371 10.871 132.949 176.237
#> ACE (Chao & Lee, 1992) 137.674 13.948 118.159 175.188
#> ACE-1 (Chao & Lee, 1992) 154.447 22.603 124.311 217.837
#> 1st order jackknife 133.922 8.589 120.544 154.901
#> 2nd order jackknife 154.867 14.857 132.267 191.950
#>
#>
#> (3) DESCRIPTION OF ESTIMATORS/MODELS:
#>
#> Homogeneous Model: This model assumes that all species have the same incidence or detection probabilities. See Eq. (3.2) of Lee and Chao (1994) or Eq. (12a) in Chao and Chiu (2016b).
#>
#> Chao2 (Chao, 1987): This approach uses the frequencies of uniques and duplicates to estimate the number of undetected species; see Chao (1987) or Eq. (11a) in Chao and Chiu (2016b).
#>
#> Chao2-bc: A bias-corrected form for the Chao2 estimator; see Chao (2005).
#>
#> iChao2: An improved Chao2 estimator; see Chiu et al. (2014).
#>
#> ICE (Incidence-based Coverage Estimator): A non-parametric estimator originally proposed by Lee and Chao (1994) in the context of capture-recapture data analysis. The observed species are separated as frequent and infrequent species groups; only data in the infrequent group are used to estimate the number of undetected species. The estimated CV for species in the infrequent group characterizes the degree of heterogeneity among species incidence probabilities. See Eq. (12b) of Chao and Chiu (2016b), which is an improved version of Eq. (3.18) in Lee and Chao (1994). This model is also called Model(h) in capture-recapture literature where h denotes "heterogeneity".
#>
#> ICE-1: A modified ICE for highly-heterogeneous cases.
#>
#> 1st order jackknife: It uses the frequency of uniques to estimate the number of undetected species; see Burnham and Overton (1978).
#>
#> 2nd order jackknife: It uses the frequencies of uniques and duplicates to estimate the number of undetected species; see Burnham and Overton (1978).
#>
#> 95% Confidence interval: A log-transformation is used for all estimators so that the lower bound of the resulting interval is at least the number of observed species. See Chao (1987).
#>
#> $P30$no_asintoticos_rarefaccion_extrapolacion
#> Compare 1 assemblages with Hill number order q = 0.
#> $class: iNEXT
#>
#> $DataInfo: basic data information
#> Assemblage n S.obs SC f1 f2 f3 f4 f5 f6 f7 f8 f9 f10
#> 1 site.1 475 97 0.9222 37 16 12 5 7 2 1 4 3 1
#>
#> $iNextEst: diversity estimates with rarefied and extrapolated samples.
#> $size_based (LCL and UCL are obtained for fixed size.)
#>
#> Assemblage m Method Order.q qD qD.LCL qD.UCL
#> 1 Assemblage1 1 Rarefaction 0 1.00000 1.00000 1.0000
#> 13 Assemblage1 247 Rarefaction 0 73.76359 68.79077 78.7364
#> 25 Assemblage1 475 Observed 0 97.00000 88.40411 105.5959
#> 38 Assemblage1 713 Extrapolation 0 112.02721 99.24053 124.8139
#> 50 Assemblage1 950 Extrapolation 0 121.73216 104.55156 138.9128
#> SC SC.LCL SC.UCL
#> 1 0.03770819 0.03109175 0.04432463
#> 13 0.86273430 0.84259546 0.88287315
#> 25 0.92224713 0.90142524 0.94306903
#> 38 0.94961598 0.92665521 0.97257674
#> 50 0.96729148 0.94632375 0.98825921
#>
#> NOTE: The above output only shows five estimates for each assemblage; call iNEXT.object$iNextEst$size_based to view complete output.
#>
#> $coverage_based (LCL and UCL are obtained for fixed coverage; interval length is wider due to varying size in bootstraps.)
#>
#> Assemblage SC m Method Order.q qD qD.LCL
#> 1 Assemblage1 0.03770876 1 Rarefaction 0 1.000015 0.9283383
#> 13 Assemblage1 0.86273432 247 Rarefaction 0 73.763591 63.8945213
#> 25 Assemblage1 0.92224713 475 Observed 0 97.000000 79.3240221
#> 38 Assemblage1 0.94961598 713 Extrapolation 0 112.027207 88.6068882
#> 50 Assemblage1 0.96729148 950 Extrapolation 0 121.732161 94.3138067
#> qD.UCL
#> 1 1.071692
#> 13 83.632661
#> 25 114.675978
#> 38 135.447527
#> 50 149.150515
#>
#> NOTE: The above output only shows five estimates for each assemblage; call iNEXT.object$iNextEst$coverage_based to view complete output.
#>
#> $AsyEst: asymptotic diversity estimates along with related statistics.
#> Observed Estimator Est_s.e. 95% Lower 95% Upper
#> Species Richness 97.00000 139.69118 17.260973 105.86030 173.52207
#> Shannon diversity 47.06823 55.29307 3.356504 48.71444 61.87169
#> Simpson diversity 25.16732 26.51943 2.263622 22.08282 30.95605
#>
#> $P30$no_asintoticos_rarefaccion_extrapolacion_grafico
#>
#>
#> $P40
#> $P40$asintoticos_estimacion
#>
#> (1) BASIC DATA INFORMATION:
#>
#> Variable Value
#> Sample size n 489
#> Number of observed species D 80
#> Coverage estimate for entire dataset C 0.939
#> CV for entire dataset CV 2.489
#> Cut-off point k 10
#>
#> Variable Value
#> Number of observed individuals for rare group n_rare 190
#> Number of observed species for rare group D_rare 74
#> Estimate of the sample coverage for rare group C_rare 0.842
#> Estimate of CV for rare group in ACE CV_rare 0.596
#> Estimate of CV1 for rare group in ACE-1 CV1_rare 0.742
#> Number of observed individuals for abundant group n_abun 299
#> Number of observed species for abundant group D_abun 6
#>
#> NULL
#>
#>
#> (2) SPECIES RICHNESS ESTIMATORS TABLE:
#>
#> Estimate s.e. 95%Lower 95%Upper
#> Homogeneous Model 93.875 5.316 86.717 108.660
#> Homogeneous (MLE) 80.180 0.428 80.012 82.671
#> Chao1 (Chao, 1984) 109.939 14.464 92.200 153.467
#> Chao1-bc 107.132 13.108 91.056 146.582
#> iChao1 (Chiu et al. 2014) 117.139 7.362 105.276 134.568
#> ACE (Chao & Lee, 1992) 106.546 10.407 92.652 135.701
#> ACE-1 (Chao & Lee, 1992) 113.511 14.616 94.790 155.927
#> 1st order jackknife 109.939 7.734 98.192 129.270
#> 2nd order jackknife 124.908 13.379 105.358 159.531
#>
#>
#> (3) DESCRIPTION OF ESTIMATORS/MODELS:
#>
#> Homogeneous Model: This model assumes that all species have the same incidence or detection probabilities. See Eq. (3.2) of Lee and Chao (1994) or Eq. (12a) in Chao and Chiu (2016b).
#>
#> Chao2 (Chao, 1987): This approach uses the frequencies of uniques and duplicates to estimate the number of undetected species; see Chao (1987) or Eq. (11a) in Chao and Chiu (2016b).
#>
#> Chao2-bc: A bias-corrected form for the Chao2 estimator; see Chao (2005).
#>
#> iChao2: An improved Chao2 estimator; see Chiu et al. (2014).
#>
#> ICE (Incidence-based Coverage Estimator): A non-parametric estimator originally proposed by Lee and Chao (1994) in the context of capture-recapture data analysis. The observed species are separated as frequent and infrequent species groups; only data in the infrequent group are used to estimate the number of undetected species. The estimated CV for species in the infrequent group characterizes the degree of heterogeneity among species incidence probabilities. See Eq. (12b) of Chao and Chiu (2016b), which is an improved version of Eq. (3.18) in Lee and Chao (1994). This model is also called Model(h) in capture-recapture literature where h denotes "heterogeneity".
#>
#> ICE-1: A modified ICE for highly-heterogeneous cases.
#>
#> 1st order jackknife: It uses the frequency of uniques to estimate the number of undetected species; see Burnham and Overton (1978).
#>
#> 2nd order jackknife: It uses the frequencies of uniques and duplicates to estimate the number of undetected species; see Burnham and Overton (1978).
#>
#> 95% Confidence interval: A log-transformation is used for all estimators so that the lower bound of the resulting interval is at least the number of observed species. See Chao (1987).
#>
#> $P40$no_asintoticos_rarefaccion_extrapolacion
#> Compare 1 assemblages with Hill number order q = 0.
#> $class: iNEXT
#>
#> $DataInfo: basic data information
#> Assemblage n S.obs SC f1 f2 f3 f4 f5 f6 f7 f8 f9 f10
#> 1 site.1 489 80 0.9388 30 15 12 5 4 2 6 0 0 0
#>
#> $iNextEst: diversity estimates with rarefied and extrapolated samples.
#> $size_based (LCL and UCL are obtained for fixed size.)
#>
#> Assemblage m Method Order.q qD qD.LCL qD.UCL SC
#> 1 Assemblage1 1 Rarefaction 0 1.00000 1.00000 1.00000 0.0844145
#> 13 Assemblage1 255 Rarefaction 0 60.49773 55.90358 65.09187 0.8845033
#> 25 Assemblage1 489 Observed 0 80.00000 72.40393 87.59607 0.9387758
#> 38 Assemblage1 734 Extrapolation 0 91.80780 80.44203 103.17357 0.9629226
#> 50 Assemblage1 978 Extrapolation 0 98.93611 83.71154 114.16067 0.9774999
#> SC.LCL SC.UCL
#> 1 0.07059194 0.09823705
#> 13 0.86719603 0.90181056
#> 25 0.92058457 0.95696696
#> 38 0.94275160 0.98309360
#> 50 0.96010447 0.99489536
#>
#> NOTE: The above output only shows five estimates for each assemblage; call iNEXT.object$iNextEst$size_based to view complete output.
#>
#> $coverage_based (LCL and UCL are obtained for fixed coverage; interval length is wider due to varying size in bootstraps.)
#>
#> Assemblage SC m Method Order.q qD qD.LCL
#> 1 Assemblage1 0.08441569 1 Rarefaction 0 1.000014 0.9046913
#> 13 Assemblage1 0.88450329 255 Rarefaction 0 60.497724 52.0339862
#> 25 Assemblage1 0.93877577 489 Observed 0 80.000000 65.9273177
#> 38 Assemblage1 0.96292260 734 Extrapolation 0 91.807802 72.9994038
#> 50 Assemblage1 0.97749991 978 Extrapolation 0 98.936108 76.6614840
#> qD.UCL
#> 1 1.095337
#> 13 68.961461
#> 25 94.072682
#> 38 110.616200
#> 50 121.210731
#>
#> NOTE: The above output only shows five estimates for each assemblage; call iNEXT.object$iNextEst$coverage_based to view complete output.
#>
#> $AsyEst: asymptotic diversity estimates along with related statistics.
#> Observed Estimator Est_s.e. 95% Lower 95% Upper
#> Species Richness 80.00000 109.93865 13.757417 82.974609 136.90269
#> Shannon diversity 25.40252 28.77247 2.216255 24.428685 33.11625
#> Simpson diversity 11.58925 11.84631 0.975294 9.934766 13.75785
#>
#> $P40$no_asintoticos_rarefaccion_extrapolacion_grafico
Ideas de ayuda
Compara la riqueza observada (
S_obs) con la riqueza esperada (S_chao1,S_chao1_bc,S_ichao1) y con las curvas iNEXT: ¿coinciden las tendencias? ¿qué tan lejos está la asintota de la muestra actual?Interpreta: explica la forma de las curvas (rarefacción vs extrapolación), la cobertura de muestreo implícita y el signo/magnitud de las diferencias entre
S_obsyS_chao1en el conjunto total y en las parcelas seleccionadas.Formula dos preguntas que puedan responderse con estos resultados o con la técnica empleada (p. ej., ¿qué esfuerzo adicional de muestreo se requiere para alcanzar el 95% de la riqueza esperada?; ¿qué parcelas muestran mayor submuestreo relativo y por qué?).
Reflexiona sobre implicaciones ecológicas/biogeográficas (p. ej., dominancia/raras, heterogeneidad espacial del ensamblaje) y, si aplica, de conservación (p. ej., priorización de parcelas con alta riqueza estimada no muestreada, planificación de esfuerzo).
Ejercicio 17 · SDM (Modelos de Distribución de Especies) — introducción compacta
Objetivo. Construir un SDM simple con regresión logística (presencia/ausencia) y variables ambientales para generar un mapa de idoneidad. Alternativa ligera a MaxEnt/ML para aula. (Bloque protegido: se omite si faltan paquetes espaciales.)
Dataset y código de ayuda
Datos. Usamos meuse (paquete sp) como “paisaje” con dos variables (zinc, cobre). Simulamos presencias de una “especie” asociada a bajo Zn (solo para el ejercicio), ajustamos un GLM binomial y proyectamos.
if (requireNamespace("sp", quietly=TRUE) &&
requireNamespace("raster", quietly=TRUE) &&
requireNamespace("dismo", quietly=TRUE)) {
library(sp); library(raster); library(dismo)
data(meuse) # datos puntuales con x, y y varias variables
coordinates(meuse) <- ~x+y # convertir a objeto espacial
meuse_df <- as.data.frame(meuse)
# 1) Simular presencia (1) si zinc está por debajo de la mediana (asociación negativa)
meuse_df$pres <- as.integer(meuse_df$zinc < median(meuse_df$zinc))
# 2) Preparar raster ambiental (interpolación rápida por IDW a fines docentes)
# Creamos rejilla y hacemos IDW simple con 'dismo::interpolate' usando modelos de 'gstat'
# Para brevedad, rasterizamos por kriging simple incorporado en 'dismo::gmap' no es necesario; usamos 'rasterFromXYZ'.
# Aquí generamos una cuadrícula a partir de los puntos (resolución gruesa para rapidez):
rngx <- range(meuse_df$x); rngy <- range(meuse_df$y)
r <- raster(xmn=rngx[1], xmx=rngx[2], ymn=rngy[1], ymx=rngy[2], res=50)
# Rasterizar por promedio de celdas (simple y suficiente para demostración):
r_zinc <- rasterize(meuse_df[,c("x","y")], r, meuse_df$zinc, fun=mean)
r_copper<- rasterize(meuse_df[,c("x","y")], r, meuse_df$copper, fun=mean)
env_stack <- stack(r_zinc, r_copper)
names(env_stack) <- c("zinc","copper")
# 3) Ajustar SDM (GLM binomial)
mod <- glm(pres ~ zinc + copper, data = meuse_df, family = binomial)
summ <- capture.output(summary(mod)); cat(paste(summ, collapse="\n"), "\n")
# 4) Predecir idoneidad (probabilidad de presencia)
pred <- predict(env_stack, mod, type="response")
plot(pred, main="SDM (GLM): Probabilidad de presencia")
points(meuse_df$x, meuse_df$y, pch=19,
col=ifelse(meuse_df$pres==1, "red", "blue"))
legend("topleft", legend=c("Presencia (simulada)","Ausencia"),
pch=19, col=c("red","blue"), bty="n")
# 5) Evaluación rápida (holdout simple 70/30):
set.seed(123)
idx <- sample.int(nrow(meuse_df), size = floor(0.7*nrow(meuse_df)))
fit <- glm(pres ~ zinc + copper, data = meuse_df[idx,], family=binomial)
prd <- predict(fit, newdata = meuse_df[-idx,], type="response")
lab <- meuse_df$pres[-idx]
# Curva ROC/AUC básica (dismo::evaluate)
ev <- evaluate(p = prd[lab==1], a = prd[lab==0])
print(ev)
plot(ev, 'ROC', main = sprintf("ROC (AUC = %.3f)", as.numeric(ev@auc)))
} else {
cat("**Paquetes espaciales no instalados ('sp','raster','dismo'): SDM omitido.**\n",
"Instale estos paquetes para ejecutar este ejercicio.\n")
}Call: glm(formula = pres ~ zinc + copper, family = binomial, data = meuse_df)
Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 931.327 70122.498 0.013 0.989 zinc -3.464 231.104 -0.015 0.988 copper 6.751 1577.922 0.004 0.997
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 2.1487e+02 on 154 degrees of freedomResidual deviance: 6.8467e-07 on 152 degrees of freedom AIC: 6
Number of Fisher Scoring iterations: 25
class : ModelEvaluation
n presences : 22
n absences : 25
AUC : 1
cor : 1
max TPR+TNR at : 0.9999
Sugerencias de extensión (si hay tiempo/recursos).
- Probar términos no lineales (p. ej.,
poly(zinc,2)). - Comparar con un modelo de fondo (pseudo-ausencias) si solo se dispone de presencias.
- Si cuentan con
maxent.jar, explorardismo::maxentcon el mismo stack ambiental.
Ideas de ayuda
Interpreta el mapa de idoneidad y los coeficientes del GLM (signo, magnitud, significancia).
Formula dos preguntas que puedan responderse con estos resultados o con la técnica empleada (p. ej., ¿qué umbral usarías para convertir probabilidad en presencia?, ¿qué variable añadirías para mejorar el AUC?).
Reflexiona sobre implicaciones ecológicas/biogeográficas (idoneidad, nicho, extrapolación) y de conservación (priorización espacial, muestreo dirigido, riesgos de sobreajuste).
sessionInfo()#> R version 4.4.0 (2024-04-24)
#> Platform: x86_64-pc-linux-gnu
#> Running under: Ubuntu 22.04.4 LTS
#>
#> Matrix products: default
#> BLAS: /usr/lib/x86_64-linux-gnu/openblas-pthread/libblas.so.3
#> LAPACK: /usr/lib/x86_64-linux-gnu/openblas-pthread/libopenblasp-r0.3.20.so; LAPACK version 3.10.0
#>
#> locale:
#> [1] LC_CTYPE=C.UTF-8 LC_NUMERIC=C LC_TIME=C.UTF-8
#> [4] LC_COLLATE=C.UTF-8 LC_MONETARY=C.UTF-8 LC_MESSAGES=C.UTF-8
#> [7] LC_PAPER=C.UTF-8 LC_NAME=C LC_ADDRESS=C
#> [10] LC_TELEPHONE=C LC_MEASUREMENT=C.UTF-8 LC_IDENTIFICATION=C
#>
#> time zone: Etc/UTC
#> tzcode source: system (glibc)
#>
#> attached base packages:
#> [1] stats graphics grDevices utils datasets methods base
#>
#> other attached packages:
#> [1] RColorBrewer_1.1-3 betapart_1.6 devtools_2.4.5
#> [4] usethis_2.2.3 ggplot2_3.5.2 SpadeR_0.1.1
#> [7] iNEXT_3.0.1 dismo_1.3-16 raster_3.6-26
#> [10] sp_2.1-4 adespatial_0.3-23 indicspecies_1.7.14
#> [13] cluster_2.1.6 vegan_2.6-6.1 lattice_0.22-6
#> [16] permute_0.9-7
#>
#> loaded via a namespace (and not attached):
#> [1] rstudioapi_0.17.1 jsonlite_1.8.9 wk_0.9.1
#> [4] magrittr_2.0.3 farver_2.1.2 rmarkdown_2.27
#> [7] fs_1.6.5 adegraphics_1.0-21 vctrs_0.6.5
#> [10] spdep_1.3-5 memoise_2.0.1 terra_1.8-54
#> [13] itertools_0.1-3 htmltools_0.5.8.1 progress_1.2.3
#> [16] s2_1.1.6 adegenet_2.1.10 sass_0.4.9
#> [19] spData_2.3.1 KernSmooth_2.23-24 bslib_0.9.0
#> [22] htmlwidgets_1.6.4 adephylo_1.1-16 plyr_1.8.9
#> [25] cachem_1.1.0 uuid_1.2-0 igraph_2.0.3
#> [28] minpack.lm_1.2-4 iterators_1.0.14 mime_0.12
#> [31] lifecycle_1.0.4 pkgconfig_2.0.3 Matrix_1.7-0
#> [34] R6_2.5.1 fastmap_1.2.0 magic_1.6-1
#> [37] shiny_1.10.0 digest_0.6.37 colorspace_2.1-0
#> [40] phylobase_0.8.12 ps_1.8.1 pkgload_1.3.4
#> [43] labeling_0.4.3 fansi_1.0.6 abind_1.4-5
#> [46] httr_1.4.7 mgcv_1.9-1 compiler_4.4.0
#> [49] proxy_0.4-27 remotes_2.5.0 withr_3.0.2
#> [52] DBI_1.2.3 pkgbuild_1.4.4 highr_0.11
#> [55] MASS_7.3-61 sessioninfo_1.2.2 classInt_0.4-10
#> [58] tools_4.4.0 chromote_0.4.0 units_0.8-5
#> [61] rncl_0.8.7 ape_5.8 httpuv_1.6.15
#> [64] glue_1.8.0 rcdd_1.6 nlme_3.1-165
#> [67] promises_1.3.2 grid_4.4.0 sf_1.0-16
#> [70] reshape2_1.4.4 ade4_1.7-22 snow_0.4-4
#> [73] generics_0.1.3 seqinr_4.2-36 gtable_0.3.5
#> [76] class_7.3-22 tidyr_1.3.1 websocket_1.4.1
#> [79] hms_1.1.3 xml2_1.3.6 utf8_1.2.4
#> [82] foreach_1.5.2 pillar_1.9.0 stringr_1.5.1
#> [85] later_1.4.1 splines_4.4.0 dplyr_1.1.4
#> [88] deldir_2.0-4 tidyselect_1.2.1 miniUI_0.1.1.1
#> [91] knitr_1.47 bookdown_0.39 xfun_0.53
#> [94] stringi_1.8.4 yaml_2.3.10 boot_1.3-30
#> [97] evaluate_0.24.0 codetools_0.2-20 interp_1.1-6
#> [100] tibble_3.2.1 cli_3.6.3 geometry_0.4.7
#> [103] xtable_1.8-4 munsell_0.5.1 processx_3.8.5
#> [106] jquerylib_0.1.4 Rcpp_1.0.14 doSNOW_1.0.20
#> [109] png_0.1-8 XML_3.99-0.16.1 parallel_4.4.0
#> [112] picante_1.8.2 ellipsis_0.3.2 RNeXML_2.4.11
#> [115] prettyunits_1.2.0 latticeExtra_0.6-30 jpeg_0.1-10
#> [118] profvis_0.3.8 urlchecker_1.0.1 scales_1.3.0
#> [121] e1071_1.7-14 purrr_1.0.4 crayon_1.5.3
#> [124] rlang_1.1.5 fastmatch_1.1-4